Comparação entre redes neurais artificiais e métodos tradicionais de previsão de demanda por séries temporais com enfoque em tomada de decisão
Autor(a) principal: | |
---|---|
Data de Publicação: | 2017 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/174650 |
Resumo: | Previsões de demanda são relevantes aos tomadores de decisão, pois viabilizam o planejamento estratégico e operacional de suas organizações. Existem diversos métodos quantitativos de previsão de demanda, os quais se diferenciam em termos de precisão e facilidade de aplicação. Este trabalho de monografia tem como objetivo comparar estes métodos entre si e determinar qual deles gera o resultado mais preciso de forma fácil, na perspectiva de tomadores de decisão que não possuam conhecimento técnico em previsão de demanda. Sendo assim, foram obtidas previsões a partir da aplicação de 15 métodos de previsão de demanda em 31 séries temporais reais, contendo 36 períodos cada, provenientes de cinco empresas distintas. Após a análise, percebeu-se que somente dois métodos de previsão de demanda, ARMA e Suavização Exponencial Simples, possuem precisão superior ao método ingênuo quando aplicados automaticamente. Assim, os outros 12 métodos de previsão de demanda, incluindo as redes neurais artificiais, não se mostraram úteis aos tomadores de decisão neste contexto. Adicionalmente, demonstrou-se que a comparação entre os erros das previsões por meio do MAPE não é eficaz para séries temporais que decrescem acentuadamente. Foi proposto o MAPEMAX, mensuração de erro desenvolvida pelo autor, como forma de solucionar esta imprecisão. |
id |
UFRGS-2_eb274c28ae4cdb74389cdc9f76d050d4 |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/174650 |
network_acronym_str |
UFRGS-2 |
network_name_str |
Repositório Institucional da UFRGS |
repository_id_str |
|
spelling |
Bins, Anderson FernandesPadula, Antonio Domingos2018-04-12T02:34:00Z2017http://hdl.handle.net/10183/174650001063606Previsões de demanda são relevantes aos tomadores de decisão, pois viabilizam o planejamento estratégico e operacional de suas organizações. Existem diversos métodos quantitativos de previsão de demanda, os quais se diferenciam em termos de precisão e facilidade de aplicação. Este trabalho de monografia tem como objetivo comparar estes métodos entre si e determinar qual deles gera o resultado mais preciso de forma fácil, na perspectiva de tomadores de decisão que não possuam conhecimento técnico em previsão de demanda. Sendo assim, foram obtidas previsões a partir da aplicação de 15 métodos de previsão de demanda em 31 séries temporais reais, contendo 36 períodos cada, provenientes de cinco empresas distintas. Após a análise, percebeu-se que somente dois métodos de previsão de demanda, ARMA e Suavização Exponencial Simples, possuem precisão superior ao método ingênuo quando aplicados automaticamente. Assim, os outros 12 métodos de previsão de demanda, incluindo as redes neurais artificiais, não se mostraram úteis aos tomadores de decisão neste contexto. Adicionalmente, demonstrou-se que a comparação entre os erros das previsões por meio do MAPE não é eficaz para séries temporais que decrescem acentuadamente. Foi proposto o MAPEMAX, mensuração de erro desenvolvida pelo autor, como forma de solucionar esta imprecisão.Demand forecasts are relevant to decision makers as they enable the strategic and operational planning of their organizations. There are several quantitative methods of demand forecasting, which differ in terms of accuracy and ease of application. This study aims at comparing these methods among each other and determining which of them generates the most accurate result in an easy way, from the perspective of decision makers who do not have technical knowledge in demand forecasting. Thus, forecasts were obtained from the application of 15 methods of demand forecasting in 31 real time series, containing 36 periods each, from five different companies. After the analysis, it was noticed that only two methods of demand forecasting, ARMA and Simple Exponential Smoothing, have superior precision to the naive method when applied automatically. Thus, the other 12 demand forecasting methods, including artificial neural networks, have not proved themselves useful to decision makers in this context. Additionally, it has been shown that the comparison of forecast errors through MAPE is not effective for time series which decrease sharply. MAPEMAX, an error measurement method developed by the author, has been proposed as a way of solving this imprecision.application/pdfporTomada de decisãoPrevisão de demandaDemand ForecastARMAExponential SmoothingANNMAPEComparação entre redes neurais artificiais e métodos tradicionais de previsão de demanda por séries temporais com enfoque em tomada de decisãoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisUniversidade Federal do Rio Grande do SulEscola de AdministraçãoPorto Alegre, BR-RS2017/2Administraçãograduaçãoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSORIGINAL001063606.pdf001063606.pdfTexto completoapplication/pdf1850218http://www.lume.ufrgs.br/bitstream/10183/174650/1/001063606.pdfa278e24fcc237745be850a58552af1fdMD51TEXT001063606.pdf.txt001063606.pdf.txtExtracted Texttext/plain150619http://www.lume.ufrgs.br/bitstream/10183/174650/2/001063606.pdf.txtcc771b2f7630a0b2b43f3daa3e01512dMD52THUMBNAIL001063606.pdf.jpg001063606.pdf.jpgGenerated Thumbnailimage/jpeg1067http://www.lume.ufrgs.br/bitstream/10183/174650/3/001063606.pdf.jpg4a6850ece2270b366bec22832c8b25ddMD5310183/1746502018-10-29 08:25:06.196oai:www.lume.ufrgs.br:10183/174650Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2018-10-29T11:25:06Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Comparação entre redes neurais artificiais e métodos tradicionais de previsão de demanda por séries temporais com enfoque em tomada de decisão |
title |
Comparação entre redes neurais artificiais e métodos tradicionais de previsão de demanda por séries temporais com enfoque em tomada de decisão |
spellingShingle |
Comparação entre redes neurais artificiais e métodos tradicionais de previsão de demanda por séries temporais com enfoque em tomada de decisão Bins, Anderson Fernandes Tomada de decisão Previsão de demanda Demand Forecast ARMA Exponential Smoothing ANN MAPE |
title_short |
Comparação entre redes neurais artificiais e métodos tradicionais de previsão de demanda por séries temporais com enfoque em tomada de decisão |
title_full |
Comparação entre redes neurais artificiais e métodos tradicionais de previsão de demanda por séries temporais com enfoque em tomada de decisão |
title_fullStr |
Comparação entre redes neurais artificiais e métodos tradicionais de previsão de demanda por séries temporais com enfoque em tomada de decisão |
title_full_unstemmed |
Comparação entre redes neurais artificiais e métodos tradicionais de previsão de demanda por séries temporais com enfoque em tomada de decisão |
title_sort |
Comparação entre redes neurais artificiais e métodos tradicionais de previsão de demanda por séries temporais com enfoque em tomada de decisão |
author |
Bins, Anderson Fernandes |
author_facet |
Bins, Anderson Fernandes |
author_role |
author |
dc.contributor.author.fl_str_mv |
Bins, Anderson Fernandes |
dc.contributor.advisor1.fl_str_mv |
Padula, Antonio Domingos |
contributor_str_mv |
Padula, Antonio Domingos |
dc.subject.por.fl_str_mv |
Tomada de decisão Previsão de demanda |
topic |
Tomada de decisão Previsão de demanda Demand Forecast ARMA Exponential Smoothing ANN MAPE |
dc.subject.eng.fl_str_mv |
Demand Forecast ARMA Exponential Smoothing ANN MAPE |
description |
Previsões de demanda são relevantes aos tomadores de decisão, pois viabilizam o planejamento estratégico e operacional de suas organizações. Existem diversos métodos quantitativos de previsão de demanda, os quais se diferenciam em termos de precisão e facilidade de aplicação. Este trabalho de monografia tem como objetivo comparar estes métodos entre si e determinar qual deles gera o resultado mais preciso de forma fácil, na perspectiva de tomadores de decisão que não possuam conhecimento técnico em previsão de demanda. Sendo assim, foram obtidas previsões a partir da aplicação de 15 métodos de previsão de demanda em 31 séries temporais reais, contendo 36 períodos cada, provenientes de cinco empresas distintas. Após a análise, percebeu-se que somente dois métodos de previsão de demanda, ARMA e Suavização Exponencial Simples, possuem precisão superior ao método ingênuo quando aplicados automaticamente. Assim, os outros 12 métodos de previsão de demanda, incluindo as redes neurais artificiais, não se mostraram úteis aos tomadores de decisão neste contexto. Adicionalmente, demonstrou-se que a comparação entre os erros das previsões por meio do MAPE não é eficaz para séries temporais que decrescem acentuadamente. Foi proposto o MAPEMAX, mensuração de erro desenvolvida pelo autor, como forma de solucionar esta imprecisão. |
publishDate |
2017 |
dc.date.issued.fl_str_mv |
2017 |
dc.date.accessioned.fl_str_mv |
2018-04-12T02:34:00Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10183/174650 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001063606 |
url |
http://hdl.handle.net/10183/174650 |
identifier_str_mv |
001063606 |
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 Institucional da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Repositório Institucional da UFRGS |
collection |
Repositório Institucional da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/174650/1/001063606.pdf http://www.lume.ufrgs.br/bitstream/10183/174650/2/001063606.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/174650/3/001063606.pdf.jpg |
bitstream.checksum.fl_str_mv |
a278e24fcc237745be850a58552af1fd cc771b2f7630a0b2b43f3daa3e01512d 4a6850ece2270b366bec22832c8b25dd |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
|
_version_ |
1801224546734309376 |