TimesFM 3.0 reduz em 43% o erro na previsão de consumo de energia de um prédio universitário

Operadores de edifícios precisam da previsão de carga diária para planejar com antecedência o aquecimento, a ventilação e outros serviços. Os autores de um novo trabalho no arXiv compararam, com dados de um prédio universitário, modelos estatísticos, aprendizado de máquina clássico, uma rede recorrente e a TimesFM, um modelo pré-treinado. A TimesFM 3.0 com covariáveis obteve os menores erros gerais: o erro médio absoluto (MAE) ficou cerca de 43% abaixo do da previsão ingênua sazonal semanal. Mas o XGBoost não ficou muito atrás, e as comparações diárias pareadas não confirmaram uma vantagem clara da TimesFM em MAE.

Como o benchmark foi montado

Os autores compararam os modelos por mais critérios do que a precisão. A comparação também considerou os dados de entrada necessários no momento da previsão, a necessidade de treinamento local e o custo computacional. Para o operador, esses não são detalhes acadêmicos: deles depende quanto trabalho de engenharia a implantação exigirá.

A validação é cronológica, ou seja, o modelo não vê o futuro durante o treinamento. Todas as configurações foram avaliadas nos mesmos 57 dias de teste, e os resultados foram separados por dias úteis, fins de semana e feriados. Os feriados são o regime mais difícil para esse tipo de prédio: a carga difere bastante da habitual.

Há uma ressalva sobre o clima. As covariáveis vieram de observações retrospectivas, e não das previsões reais que o operador receberia na véspera. Os erros da previsão do tempo não entraram no experimento.

O que os números mostraram

• TimesFM 3.0 com covariáveis: menores erros gerais, com MAE cerca de 43% abaixo da previsão ingênua sazonal semanal.
• XGBoost: continua competitivo. Nas comparações diárias pareadas, não há vantagem clara da TimesFM em MAE.
• TimesFM apenas com o histórico de consumo: também tem resultado forte, sem dados de clima nem outras entradas.
• LSTM: leva mais tempo para treinar e não superou nem a TimesFM nem o XGBoost.
• Treinamento: a TimesFM não exige ajuste dos pesos para o prédio; o XGBoost treina rápido e gera a previsão localmente.

Sobre as covariáveis, em particular: na TimesFM, elas melhoram a previsão para feriados, mas pioram levemente os resultados em dias úteis e fins de semana. No total, o MAE geral quase não muda. As entradas adicionais funcionam como ferramenta pontual para um regime raro, e não como melhoria universal.

Uma avaliação histórica de teste mostrou oscilações sazonais de qualidade. A comparação entre fontes de dados meteorológicos resultou apenas em pequenas mudanças de precisão na configuração escolhida da TimesFM. A escolha do fornecedor de dados de clima, ao menos neste caso, é secundária.

Como escolher o modelo para um prédio

Os autores chegam a uma conclusão cautelosa: a TimesFM pré-treinada serve como uma base inicial forte para este prédio, e o XGBoost, como alternativa competitiva, ajustada localmente. O resultado vale para um único prédio e 57 dias de teste, por isso não convém transferi-lo para outros edifícios sem verificação.

Na prática, o esquema é este. Se o objetivo é obter rapidamente uma previsão funcional, sem ciclo de treinamento, comece pela TimesFM apenas com o histórico de consumo. Se a equipe está disposta a manter um modelo local e valoriza um ciclo rápido de treinamento e inferência, o XGBoost continua sendo uma escolha razoável. Nesta comparação, a LSTM não deu motivos para pagar por um ajuste mais demorado.

As covariáveis entram quando os feriados são críticos para o prédio e a preparação dos dados de clima se justifica. Se dias úteis e fins de semana importam mais, o ganho com elas é duvidoso. Antes da implantação, vale repetir o teste com previsões meteorológicas reais em vez de observações retrospectivas. É nesse ponto que os resultados do estudo chegam mais perto do limite de aplicabilidade.