PREVISÃO DE SÉRIES TEMPORAIS EM UMA INDÚSTRIA METAL MECÂNICA UTILIZANDO MÉTODO CLÁSSICO DE BOX-JENKINS E REDES NEURAIS ARTIFICIAIS MLP.

• Ano de defesa: 2016
• Autor(a) principal: Loiola, Rafael Gomes
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Pontifícia Universidade Católica de Goiás; Engenharia; BR; PUC Goiás; Programa de Pós-Graduação STRICTO SENSU em Engenharia de Produção e Sistemas
• Palavras-chave em Português: Séries temporais; Box-Jenkins; Redes Neurais MLP; Indústria; Previsão de demanda; Temporal series; Artificial Neural Networks MLP; Industry; Demand forecasting; CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO
• Link de acesso: http://localhost:8080/tede/handle/tede/2486

A previsão de demanda é de essencial importância em ambientes organizacionais, de forma a servir como ferramenta de apoio a tomada de decisão durante o desenvolvimento do planejamento estratégico das empresas. Este trabalho teve como principal objetivo comparar modelos estatísticos e de inteligência artificial para problemas de previsão de demanda utilizando séries temporais por meio dos métodos de Box-Jenkins e rede neural artificial Multilayer Perceptron (MLP). Realizou-se o estudo para identificação e definição dos principais métodos de previsão de demanda. Posteriormente, aplicaram-se os métodos de previsão selecionados para a análise dos três produtos mais relevantes de uma indústria metal mecânica, no período de 2012 até 2014. Os quatro últimos períodos da série foram utilizados apenas para validação de desempenho de ambos os métodos propostos através das análises dos erros de previsão. Os softwares R, Matlab e SPSS apoiaram a aplicação, modelagem e análise dos dados. A partir dos modelos, realizou-se a previsão um passo a frente das vendas de uma indústria metal mecânica e posteriormente fez-se o comparativo de seus resultados através das medidas de erros referentes à raiz quadrada do erro quadrático médio, RMSE, e o erro percentual absoluto médio, MAPE, para identificar o modelo mais satisfatório e adequado para a predição. Os resultados indicaram que o desempenho das previsões utilizando o método estatístico de Box-Jenkins nos Produtos 1 e 3 foram superiores à aplicação dos modelos de rede neural MLP. Enquanto que para o Produto 2, o método de redes neurais alcançou melhores resultados. Nas análises estatísticas verificou-se que as séries apresentam padrões de comportamento referente à sazonalidade e oscilações, sendo possível observar que ambos os métodos apresentam resultados satisfatórios para cada característica de dados das séries temporais estudadas.