
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Universidade de São Paulo (USP) | - |
| Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
| Autor(es): dc.contributor | Politecnico Di Torino | - |
| Autor(es): dc.creator | Augusto David, Gabriel | - |
| Autor(es): dc.creator | Monteiro De Carvalho Monson, Paulo | - |
| Autor(es): dc.creator | Soares Junior, Cristiano | - |
| Autor(es): dc.creator | De Oliveira Conceicao Junior, Pedro | - |
| Autor(es): dc.creator | Roberto De Aguiar, Paulo | - |
| Autor(es): dc.creator | Simeone, Alessandro | - |
| Data de aceite: dc.date.accessioned | 2025-08-21T18:18:57Z | - |
| Data de disponibilização: dc.date.available | 2025-08-21T18:18:57Z | - |
| Data de envio: dc.date.issued | 2025-04-29 | - |
| Data de envio: dc.date.issued | 2023-12-31 | - |
| Fonte completa do material: dc.identifier | http://dx.doi.org/10.1109/JIOT.2024.3447579 | - |
| Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/306673 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/306673 | - |
| Descrição: dc.description | Industrial demand forecasting is crucial for managing stock levels, financial revenue projections, logistics, and efficient production operations. However, there are notable gaps in the literature, particularly in the research that explores the potential of intelligent monitoring systems using Internet of Things (IoT) devices in combination with industrial production forecasting algorithms. This gap is particularly evident in scenarios characterized by seasonal data and limited historical samples. This research work presents an affordable method for monitoring and forecasting industrial production demand, which involves developing an IoT device and applying deep learning algorithms to an industrial production line. In the proposed methodology, an edge device, known as a datalogger, collects and transmits production data to a cloud server obtained through photoelectric laser beam sensors and the programmable logic computer of a filling machine. The data is subsequently retrieved from the cloud database for analysis and production demand forecasting. This work compares the performance of three distinct neural networks - long short-term memory, gated recurrent unit, and sample convolution and interaction network (SCINet) - in the context of time series forecasting. The evaluation employs metrics, such as root mean-squared error (RMSE), mean absolute error (MAE), and mean absolute percentage error (MAPE). Through this framework, it was possible to achieve to forecast production demand with error rates of 9.08 (RMSE), 7.67 (MAE), and 1.86 (MAPE), due to the SCINet neural network, even in scenarios with seasonal samples and limited historical data from an industrial filling line. | - |
| Descrição: dc.description | University Of São Paulo (EESC-USP) Department Of Electrical And Computer Engineering | - |
| Descrição: dc.description | São Paulo State University Department Of Electrical Engineering | - |
| Descrição: dc.description | Politecnico Di Torino Department Of Management And Production Engineering | - |
| Descrição: dc.description | São Paulo State University Department Of Electrical Engineering | - |
| Formato: dc.format | 38486-38495 | - |
| Idioma: dc.language | en | - |
| Relação: dc.relation | IEEE Internet of Things Journal | - |
| ???dc.source???: dc.source | Scopus | - |
| Palavras-chave: dc.subject | Deep learning (DL) | - |
| Palavras-chave: dc.subject | forecasting | - |
| Palavras-chave: dc.subject | Industrial Internet of Things (IIoT) | - |
| Palavras-chave: dc.subject | sample convolution and interaction network (SCINet) | - |
| Palavras-chave: dc.subject | time-series | - |
| Título: dc.title | IoT-Driven Deep Learning for Enhanced Industrial Production Forecasting | - |
| Tipo de arquivo: dc.type | livro digital | - |
| Aparece nas coleções: | Repositório Institucional - Unesp | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: