
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 | Teixeira, Levi Lopes | - |
| Autor(es): dc.contributor | Rodrigues, Samuel Bellido | - |
| Autor(es): dc.contributor | Teixeira, Levi Lopes | - |
| Autor(es): dc.contributor | Rodrigues, Samuel Bellido | - |
| Autor(es): dc.contributor | Zocche, Lidiana | - |
| Autor(es): dc.contributor | Santos, José Airton Azevedo dos | - |
| Autor(es): dc.creator | Paula, Jeiciane de Souza | - |
| Data de aceite: dc.date.accessioned | 2025-08-29T11:45:56Z | - |
| Data de disponibilização: dc.date.available | 2025-08-29T11:45:56Z | - |
| Data de envio: dc.date.issued | 2024-10-08 | - |
| Data de envio: dc.date.issued | 2024-10-08 | - |
| Data de envio: dc.date.issued | 2022-06-15 | - |
| Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/35018 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1082821 | - |
| Descrição: dc.description | The analysis and forecast of strategic demand are fundamental in the planning of the production chain, being significant in several segments. The transport sector is a good product, a highly dynamic consumption, which is an example of demand on demand. The scenario provides an opportunity for the application of predictive configuration and automatic learning techniques, these resource opportunities being of great value for understanding the behavior of the term demand. With the development of computational capabilities, it was possible to improve mathematical modeling, used for time series forecasting. The present work shows different techniques of machine learning and statistics, to verify the performance of these techniques in forecasting the demand for biofuel. With the help of the Python programming language, the sales data of biofuels, ethanol, and biodiesel, were used for a modeling using three methods:ARIMA, Long Short-Term Memory - LSTM and Gradient Boosting. During the residual analysis, it was observed that the ARIMA models show higher quality in the configurations. However, from the results obtained and through the MAPE error metric (Mean Absolute Percentage Error), the LSTM method has the best performance, with a MAPE error of 11.1% for biodiesel and 11.3% for ethanol. | - |
| Descrição: dc.description | A análise e previsão de demanda é fundamental no planejamento estratégico da cadeia produtiva, sendo de significativa importância em diversos segmentos. O setor de transporte é um bom exemplo, dado a alta dinâmica no consumo de biocombustível, o que exige um acompanhamento mais intenso da produção, distribuição e consumo deste produto, a fim de prever falhas no suprimento das demandas populacionais. O cenário oportuniza a aplicação de técnicas preditivas da estatística e de aprendizado automático, sendo estas projeções, de grande valia para o entendimento do comportamento da demanda deste recurso a longo prazo. Com o crescente desenvolvimento das capacidades computacionais, foi possível o aprimoramento das modelagens matemáticas, amplamente utilizadas para previsão de séries temporais. O presente trabalho expõe diferentes técnicas de aprendizado de máquina e estatística, com a finalidade de verificar o desempenho dessas técnicas na previsão de demanda por biocombustível. Com o auxílio da linguagem de programação Python, os dados de venda dos biocombustíveis, etanol e biodiesel, foram utilizados para a modelagem por meio de três métodos: ARIMA, Long ShortTerm Memory - LSTM e Gradient Boosting. Durante a análise de resíduos, observouse que os modelos ARIMA mostram maior qualidade nos ajustes. No entanto, a partir dos resultados obtidos e por meio da métrica de erro MAPE (Mean Absolute Percentage Error), tem-se que método LSTM é o que detém melhor performance, com um erro MAPE de 11,1% para o biodiesel e 11,3% para o etanol. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
| Publicador: dc.publisher | Medianeira | - |
| Publicador: dc.publisher | Brasil | - |
| Publicador: dc.publisher | Engenharia de Produção | - |
| Publicador: dc.publisher | UTFPR | - |
| Direitos: dc.rights | openAccess | - |
| Palavras-chave: dc.subject | Análise de séries temporais | - |
| Palavras-chave: dc.subject | Previsão | - |
| Palavras-chave: dc.subject | Planejamento estratégico | - |
| Palavras-chave: dc.subject | Time-series analysis | - |
| Palavras-chave: dc.subject | Forecasting | - |
| Palavras-chave: dc.subject | Strategic planning | - |
| Palavras-chave: dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO | - |
| Título: dc.title | Aplicação de técnicas de aprendizado de máquina e estatística na previsão de demanda de biocombustível | - |
| Título: dc.title | Application of machine learning techniques and Statistics on biofuel demand forecast | - |
| Tipo de arquivo: dc.type | livro digital | - |
| Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT | |
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: