Monitorização de produção com geração de relatórios e alertas

Detalhes bibliográficos
Autor(a) principal: Folletto, Douglas Menegol
Data de Publicação: 2017
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10198/19378
Resumo: Mestrado de dupla diplomação com a UTFPR - Universidade Tecnológica Federal do Paraná
id RCAP_683f5047fa44b1fef7874a0523499c6e
oai_identifier_str oai:bibliotecadigital.ipb.pt:10198/19378
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Monitorização de produção com geração de relatórios e alertasSéries temporaisAprendizado de máquinaPrevisãoDomínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e InformáticaMestrado de dupla diplomação com a UTFPR - Universidade Tecnológica Federal do ParanáA análise de séries temporais estão sempre presentes nos mais diferentes domínios, pela grande facilidade de representar os acontecimentos em relação ao tempo. Alguns dos fatores que podem ser investigados nas séries temporais são a descrição do comportamento da série e/ou a realização de previsões dos valores futuros da série. O principal objetivo desta dissertação foi encontrar um modelo preditivo que conseguisse apresentar valores futuros satisfatórias para as tomadas de decisões empresariais. A metodologia utilizada consistiu de três etapas principais que foram: a definição do problema, seguido da preparação dos dados com uma investigação sobre estes dados para então criar um modelo preditivo e finalmente apresentar os resultados. Identificou-se, na investigação sobre os dados, que grande parte dos produtos não estavam mais sendo produzidos, sendo assim, foi utilizado do k-means para realizar o agrupamento dos produtos com demanda regular e assim prosseguir com a criação do modelo preditivos, em que, onde foram testados os algoritmos de média móvel integrada autoregressiva sazonal (SARIMA), perceptron multicamadas (MLP) e floresta aleatória (RF). Os melhores resultados foram apresentados pelo algoritmo de Floresta Aleatória, com um coeficiente de determinação de aproximadamente 88%, com um erro absoluto médio de aproximadamente 189 unidades de produtos.The analysis of time series are always present in the most different domains, due to the great ease of representing events in relation to time. Some of the factors that can be investigated in the time series are the description of the behavior of the series and/or the realization of forecasts of future values of the series. The main objective of this dissertation was to find a predictive model that could present satisfactory future values for business decision making. The methodology used consisted of three main steps that were: the definition of the problem, followed by the preparation of the data with an investigation on these data to then create a predictive model and finally present the results. It was identified in the research on the data that most of the products were no longer being produced, so that k-means was used to group products with regular demand and thus to proceed with the creation of the predictive models, where the algorithms of integrated autoregressive seasonal moving average (SARIMA), multilayer perceptron (MLP) and random forest (RF) were tested. The best results were presented by the Random Forest algorithm, with a determination coefficient of approximately 88%, with an mean absolute eror of approximately 189 product units.Matos, PauloGavioli, AlanBiblioteca Digital do IPBFolletto, Douglas Menegol2019-06-27T16:05:02Z201920172019-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10198/19378TID:202258009porinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-11-21T10:44:10Zoai:bibliotecadigital.ipb.pt:10198/19378Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T23:09:53.157598Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Monitorização de produção com geração de relatórios e alertas
title Monitorização de produção com geração de relatórios e alertas
spellingShingle Monitorização de produção com geração de relatórios e alertas
Folletto, Douglas Menegol
Séries temporais
Aprendizado de máquina
Previsão
Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
title_short Monitorização de produção com geração de relatórios e alertas
title_full Monitorização de produção com geração de relatórios e alertas
title_fullStr Monitorização de produção com geração de relatórios e alertas
title_full_unstemmed Monitorização de produção com geração de relatórios e alertas
title_sort Monitorização de produção com geração de relatórios e alertas
author Folletto, Douglas Menegol
author_facet Folletto, Douglas Menegol
author_role author
dc.contributor.none.fl_str_mv Matos, Paulo
Gavioli, Alan
Biblioteca Digital do IPB
dc.contributor.author.fl_str_mv Folletto, Douglas Menegol
dc.subject.por.fl_str_mv Séries temporais
Aprendizado de máquina
Previsão
Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
topic Séries temporais
Aprendizado de máquina
Previsão
Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
description Mestrado de dupla diplomação com a UTFPR - Universidade Tecnológica Federal do Paraná
publishDate 2017
dc.date.none.fl_str_mv 2017
2019-06-27T16:05:02Z
2019
2019-01-01T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10198/19378
TID:202258009
url http://hdl.handle.net/10198/19378
identifier_str_mv TID:202258009
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799135363108700160

Registros relacionados