Comparação entre os Modelos SARIMA e os Métodos de Machine Learning para previsão de demanda

• Autor(a) principal: Crispim, Carolina Martins
• Data de Publicação: 2023
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da Universidade Federal Fluminense (RIUFF)
• Texto Completo: http://app.uff.br/riuff/handle/1/30321
• topic: Previsão; Aprendizado de máquinas; Floresta aleatória; LSTM; Série temporal; Aprendizado de máquina

O Aprendizado de Máquinas é um tema em alta na área da estatística e outras áreas correlacionadas, está presente em quase todos os fóruns e congressos despertando a vontade de utilização dessa ferramenta nas pessoas e empresas. Uma forma de aplicar Aprendizado de Máquinas é realizando previsão de séries temporais, com expectativa de se obter bons resultados. Sendo assim, este trabalho se propõe a analisar a performance de dois métodos de Aprendizado de Máquinas, Floresta Aleatória e LSTM, em relação aos modelos de Séries Temporais SARIMA, aplicado a 84 séries temporais de produtos reais, para realizar previsão de demanda. Considerando como medida de erro o MAPE, ambos métodos de Aprendizado de Máquinas tiveram uma performance melhor que os modelos SARIMA, porém o método que obteve menor erro para a maioria das séries foi a Floresta Aleatória. De fato, os métodos de Aprendizado de Máquinas podem obter uma melhor acurácia na previsão de demanda, gerando valor para as empresas, porém, deve-se ressaltar que o modelo SARIMA, por ser probabilístico, possui capacidade de gerar mais informações sobre as séries temporais.