Forecasting Climático — Séries Temporais

Previsão de temperatura com ARIMA, SARIMA e Facebook Prophet, com dashboard interativo e princípios de Gestalt aplicados à visualização.

Estrutura do Projeto

projeto/
├── app.py                       # Ponto de entrada — execute este arquivo
├── weatherHistory.csv           # Dataset (baixar do Kaggle — ver abaixo)
│
├── utils/
│   ├── config.py                # Cores, CSS e layout Plotly compartilhados
│   ├── data.py                  # Carregamento e split do dataset
│   └── helpers.py               # Métricas, gráficos e interpretação de negócio
│
└── modulos/
    ├── pg_inicio.py             # Página inicial com KPIs e roadmap
    ├── pg_eda.py                # Definição do problema + EDA
    ├── pg_preprocessamento.py  # Pipeline de dados e decomposição
    ├── pg_modelos.py            # ARIMA, SARIMA e Prophet com AIC
    ├── pg_forecasting.py        # Previsão futura com bandas de confiança
    ├── pg_conclusao.py          # Conclusão, storytelling e referências
    └── pg_dashboard.py          # Dashboard interativo com Plotly

---

Como rodar

1. Clone o repositório

git clone <url-do-repo>
cd avd

2. Crie e ative o ambiente virtual

python3 -m venv venv
source venv/bin/activate        # macOS/Linux
# venv\Scripts\activate         # Windows

3. Instale as dependências

pip install streamlit pandas numpy matplotlib seaborn statsmodels prophet scikit-learn plotly

4. Baixe o dataset

1. Acesse: https://www.kaggle.com/datasets/muthuj7/weather-dataset
2. Baixe o arquivo weatherHistory.csv
3. Coloque dentro da pasta projeto/, ao lado do app.py

5. Execute

cd projeto
streamlit run app.py

O app abre automaticamente em http://localhost:8501.

---

Funcionalidades

Página	O que mostra
Início	KPIs do dataset e roadmap do projeto
EDA	Estatísticas descritivas, sazonalidade, teste ADF
Pré-processamento	Tratamento de nulos, outliers, decomposição, ACF/PACF
Modelos	ARIMA, SARIMA e Prophet com métricas e AIC
Forecasting	Previsão futura com bandas de confiança (80%)
Conclusão	Storytelling, recomendações e referências bibliográficas
Dashboard	5 gráficos Plotly interativos com range slider e hover

---

Modelos implementados

• ARIMA — AutoRegressive Integrated Moving Average, parâmetros via ACF/PACF e AIC
• SARIMA — ARIMA com componente sazonal (período 12 meses)
• Prophet — modelo do Meta, robusto a outliers, com decomposição automática

Métricas de avaliação: MAE, RMSE e MAPE — com interpretação de impacto no mundo real.

---

Referências

• Hyndman, R.J. & Athanasopoulos, G. — Forecasting: Principles and Practice (otexts.com/fpp3)
• Géron, A. — Mãos à Obra: Aprendizado de Máquina com Scikit-Learn, Keras & TensorFlow (O'Reilly)
• Facebook Prophet Documentation — facebook.github.io/prophet
• Dataset: Weather History — kaggle.com/datasets/muthuj7/weather-dataset
• Plotly — Interactive Time Series — plotly.com/python/time-series