Spare parts intermittent demand forecastin

• Autor(a) principal: Imaniche, Carlos César Minoru [UNIFESP]
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: eng
• Título da fonte: Repositório Institucional da UNIFESP
• Texto Completo: https://repositorio.unifesp.br/11600/69016
• topic: Forecasting; Intermittent Demand; Machine Learning

As demandas intermitentes ocorrem com frequência no ambiente de peças de reposição de aeronaves e componentes, sendo elas um dos principais problemas enfrentados pelas organizações modernas gerando enormes desafios para um bom planejamento. Além disso, a responsabilidade de empregar os recursos financeiros disponibilizados para a manutenção aeronáutica da forma mais eficiente implicam na necessidade de desenvolvimento de ferramentas capazes de realizar o controle e planejamento cada vez mais precisos. Desta forma, este trabalho tem o objetivo de fornecer uma metodologia de previsão de demanda de peças de reposição robusta capaz de lidar com suas possíveis características intermitentes. Para isso, foram propostos quatro modelos que utilizam um pool métodos consagrados para realização de previsões. O primeiro modelo simula como tradicionalmente seria realiza a escolha de um método de previsão. O segundo realiza a classificação do melhor método através das feições das séries temporais e precisão da previsão dos métodos do pool, utilizando o sistema de ensemble Random Forest. O terceiro modelo também realiza a classificação do melhor método da mesma que o segundo modelo, porém utilizando o sistema de ensemble XGBoost. O quarto modelo realiza a regressão da previsão usando diretamente as feições das previsões no sistema de ensemble XGBoost. Os quatro modelos foram submetidos à três conjuntos de dados sintéticos simulados com diferentes percentuais de séries temporais intermitentes em sua composição. O quarto modelo se mostrou bem robusto, obtendo o menor RMSE médio nos três conjuntos de dados. Dentro do conhecimento deste autor, este trabalho é um dos primeiros trabalhos que utiliza um algoritmo de meta-aprendizagem específico para lidar com conjuntos de séries temporais com características intermitentes, sendo a principal contribuição fornecer uma nova ferramenta capaz de realizar previsões robustas para este tipo de conjunto de dados, em um baixo tempo de processamento computacional.