Staff View: Análise de métodos de regressão para previsão de demanda de curto prazo

Análise de métodos de regressão para previsão de demanda de curto prazo

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 tr...

Full description

Main Author:	DELGADO FILHO, Antonio Jorge Ferreira
Other Authors:	VASCONCELOS, Germano Crispim
Format:	masterThesis
Language:	por
Published:	Universidade Federal de Pernambuco 2020
Subjects:	Inteligência computacional Séries temporais
Online Access:	https://repositorio.ufpe.br/handle/123456789/38123
Tags:	Add Tag No Tags, Be the first to tag this record!

id	ir-123456789-38123
recordtype	dspace
spelling	ir-123456789-381232020-09-29T05:14:32Z Análise de métodos de regressão para previsão de demanda de curto prazo DELGADO FILHO, Antonio Jorge Ferreira VASCONCELOS, Germano Crispim http://lattes.cnpq.br/2837171678394439 http://lattes.cnpq.br/5943634209341438 Inteligência computacional Séries temporais 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. CNPq Demand Forecasting is one of the most important tasks and tools for the good management and organizational planning of a company, assisting managers in the managing and making decisions that can help overcome obstacles to business success. Therefore, this work has the objective of carrying out a broad investigation, using a set of Machine Learning algorithms for the realization of short-term demand forecasting. The investigation will use data from a large beverage distribution company in the Brazilian market. To achieve this objective, Supervised Methods, more specifically regression algorithms, will be used to predict the weekly production of this company, through the analysis of Time Series. Among these algorithms are: Linear Regression (LR), Support Vector Regression (SVR), Stochastic Gradient Descent (SGD), Decision Tree, Multilayer Perceptron (MLP), Random Forest (RF) and XGBoost. During the experimental investigation, the regression techniques listed above were tested, with a total of 24 configurations analyzed for each of the company’s 5 products, which were adjusted with the aid of the Random Search technique and data series treatments, such as Standardization and removing Seasonality. All of these analyzes will be realized with the support of the textit Python programming language and its libraries, such as textit Scikit-learn. In addition to making this prediction, the work also proposes comparing the results achieved by the regression models developed in this research, with models previously developed by other companies, where one of them used the ARIMA method. Together with the previous analysis, the use of external temporal variables, such as economic and climatic data, in the input data of the model in order to analyze the influence that external data can bring to the forecasts. The results achieved and evaluated with the aid of the metrics MAPE, MAE, RMSE and RMSLE demonstrate that the regression methods are a very efficient option for the realization of the time series forecast, achieving superior results in most cases, when compared to the existing ones. 2020-09-28T18:33:05Z 2020-09-28T18:33:05Z 2020-03-12 masterThesis DELGADO FILHO, Antonio Jorge Ferreira. Análise de métodos de regressão para previsão de demanda de curto prazo. 2020. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Pernambuco, Recife, 2020. https://repositorio.ufpe.br/handle/123456789/38123 por openAccess http://creativecommons.org/licenses/by-nc-nd/3.0/br/ application/pdf Universidade Federal de Pernambuco UFPE Brasil Programa de Pos Graduacao em Ciencia da Computacao
institution	REPOSITORIO UFPE
collection	REPOSITORIO UFPE
language	por
topic	Inteligência computacional Séries temporais
spellingShingle	Inteligência computacional Séries temporais DELGADO FILHO, Antonio Jorge Ferreira Análise de métodos de regressão para previsão de demanda de curto prazo
description	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.
author2	VASCONCELOS, Germano Crispim
format	masterThesis
author	DELGADO FILHO, Antonio Jorge Ferreira
author_sort	DELGADO FILHO, Antonio Jorge Ferreira
title	Análise de métodos de regressão para previsão de demanda de curto prazo
title_short	Análise de métodos de regressão para previsão de demanda de curto prazo
title_full	Análise de métodos de regressão para previsão de demanda de curto prazo
title_fullStr	Análise de métodos de regressão para previsão de demanda de curto prazo
title_full_unstemmed	Análise de métodos de regressão para previsão de demanda de curto prazo
title_sort	análise de métodos de regressão para previsão de demanda de curto prazo
publisher	Universidade Federal de Pernambuco
publishDate	2020
url	https://repositorio.ufpe.br/handle/123456789/38123
_version_	1680625263129395200
score	13.657419

Análise de métodos de regressão para previsão de demanda de curto prazo

Similar Items