💻 computer science

Research on Enterprise Cost Prediction Method Based on Improved Informer Model

Este artigo propõe um modelo baseado em Informer aprimorado, incorporando um algoritmo de denoise dinâmico baseado em desvio padrão e um mecanismo de amostragem adaptativa consciente da volatilidade para aumentar a precisão e a estabilidade das previsões de custos empresariais, demonstrando desempenho superior em relação aos métodos existentes tanto em conjuntos de dados empresariais quanto de referência.

Autores originais: Nan Ban, Li Cao, Yiping Yuan, Feng Tan, Jingjing Li

Publicado 2026-08-10

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Nan Ban, Li Cao, Yiping Yuan, Feng Tan, Jingjing Li

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você esteja tentando prever o tempo para o próximo mês. Você olha para o céu, mas é uma bagunça caótica de tempestades repentinas, picos de calor estranhos e nuvens aleatórias que não significam nada. Se você tentar adivinhar a temperatura baseando-se nesse ruído, provavelmente errará. Este é o combate diário da "previsão de séries temporais", um ramo da ciência onde computadores tentam prever o futuro com base em uma linha de dados passados. Geralmente, esses computadores são como alunos superinteligentes que são ótimos em detectar padrões, mas se distraem facilmente com o "ruído" — saltos súbitos e estranhos nos dados que não são tendências reais, apenas falhas ou acidentes.

Para resolver isso, cientistas construíram uma ferramenta especial chamada "Informer". Pense no Informer como um bibliotecário supereficiente que consegue ler um milhão de livros (pontos de dados) em um segundo sem ter dor de cabeça. Ele usa um truque chamado "atenção esparsa", que é como o bibliotecário decidindo ler apenas os capítulos mais importantes de um livro para economizar tempo, em vez de ler cada palavra. No entanto, mesmo este superbibliotecário tem uma fraqueza: quando os dados estão bagunçados e saltam descontroladamente (como custos empresariais), o bibliotecário pode acidentalmente pular as reviravoltas mais emocionantes e importantes porque está tentando ser eficiente demais. Este artigo aborda esse problema específico.

O Problema: Quando os Dados Ficam Selvagens

Imagine que você é o gerente de uma fábrica gigante. Todos os dias, você precisa saber quanto dinheiro vai gastar na próxima semana, no próximo mês ou até no próximo ano. Isso é chamado de "previsção de custos empresariais". Mas os dados de custos são bagunçados. Às vezes, o preço de uma matéria-prima sobe de repente devido a um atraso no envio, ou uma máquina quebra inesperadamente. Estes são "valores extremos" — ruídos altos e súbitos nos dados que parecem grandes tendências, mas são apenas acidentes.

Modelos de computador antigos ficam confusos com esses acidentes. Eles pensam que um pico de gastos de um dia é uma nova regra para o futuro, levando-os a fazer previsões ruins. Mesmo o modelo "Informer", que costuma ser ótimo em previsões de longo prazo, tem dificuldades aqui. Ele tenta ser eficiente escolhendo aleatoriamente quais pontos de dados focar, mas em um ambiente de custos caótico, ele pode acidentalmente ignorar justamente os picos que mais importam, ou se distrair com o ruído.

A Solução: Um Bibliotecário Mais Inteligente e Atento

Os autores deste artigo, Nan Ban e sua equipe, decidiram dar ao Informer um upgrade sério. Eles não apenas jogaram mais dados nele; eles o ensinaram duas novas habilidades para lidar com o caos dos custos de negócios do mundo real.

Habilidade 1: Os "Fones de Ouvido com Cancelamento de Ruído" (Denoising Dinâmico)
Primeiro, eles adicionaram uma etapa de pré-processamento. Imagine que os dados são uma música cheia de estática e sons de estalos. Antes de o Informer ouvir a música, este novo algoritmo coloca fones de ouvido com cancelamento de ruído. Ele observa os dados e pergunta: "Isso é uma tendência real ou apenas uma falha?".

Se um número está muito alto ou muito baixo em comparação com seus vizinhos (como um salto súbito e impossível nos custos de material de escritório), o algoritmo não apenas o deleta — isso perderia informações importantes. Em vez disso, ele o "suaviza", como se estivesse blendendo gentilmente uma borda áspera para que ela se ajuste melhor à curva.
Crucialmente, este não é um filtro de tamanho único. O algoritmo é inteligente o suficiente para saber que alguns custos (como matérias-primas) são naturalmente selvagens e saltitantes, enquanto outros (como o aluguel do escritório) são calmos. Ele ajusta sua sensibilidade de acordo, mantendo as tendências "selvagens" reais enquanto elimina o ruído falso.

Habilidade 2: O "Holofote na Ação" (Amostragem Consciente da Volatilidade)
Uma vez que os dados estão mais limpos, o Informer tem que decidir o que ler. O Informer original escolhe pontos de dados de forma um tanto aleatória para economizar tempo. A nova versão, porém, utiliza uma estratégia "consciente da volatilidade".

Pense nisso como um operador de câmera em um show. Se a banda está tocando uma balada lenta e entediante, a câmera fica parada. Mas se o baterista começa um solo louco e rápido (alta volatilidade), a câmera dá zoom e segue cada batida.
O novo modelo faz o mesmo. Ele calcula o quanto um trecho específico de dados está sacudindo ou saltando. Se um trecho é altamente volátil (muita ação), o modelo força a si mesmo a prestar atenção extra a ele, garantindo que não perca os picos importantes. Se os dados estão calmos, ele faz uma pausa. Isso garante que o modelo capture as "reviravoltas do enredo" na história dos custos sem ficar sobrecarregado.

O Que Eles Descobriram: Melhores Previsões para o Médio Prazo

A equipe testou seu novo "Super-Informer" em dados reais de uma empresa de tabaco e em um conjunto de dados padrão de eletricidade. Eles o compararam com o Informer original e outros modelos.

Os resultados mostraram que o novo método é um vencedor claro, especialmente para prever o futuro um pouco mais adiante (o "médio prazo").

Para uma previsão de 12 passos (olhando 12 períodos à frente), o novo modelo reduziu o erro (MSE) para 0,3819 e o erro absoluto médio (MAE) para 0,3449. Isso foi uma melhoria de 2,1% e 2,2% em relação a um modelo que realizava apenas a etapa de cancelamento de ruído.
Para uma previsão de 24 passos, o erro caiu para 0,5035 (MSE) e 0,4202 (MAE), mostrando uma melhoria leve, mas constante, de 0,1% e 0,2%, respectivamente.

Curiosamente, os autores observaram que, para previsões de curtíssimo prazo (6 passos), o novo modelo foi ligeiramente menos preciso do que a versão que fazia apenas o cancelamento de ruído. Isso ocorre porque as previsões de curto prazo são simples o suficiente para que o "holofote" extra ainda não seja necessário. Mas conforme você olha mais para o futuro, onde o ruído e a volatilidade realmente importam, o novo modelo brilha. Ele evita os "erros baixos falsos" de modelos que são enganados pelo ruído, proporcionando uma visão mais estável e confiável de para onde os custos estão indo.

Por Que Isso Importa

Isso não é apenas um exercício matemático; é sobre ajudar as empresas a dormirem melhor à noite. Ao prever com precisão as tendências de custos, as empresas podem detectar potenciais excessos de orçamento cedo e corrigi-los antes que se tornem desastres. Os autores sugerem que essa abordagem de "cancelamento de ruído mais holofote" cria uma equipe perfeita: uma parte limpa os dados e a outra parte foca nas partes mais importantes e caóticas da história.

Embora o artigo mostre que esses resultados são sólidos nos conjuntos de dados testados, os autores já estão olhando para o futuro. Eles planejam adicionar ainda mais fatores à mistura, como preços de matérias-primas e mudanças de políticas, para tornar as previsões ainda mais aguçadas. Por enquanto, porém, eles provaram que, quando você ensina um computador a ignorar o ruído e focar na ação real, ele pode contar uma história muito melhor sobre o futuro.

Resumo Técnico: Pesquisa sobre o Método de Previsão de Custos Empresariais Baseado no Modelo Informer Aperfeiçoado

Definição do Problema
A previsão precisa de custos empresariais é fundamental para a alocação de recursos e o controle de riscos, mas enfrenta desafios significativos devido ao alto nível de ruído e à alta volatilidade inerentes aos dados de custos. Modelos de previsão tradicionais frequentemente apresentam dificuldades com o desaparecimento do gradiente ou viés de previsão ao lidar com dados anômalos, como flutuações súbitas nos preços de matérias-primas ou ajustes de políticas. Além disso, embora o modelo Informer tenha demonstrado sucesso na previsão de séries temporais de longa sequência (LSTF) em domínios como cargas de energia, sua aplicação direta aos dados de custos empresariais revela dois gargalos principais:

Sensibilidade ao Ruído: O aprendizado das tendências normais de custo pelo modelo é significativamente interferido por valores extremos e outliers, levando a previsões que se desviam da realidade.
Amostragem Inflexível: O mecanismo de atenção ProbSparse padrão no Informer original utiliza uma amostragem aleatória que ignora as características específicas de flutuação dos dados. Essa abordagem fixa falha em capturar adequadamente as flutuações de alta frequência em cenários de custos voláteis (ex: custos de manutenção de equipamentos), enquanto mantém a eficiência em cenários estáveis.

Metodologia
O estudo propõe um modelo Informer aperfeiçoado que integra o pré-processamento de dados otimizado com uma estratégia de amostragem aprimorada para abordar as características específicas dos dados de custos empresariais. A arquitetura mantém a estrutura codificador-decodificador do Informer original, mas introduz duas modificações centrais:

Algoritmo de Denoisagem Dinâmica (Baseado em Desvio Padrão):
- Objetivo: Identificar e suavizar outliers sem excluir informações de tendência cruciais (ex: choques repentinos de preços).
- Mecanismo: O algoritmo utiliza uma janela deslizante para calcular a média local ( $\mu_t$ $μ_{t}$ ) e o desvio padrão local ( $\sigma_t$ $σ_{t}$ ). Ele emprega um coeficiente de limiar dinâmico ( $k$ $k$ ) que se adapta ao nível de flutuação global da sequência.
  - Sequências de baixa volatilidade utilizam um limiar rigoroso ( $k=2.5$ ).
  - Sequências de média volatilidade utilizam um limiar convencional ( $k=3.0$ ).
  - Sequências de alta volatilidade utilizam um limiar flexível ( $k=3.5$ ).
- Suavização: Em vez de eliminar valores extremos, o algoritmo aplica uma suavização de média ponderada ( $x'_t = \alpha \cdot \mu_t + (1-\alpha) \cdot x_t$ ) para preservar as características de tendência, reduzendo a interferência do ruído.
Atenção Esparsa Dinâmica Sensível à Flutuação (FADSA):
- Objetivo: Substituir a amostragem ProbSparse aleatória por uma estratégia orientada por dados que prioriza subsequências altamente voláteis.
- Mecanismo: Após a denoisagem, a sequência de custos é particionada em janelas. O desvio padrão de cada subsequência é calculado e normalizado para gerar um peso de amostragem ( $w_i$ ).
- Mecanismo de Amostragem Duplo:
  - Amostragem de Probabilidade Ponderada: 80% das amostras de consulta (queries) são selecionadas com base nos pesos de flutuação, direcionando a atenção para regiões de alta volatilidade.
  - Retenção Forçada: Os 20% superiores de subsequências altamente voláteis são incluídos forçadamente na amostragem para garantir que informações de flutuação essenciais não sejam descartadas aleatoriamente.
- Resultado: Isso garante que o modelo aloque mais recursos de atenção para segmentos de custos dinâmicos, mantendo a complexidade computacional de $O(L \log L)$ do Informer original.

Principais Contribuições

Pré-processamento Adaptativo: Introdução de um algoritmo de denoisagem dinâmica que ajusta os limiares com base em características estatísticas globais e locais, equilibrando efetivamente a remoção de ruído com a retenção de informações críticas de choque de custos.
Atenção Sensível à Volatilidade: Desenvolvimento de um mecanismo FADSA que acopla indicadores de flutuação de subsequências à estratégia de amostragem de atenção, abordando o problema de "enfraquecimento de características" da amostragem aleatória em dados de custos voláteis.
Otimização Colaborativa: Demonstração de um mecanismo de "denoisagem–compensação de atenção", onde o pré-processamento estabiliza a base de dados e o mecanismo de atenção compensa a possível perda de informação ao focar em flutuações de alto valor.

Resultados Experimentais
O modelo foi validado em um conjunto de dados de custos empresariais reais e no conjunto de dados de referência ETT (Electricity Transformer Temperature).

Desempenho nos Dados de Custo Empresarial:
- Previsão de 12 Passos: O modelo proposto alcançou um MSE de 0,3819 e um MAE de 0,3449. Comparado ao modelo que utiliza apenas o algoritmo de denoisagem (COSTP), isso representa uma redução de 2,1% no MSE e 2,2% no MAE.
- Previsão de 24 Passos: O modelo alcançou um MSE de 0,5035 e um MAE de 0,4202, mostrando reduções de 0,1% e 0,2%, respectivamente, em comparação com a linha de base de apenas denoisagem.
- Observação: As melhorias são mais pronunciadas em previsões de médio prazo (12 e 24 passos), que são críticas para o controle estratégico de custos. Previsões de curto prazo (6 passos) mostraram ganhos mínimos, pois os dados denoisados sozinhos são suficientes para tendências de curto prazo simples.
Estabilidade: O modelo proposto demonstrou estabilidade superior em comparação ao Informer original e às variantes de apenas denoisagem, evitando "erros de falso baixo" causados pelo aprendizado de padrões de ruído espúrios.

Significância e Alegações
Os autores afirmam que este estudo oferece valor tanto teórico quanto de engenharia:

Teórico: Enriquece as direções de otimização do modelo Informer especificamente para a previsão de custos, fornecendo novas percepções sobre o tratamento de séries temporais com alto ruído e alta volatilidade. Oferece uma solução inovadora para o problema de LSTF ao integrar a amostragem sensível à flutuação.
Engenharia: O modelo aperfeiçoado fornece referências de tendência de médio prazo mais precisas para o controle de custos empresariais. Ao permitir alertas precoces de potenciais pontos de excesso de gastos e facilitar a mitigação oportuna de riscos, o método apoia a gestão estratégica de custos e melhora a eficiência da alocação de recursos.
Trabalhos Futuros: Os autores observam que pesquisas futuras visarão incorporar fatores externos influenciadores (ex: preços de matérias-primas, oferta/demanda de mercado, mudanças de políticas) para construir um framework de previsão multifatorial e estender essas estratégias adaptativas para outros modelos baseados em Informer.

O Problema: Quando os Dados Ficam Selvagens

A Solução: Um Bibliotecário Mais Inteligente e Atento

O Que Eles Descobriram: Melhores Previsões para o Médio Prazo

Por Que Isso Importa

Mais como este