{"id":2718,"date":"2026-04-04T11:55:30","date_gmt":"2026-04-04T14:55:30","guid":{"rendered":"https:\/\/eic.cefet-rj.br\/~eogasawara\/?page_id=2718"},"modified":"2026-04-04T12:18:27","modified_gmt":"2026-04-04T15:18:27","slug":"tspredit","status":"publish","type":"page","link":"https:\/\/eic.cefet-rj.br\/~eogasawara\/tspredit\/","title":{"rendered":"TSPredIT"},"content":{"rendered":"<p><strong>TSPredIT<\/strong> \u00e9 um framework unificado para predi\u00e7\u00e3o de s\u00e9ries temporais com ajuste integrado. O pacote organiza o processo preditivo como um pipeline modular que pode incluir representa\u00e7\u00e3o dos dados, divis\u00e3o temporal, filtragem, augmenta\u00e7\u00e3o, normaliza\u00e7\u00e3o, modelagem, compara\u00e7\u00e3o de modelos e ajuste integrado de hiperpar\u00e2metros. Na vers\u00e3o atual do pacote, <strong>1.2.767<\/strong>, a documenta\u00e7\u00e3o foi reorganizada para apoiar uma trilha de aprendizado guiada e cole\u00e7\u00f5es tem\u00e1ticas mais claras.<\/p>\n<h3><strong>Organiza\u00e7\u00e3o did\u00e1tica<\/strong><\/h3>\n<p>O material do <code>tspredit<\/code> passou a ser organizado em duas portas de entrada complementares. A primeira \u00e9 uma trilha guiada, indicada para quem deseja aprender o fluxo preditivo passo a passo. A segunda \u00e9 composta por cole\u00e7\u00f5es tem\u00e1ticas, voltadas a quem quer estudar cada est\u00e1gio do pipeline separadamente.<\/p>\n<p>Essa organiza\u00e7\u00e3o refor\u00e7a a principal proposta do framework: predi\u00e7\u00e3o de s\u00e9ries temporais n\u00e3o depende apenas da escolha do modelo, mas de uma sequ\u00eancia expl\u00edcita de decis\u00f5es sobre representa\u00e7\u00e3o da s\u00e9rie, protocolo de avalia\u00e7\u00e3o, filtragem, augmenta\u00e7\u00e3o, normaliza\u00e7\u00e3o e ajuste integrado.<\/p>\n<h3><strong>Etapas e m\u00e9todos dispon\u00edveis<\/strong><\/h3>\n<ul>\n<li><strong>Representa\u00e7\u00e3o e utilit\u00e1rios de dados:<\/strong><br \/>\nconstru\u00e7\u00e3o de objetos temporais, proje\u00e7\u00e3o supervisionada em janelas deslizantes e divis\u00e3o treino-teste preservando a ordem temporal.<\/li>\n<li><strong>Datasets:<\/strong><br \/>\ncole\u00e7\u00f5es sint\u00e9ticas, s\u00e9ries energ\u00e9ticas, indicadores macroecon\u00f4micos, bases de competi\u00e7\u00f5es de previs\u00e3o, s\u00e9ries ambientais e s\u00e9ries financeiras.<\/li>\n<li><strong>Filtragem:<\/strong><br \/>\nm\u00e9todos de suaviza\u00e7\u00e3o, filtros robustos, abordagens espectrais, decomposi\u00e7\u00e3o, filtros de estado e ajustes sazonais para preparar a s\u00e9rie antes da modelagem.<\/li>\n<li><strong>Augmenta\u00e7\u00e3o:<\/strong><br \/>\nestrat\u00e9gias para gerar novas janelas de treino, desde perturba\u00e7\u00f5es locais at\u00e9 m\u00e9todos orientados \u00e0 rec\u00eancia.<\/li>\n<li><strong>Normaliza\u00e7\u00e3o:<\/strong><br \/>\nestrat\u00e9gias globais, locais, adaptativas e baseadas em diferencia\u00e7\u00e3o para estabilizar a entrada dos modelos.<\/li>\n<li><strong>Predi\u00e7\u00e3o:<\/strong><br \/>\nmodelos estat\u00edsticos, regress\u00e3o por aprendizado de m\u00e1quina, redes neurais feedforward, modelos neurais sequenciais e ajuste integrado de hiperpar\u00e2metros.<\/li>\n<li><strong>Customiza\u00e7\u00e3o:<\/strong><br \/>\nsuporte \u00e0 inclus\u00e3o de novos preditores, filtros, m\u00e9todos de augmenta\u00e7\u00e3o e t\u00e9cnicas de normaliza\u00e7\u00e3o sem romper o contrato do framework.<\/li>\n<\/ul>\n<h3><strong>Arquitetura<\/strong><\/h3>\n<p>A arquitetura do <code>tspredit<\/code> foi constru\u00edda sobre o DAL Toolbox e enfatiza a co-otimiza\u00e7\u00e3o entre pr\u00e9-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.<\/p>\n<h3>Instala\u00e7\u00e3o<\/h3>\n<p>A vers\u00e3o est\u00e1vel do <strong>TSPredIT<\/strong> no CRAN est\u00e1 dispon\u00edvel em: <a href=\"https:\/\/CRAN.R-project.org\/package=tspredit\">https:\/\/CRAN.R-project.org\/package=tspredit<\/a><\/p>\n<p>Para instalar a vers\u00e3o est\u00e1vel do CRAN:<\/p>\n<div class=\"sourceCode\">\n<pre class=\"sourceCode r\"><code class=\"sourceCode r\">install.packages(\"tspredit\")<\/code><\/pre>\n<\/div>\n<p>Para instalar a vers\u00e3o em desenvolvimento diretamente do GitHub:<\/p>\n<div class=\"sourceCode\">\n<pre class=\"sourceCode r\"><code class=\"sourceCode r\">library(devtools)\r\ndevtools::install_github(\"cefet-rj-dal\/tspredit\", force = TRUE, upgrade = \"never\")<\/code><\/pre>\n<\/div>\n<h3>Documenta\u00e7\u00e3o e exemplos<\/h3>\n<p>Os exemplos do <code>tspredit<\/code> est\u00e3o organizados em trilha guiada e em cole\u00e7\u00f5es tem\u00e1ticas de utilit\u00e1rios de dados temporais, datasets, filtragem, augmenta\u00e7\u00e3o, normaliza\u00e7\u00e3o, predi\u00e7\u00e3o e customiza\u00e7\u00e3o:<\/p>\n<p><a href=\"https:\/\/github.com\/cefet-rj-dal\/tspredit\/tree\/main\/examples\">https:\/\/github.com\/cefet-rj-dal\/tspredit\/tree\/main\/examples<\/a><\/p>\n<h3>Apresenta\u00e7\u00f5es<\/h3>\n<p>As apresenta\u00e7\u00f5es abaixo foram reordenadas para seguir uma progress\u00e3o de estudo mais did\u00e1tica: come\u00e7ar pela vis\u00e3o geral do framework, avan\u00e7ar pelo fluxo guiado de uso, entender dados e bases dispon\u00edveis, estudar o pr\u00e9-processamento e s\u00f3 ent\u00e3o entrar na modelagem e na customiza\u00e7\u00e3o.<\/p>\n<ul>\n<li><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/t01-tspredit.pdf\">t01-tspredit.pdf<\/a> \u2014 vis\u00e3o geral do framework <code>tspredit<\/code> e da ideia de predi\u00e7\u00e3o com ajuste integrado.<\/li>\n<li><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/t02-tutorial.pdf\">t02-tutorial.pdf<\/a> \u2014 trilha guiada de uso do <code>tspredit<\/code>, cobrindo protocolos de previs\u00e3o e constru\u00e7\u00e3o progressiva do pipeline.<\/li>\n<li><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/t03-data.pdf\">t03-data.pdf<\/a> \u2014 utilit\u00e1rios de dados temporais, incluindo representa\u00e7\u00e3o tabular, proje\u00e7\u00e3o supervisionada e divis\u00e3o temporal para avalia\u00e7\u00e3o.<\/li>\n<li><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/t04-datasets.pdf\">t04-datasets.pdf<\/a> \u2014 entendimento das cole\u00e7\u00f5es de dados e benchmarks antes da escolha do workflow preditivo.<\/li>\n<li><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/t05-filter.pdf\">t05-filter.pdf<\/a> \u2014 filtragem e prepara\u00e7\u00e3o da s\u00e9rie, do baseline sem filtro a m\u00e9todos mais especializados.<\/li>\n<li><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/t06-augment.pdf\">t06-augment.pdf<\/a> \u2014 augmenta\u00e7\u00e3o de janelas de treino para enriquecer o aprendizado do modelo.<\/li>\n<li><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/t07-normalization.pdf\">t07-normalization.pdf<\/a> \u2014 normaliza\u00e7\u00e3o global, local e adaptativa para estabilizar a entrada dos preditores.<\/li>\n<li><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/t08-prediction.pdf\">t08-prediction.pdf<\/a> \u2014 estudo das fam\u00edlias de modelos preditivos e do ajuste integrado de hiperpar\u00e2metros.<\/li>\n<li><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/t09-custom.pdf\">t09-custom.pdf<\/a> \u2014 extens\u00e3o e customiza\u00e7\u00e3o do framework com novos componentes do pipeline.<\/li>\n<\/ul>\n<h3>Playlist de Tutorial<\/h3>\n<p class=\"responsive-video-wrap clr\"><iframe loading=\"lazy\" title=\"tspredit\" width=\"1200\" height=\"675\" src=\"https:\/\/www.youtube.com\/embed\/videoseries?list=PLJb2qK1RWkbGlxUAljn-9eP2r_3m70aUC\" frameborder=\"0\" allow=\"accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share\" referrerpolicy=\"strict-origin-when-cross-origin\" allowfullscreen><\/iframe><\/p>\n<p>&nbsp;<\/p>\n","protected":false},"excerpt":{"rendered":"<p>TSPredIT \u00e9 um framework unificado para predi\u00e7\u00e3o de s\u00e9ries temporais com ajuste integrado. O pacote organiza o processo preditivo como um pipeline modular que pode incluir representa\u00e7\u00e3o dos dados, divis\u00e3o temporal, filtragem, augmenta\u00e7\u00e3o, normaliza\u00e7\u00e3o, modelagem, compara\u00e7\u00e3o de modelos e ajuste integrado de hiperpar\u00e2metros. Na vers\u00e3o atual do pacote, 1.2.767, a documenta\u00e7\u00e3o foi reorganizada para apoiar [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"footnotes":""},"class_list":["post-2718","page","type-page","status-publish","hentry","entry"],"_links":{"self":[{"href":"https:\/\/eic.cefet-rj.br\/~eogasawara\/wp-json\/wp\/v2\/pages\/2718","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/eic.cefet-rj.br\/~eogasawara\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/eic.cefet-rj.br\/~eogasawara\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/eic.cefet-rj.br\/~eogasawara\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/eic.cefet-rj.br\/~eogasawara\/wp-json\/wp\/v2\/comments?post=2718"}],"version-history":[{"count":5,"href":"https:\/\/eic.cefet-rj.br\/~eogasawara\/wp-json\/wp\/v2\/pages\/2718\/revisions"}],"predecessor-version":[{"id":2731,"href":"https:\/\/eic.cefet-rj.br\/~eogasawara\/wp-json\/wp\/v2\/pages\/2718\/revisions\/2731"}],"wp:attachment":[{"href":"https:\/\/eic.cefet-rj.br\/~eogasawara\/wp-json\/wp\/v2\/media?parent=2718"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}