Modelos de regressão espacial aplicados à previsão de demanda de pedidos de online food delivery

• Ano de defesa: 2021
• Autor(a) principal: Bezerra, Herlisson Maciel
• 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: Demand forecasting; Multilayer perceptron; Previsão de demanda; Spatial autorregressive model
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/55/55137/tde-04032022-111453/

O crescimento do segmento de Online Food Delivery estimulou uma mudança nos hábitos de consumo de alimentos em todo mundo. A essência de uma empresa desse ramo é a operação da rede de logística para que a entrega dos pedidos seja realizada de forma rápida e confiável. Para o planejamento eficiente da logística em questão, o insumo de previsão da demanda de pedidos que são realizados em determinadas áreas geográficas é essencial. O objetivo desta dissertação é realizar a predição da demanda de pedidos por área geográfica utilizando o modelo Spatial Autorregressive Model (SAR) e o modelo de Redes Neurais Multilayer Perceptron (MLP) para os distritos na região do centro expandido de São Paulo - SP, a partir dos dados reais de uma grande empresa do segmento. Do ponto de vista metodológico, foi proposta uma abordagem com uma matriz de treino aumentada com as informações de pedidos dos vizinhos de primeira ordem para que a rede neural seja capaz de identificar a autocorrelação espacial presente nos dados, enquanto que o SAR já é estatisticamente construído para incorporar a autocorrelação espacial ao ajuste e à predição realizada. Os modelos foram ajustados com os dados reais e foram avaliados com as métricas Root Mean Squared Error (RMSE) e pelo coeficiente de determinação R2 . No resultado final, ambos os modelos tiveram desempenho satisfatório quando comparados com a média histórica dos pedidos. Na comparação entre o SAR e a MLP, a MLP com o melhor ajuste resultou em predições com o RMSE de 3,353 contra 3,604 do SAR e R2 de 0,731 contra 0,689 do SAR. Portanto, dentre os dois modelos estudados, o modelo Multilayer Perceptron foi escolhido como o melhor modelo para o ajuste aos dados analisados.