{"id":63295,"date":"2021-09-22T15:44:25","date_gmt":"2021-09-22T14:44:25","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=news&p=63295"},"modified":"2024-09-20T17:45:46","modified_gmt":"2024-09-20T16:45:46","slug":"visual-time-series-forecasting-with-streamlit-prophet","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/br\/blog\/visual-time-series-forecasting-with-streamlit-prophet\/","title":{"rendered":"Previs\u00e3o visual de s\u00e9ries temporais com o Streamlit Prophet"},"content":{"rendered":"

<\/span><\/a><\/span>

Leia nosso artigo sobre<\/u><\/p>\n<\/div>

<\/span><\/div>

.<\/p>\n<\/div><\/div><\/div><\/div><\/div>

Autor<\/h2><\/div>\"Image\"

Maxime Lutel<\/h3><\/div>

Data Cientista da Artefact Fran\u00e7a<\/p>\n<\/div><\/div><\/div><\/div><\/div>

O senhor precisa de uma linha de base para seu mais recente projeto de previs\u00e3o de s\u00e9ries temporais? O senhor deseja explicar o processo de tomada de decis\u00e3o de um modelo preditivo para uma empresa audience? O senhor gostaria de saber se os pre\u00e7os dos carros s\u00e3o sazonais antes de comprar um novo? Talvez tenhamos algo para o senhor! Este artigo apresenta o Streamlit Prophet, um aplicativo da Web que ajuda os cientistas data a treinar, avaliar e otimizar modelos de previs\u00e3o de forma visual. As previs\u00f5es s\u00e3o feitas com o Prophet, um modelo r\u00e1pido e facilmente interpret\u00e1vel.<\/p>\n<\/div><\/div><\/div><\/div><\/div>

O senhor pode testar o aplicativo on-line\u00a0aqui<\/a>\u00a0mas pode n\u00e3o estar dispon\u00edvel o tempo todo, devido \u00e0 limita\u00e7\u00e3o dos recursos de computa\u00e7\u00e3o compartilhados. Outra op\u00e7\u00e3o \u00e9 instalar o\u00a0pacote python<\/a>\u00a0e execut\u00e1-lo localmente.<\/p>\n<\/div>

O que \u00e9 Streamlit Prophet?<\/h2><\/div>

O Streamlit Prophet \u00e9 um pacote Python por meio do qual o senhor pode implantar um aplicativo para criar modelos de previs\u00e3o de s\u00e9ries temporais\u00a0visualmente<\/strong>\u00a0e\u00a0sem qualquer codifica\u00e7\u00e3o<\/strong>. Depois de carregar um dataset com valores hist\u00f3ricos do sinal a ser previsto, o aplicativo treina um modelo preditivo em poucos cliques, juntamente com v\u00e1rias visualiza\u00e7\u00f5es para ajud\u00e1-lo a avaliar seu desempenho e obter mais informa\u00e7\u00f5es.<\/p>\n<\/div>

O modelo subjacente \u00e9 constru\u00eddo com\u00a0Profeta<\/strong><\/a>, uma biblioteca de c\u00f3digo aberto desenvolvida pelo Facebook para prever s\u00e9ries temporais data. O sinal \u00e9 dividido em v\u00e1rios componentes, como tend\u00eancia, sazonalidades e efeitos de feriados. O estimador aprende a modelar cada um desses blocos separadamente e, em seguida, soma suas diferentes contribui\u00e7\u00f5es para produzir uma previs\u00e3o facilmente interpret\u00e1vel. O desempenho \u00e9 melhor quando as s\u00e9ries t\u00eam fortes padr\u00f5es sazonais e quando h\u00e1 v\u00e1rios ciclos do hist\u00f3rico data dispon\u00edveis. O senhor pode dar uma olhada no seguinte\u00a0linha<\/a>\u00a0ou este\u00a0artigo<\/a>\u00a0se o senhor quiser saber mais sobre os fundamentos matem\u00e1ticos do Prophet.
\nA interface \u00e9 feita com\u00a0Streamlit<\/strong><\/a>, uma estrutura Python para a cria\u00e7\u00e3o de aplicativos cient\u00edficos na Web data.<\/p>\n<\/div>

Quais s\u00e3o os principais recursos?<\/h2><\/div>

O Streamlit Prophet foi criado para ajudar os cientistas e analistas de neg\u00f3cios data a come\u00e7ar a trabalhar rapidamente em seus projetos de s\u00e9ries temporais. Como ilustra\u00e7\u00e3o, digamos que gostar\u00edamos de prever as vendas futuras de bens de consumo em uma determinada loja, com base em data hist\u00f3ricos que v\u00e3o de 2011 a 2015. Nosso conjunto de data se parece com a tabela abaixo.<\/p>\n<\/div>

<\/span><\/div>

Um modelo de linha de base com par\u00e2metros padr\u00e3o \u00e9 ajustado no data assim que ele \u00e9 carregado. Agora vamos ver como podemos usar o Streamlit Prophet para aprimor\u00e1-lo e obter uma melhor compreens\u00e3o do fen\u00f4meno.<\/p>\n<\/div>

Explora\u00e7\u00e3o Data<\/h3><\/div>

A primeira etapa de qualquer projeto de previs\u00e3o \u00e9 certificar-se de que o dataset n\u00e3o tem segredos para o senhor. O Prophet fornece nativamente um bom\u00a0decomposi\u00e7\u00e3o do sinal\u00a0<\/strong>para ajudar o senhor a atingir essa meta. V\u00e1rios gr\u00e1ficos est\u00e3o dispon\u00edveis no aplicativo para que o senhor obtenha essas valiosas percep\u00e7\u00f5es em um relance.
\nO gr\u00e1fico a seguir \u00e9 um bom ponto de partida, pois fornece uma representa\u00e7\u00e3o global da s\u00e9rie temporal carregada e cont\u00e9m muitas informa\u00e7\u00f5es \u00fateis.<\/p>\n<\/div>

<\/span><\/div>

Os pontos pretos s\u00e3o as vendas hist\u00f3ricas reais, que, na maioria das vezes, est\u00e3o compreendidas entre 75 e 225 unidades por dia. Algumas exce\u00e7\u00f5es sem vendas ou com baixos volumes podem ser identificadas no final de cada ano, pr\u00f3ximo ao Natal, quando as lojas provavelmente est\u00e3o fechadas. A tend\u00eancia \u00e9 exibida em uma linha vermelha para obter uma vis\u00e3o mais sint\u00e9tica do sinal e visualizar as evolu\u00e7\u00f5es globais. Por fim, a linha azul representa as previs\u00f5es feitas por um modelo Prophet que \u00e9 treinado automaticamente em seu dataset. Aqui podemos ver que o modelo espera que as vendas aumentem em 2016, seguindo a tend\u00eancia de crescimento que come\u00e7ou em 2015.<\/p>\n

Essas previs\u00f5es parecem ser sazonais, mas \u00e9 dif\u00edcil distinguir os diferentes componentes peri\u00f3dicos nesse primeiro gr\u00e1fico. Vamos verificar outra visualiza\u00e7\u00e3o para entender como esses padr\u00f5es sazonais afetam a sa\u00edda do modelo.<\/p>\n<\/div>

<\/span><\/div>

Duas periodicidades foram detectadas e fornecem algumas percep\u00e7\u00f5es interessantes sobre os h\u00e1bitos dos consumidores. O ciclo semanal mostra que a maioria das pessoas faz compras nos finais de semana, durante os quais as previs\u00f5es aumentam em quase 40 unidades por dia. O gr\u00e1fico tamb\u00e9m sugere que os produtos vendidos t\u00eam uma sazonalidade anual, com um pouco mais de vendas durante o ver\u00e3o do que no resto do ano. Esses componentes peri\u00f3dicos e a tend\u00eancia global ser\u00e3o ent\u00e3o combinados pelo estimador para produzir previs\u00f5es para dias futuros.<\/p>\n<\/div>

Avalia\u00e7\u00e3o de desempenho<\/h3><\/div>

Esses gr\u00e1ficos sintetizam a maneira como o data \u00e9 modelado pelo Prophet, mas como podemos ter certeza de que essa representa\u00e7\u00e3o \u00e9 confi\u00e1vel? Para responder a essa pergunta leg\u00edtima, uma se\u00e7\u00e3o do aplicativo \u00e9 dedicada a avaliar a qualidade do modelo. Ela fornece rapidamente ao usu\u00e1rio um desempenho de previs\u00e3o de linha de base. Para isso, a s\u00e9rie temporal \u00e9 dividida em v\u00e1rias partes: primeiro, o modelo \u00e9 ajustado em um conjunto de treinamento e, em seguida, testado em um conjunto de valida\u00e7\u00e3o. Outras op\u00e7\u00f5es, como valida\u00e7\u00e3o cruzada, tamb\u00e9m est\u00e3o dispon\u00edveis para um uso mais avan\u00e7ado.<\/p>\n<\/div>

Diferentes m\u00e9tricas podem ser usadas para avaliar a qualidade do modelo: m\u00e9tricas absolutas, como a raiz do erro quadr\u00e1tico m\u00e9dio (RMSE), s\u00e3o \u00fateis para se ter uma ideia da magnitude dos erros em termos de n\u00famero de vendas, mas m\u00e9tricas relativas, como o erro percentual m\u00e9dio absoluto (MAPE), podem ser mais interpret\u00e1veis. Cabe ao senhor selecionar a m\u00e9trica mais relevante para o seu caso de uso.<\/p>\n<\/div>

No entanto, \u00e9 improv\u00e1vel que o desempenho seja uniforme em todos os pontos do data, portanto, obter um indicador global n\u00e3o \u00e9 suficiente. Devemos computar m\u00e9tricas em uma granularidade mais detalhada para obter uma compreens\u00e3o clara da qualidade do modelo. Vamos come\u00e7ar com uma an\u00e1lise aprofundada no n\u00edvel di\u00e1rio, que \u00e9 a menor granularidade poss\u00edvel em nosso caso, pois o modelo faz uma previs\u00e3o por dia.<\/p>\n<\/div>

<\/span><\/div>

Podemos observar uma variabilidade importante: h\u00e1 dias em que o erro \u00e9 maior que 20%, enquanto algumas outras previs\u00f5es s\u00e3o quase perfeitamente precisas. Com essas informa\u00e7\u00f5es em mente, o senhor provavelmente n\u00e3o pode deixar de se perguntar se h\u00e1 padr\u00f5es na maneira como o modelo comete erros. Existem alguns dias espec\u00edficos em que podemos esperar que ele tenha um desempenho ruim? Felizmente, o aplicativo fornece alguns gr\u00e1ficos \u00fateis que nos ajudar\u00e3o a satisfazer nossa curiosidade.<\/p>\n<\/div>

Diagn\u00f3stico de erros<\/h3><\/div>

A se\u00e7\u00e3o de diagn\u00f3stico de erros \u00e9 provavelmente a mais \u00fatil, pois permite destacar as \u00e1reas em que as previs\u00f5es poderiam ser melhoradas e, assim, identificar com mais precis\u00e3o os principais desafios que o senhor enfrentar\u00e1 para criar um modelo de previs\u00e3o confi\u00e1vel.<\/p>\n

V\u00e1rias visualiza\u00e7\u00f5es est\u00e3o dispon\u00edveis para realizar essa investiga\u00e7\u00e3o. Elas s\u00e3o interativas, de modo que o senhor pode facilmente se concentrar em algumas \u00e1reas espec\u00edficas. Por exemplo, o gr\u00e1fico de dispers\u00e3o abaixo representa cada previs\u00e3o feita no conjunto de valida\u00e7\u00e3o por um \u00fanico ponto, e passar o mouse sobre os que est\u00e3o distantes da linha vermelha nos ajuda a entender para que tipo de pontos data as previs\u00f5es est\u00e3o longe da verdade.<\/p>\n<\/div>

<\/span><\/div>

Em nosso exemplo, passar o mouse sobre a \u00e1rea superior direita mostra que os pontos mais distantes da linha vermelha s\u00e3o os s\u00e1bados e domingos, o que sugere que o modelo tem melhor desempenho durante a semana. Vamos agregar as m\u00e9tricas de desempenho por dia da semana para validar essa intui\u00e7\u00e3o.<\/p>\n<\/div>

<\/span><\/div>

De fato, os erros s\u00e3o maiores, em m\u00e9dia, nos fins de semana do que durante o resto da semana, o que \u00e9 uma informa\u00e7\u00e3o a ser levada em conta ao tentar otimizar o modelo. O desempenho tamb\u00e9m pode evoluir com o tempo, portanto, \u00e9 poss\u00edvel selecionar outros n\u00edveis de agrega\u00e7\u00e3o dispon\u00edveis no aplicativo para verificar isso. Poder\u00edamos, por exemplo, computar m\u00e9tricas em uma granularidade semanal ou mensal, ou em um per\u00edodo de tempo espec\u00edfico durante o qual suspeitamos que o desempenho seja diferente do normal.<\/p>\n<\/div>

Otimiza\u00e7\u00e3o de modelos<\/h3><\/div>

Depois de descobrirmos os principais pontos fracos do modelo, v\u00e1rias op\u00e7\u00f5es est\u00e3o dispon\u00edveis para melhor\u00e1-lo: a barra lateral do aplicativo permite que o senhor edite a configura\u00e7\u00e3o padr\u00e3o e insira suas pr\u00f3prias especifica\u00e7\u00f5es. Todas as m\u00e9tricas e visualiza\u00e7\u00f5es de desempenho s\u00e3o atualizadas sempre que o senhor altera as configura\u00e7\u00f5es, para obter um feedback r\u00e1pido.<\/p>\n<\/div>

A primeira maneira de obter melhor desempenho \u00e9 aplicar algum pr\u00e9-processamento personalizado ao seu dataset. V\u00e1rias alternativas s\u00e3o poss\u00edveis para contornar os desafios identificados anteriormente. Por exemplo, uma se\u00e7\u00e3o de limpeza nos permite eliminar os valores discrepantes observados perto do Natal, o que pode confundir o modelo. Tamb\u00e9m poder\u00edamos filtrar alguns dias espec\u00edficos e, assim, treinar facilmente modelos distintos para a semana e os fins de semana, pois eles parecem estar associados a diferentes comportamentos de compra. Algumas outras op\u00e7\u00f5es de filtragem e reamostragem tamb\u00e9m est\u00e3o dispon\u00edveis, caso sejam relevantes para o problema em quest\u00e3o.<\/p>\n<\/div>

Os hiperpar\u00e2metros do Profet tamb\u00e9m podem ser ajustados para ajudar o modelo a se adaptar melhor ao data. Esses par\u00e2metros influenciam a forma como o estimador aprende a representar a tend\u00eancia e as sazonalidades das vendas hist\u00f3ricas e o peso relativo desses componentes na previs\u00e3o global. N\u00e3o se preocupe se o senhor n\u00e3o estiver familiarizado com os modelos Prophet, pois algumas dicas de ferramentas explicam a intui\u00e7\u00e3o por tr\u00e1s de cada par\u00e2metro e o orientam no processo de ajuste. Na se\u00e7\u00e3o de modelagem, o senhor tamb\u00e9m pode alimentar o modelo com informa\u00e7\u00f5es externas, como feriados ou vari\u00e1veis relacionadas ao sinal a ser previsto (como o pre\u00e7o de venda dos produtos, por exemplo). Esses regressores provavelmente melhorar\u00e3o o desempenho, pois fornecem ao modelo conhecimento adicional sobre um fen\u00f4meno que afeta as vendas.<\/p>\n<\/div>

Interpretabilidade da previs\u00e3o<\/h3><\/div>

Ter um modelo de previs\u00e3o preciso \u00e9 bom, mas ser capaz de explicar os principais fatores que contribuem para as previs\u00f5es \u00e9 ainda melhor. A \u00faltima se\u00e7\u00e3o do aplicativo visa a nos ajudar a entender como o modelo que acabamos de criar toma decis\u00f5es. H\u00e1 diferentes maneiras de abordar essa quest\u00e3o: podemos analisar um \u00fanico componente e ver como sua contribui\u00e7\u00e3o para as previs\u00f5es gerais evolui com o tempo ou podemos pegar uma \u00fanica previs\u00e3o e decomp\u00f4-la na soma das contribui\u00e7\u00f5es de v\u00e1rios componentes.<\/p>\n<\/div>

Vamos come\u00e7ar com a primeira op\u00e7\u00e3o. Os diferentes componentes que influenciam as previs\u00f5es s\u00e3o a tend\u00eancia, as sazonalidades e os regressores externos. J\u00e1 observamos o impacto das sazonalidades semanais e anuais, portanto, vamos nos concentrar nos regressores externos que inclu\u00edmos na se\u00e7\u00e3o de otimiza\u00e7\u00e3o do modelo: feriados e pre\u00e7o de venda dos produtos.<\/p>\n<\/div>

<\/span><\/div>

O impacto de alguns feriados \u00e9 bastante importante: por exemplo, o Dia do Trabalho aumenta as previs\u00f5es em 50 vendas todos os anos no in\u00edcio de setembro, e as quedas no Natal mostram que o modelo levou em conta o fato de que as lojas fecham nesse dia. Quanto ao pre\u00e7o, ele tem aumentado ano ap\u00f3s ano e, portanto, seu impacto sobre as vendas mudou de positivo para negativo.<\/p>\n<\/div>

Tamb\u00e9m pode ser \u00fatil explicar como o modelo produziu uma previs\u00e3o espec\u00edfica, especialmente quando um evento espec\u00edfico influencia a previs\u00e3o. O gr\u00e1fico em cascata a seguir mostra essa decomposi\u00e7\u00e3o para a previs\u00e3o feita em 31 de outubro de 2012.<\/p>\n<\/div>

<\/span><\/div>

Nesse exemplo, o modelo acabou prevendo 96 vendas, que \u00e9 a soma das contribui\u00e7\u00f5es de cinco componentes diferentes:<\/p>\n<\/div>