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.creator | Mamede, Fábio Polola | - |
Autor(es): dc.creator | da Silva, Roberto Fray | - |
Autor(es): dc.creator | de Brito Junior, Irineu | - |
Autor(es): dc.creator | Yoshizaki, Hugo Tsugunobu Yoshida | - |
Autor(es): dc.creator | Hino, Celso Mitsuo | - |
Autor(es): dc.creator | Cugnasca, Carlos Eduardo | - |
Data de aceite: dc.date.accessioned | 2025-08-21T17:49:03Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T17:49:03Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2023-11-30 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.3390/logistics7040086 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/309886 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/309886 | - |
Descrição: dc.description | Background: Transportation demand forecasting is an essential activity for logistics operators and carriers. It leverages business operation decisions, infrastructure, management, and resource planning activities. Since 2015, there has been an increase in the use of deep learning models in this domain. However, there is a gap in works comparing traditional statistics and deep learning models for transportation demand forecasts. This work aimed to perform a case study of aggregated transportation demand forecasts in 54 distribution centers of a Brazilian carrier. Methods: A computational simulation and case study methods were applied, exploring the characteristics of the datasets through autoregressive integrated moving average (ARIMA) and its variations, in addition to a deep neural network, long short-term memory, known as LSTM. Eight scenarios were explored while considering different data preprocessing methods and evaluating how outliers, training and testing dataset splits during cross-validation, and the relevant hyperparameters of each model can affect the demand forecast. Results: The long short-term memory networks were observed to outperform the statistical methods in ninety-four percent of the dispatching units over the evaluated scenarios, while the autoregressive integrated moving average modeled the remaining five percent. Conclusions: This work found that forecasting transportation demands can address practical issues in supply chains, specially resource planning management. | - |
Descrição: dc.description | Graduate Program in Logistics Systems Engineering University of São Paulo | - |
Descrição: dc.description | Institute of Advanced Studies University of São Paulo, São Paulo | - |
Descrição: dc.description | Environmental Engineering Department São Paulo State University | - |
Descrição: dc.description | Department of Production Engineering University of São Paulo | - |
Descrição: dc.description | Environmental Engineering Department São Paulo State University | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Logistics | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | ARIMA | - |
Palavras-chave: dc.subject | data preprocessing | - |
Palavras-chave: dc.subject | LSTM | - |
Palavras-chave: dc.subject | supply chain management | - |
Palavras-chave: dc.subject | transportation demand forecasting | - |
Título: dc.title | Deep Learning and Statistical Models for Forecasting Transportation Demand: A Case Study of Multiple Distribution Centers | - |
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: