Comparação entre os Modelos SARIMA e os Métodos de Machine Learning para previsão de demanda

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorKubrusly, Jessica Quintanilha-
Autor(es): dc.contributorLusié Velozo da Costa, Patrícia-
Autor(es): dc.contributorPinto Junior, Jony Arrais-
Autor(es): dc.contributorAlbi de Oliveira Souza, Mariana-
Autor(es): dc.creatorCrispim, Carolina Martins-
Data de aceite: dc.date.accessioned2024-07-11T17:23:52Z-
Data de disponibilização: dc.date.available2024-07-11T17:23:52Z-
Data de envio: dc.date.issued2023-09-13-
Data de envio: dc.date.issued2023-09-13-
Fonte completa do material: dc.identifierhttp://app.uff.br/riuff/handle/1/30321-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/749433-
Descrição: dc.descriptionO Aprendizado de Máquinas é um tema em alta na área da estatística e outras áreas correlacionadas, está presente em quase todos os fóruns e congressos despertando a vontade de utilização dessa ferramenta nas pessoas e empresas. Uma forma de aplicar Aprendizado de Máquinas é realizando previsão de séries temporais, com expectativa de se obter bons resultados. Sendo assim, este trabalho se propõe a analisar a performance de dois métodos de Aprendizado de Máquinas, Floresta Aleatória e LSTM, em relação aos modelos de Séries Temporais SARIMA, aplicado a 84 séries temporais de produtos reais, para realizar previsão de demanda. Considerando como medida de erro o MAPE, ambos métodos de Aprendizado de Máquinas tiveram uma performance melhor que os modelos SARIMA, porém o método que obteve menor erro para a maioria das séries foi a Floresta Aleatória. De fato, os métodos de Aprendizado de Máquinas podem obter uma melhor acurácia na previsão de demanda, gerando valor para as empresas, porém, deve-se ressaltar que o modelo SARIMA, por ser probabilístico, possui capacidade de gerar mais informações sobre as séries temporais.-
Descrição: dc.description34 f.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectPrevisão-
Palavras-chave: dc.subjectAprendizado de máquinas-
Palavras-chave: dc.subjectFloresta aleatória-
Palavras-chave: dc.subjectLSTM-
Palavras-chave: dc.subjectSérie temporal-
Palavras-chave: dc.subjectAprendizado de máquina-
Título: dc.titleComparação entre os Modelos SARIMA e os Métodos de Machine Learning para previsão de demanda-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.