Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Mendes Júnior, José Jair Alves | - |
Autor(es): dc.contributor | Mendes Júnior, José Jair Alves | - |
Autor(es): dc.contributor | Santos, Max Mauro Dias | - |
Autor(es): dc.contributor | Stevan Junior, Sergio Luiz | - |
Autor(es): dc.creator | Almeida, Lucas Gonçalves Martins de | - |
Data de aceite: dc.date.accessioned | 2022-02-21T21:25:36Z | - |
Data de disponibilização: dc.date.available | 2022-02-21T21:25:36Z | - |
Data de envio: dc.date.issued | 2020-11-18 | - |
Data de envio: dc.date.issued | 2020-11-18 | - |
Data de envio: dc.date.issued | 2018-11-30 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/16047 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/652376 | - |
Descrição: dc.description | It is known that for companies, it is essential to try to predict what will happen in the near future when it comes to the market, so that they can prepare themselves and make the right decisions in a timely manner. The forecasts can be of the most varied types such as demand, sale, purchase, production, market variation, inflation variation, stock, among others. It is very important that companies can obtain this information with great accuracy, that is, with the least possible deviation from reality, for success in a market as competitive as the current one. Many companies use the most varied forms to obtain these types of variables, and as technology advances at an accelerated pace, more and more Artificial Intelligence (AIs) have been used. Artificial Neural Networks (ANNs) are an AI in which its use has been growing consistently, where it is inspired by the functioning of the human brain. ANNs work in a similar way, where they try to recognize patterns and regularities, and are able to learn through training, accumulate knowledge (experience) and make generalizations. The purpose of this paper is to verify the efficiency of the RNA of Multi-Layer Perceptron architecture (MLP) in the forecast of motor vehicle demand in Brazil. Data from ANFAVEA (National Association of Motor Vehicle Manufacturers) were used for automobiles produced between 1957 and 2016, where 80% of the data set for the training set and 20% for the validation set. The input layer neurons varied between 2 and 24 and between 5 and 20 neurons of the hidden layer AI still finds difficulty in its learning process since there are many complex variables that impact your performance, but MLP has proved to be an excellent tool to aid decision making in relation to time series prediction and justified its use once that the hit rate for MAPE (Mean Absolute Percentage Error) and MSE (Mean Square Error) errors was greater than 92%. | - |
Descrição: dc.description | Sabe-se que para as empresas é fundamental tentar prever o que acontecerá num futuro próximo se tratando de mercado, para que as mesmas possam ter condições de se prepararem e tomarem as devidas decisões em tempo hábil. As previsões podem ser dos mais variados tipos como a de demanda, de venda, de compra, de produção, de variação de mercado, variação de inflação, de estoque, entre outras. É muito importante que as empresas consigam obter essas informações com boa exatidão, ou seja, com menor desvio possível da realidade, para o sucesso num mercado tão competitivo como o atual. Muitas empresas utilizam as mais variadas formas para obtenção desses tipos de variáveis, e como a tecnologia avança em ritmo acelerado, cada vez mais se tem utilizado as Inteligências Artificiais (IAs). Redes Neurais Artificiais (RNAs) são um tipo de IA na qual sua utilização vem crescendo de forma consistente, onde se inspira no funcionamento do cérebro humano. As RNAs trabalham de forma semelhante, onde tentam reconhecer padrões e regularidades e são capazes de aprender através de treinamento, acumular conhecimento (experiência) e fazer generalizações. O intuito desse trabalho é verificar a eficiência da RNA de arquitetura de Multi-Layer Perceptron (MLP) na previsão de demanda de veículos automotores no Brasil. Utilizou-se dados da ANFAVEA (Associação Nacional dos Fabricantes de Veículos Automotores) acerca de automóveis produzidos entre 1957 e 2016, onde dividiu-se 80% do conjunto de dados destinado ao conjunto de treinamento e 20% para o conjunto de validação. Variou-se entre 2 e 24 os neurônios da camada de entrada e entre 5 e 20 os neurônios da camada oculta. A rede ainda encontra dificuldade em seu processo de aprendizagem visto que são muitas as variáveis complexas que impactam seu desempenho, porém a MLP se mostrou uma excelente ferramenta no auxílio à tomada de decisão em relação à previsão de séries temporais e justificou seu uso, uma vez que a taxa de acerto em relação aos erros MAPE (Média Percentual Absoluta do Erro) e MSE (Erro Quadrático Médio) foi maior que 92%. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Ponta Grossa | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Departamento Acadêmico de Engenharia de Produção | - |
Publicador: dc.publisher | Engenharia de Produção | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | openAccess | - |
Palavras-chave: dc.subject | Produção enxuta | - |
Palavras-chave: dc.subject | Indústria automobilística | - |
Palavras-chave: dc.subject | Inteligência artificial | - |
Palavras-chave: dc.subject | Lean manufacturing | - |
Palavras-chave: dc.subject | Automobile industry and trade | - |
Palavras-chave: dc.subject | Artificial intelligence | - |
Palavras-chave: dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO | - |
Título: dc.title | Multi-layer perceptron para previsão de demanda do setor automobilístico no Brasil | - |
Título: dc.title | Multi-layer perceptron for the forecast for the demand of the automobile industry in Brazil | - |
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: