TSPredIT

TSPredIT é um framework unificado para predição de séries temporais com ajuste integrado. O pacote organiza o processo preditivo como um pipeline modular que pode incluir representação dos dados, divisão temporal, filtragem, augmentação, normalização, modelagem, comparação de modelos e ajuste integrado de hiperparâmetros. Na versão atual do pacote, 1.2.767, a documentação foi reorganizada para apoiar uma trilha de aprendizado guiada e coleções temáticas mais claras.

Organização didática

O material do tspredit passou a ser organizado em duas portas de entrada complementares. A primeira é uma trilha guiada, indicada para quem deseja aprender o fluxo preditivo passo a passo. A segunda é composta por coleções temáticas, voltadas a quem quer estudar cada estágio do pipeline separadamente.

Essa organização reforça a principal proposta do framework: predição de séries temporais não depende apenas da escolha do modelo, mas de uma sequência explícita de decisões sobre representação da série, protocolo de avaliação, filtragem, augmentação, normalização e ajuste integrado.

Etapas e métodos disponíveis

  • Representação e utilitários de dados:
    construção de objetos temporais, projeção supervisionada em janelas deslizantes e divisão treino-teste preservando a ordem temporal.
  • Datasets:
    coleções sintéticas, séries energéticas, indicadores macroeconômicos, bases de competições de previsão, séries ambientais e séries financeiras.
  • Filtragem:
    métodos de suavização, filtros robustos, abordagens espectrais, decomposição, filtros de estado e ajustes sazonais para preparar a série antes da modelagem.
  • Augmentação:
    estratégias para gerar novas janelas de treino, desde perturbações locais até métodos orientados à recência.
  • Normalização:
    estratégias globais, locais, adaptativas e baseadas em diferenciação para estabilizar a entrada dos modelos.
  • Predição:
    modelos estatísticos, regressão por aprendizado de máquina, redes neurais feedforward, modelos neurais sequenciais e ajuste integrado de hiperparâmetros.
  • Customização:
    suporte à inclusão de novos preditores, filtros, métodos de augmentação e técnicas de normalização sem romper o contrato do framework.

Arquitetura

A arquitetura do tspredit foi construída sobre o DAL Toolbox e enfatiza a co-otimização entre pré-processamento e modelagem. Em vez de tratar o preditor como uma etapa isolada, o framework permite estudar o impacto conjunto das escolhas feitas ao longo de todo o pipeline temporal.

Instalação

A versão estável do TSPredIT no CRAN está disponível em: https://CRAN.R-project.org/package=tspredit

Para instalar a versão estável do CRAN:

install.packages("tspredit")

Para instalar a versão em desenvolvimento diretamente do GitHub:

library(devtools)
devtools::install_github("cefet-rj-dal/tspredit", force = TRUE, upgrade = "never")

Documentação e exemplos

Os exemplos do tspredit estão organizados em trilha guiada e em coleções temáticas de utilitários de dados temporais, datasets, filtragem, augmentação, normalização, predição e customização:

https://github.com/cefet-rj-dal/tspredit/tree/main/examples

Apresentações

As apresentações abaixo foram reordenadas para seguir uma progressão de estudo mais didática: começar pela visão geral do framework, avançar pelo fluxo guiado de uso, entender dados e bases disponíveis, estudar o pré-processamento e só então entrar na modelagem e na customização.

  • t01-tspredit.pdf — visão geral do framework tspredit e da ideia de predição com ajuste integrado.
  • t02-tutorial.pdf — trilha guiada de uso do tspredit, cobrindo protocolos de previsão e construção progressiva do pipeline.
  • t03-data.pdf — utilitários de dados temporais, incluindo representação tabular, projeção supervisionada e divisão temporal para avaliação.
  • t04-datasets.pdf — entendimento das coleções de dados e benchmarks antes da escolha do workflow preditivo.
  • t05-filter.pdf — filtragem e preparação da série, do baseline sem filtro a métodos mais especializados.
  • t06-augment.pdf — augmentação de janelas de treino para enriquecer o aprendizado do modelo.
  • t07-normalization.pdf — normalização global, local e adaptativa para estabilizar a entrada dos preditores.
  • t08-prediction.pdf — estudo das famílias de modelos preditivos e do ajuste integrado de hiperparâmetros.
  • t09-custom.pdf — extensão e customização do framework com novos componentes do pipeline.

Playlist de Tutorial