Seleção e calibração dos modelos de suavização exponencial, SARIMA e LSTM para previsão de demanda através de busca em rede.
A precisão das previsões de demanda permite alocar e planejar melhor os recursos, melhorando o planejamento de vendas e operações. Este trabalho propõe um processo de calibração e seleção de modelos para previsão de séries temporais aplicados em uma empresa de eletroeletrônicos. Os modelos de previs...
| Autor: | |
|---|---|
| Tipo de documento: | dissertação |
| Estado: | Versão publicada |
| Data de publicação: | 2023 |
| País: | Brasil |
| Recursos: | Universidade de São Paulo (USP) |
| Repositório: | Biblioteca Digital de Teses e Dissertações da USP |
| Idioma: | português |
| OAI Identifier: | oai:teses.usp.br:tde-06052024-100717 |
| Acesso em linha: | https://www.teses.usp.br/teses/disponiveis/3/3148/tde-06052024-100717/ |
| Access Level: | Acceso aberto |
| Palavra-chave: | Análise de séries temporais Aprendizagem profunda ARIMA Demand forecast Error metrics LSTM Modelos em séries temporais Neural network Previsão (Análise de séries temporais) Redes neurais Time series analysis Time series forecasting performance |
| Resumo: | A precisão das previsões de demanda permite alocar e planejar melhor os recursos, melhorando o planejamento de vendas e operações. Este trabalho propõe um processo de calibração e seleção de modelos para previsão de séries temporais aplicados em uma empresa de eletroeletrônicos. Os modelos de previsão de suavização exponencial, SARIMA e aprendizagem profunda LSTM foram selecionados com base em sua ampla utilização na comunidade científica. Primeiro, esses modelos são definidos com base em seus hiperparâmetros. O domínio de um hiperparâmetro pode ser de valor real, de valor inteiro, binário ou categórico. Quais valores escolher é crítico, pois definirão a forma funcional final das equações de previsão, incluindo o número final de parâmetros que precisam ser determinados. Em seguida, os domínios limitados dos hiperparâmetros são definidos e uma lista de vetores são construídos. Cada vetor é aplicado aos modelos para encontrar aquele com melhor desempenho, um processo definido por busca em rede. Antes do processo ser implantado, é apresentada uma discussão sobre o pré-processamento dos dados. As etapas utilizadas neste trabalho incluem preenchimento de valores faltantes, definição de periodicidade da série temporal, decomposição da série temporal em tendência/sazonalidade para ser usada como um regressor adidiconal aos modelos. Para definir o desempenho de cada vetor de hiperparâmetros e como cada modelo se compara, métricas de erro são definidas, e um índice de desempenho multicritério é proposto. Por fim, os resultados são discutidos comparando os três modelos com os melhores resultados encontrado. O diagnóstico do modelo ajustado mostra oportunidades no pré-processamento dos dados aqui não considerados, como transformação e/ou tratamento robusto de outliers para a série temporal. No entanto, os resultados das previsões mostram o ganho no desempenho em comparação com os métodos utilizados anteriormente e o processo aqui proposto pode ajudar os profissionais a reduzir a complexidade ao implementar tais modelos num ambiente de negócios. |
|---|