[en] NEURAL NETWORK AND DYNAMIC REGRESSION: A HYBRID MODEL TO FORECAST THE SHORT TERM DEMAND OF PETROL IN BRAZIL

• Ano de defesa: 2005
• Autor(a) principal: ALEXANDRE ZANINI
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [pt] REDE NEURAL; [pt] MODELOS ESTATISTICOS; [pt] GASOLINA AUTOMOTIVA; [pt] PREVISAO DE DEMANDA; [en] NEURAL NETWORKS; [en] STATISTICAL MODELS; [en] PETROL; [en] DEMAND FORECAST
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7457&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7457&idi=2; http://doi.org/10.17771/PUCRio.acad.7457

[pt] Nesta dissertação é desenvolvido um modelo para previsão de curto prazo da demanda mensal de gasolina automotiva no Brasil. A metodologia usada consiste em, a partir de uma análise exploratória dos dados, procurar construir um modelo usando uma estratégia bottom-up, ou seja, parte-se de um modelo simples e processa-se seu refinamento até encontrar um modelo apropriado que mais se adequa à realidade. Partiu-se então de um modelo autoprojetivo indo até uma formulação de Redes Neurais passando por um modelo de regressão dinâmica. Os modelos são então comparados segundo alguns critérios, basicamente no que tange à sua eficiência preditiva. Conclui-se ao final sobre a eficiência de se conjugar modelos estatísticos clássicos (como Box & Jenkins e Regressão Dinâmica) com as chamadas Redes Neurais que, por sua vez, propiciaram resultados muito bons em relação à otimização das previsões. Isto é altamente desejável na modelagem de séries temporais e, em particular, neste trabalho, na previsão de curto prazo de gasolina automotiva.