Modelos

urg-forecast trae ocho modelos. Cuatro se comparan por defecto y se usa el que tenga menor error en el backtest. Los otros cuatro están para experimentar y se activan con -m. Todos son aproximaciones iniciales: ninguno está ajustado a un establecimiento en particular.

urg-forecast modelos                                   # lista con descripción
urg-forecast pronosticar 24-105 -m TBATS -m Ensamble   # compara solo esos
urg-forecast pronosticar 24-105 -m Armonico            # usa uno sin comparar

Los nombres no distinguen mayúsculas ni tildes. Cuando indicas un solo modelo igual se hace el backtest, para que veas su error, pero no hay elección.

Cómo se comparan

Cada modelo se ajusta en tres ventanas de backtest tan largas como el horizonte (máximo 26 semanas), separadas por 8 semanas. Gana el de menor pérdida por cuantil P80 promedio: una medida que castiga más quedarse corto que pasarse, que es lo que importa al planificar dotación. Luego el ganador se reajusta con toda la historia y sus intervalos se ensanchan si en el backtest resultaron estrechos (ver --sin-calibrar).

Si un modelo falla al ajustarse, se omite y el resumen lo informa.

Modelos por defecto

SeasonalNaive

Para cada semana del año toma lo que pasó esa misma semana en los años anteriores y usa sus cuantiles. No tiene parámetros ni tendencia.

• Para qué sirve: es la vara mínima. Un modelo que no le gana a este no aporta nada.
• Limitación: si el nivel cambió (por ejemplo, una temporada respiratoria mucho más alta que las anteriores), queda corto y sus intervalos quedan muy estrechos.

AutoARIMA

ARIMA estacional con periodo de 52 semanas, eligiendo los órdenes automáticamente. Usa una búsqueda acotada (FAST_ARIMA en pipeline.py) que tarda cerca de 1 s por ajuste; la búsqueda completa tarda unos 18 s y en la comparación con datos en vivo mejoró el error en menos de 3%.

• Para qué sirve: captura bien la dinámica de corto plazo y, en la comparación, fue el mejor calibrado a 26 semanas.
• Limitación: con estacionalidad larga el ajuste es sensible y a veces no converge del todo (se ve en advertencias internas que la CLI oculta).

Armónico

Regresión lineal sobre una tendencia y tres pares de senos y cosenos que describen el ciclo anual (términos de Fourier). Lo que la regresión no explica se modela con un ARIMA sin estacionalidad, que aporta la dinámica de corto plazo y los intervalos. Código en src/urgencias_core/models/harmonic.py.

• Para qué sirve: representa el ciclo anual con pocos parámetros y es rápido. Ganó en varios hospitales.
• Limitación: la tendencia es lineal; un cambio brusco de nivel la arrastra. Sus intervalos tienden a quedar estrechos a horizontes largos.
• Para experimentar: HarmonicRegression(k=6) usa más términos y permite formas estacionales más finas; trend=False quita la tendencia.

MSTL

Separa la serie en estacionalidad anual y tendencia, pronostica la tendencia con ETS y le suma la estacionalidad.

• Para qué sirve: robusto y muy rápido; buen desempeño general.
• Limitación: necesita al menos dos años completos de historia.

Modelos extra

TBATS

Modela la estacionalidad con funciones trigonométricas, con transformación Box-Cox y errores ARMA. Es un enfoque clásico para estacionalidades largas.

• Para qué probarlo: en pruebas con el snapshot quedó cerca de los mejores.
• Costo: tarda unos 15 s por ajuste, y el backtest hace varios. Con horizonte de 26 semanas y un establecimiento, cuenta con cerca de un minuto más.

Theta

Método Theta con detección automática de estacionalidad. Con datos semanales y periodo de 52, la prueba no detecta el ciclo anual y el modelo queda como una tendencia suavizada.

• Para qué probarlo: como contraste. Muestra cuánto aporta modelar la estacionalidad. Si Theta le gana a los demás en tu establecimiento, la serie probablemente tiene poco ciclo anual.

Ensamble

Ajusta AutoARIMA, Armónico y MSTL y toma la mediana de sus pronósticos, cuantil por cuantil. Código en src/urgencias_core/models/ensemble.py.

• Para qué probarlo: combinar modelos razonables suele reducir el error promedio, porque la mediana descarta al que se desvía. No siempre gana una ventana en particular, pero suele ser más estable.
• Costo: el de los tres modelos juntos (unos pocos segundos).
• Para experimentar: MedianEnsemble acepta cualquier conjunto de modelos.

ArmónicoFeriados

El modelo Armónico más una variable con la cantidad de feriados que caen en día hábil en cada semana, según el calendario chileno (biblioteca holidays). Los feriados futuros se conocen, así que la variable sirve también para pronosticar.

• Para qué probarlo: las semanas con feriados (Fiestas Patrias, fin de año) suelen tener otra demanda. Es el ejemplo más simple de agregar una covariable.
• Para experimentar: holidays_per_week() está en src/urgencias_core/models/harmonic.py; sirve como plantilla para agregar otras variables (vacaciones escolares, campañas de vacunación, clima).

Agregar tu propio modelo

Cualquier clase con fit(history, target_col) y predict(horizon) que devuelva timestamp, q50, q80, q90, q95 sirve. Guárdala en un .py en la carpeta donde corres el comando y compárala con los incluidos:

urg-forecast pronosticar 24-105 -m mi_modelo:MiClase -m AutoARIMA -m MSTL

El paso a paso, con un modelo completo y cómo leer el resultado, está en Extender.

Ideas para seguir

• Modelar por separado causas respiratorias o urgencia pediátrica, que load_deis ya entrega por causa y grupo de edad.
• Agregar covariables: vacaciones escolares (features.calendar_features), temperatura, circulación viral.
• Un backtest con más ventanas para comparar con más confianza.
• Calibrar los intervalos por horizonte en vez de con un solo factor.