https://colab.research.google.com/drive/1Fe3OSwZeeSxQp2jBdUDx-zkEWrBxsrrC?usp=sharing
Foi realizada a preparação dos dados para utilização no modelo Prophet, incluindo a conversão da coluna de data para o formato datetime e a agregação dos dados por dia, considerando que as informações estavam registradas por hora.
Em seguida, os dados foram organizados no formato esperado pelo Prophet, com as colunas ds (data) e y (variável alvo), e ordenados temporalmente para garantir consistência na modelagem.
O conjunto foi dividido em treino (80%) e teste (20%), respeitando a sequência temporal dos dados.
Após o treinamento do modelo, foi realizada a previsão para o período correspondente ao conjunto de teste, permitindo comparar valores previstos e reais.
As métricas de avaliação (MSE e RMSE) apresentaram valores elevados, indicando baixo desempenho preditivo do modelo. A análise gráfica também evidenciou que o modelo não conseguiu capturar adequadamente o comportamento sazonal dos dados, apresentando uma tendência que diverge dos valores reais.
Isso demonstra que, apesar da facilidade de uso do Prophet, é necessário ajustar parâmetros ou incorporar mais informações ao modelo para melhorar sua capacidade preditiva.
Durante o processo, utilizei a IA como suporte para estruturar o código e validar boas práticas, mantendo o foco na interpretação dos resultados.
Foi ajustada a visualização para melhorar a interpretação temporal, incluindo formatação do eixo de datas, separação clara entre treino e teste e destaque da previsão do modelo.
