Detalhes bibliográficos
Ano de defesa: |
2020 |
Autor(a) principal: |
DELGADO FILHO, Antonio Jorge Ferreira |
Orientador(a): |
VASCONCELOS, Germano Crispim |
Banca de defesa: |
Não Informado pela instituição |
Tipo de documento: |
Dissertação
|
Tipo de acesso: |
Acesso aberto |
Idioma: |
por |
Instituição de defesa: |
Universidade Federal de Pernambuco
|
Programa de Pós-Graduação: |
Programa de Pos Graduacao em Ciencia da Computacao
|
Departamento: |
Não Informado pela instituição
|
País: |
Brasil
|
Palavras-chave em Português: |
|
Link de acesso: |
https://repositorio.ufpe.br/handle/123456789/38123
|
Resumo: |
A Previsão de Demandas é uma das tarefas e ferramentas mais importantes para uma boa gestão e planejamento organizacional de uma empresa, auxiliando gestores no gerenciamento e nas tomadas de decisões que podem ajudar a transpor obstáculos necessários para o sucesso do negócio. Diante disso, este trabalho tem o objetivo de realizar uma investigação ampla, utilizando um conjunto de algoritmos de Aprendizagem de Máquinas para a realização da previsão de demanda de curto prazo. Na investigação serão empregados dados de uma grande empresa de distribuição de bebidas no mercado brasileiro. Para atingir esse objetivo serão utilizados Métodos Supervisionados, mais especificamente algoritmos de regressão, para realizar a predição da produção semanal dessa empresa, através da análise de Séries Temporais. Dentre esses algoritmos estão: Linear Regression (LR), Support Vector Regression (SVR), Stochastic Gradient Descent (SGD), Decision Tree, Multilayer Perceptron (MLP), Random Forest (RF) e XGBoost. Durante a investigação experimental foram testadas as técnicas de regressão listadas anteriormente, com um total de 24 configurações analisadas para cada um dos 5 produtos da empresa, sendo essas ajustadas com o auxílio da técnica de Random Search e tratamentos dos dados das séries temporais, como a Normalização e Dessazonalização. Todas essas análises serão realizadas com o apoio da linguagem de programação Python e suas bibliotecas, como o Scikit-learn. Além da realização dessa predição, o trabalho também propõe a comparação dos resultados alcançados pelos modelos de regressão desenvolvidos nessa pesquisa, com modelos desenvolvidos anteriormente por outras empresa, onde uma delas utilizou o método ARIMA. Juntamente a análise anterior, a utilização de variáveis externas temporais, como dados econômicos e climáticas, nos dados de entrada do modelo a fim de analisar a influência que dados externos podem trazer às previsões. Os resultados alcançados e avaliados com o auxílio das métricas MAPE, MAE, RMSE e RMSLE demonstram que os métodos de regressão são um opção muito eficiente para a realização da previsão de séries temporais, alcançados resultados superiores na maioria dos casos, quando comparados aos já existentes. |