[pt] O setor energético brasileiro passou por transformações significativas, destacando o papel crucial do gás natural para garantir a segurança energética diante da transição para fontes menos dependentes de combustíveis fósseis. A previsão da demanda de gás natural é essencial para a gestão eficiente do setor. Enquanto a literatura tem se concentrado na previsão de demanda de eletricidade, há uma lacuna em estudos sobre modelagem e previsão da demanda de gás natural, especialmente em contextos industriais e de médio/longo prazo. A necessidade de modelos mais precisos e abrangentes para prever a demanda de gás natural é evidente a partir da análise dos estudos existentes. Dessa forma, o objetivo deste trabalho é abordar uma análise comparativa da previsão de demanda de gás natural, por meio de modelos sugeridos na literatura recente de séries temporais, com aplicação no software R, para dados diários e semanais de consumo de gás natural, obtidos dos Relatórios de Movimentação de Gás Natural em Gasodutos de Transporte, divulgados mensalmente pela Agência Nacional do Petróleo, Gás Natural e Biocombustíveis, no período de 2021 a 2023. Os modelos fornecem as previsões para uma amostra teste de trinta dias futuros para dados diários e de quatro semanas para dados semanais e é realizada uma análise comparativa fora da amostra com base em métricas de desempenho, para identificar o modelo mais adequado para a série de dados. Ao final do estudo, os modelos de previsão utilizando redes neurais e tbats (transformação Box-Cox, erros ARMA, tendência e componentes sazonais trigonométricas) foram aqueles que demonstraram melhor desempenho para dados diários, enquanto o método de decomposição com modelagem autorregressiva e ajuste sazonal (stlar) e o seasonal naive method (método ingênuo sazonal) foram os que apresentaram melhor desempenho para as séries temporais em base semanal. / [en] The Brazilian energy sector has undergone significant transformations, highlighting the crucial role of natural gas in ensuring energy security in the face of the transition to sources less dependent on fossil fuels. Forecasting natural gas demand is essential for efficient management of the sector. While the literature has focused on forecasting electricity demand, there is a gap in studies on modeling and forecasting natural gas demand, especially in industrial and medium/long-term contexts. The need for more accurate and comprehensive models to forecast natural gas demand is evident from the analysis of existing studies. Therefore, the objective of this work is to address a comparative analysis of natural gas demand forecasting, using models suggested in recent time series literature, with application in the R software, for daily and weekly natural gas consumption data, obtained of the Natural Gas Movement Reports in Transport Gas Pipelines, released monthly by the National Agency for Petroleum, Natural Gas and Biofuels, in the period from 2021 to 2023. The models provide forecasts for a test sample of thirty days in the future for daily and four weeks for weekly data and an out-of-sample comparative analysis is performed based on performance metrics to identify the most suitable model for the data series. At the end of the study, the forecast models using neural networks and tbats (Box-Cox transformation, ARMA errors, trend and trigonometric seasonal components) were those that demonstrated the best performance for daily data, while the decomposition method with autoregressive modeling and seasonal adjustment (stlar) and the seasonal naive method were the ones which showed better performance for time series on a weekly basis.