Monitorização de produção com geração de relatórios e alertas

• Autor(a) principal: Folletto, Douglas Menegol
• 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/1/12512
• topic: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO; Análise de séries temporais; Aprendizado do computador; Previsão; Time-series analysis; Machine learning; Forecasting

A 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.