Fernandes, Pedro AfonsoEid, Amir2026-05-192026-05-192026-02-042026-01-220943a329-d57c-454e-9d70-4275a774cb1ahttp://hdl.handle.net/10400.14/57776This thesis aims to compare the forecasting accuracy and computational efficiency ofthe time series forecasting models SARIMA, Theta and Prophet based on the data from2017-2019 of a bike-sharing company from San Francisco. The approach of the experimentwas to do a rolling-origin forecast for univariate data to guarantee a suitable comparisondespite the models differences. The results have shown that each model had each ownstrengths. SARIMA excelled at portraying seasonality and overall having the highestaverage forecasting accuracy, its amount of preprocessing steps and computational costsare significantly high, which makes it unsuitable for automatic forecasting. Theta has nopreprocessing steps and produces forecasts almost instantly due to its simplicity, but hasconsiderably worse forecasts in comparison to the other two models. Moreover, both modelsstruggle with outliers and the impact of external covariates, which makes it difficult to applyto bike-sharing demand forecasting. Prophet proves to have a decent balance betweencomputational efficiency and precision. Even though the model is highly inaccurate inthe beginning of the rolling forecast approach, it manages to improve significantly to acomparable accuracy of SARIMA over time and furthermore succeeds at dealing withoutliers and additional external factors. The findings show that there is a trade-off betweenforecasting accuracy and computational efficiency and the ideal balance and model dependson the needs of the business. Future work could include the automation of SARIMA’s neededpreprocessing steps, further testing on additional datasets or the inclusion of additionalvariables.Esta tese visa comparar a precisão de previsão e a eficiência computacional dos modelos de séries temporais SARIMA, Theta e Prophet, com base em dados de 2017-2019 de uma empresa de compartilhamento de bicicletas em São Francisco. A abordagem do experimento foi realizar uma previsão de origem móvel para dados univariados para garantir uma comparação adequada, apesar das diferenças entre os modelos. Os resultados mostraram que cada modelo possui seus próprios pontos fortes. O SARIMA destacou-se ao retratar a sazonalidade e obteve maior precisão média de previsão, mas suas etapas de pré-processamento e custos computacionais são significativamente altos, tornando-o inadequado para previsões automáticas. O Theta não exige pré-processamento e produz previsões quase instantaneamente devido à sua simplicidade, mas apresenta previsões consideravelmente piores em comparação com os outros dois modelos. Além disso, ambos enfrentam dificuldades com outliers e o impacto de covariáveis externas, o que dificulta sua aplicação na previsão da demanda de bicicletas. O Prophet demonstra um equilíbrio razoável entre eficiência computacional e precisão. Embora seja altamente impreciso no início da abordagem de origem móvel, ele melhora significativamente até atingir uma precisão comparável à do SARIMA, lidando com sucesso com outliers e fatores externos. Os achados mostram que existe um trade-off entre precisão e eficiência, e o equilíbrio ideal depende das necessidades do negócio. Trabalhos futuros poderiam incluir a automação do pré-processamento do SARIMA, testes em dados adicionais ou a inclusão de novas variáveis.engUnivariate time seriesAutomatic forecastingBike-sharing demandSéries cronológicas univariadasPrevisão automáticaProcura de bicicletas partilhadasmaster thesis204223040