Seleção e calibração dos modelos de suavização exponencial, SARIMA e LSTM para previsão de demanda através de busca em rede.

• Ano de defesa: 2023
• Autor(a) principal: Rapp, Rafael Motta
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Análise de séries temporais; Aprendizagem profunda; ARIMA; Demand forecast; Error metrics; LSTM; Modelos em séries temporais; Neural network; Previsão (Análise de séries temporais); Redes neurais; Time series analysis; Time series forecasting performance
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3148/tde-06052024-100717/

A precisão das previsões de demanda permite alocar e planejar melhor os recursos, melhorando o planejamento de vendas e operações. Este trabalho propõe um processo de calibração e seleção de modelos para previsão de séries temporais aplicados em uma empresa de eletroeletrônicos. Os modelos de previsão de suavização exponencial, SARIMA e aprendizagem profunda LSTM foram selecionados com base em sua ampla utilização na comunidade científica. Primeiro, esses modelos são definidos com base em seus hiperparâmetros. O domínio de um hiperparâmetro pode ser de valor real, de valor inteiro, binário ou categórico. Quais valores escolher é crítico, pois definirão a forma funcional final das equações de previsão, incluindo o número final de parâmetros que precisam ser determinados. Em seguida, os domínios limitados dos hiperparâmetros são definidos e uma lista de vetores são construídos. Cada vetor é aplicado aos modelos para encontrar aquele com melhor desempenho, um processo definido por busca em rede. Antes do processo ser implantado, é apresentada uma discussão sobre o pré-processamento dos dados. As etapas utilizadas neste trabalho incluem preenchimento de valores faltantes, definição de periodicidade da série temporal, decomposição da série temporal em tendência/sazonalidade para ser usada como um regressor adidiconal aos modelos. Para definir o desempenho de cada vetor de hiperparâmetros e como cada modelo se compara, métricas de erro são definidas, e um índice de desempenho multicritério é proposto. Por fim, os resultados são discutidos comparando os três modelos com os melhores resultados encontrado. O diagnóstico do modelo ajustado mostra oportunidades no pré-processamento dos dados aqui não considerados, como transformação e/ou tratamento robusto de outliers para a série temporal. No entanto, os resultados das previsões mostram o ganho no desempenho em comparação com os métodos utilizados anteriormente e o processo aqui proposto pode ajudar os profissionais a reduzir a complexidade ao implementar tais modelos num ambiente de negócios.