Previsão de séries temporais por meio de métodos estatísticos e neurais: aplicação em uma indústria de bebidas

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorCorrêa, Jairo Marlon-
Autor(es): dc.contributorSchmidt, Carla Adriana Pizarro-
Autor(es): dc.contributorGoedert, Matheus de Lima-
Autor(es): dc.contributorCorrêa, Jairo Marlon-
Autor(es): dc.contributorThomaz, Diego Venâncio-
Autor(es): dc.contributorPereira Junior, Edson Hermenegildo-
Autor(es): dc.contributorBrun, Sergio Adelar-
Autor(es): dc.creatorCunha, Marina Moreira-
Data de aceite: dc.date.accessioned2022-02-21T21:50:22Z-
Data de disponibilização: dc.date.available2022-02-21T21:50:22Z-
Data de envio: dc.date.issued2020-11-15-
Data de envio: dc.date.issued2020-11-15-
Data de envio: dc.date.issued2019-11-07-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/12925-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/661729-
Descrição: dc.descriptionGiven the importance of beverage industry (especially breweries) for the Brazilian economy, forecasting techniques are useful to support production planning and decision making in these companies. Through production forecasting, it is possible to estimate the resources required for raw materials transformation into finished products and to optimize their use, as well as to get more assertiveness about the consumer’s preferences, increasing profitability and reducing financial losses. Therefore, the present work aims to obtain a three-month-ahead forecast of a beverage industry’s weekly production, through the use of statistical methods and the training of an Artificial Neural Network. For this, the company’s historical production data was used. The methodology consists of an applied nature study, with a quantitative approach, modeling procedures and descriptive goals. With the application of the statistical methods, it was possible to verify that the Moving Average model has not fitted correctly the time series and, consequently, did not provide a trustworthy forecast, which is the reason it was not presented in this study. Also, it was found that the Simple Exponential Smoothing model (with ∝ = Ͳ,ʹʹ77) and the ARIMA (2,1,6) model presented satisfactory data adjustments, however predicted, respectively, constant values and near to an average value. Finally, the Artificial Neural Network forecasts were better adjusted to real data (used for comparison), which demonstrates its forecasting process is more assertive and reliable. The comparison between all the tested models was based in the RMSE value, calculated for the predicted values, being that the Artificial Neural Network had the lowest error, followed by the Box-Jenkins and the Exponential Smoothing models, which confirms the first method’s better efficiency in forecasting the analyzed time series and enables its use as a support for decision making processes related to the production planning.-
Descrição: dc.descriptionDiante da importância da indústria de bebidas (em especial o segmento cervejeiro) para a economia brasileira, a utilização de técnicas de previsão se mostra vantajosa para embasar o planejamento da produção e a tomada de decisões nas empresas deste setor. Através da previsão de produção, é possível estimar os recursos necessários para a transformação de matérias-primas em produtos acabados e otimizar a utilização destes, bem como viabilizar o atendimento ao mercado consumidor de maneira mais ágil e assertiva, o aumento da lucratividade e a redução de perdas financeiras e desperdícios em geral. Desta forma, o presente trabalho visa obter a previsão para três meses da produção semanal de uma indústria de bebidas, por meio da utilização de métodos estatísticos e do treinamento de uma Rede Neural Artificial. A aplicação dos métodos estatísticos permitiu verificar que o modelo de Médias Móveis não se ajustou à série temporal e, consequentemente, não forneceu previsões confiáveis, motivo pelo qual estas não foram apresentadas neste trabalho. Além disso, verificou-se que o modelo de Suavização Exponencial Simples e o modelo ARIMA apresentaram ajustes satisfatórios aos dados, no entanto, resultaram na previsão de valores constantes e próximos a um valor médio, respectivamente. Por fim, as previsões fornecidas pela Rede Neural Artificial acompanharam melhor os dados reais (utilizados para fins comparativos), logo, mostraram-se mais assertivas e confiáveis. A comparação entre os modelos testados foi feita com base no cálculo do RMSE para os valores previstos, sendo que a rede neural apresentou menor erro, seguida do modelo de Box-Jenkins e do modelo de Suavização Exponencial, fato que confirma a maior eficiência do primeiro método para a previsão utilizando a série temporal em estudo e viabiliza sua utilização como uma ferramenta para embasar a tomada de decisões relativas ao planejamento da produção na indústria em estudo.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherMedianeira-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherEngenharia de Produção-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Palavras-chave: dc.subjectInteligência artificial-
Palavras-chave: dc.subjectPlanejamento da produção-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Palavras-chave: dc.subjectArtificial intelligence-
Palavras-chave: dc.subjectProduction planning-
Palavras-chave: dc.subjectNeural networks (Computer science)-
Palavras-chave: dc.subjectCNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO-
Título: dc.titlePrevisão de séries temporais por meio de métodos estatísticos e neurais: aplicação em uma indústria de bebidas-
Título: dc.titleTime series forecasting through statistical and neural methods: application in a beverage industry-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.