
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 | Wojciechowski, Jaime, 1965- | - |
| Autor(es): dc.contributor | Universidade Federal do Paraná. Setor de Educação Profissional e Tecnológica. Curso de Especialização em Inteligência Artificial Aplicada | - |
| Autor(es): dc.creator | Bomfim, Carlos Augusto Mattos do | - |
| Data de aceite: dc.date.accessioned | 2025-09-01T11:26:46Z | - |
| Data de disponibilização: dc.date.available | 2025-09-01T11:26:46Z | - |
| Data de envio: dc.date.issued | 2024-08-21 | - |
| Data de envio: dc.date.issued | 2024-08-21 | - |
| Data de envio: dc.date.issued | 2023 | - |
| Fonte completa do material: dc.identifier | https://hdl.handle.net/1884/89478 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/1884/89478 | - |
| Descrição: dc.description | Orientador: Prof. Dr. Jaime Wojciechowski | - |
| Descrição: dc.description | Monografia (especialização) - Universidade Federal do Paraná, Setor de Educação Profissional e Tecnológica, Curso de Especialização em Inteligência Artificial Aplicada | - |
| Descrição: dc.description | Inclui referências: p. 13 | - |
| Descrição: dc.description | Resumo: A previsão de vendas é uma parte crucial para um negócio de sucesso e este estudo tem como objetivo a comparação de dois métodos de inteligência artificial para identificar qual seria a mais adequada para o caso específico da base de dados que foi cedida para este estudo. Os métodos analisados foram: ARIMA (Auto Regressive Integrated Moving Average), Holt-Winters Exponential Smoothing e XGBoost(Extreme Gradient Boosting), utilizando as métricas Erro Quadrático Médio (RMSE) e Mean Absolute Percentage Error (MAPE) como formas de avaliação dos métodos. O estudo foi feito dentro do ambiente google colaboratory utilizando a linguagem Python e mostrou que é possivel utilizar esses três métodos para este caso, sendo a principal limitação a própria base de dados, que dificulta a utilização dos métodos e a interpretação dos resultados | - |
| Descrição: dc.description | Abstract: The sales forecast is a crucial part of a successful business, and this study aims to compare two artificial intelligence methods to identify which one would be most suitable for the specific case of the dataset provided for this study. The analyzed methods were: ARIMA (Auto Regressive Integrated Moving Average), Holt-Winters Exponential Smoothing and XGBoost(Extreme Gradient Boosting), using the metrics Root Mean Squared Error (RMSE) and Mean Absolute Percentage Error (MAPE) as evaluation criteria. The study was conducted within the Google Colaboratory environment using the Python language and demonstrated that it is possible to use these two methods for this case. The main limitation observed was the dataset itself, which hinders the application of the methods and the interpretation of results. Index Terms—Sales forecast, Holt-Winters Exponential Smoothing, XGBoost, Extreme Gradient Boosting, ARIMA | - |
| Formato: dc.format | 1 recurso online : PDF. | - |
| Formato: dc.format | application/pdf | - |
| Formato: dc.format | application/pdf | - |
| Palavras-chave: dc.subject | Análise de séries temporais | - |
| Palavras-chave: dc.subject | Inteligência artificial | - |
| Palavras-chave: dc.subject | Previsão com Metodologia de Box-Jenkins | - |
| Título: dc.title | Comparação de métodos de IA para previsão de vendas em série temporal com sazonalidade : aplicação de arima, holt-winters exponential smoothing e xgboost | - |
| Aparece nas coleções: | Repositório Institucional - Rede Paraná Acervo | |
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: