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 | Kubrusly, Jessica Quintanilha | - |
Autor(es): dc.contributor | Costa, Patrícia Lusié Velozo da | - |
Autor(es): dc.contributor | Kubrusly, Jessica Quintanilha | - |
Autor(es): dc.contributor | Costa, Patrícia Lusié Velozo da | - |
Autor(es): dc.contributor | Pinto Junior, Jony Arrais | - |
Autor(es): dc.contributor | Souza, Mariana Albi de Oliveira | - |
Autor(es): dc.creator | Crispim, Carolina Martins | - |
Data de aceite: dc.date.accessioned | 2024-07-11T18:45:51Z | - |
Data de disponibilização: dc.date.available | 2024-07-11T18:45:51Z | - |
Data de envio: dc.date.issued | 2023-04-26 | - |
Data de envio: dc.date.issued | 2023-04-26 | - |
Fonte completa do material: dc.identifier | http://app.uff.br/riuff/handle/1/28619 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/777072 | - |
Descrição: dc.description | O 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 à 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.description | 34 f. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Direitos: dc.rights | Open Access | - |
Direitos: dc.rights | CC-BY-SA | - |
Palavras-chave: dc.subject | Previsão | - |
Palavras-chave: dc.subject | Séries temporais | - |
Palavras-chave: dc.subject | Aprendizado de máquinas | - |
Palavras-chave: dc.subject | Floresta aleatória | - |
Palavras-chave: dc.subject | LSTM | - |
Palavras-chave: dc.subject | Aprendizado de máquina | - |
Palavras-chave: dc.subject | Floresta | - |
Palavras-chave: dc.subject | Modelo estatístico | - |
Título: dc.title | Comparação entre os Modelos SARIMA e os Métodos de Machine Learning para previsão de demanda | - |
Tipo de arquivo: dc.type | Trabalho de conclusão de curso | - |
Aparece nas coleções: | Repositório Institucional da Universidade Federal Fluminense - RiUFF |
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: