Uso de modelos de aprendizado de máquina e estatísticos para a previsão de demandas de transporte.

• Ano de defesa: 2023
• Autor(a) principal: Mamede, Fábio Polola
• 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: Aprendizado computacional; Cadeia de suprimentos; Demanda (Previsão); LSTM ARIMA; Machine learning; Supply chain; Transportation demand forecast
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3148/tde-20072023-104753/

Uma atividade de importância para os operadores logísticos e transportadoras é a previsão de demanda por transportes, que permite tomar decisões relacionadas às suas operações, infraestrutura, gestão e planejamento do uso de recursos. Na década de 2010 foi observado um aumento do uso de modelos de aprendizagem de máquina para previsões nas cadeias de suprimentos, destacando-se a implementação de redes neurais profundas. O objetivo deste trabalho foi realizar um estudo de caso na previsão de demandas agregadas de transportes das unidades expedidoras de uma transportadora brasileira. Os métodos de simulação computacional e estudo de caso foram aplicados, explorando as características dos conjuntos de dados, nos quais foram aplicados os modelos Autoregressive Integrated Moving Average e suas variações, e também as redes neurais profundas Long Short-Term Memory networks. Nove cenários foram explorados, considerando-se diferentes técnicas para detecção e tratamento de dados, avaliando os respectivos reflexos nas previsões e a influências de variáveis exógenas. Além disso, foram realizadas divisões entre conjuntos de dados de treino e teste durante a validação cruzada, e avaliação dos hiperparâmetros relevantes para cada modelo. Observou-se que redes neurais Long Short-Term Memory, obtiveram previsões mais assertivas que os modelos estatísticos em noventa e quatro por cento das unidades expedidoras entre os cenários avaliados, enquanto os modelos Autoregressive Integrated Moving Average em apenas os cinco por cento restantes.