Quando os métodos clássicos são melhores que ML/DL para previsão de séries?

Os métodos clássicos de previsão de séries temporais, como ARIMA, suavização exponencial (ETS), costumam ser mais adequados quando:

• Os dados têm um número limitado de observações, insuficiente para treinar modelos complexos de ML/DL.
• A série temporal apresenta componentes sazonais e de tendência evidentes, que os modelos clássicos descrevem bem.
• É necessária interpretabilidade do modelo e explicabilidade das previsões.
• Os recursos computacionais ou o tempo para o treinamento são limitados.

Por outro lado, os modelos ML/DL são eficazes com grandes volumes de dados, dependências não lineares complexas e quando a generalização automática sem uma estrutura de modelo explícita é importante.

Assim, os métodos clássicos são melhores para séries temporais simples, bem estruturadas, com dados limitados e requisitos de interpretabilidade.