user@devops:~$ cat README.md
Time Series Forecasting
# Descrição
Projeto completo de previsao de series temporais com duas abordagens complementares: Facebook Prophet (modelo estatistico aditivo com sazonalidade multipla) e LSTM (rede neural recorrente com memoria de longo prazo em PyTorch). Inclui decomposicao sazonal (tendencia/sazonalidade/residuos), teste de estacionariedade Augmented Dickey-Fuller, previsao de 30 dias com intervalos de confianca de 95%, e comparativo quantitativo de metricas (MAE, RMSE, MAPE). Resultados mostram que Prophet obtem MAPE de 1.87% em dados com sazonalidade clara, enquanto LSTM alcanca 15.96% em um subconjunto pequeno de treinamento.
# Características principais
$ Decomposicao classica de series temporais (tendencia, sazonal, residual)
$ Teste de estacionariedade Augmented Dickey-Fuller (ADF)
$ Facebook Prophet com sazonalidade multipla (diaria/semanal/anual/mensal)
$ LSTM em PyTorch com 2 camadas, Huber Loss e early stopping
$ Intervalos de confianca de 95% com Prophet
$ Comparativo quantitativo de 3 metricas (MAE, RMSE, MAPE)
$ Visualizacoes: EDA, decomposicao, componentes, previsao, curvas de treinamento
# Galeria
# Tecnologias utilizadas
