Desenvolvimento de algoritmo adaptável utilizando redes neurais artificiais para previsão de demanda

• Ano de defesa: 2019
• Autor(a) principal: Capitanio, Sidimar
• Orientador(a): Camargo, Maria Emilia
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Algoritmos; Planejamento da produção; Redes neurais (Computação); Associações, instituições, etc.; Inteligência artificial
• Palavras-chave em Inglês: Algorithms; Production planning; Neural Networks (Computing); Associations, institutions, etc.; Artificial intelligence
• Link de acesso: https://repositorio.ucs.br/11338/5144

A previsão de demanda é uma ferramenta importante para qualquer setor do mercado de trabalho, com a qual as organizações fazem sua gestão e planejamento baseando-se na predição futura de suas variáveis envolvidas. A previsão de demanda possui variadas formas e métodos de gerar uma predição, portanto, o presente trabalho tem como objetivo o desenvolvimento de um algoritmo de previsão de demanda adaptável aos dados das organizações, podendo-se modelar e atribuir variáveis do processo que influenciam diretamente na predição. O modelo de previsão é baseado em uma abordagem de aprendizado de máquina, que se deu com o desenvolvimento de uma Rede Neural Artificial (RNA), a qual para o seu treinamento de aprendizagem supervisionada foram utilizados dados históricos de empresas do segmento moveleiro, dólar americano e consumo de energia elétrica do estado do Rio Grande do Sul, combinados com dados de indicadores econômicos como PIB, SELIC, TR, entre outros para que o algoritmo possa encontrar um padrão de relacionamento na base de dados e prever a demanda com maior acurácia. O modelo da previsão do dólar resultou em um menor erro mape em relação as demais previsões, sendo o erro obtido de 1,06%. Este baixo erro deu-se também pela base de dados maior, fazendo com que a rede se adaptasse com maior eficácia ao histórico e indicadores utilizados. A previsão do consumo de energia elétrica obteve um erro mape de 2,15% e para o banco de dados menor que é a previsão de consumo de chapas de MDF da fábrica moveleira resultou em um erro de 3,85%.