Previsões de séries temporais são técnicas matemáticas que observam dados ao longo do tempo para fazer estimativas futuras. É importante que esses dados estejam apresentados na ordem ou sequência em que eles foram gerados. Essas sequências podem ser em segundos/minutos/horas, dias/semanas/meses/ano, entre muitas outras formas.​​

​​​

As técnicas para previsões de dados sequenciais podem ser divididas em três grandes grupos: 

• Técnicas estatísticas, que incluem os algoritmos dos modelos auto-regressivos integrados de média móveis (ARIMA) e suas variáções (ARIMAX, SARIMA, SARIMAX);

• Técnicas de aprendizagem de máquina, que incluem o Prophet e o XGBoost;

• Técnicas de aprendizagem profunda, que incluem as Redes Neurais Recorrentes e o Temporal Fusion Transformer (TFT).

​

As empresas usam essas técnicas para resolver muitos problemas de negócios, por exemplo, para estimar

• as vendas diárias de de produtos em lojas físicas e virtuais;

• as quantidades adequadas de produtos que devem ficar disponíveis em estoque;

• fluxos de caixa;

• retornos com investimentos em ações listadas em bolsas de valores;

• acessos à websites, blogs, ecommerces;

• dados gerados por tecnologias IoT (Internet das coisas);

• padrões climáticos;

• e muito, muito, muito mais!

​​

Principais métricas de desempenho:

• MAE (Mean Absolute Error ou Erro Médio Absoluto);

• MAPE (Mean Absolute Percentage Error ou Erro Percentual Médio Absoluto);
• RMSE (Root Mean Squared Error ou Erro Quadrético Médio).

​​

Saiba mais: Wikipedia, todos os posts.