Multi-layer perceptron para previsão de demanda do setor automobilístico no Brasil

• Autor(a) principal: Almeida, Lucas Gonçalves Martins de
• Data de Publicação: 2018
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
• Texto Completo: http://repositorio.utfpr.edu.br/jspui/handle/1/16047
• topic: CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO; Produção enxuta; Indústria automobilística; Inteligência artificial; Lean manufacturing; Automobile industry and trade; Artificial intelligence

Sabe-se que para as empresas é fundamental tentar prever o que acontecerá num futuro próximo se tratando de mercado, para que as mesmas possam ter condições de se prepararem e tomarem as devidas decisões em tempo hábil. As previsões podem ser dos mais variados tipos como a de demanda, de venda, de compra, de produção, de variação de mercado, variação de inflação, de estoque, entre outras. É muito importante que as empresas consigam obter essas informações com boa exatidão, ou seja, com menor desvio possível da realidade, para o sucesso num mercado tão competitivo como o atual. Muitas empresas utilizam as mais variadas formas para obtenção desses tipos de variáveis, e como a tecnologia avança em ritmo acelerado, cada vez mais se tem utilizado as Inteligências Artificiais (IAs). Redes Neurais Artificiais (RNAs) são um tipo de IA na qual sua utilização vem crescendo de forma consistente, onde se inspira no funcionamento do cérebro humano. As RNAs trabalham de forma semelhante, onde tentam reconhecer padrões e regularidades e são capazes de aprender através de treinamento, acumular conhecimento (experiência) e fazer generalizações. O intuito desse trabalho é verificar a eficiência da RNA de arquitetura de Multi-Layer Perceptron (MLP) na previsão de demanda de veículos automotores no Brasil. Utilizou-se dados da ANFAVEA (Associação Nacional dos Fabricantes de Veículos Automotores) acerca de automóveis produzidos entre 1957 e 2016, onde dividiu-se 80% do conjunto de dados destinado ao conjunto de treinamento e 20% para o conjunto de validação. Variou-se entre 2 e 24 os neurônios da camada de entrada e entre 5 e 20 os neurônios da camada oculta. A rede ainda encontra dificuldade em seu processo de aprendizagem visto que são muitas as variáveis complexas que impactam seu desempenho, porém a MLP se mostrou uma excelente ferramenta no auxílio à tomada de decisão em relação à previsão de séries temporais e justificou seu uso, uma vez que a taxa de acerto em relação aos erros MAPE (Média Percentual Absoluta do Erro) e MSE (Erro Quadrático Médio) foi maior que 92%.