Made available in DSpace on 2014-06-12T17:38:10Z (GMT). No. of bitstreams: 2 arquivo5618_1.pdf: 3048249 bytes, checksum: 5404a746aa7aac46d2fad86ada13af25 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2010 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / O conhecimento prévio do comportamento do consumo de energia é de grande importância para uma distribuidora de energia. Com base nesta informação, é possível definir estratégias para operação e planejamento de seu sistema elétrico, além de possibilitar o acompanhamento da relação entre contratos e consumo de energia, evitando com isso a ocorrência de penalidades. O consumo de energia é influenciado por diversas variáveis. Notadamente, em horizontes de curto prazo o consumo de energia é influenciado por variáveis climáticas, como temperatura e precipitação. Este trabalho apresenta modelos que utilizam a temperatura como variável de entrada para solucionar o problema de previsão de carga diária no horizonte de curto prazo, realizada em 7 e 14 dias para um conjunto de barramentos do sistema de distribuição da CELPE Companhia Energética de Pernambuco. As técnicas aplicadas no desenvolvimento dos modelos de previsão foram: Redes Neurais Artificiais com topologia de MLP (Multi Layer Perceptrons) totalmente conectadas e treinadas com algoritmo Levenberg-Marquardt; e ANFIS (Adaptive Networkbased Fuzzy Inference System) com o método subctrative clustering . Os métodos Média Simples e Ensemble foram aplicados para combinação dos resultados dos modelos propostos. Os modelos criados foram avaliados para previsão de carga do ano de 2009 e comparados entre si. Os resultados encontrados demonstram que os modelos apresentaram performances satisfatórias

Commodities primárias, tais como metais, petróleo e agricultura, constituem matérias-primas fundamentais para a economia mundial. Dentre os metais, destaca-se o alumínio, usado em uma ampla gama de indústrias, e que detém o maior volume de contratos na London Metal Exchange (LME). Como o preço não está diretamente relacionado aos custos de produção, em momentos de volatilidade ou choques econômicos, o impacto financeiro na indústria global de alumínio é significativo. Previsão de preços do alumínio é fundamental, portanto, para definição de política industrial, bem como para produtores e consumidores. Este trabalho propõe um modelo ótimo de previsões para preços de alumínio, por meio de combinações de previsões e de seleção de modelos através do Model Confidence Set (MCS), capaz de aumentar o poder preditivo em relação a métodos tradicionais. A abordagem adotada preenche uma lacuna na literatura para previsão de preços de alumínio. Foram ajustados 5 modelos individuais: AR(1), como benchmarking, ARIMA, dois modelos ARIMAX e um modelo estrutural, utilizando a base de dados mensais de janeiro de 1999 a setembro de 2014. Para cada modelo individual, foram geradas 142 previsões fora da amostra, 12 meses à frente, por meio de uma janela móvel de 36 meses. Nove combinações de modelos foram desenvolvidas para cada ajuste dos modelos individuais, resultando em 60 previsões fora da amostra, 12 meses à frente. A avaliação de desempenho preditivo dos modelos foi realizada por meio do MCS para os últimos 60, 48 e 36 meses. Um total de 1.250 estimações foram realizadas e 1.140 variáveis independentes e suas transformadas foram avaliadas. A combinação de previsões usando ARIMA e um ARMAX foi o único modelo que permaneceu no conjunto de modelos com melhor acuracidade de previsão para 36, 48 e 60 meses a um nível descritivo do MCS de 0,10. Para os últimos 36 meses, o modelo combinado proposto apresentou resultados superiores em relação a todos os demais modelos. Duas co-variáveis identificadas no modelo ARMAX, preço futuro de três meses e estoques mundiais, aumentaram a acuracidade de previsão. A combinação ótima apresentou um intervalo de confiança pequeno, equivalente a 5% da média global da amostra completa analisada, fornecendo subsídio importante para tomada de decisão na indústria global de alumínio. iii / Primary commodities, including metals, oil and agricultural products are key raw materials for the global economy. Among metals, aluminum stands out for its large use in several industrial applications and for holding the largest contract volume on the London Metal Exchange (LME). As the price is not directly related to production costs, during volatility periods or economic shocks, the financial impact on the global aluminum industry is significant. Aluminum price forecasting, therefore, is critical for industrial policy as well as for producers and consumers. This work has proposed an optimal forecast model for aluminum prices by using forecast combination and the Model Confidence Set for model selection, resulting in superior performance compared to tradicional methods. The proposed approach was not found in the literature for aluminum price forecasting. Five individual models were developed: AR(1) for benchmarking, ARIMA, two ARIMAX models and a structural model, using monthly data from January 1999 to September 2014. For each individual model, 142 out-of-sample, 12 month ahead, forecasts were generated through a 36 month rolling window. Nine foreast combinations were deveoped for each individual model estimation, resulting in 60 out-of-sample, 12 month ahead forecasts. Model predictive performace was assessed through the Model Confidence Set for the latest 36, 48, and 60 months, through 12-month ahead out-of-sample forecasts. A total of 1,250 estimations were performed and 1,140 independent variables and their transformations were assessed. The forecast combination using ARMA and ARIMAX was the only model among the best set of models presenting equivalent performance at 0.10 MCS p-value in all three periods. For the latest 36 months, the proposed combination was the best model at 0.1 MCS p-value. Two co-variantes, identified for the ARMAX model, namely, 3-month forward price and global inventories increased forecast accuracy. The optimal forecast combination has generated a small confidence interval, equivalent to 5% of average aluminum price for the entire sample, proving relevant support for global industry decision makers.

Commodities primárias, tais como metais, petróleo e agricultura, constituem matérias-primas fundamentais para a economia mundial. Dentre os metais, destaca-se o alumínio, usado em uma ampla gama de indústrias, e que detém o maior volume de contratos na London Metal Exchange (LME). Como o preço não está diretamente relacionado aos custos de produção, em momentos de volatilidade ou choques econômicos, o impacto financeiro na indústria global de alumínio é significativo. Previsão de preços do alumínio é fundamental, portanto, para definição de política industrial, bem como para produtores e consumidores. Este trabalho propõe um modelo ótimo de previsões para preços de alumínio, por meio de combinações de previsões e de seleção de modelos através do Model Confidence Set (MCS), capaz de aumentar o poder preditivo em relação a métodos tradicionais. A abordagem adotada preenche uma lacuna na literatura para previsão de preços de alumínio. Foram ajustados 5 modelos individuais: AR(1), como benchmarking, ARIMA, dois modelos ARIMAX e um modelo estrutural, utilizando a base de dados mensais de janeiro de 1999 a setembro de 2014. Para cada modelo individual, foram geradas 142 previsões fora da amostra, 12 meses à frente, por meio de uma janela móvel de 36 meses. Nove combinações de modelos foram desenvolvidas para cada ajuste dos modelos individuais, resultando em 60 previsões fora da amostra, 12 meses à frente. A avaliação de desempenho preditivo dos modelos foi realizada por meio do MCS para os últimos 60, 48 e 36 meses. Um total de 1.250 estimações foram realizadas e 1.140 variáveis independentes e suas transformadas foram avaliadas. A combinação de previsões usando ARIMA e um ARMAX foi o único modelo que permaneceu no conjunto de modelos com melhor acuracidade de previsão para 36, 48 e 60 meses a um nível descritivo do MCS de 0,10. Para os últimos 36 meses, o modelo combinado proposto apresentou resultados superiores em relação a todos os demais modelos. Duas co-variáveis identificadas no modelo ARMAX, preço futuro de três meses e estoques mundiais, aumentaram a acuracidade de previsão. A combinação ótima apresentou um intervalo de confiança pequeno, equivalente a 5% da média global da amostra completa analisada, fornecendo subsídio importante para tomada de decisão na indústria global de alumínio. iii / Primary commodities, including metals, oil and agricultural products are key raw materials for the global economy. Among metals, aluminum stands out for its large use in several industrial applications and for holding the largest contract volume on the London Metal Exchange (LME). As the price is not directly related to production costs, during volatility periods or economic shocks, the financial impact on the global aluminum industry is significant. Aluminum price forecasting, therefore, is critical for industrial policy as well as for producers and consumers. This work has proposed an optimal forecast model for aluminum prices by using forecast combination and the Model Confidence Set for model selection, resulting in superior performance compared to tradicional methods. The proposed approach was not found in the literature for aluminum price forecasting. Five individual models were developed: AR(1) for benchmarking, ARIMA, two ARIMAX models and a structural model, using monthly data from January 1999 to September 2014. For each individual model, 142 out-of-sample, 12 month ahead, forecasts were generated through a 36 month rolling window. Nine foreast combinations were deveoped for each individual model estimation, resulting in 60 out-of-sample, 12 month ahead forecasts. Model predictive performace was assessed through the Model Confidence Set for the latest 36, 48, and 60 months, through 12-month ahead out-of-sample forecasts. A total of 1,250 estimations were performed and 1,140 independent variables and their transformations were assessed. The forecast combination using ARMA and ARIMAX was the only model among the best set of models presenting equivalent performance at 0.10 MCS p-value in all three periods. For the latest 36 months, the proposed combination was the best model at 0.1 MCS p-value. Two co-variantes, identified for the ARMAX model, namely, 3-month forward price and global inventories increased forecast accuracy. The optimal forecast combination has generated a small confidence interval, equivalent to 5% of average aluminum price for the entire sample, proving relevant support for global industry decision makers.

Submitted by Geandra Rodrigues (geandrar@gmail.com) on 2018-01-17T11:13:15Z No. of bitstreams: 1 samuelbelinidefilippo.pdf: 2610291 bytes, checksum: 6c4f48d00a0649b56977f6c8a7ada4e0 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2018-01-22T16:33:53Z (GMT) No. of bitstreams: 1 samuelbelinidefilippo.pdf: 2610291 bytes, checksum: 6c4f48d00a0649b56977f6c8a7ada4e0 (MD5) / Made available in DSpace on 2018-01-22T16:33:53Z (GMT). No. of bitstreams: 1 samuelbelinidefilippo.pdf: 2610291 bytes, checksum: 6c4f48d00a0649b56977f6c8a7ada4e0 (MD5) Previous issue date: 2017-09-20 / Todo a produção, transmissão e distribuição de energia elétrica ocorre concomitantemente com o consumo da energia. Isso é necessário porque ainda não existe hoje uma maneira viável de se estocar energia em grandes quantidades. Dessa forma, a energia gerada precisa ser consumida quase que instantaneamente. Isso faz com que as previsões de demanda sejam fundamentais para uma boa gestão dos sistemas de energia. Esse trabalho focaliza métodos de previsão de demanda a curto prazo, até um dia à frente. Nos métodos mais simples, as previsões são feitas por modelos lineares que utilizam dados históricos da demanda de energia. Contudo, modelos baseados em inteligência computacional têm sido estudados para este fim, por explorarem a relação não-linear entre a demanda de energia e as variáveis climáticas. Em geral, estes modelos conseguem melhores previsões do que os métodos lineares. Seus resultados, porém, são instáveis e sensíveis a erros de medição, gerando erros de previsão discrepantes, que podem ter graves consequências para o processo de produção. Neste estudo, empregamos redes neurais artificiais e algoritmos genéticos para modelar dados históricos de carga e de clima, e combinamos estes modelos com métodos lineares tradicionais. O objetivo é conseguir previsões que não apenas sejam mais acuradas em termos médios, mas que também menos sensíveis aos erros de medição. / The production, transmission and distribution of electric energy occurs concomitantly with its consumption. This is necessary because there is yet no feasible way to store energy in large quantities. Therefore, the energy generated must be consumed almost instantaneously. This makes forecasting essential for the proper management of energy systems. This thesis focuses on short-term demand forecasting methods up to one day ahead. In simpler methods, the forecasts are made by linear models, which use of historical data on energy demand. However, computer intelligence-based models have been studied for this end, exploring the nonlinear relationship between energy demand and climatic variables. In general, these models achieve better forecasts than linear methods. Their results, however, are unstable and sensitive to measurement errors, leading to outliers in forecasting errors, which can have serious consequences for the production process. In this thesis, we use artificial neural networks and genetic algorithms for modelling historical load and climate data, and combined these models with traditional linear methods. The aim is to achieve forecasts that are not only more accurate in mean terms, but also less sensitive to measurement errors.

Submitted by Geandra Rodrigues (geandrar@gmail.com) on 2018-01-12T11:44:53Z No. of bitstreams: 1 douglasdeoliveiramatosbraga.pdf: 1221207 bytes, checksum: 2e8c8b8de9aa188f87fe5670354d478c (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2018-01-23T13:56:44Z (GMT) No. of bitstreams: 1 douglasdeoliveiramatosbraga.pdf: 1221207 bytes, checksum: 2e8c8b8de9aa188f87fe5670354d478c (MD5) / Made available in DSpace on 2018-01-23T13:56:44Z (GMT). No. of bitstreams: 1 douglasdeoliveiramatosbraga.pdf: 1221207 bytes, checksum: 2e8c8b8de9aa188f87fe5670354d478c (MD5) Previous issue date: 2017-08-31 / O planejamento energético é base para as tomadas de decisões nas companhias de energia elétrica e, para isto, depende fortemente da disponibilidade de previsões acuradas para as cargas. Devido á inviabilidade de armazenamentos em larga-escala e o custo elevado de compras de energia a curto prazo, além da possibilidade de multas e sanções de órgãos governamentais, previsões em curto prazo são importantes para a otimização da alocação de recursos e da geração de energia. Neste trabalho utilizamos nove métodos univariados de séries temporais para a previsão de cargas a curto prazo, com horizontes de 1 a 24 horas a frente. Buscando melhorar a acurácia das previsões, propomos um método de combinação de previsões através de Regressão Simbólica, que combina de forma não-linear as previsões obtidas pelos nove métodos de séries temporais utilizados. Diferente de outros métodos não-lineares de regressão, a Regressão Simbólica não precisa de uma especificação previa da forma funcional. O método proposto é aplicado em uma série real da cidade do Rio de Janeiro (RJ), que contém cargas horárias de 104 semanas dos anos de 1996 e 1997. Comparamos, através de critérios indicados na literatura, os resultados obtidos pelo método proposto com os resultados obtidos por métodos tradicionais de combinação de previsões e ao resultado de simulações de redes neurais artificiais aplicados ao mesmo conjunto de dados. O método proposto obteve melhores resultados, que indicam que a não-linearidade pode ser aspecto importante para combinação de previsões no problema de previsão de carga a curto prazo / Decision-making in energy companies relies heavily on the availability of accurate load forecasts. Because storing electricity on a large scale is not viable, the cost of short-term energy purchasing is high, and there are government fines and sanctions for failing to supply energy on demand, short-term load forecasts are important for the optimization of resource allocation and energy production. In this work we used nine univariate time series methods for short-term load forecasts, with forecast horizons ranging from 1 to 24 hours ahead. In order to improve the accuracy of forecasts, we propose a method of combining forecasts through Symbolic Regression, which combines in a non-linear way the forecasts obtained by the nine methods of the time series used. Unlike other non-linear regression methods, Symbolic Regression does not need a previous specification of the function structure. We applied the proposed method to a real time series of the city of Rio de Janeiro (RJ), which contains data on hourly loads of 104 weeks in the years 1996 and 1997. We compare, through the criteria indicated in the literature, the results obtained by the proposed method with the results obtained by traditional methods of forecasts combination and the result obtained by artificial neural networks applied to the same dataset. The method has yielded better results, indicating that non-linearity may be important in combining predictions in short term load forecasts.

Submitted by Renata Lopes (renatasil82@gmail.com) on 2017-03-02T12:24:39Z No. of bitstreams: 1 annaclaudiamancinidasilvacarneiro.pdf: 1333903 bytes, checksum: a7b3819bb5b0e1adb8efd07bca0f9aa2 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2017-03-06T19:35:55Z (GMT) No. of bitstreams: 1 annaclaudiamancinidasilvacarneiro.pdf: 1333903 bytes, checksum: a7b3819bb5b0e1adb8efd07bca0f9aa2 (MD5) / Made available in DSpace on 2017-03-06T19:35:55Z (GMT). No. of bitstreams: 1 annaclaudiamancinidasilvacarneiro.pdf: 1333903 bytes, checksum: a7b3819bb5b0e1adb8efd07bca0f9aa2 (MD5) Previous issue date: 2014-09-26 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / A previsão de cargas elétricas é fundamental para o planejamento das empresas de energia. O foco deste estudo são as previsões a curto prazo; assim, aplicamos métodos univariados de previsão de séries temporais a uma série real de cargas elétricas de 104 semanas no Rio de Janeiro, nos anos de 1996 e 1997, e experimentamos várias combinações dos métodos de melhor desempenho. As combinações foram feitas pelo método outperformance, uma combinação linear simples, com pesos fixos. Os resultados das combinações foram comparados ao de simulações de redes neurais artificiais que solucionam o mesmo problema, e ao resultado de um método de amortecimento de dupla sazonalidade aditiva. No geral, este método de amortecimento obteve os melhores resultados, e talvez seja o mais adequado e confiável para aplicações práticas, embora necessite de melhorias para garantir a extração completa da informação contida nos dados. / Forecasting the demand for electric power is crucial for the production planning in energy utilities. The focus of this study are the short-term forecasts. We apply univariate time series methods to the forecasting of a series containing observations of the energy consumption of 104 weeks in Rio de Janeiro, in 1996 and 1997, and experiment with several combinations of the methods which have the best performance. These combinations are done by the outperformance method, a simple linear combination with fixed weights. The results were compared to those obtained by neural networks on the same problem, and with the results of a exponential smoothing method for dual additive seasonality. Overall, the exponential smoothing method achieved the best results, and was shown to be perhaps the most reliable and suitable for practical applications, even though it needs improvements to ensure complete extraction of the information contained in the data.

Submitted by Renata Lopes (renatasil82@gmail.com) on 2018-07-20T15:07:16Z No. of bitstreams: 1 eudesioeduimdasilva.pdf: 771603 bytes, checksum: f4e775ab970d99d2708823edc10c427c (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2018-09-03T16:17:46Z (GMT) No. of bitstreams: 1 eudesioeduimdasilva.pdf: 771603 bytes, checksum: f4e775ab970d99d2708823edc10c427c (MD5) / Made available in DSpace on 2018-09-03T16:17:46Z (GMT). No. of bitstreams: 1 eudesioeduimdasilva.pdf: 771603 bytes, checksum: f4e775ab970d99d2708823edc10c427c (MD5) Previous issue date: 2018-06-05 / Esta tese tem como objetivo estudar os erros de previsão para inflação e os determinantes do erro de previsão fiscsal na União Econômica e Monetária do Oeste Africano (UEMOA). No que concerne a previsão de inflação, se comparados dois períodos: aquele em que o Banco Central da UEMOA (BCEAO) utiliza o modelo de metas para inflação (entre 2011 e 2015) e o período anterior (entre 1997 e 2010). Para tal, foram estimadas as Raízes dos Erros Quadrados Médios (REQMs) de diferentes modelos econométricos e de suas combinações (similares àqueles utilizados na previsão da inflação da Zona Monetária do Euro). Os resultados mostram uma redução dos erros de previsão da inflação, após a implementação do modelo de metas. Em relação aos determinantes do erro de previsão do saldo orçamentário na zona da União, Econômica e Monetária da África Ocidental (UEMOA) no período entre 2000 e 2015, a análise preliminar dos dados mostra que a maioria dos países da UEMOA apresentam erros de previsão positivos, sugerindo uma postura prudente em relação a previsão do saldo orçamentário. Destarte, foram feitas estimações por meio de quatro métodos econométricos: Mínimos quadrados ordinários em Painel (POLS), Mínimos quadrados ordinários com efeito fixo (FE-OLS), método generalizado de momentos em diferença (DGMM) e método generalizado de momentos sistêmico (S-GMM). Os resultados mostram a relevância dos fatores econômicos na explicação do erro de previsão do saldo orçamentário, especialmente o erro de previsão do PIB. Por outro lado, a hipótese do efeito da crise de subprime de 2008 não foi confirmada na zona da UEMOA. Os fatores políticos, institucionais e de governança também não tiveram relevância na determinação do erro de previsão fiscal. / The main objective of this thesis is to study inflation forecasting errors and the determinants of fiscal forecast error in the West African Economic and Monetary Union (WAEMU). Concerning inflation forecasting, two periods are compared: the one in which the UEMOA (BCEAO) uses the inflation targeting model (between 2011 and 2015) and the previous period (between 1997 and 2010). In order to do so, the Mean Square Error Roots (REQMs) of different econometric models and their combinations (similar to those used in inflation forecasting of the Euro Monetary Zone) were estimated. The results show a reduction of inflation forecast errors after the implementation of the target model. Regarding the determinants of the forecast error of the budget balance in the West African Economic and Monetary Union (WAEMU) area between 2000 and 2015, preliminary data analysis shows that most WAEMU countries have positive forecast errors, suggesting a cautious approach to forecasting the budget balance. Thus, estimations were made through four econometric methods: Ordinary least squares in Panel (POLS), Ordinary least squares with fixed effect (FE-OLS), generalized method of moments in difference (D-GMM) and systemic generalized method of moments (S-GMM). The results show the relevance of the economic factors to explain forecast error of the budget balance, especially the forecast error of GDP. On the other hand, the hypothesis of the effect of the 2008 subprime crisis was not confirmed in the UEMOA zone. The political, institutional and governance factors were also not relevant in determining the fiscal forecast error.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / A forecast of future demand for the products is the main variable to be considered in the planning and in production control in organizations. Two methods of time series forecasting often used in the literature are the ARIMA and MLP/RNA models. A practice that began in 1969 and has consolidated for greater accuracy is the combination of individual forecasts from two or more models. Considering the need for organizations by predictive techniques that generate better results, this study aims to predict the future values of a time series of the demand for UHT milk in a dairy industry, through the combination of ARIMA and MLP/RNA models, and to compare the results obtained by the combinations compared to individual models, exemplifying the achievement of combined forecasting in production planning. Accuracy measures to measure the results and to select the best model were the RMSE and MAPE for forecasting. The results showed that the combination of models SARIMA(3,0,1)(1,1,0)12 and DMLP the inverse mean square method provided a performance forecast for the six months ahead, up to 66.5% higher than individual models used, where the combination of the predictions obtained a RMSE of 1.43, and a MAPE of 2.16. In the 12 month ahead prediction for the performance of the combination was up to 56.5% higher compared to individual models, in which case obtained a RMSE of 2.86 and 3.70% MAPE. The combination of time series models enabled a significant increase in performance prediction models, but in order to produce satisfactory absolute results should be used to complement their predictive abilities mutually. / A previsão da demanda futura dos produtos é a principal variável a ser considerada no planejamento e controle da produção nas organizações. As técnicas de previsão de demanda são fundamentais no planejamento da produção de nível tático e operacional, especialmente as séries temporais, pois não requerem do planejador, uma investigação mais aprofundada acerca dos fatores que influenciam a demanda. Dois métodos de previsão de séries temporais frequentemente utilizados na literatura são os modelos ARIMA e os modelos MLP/RNA. Uma prática que surgiu em 1969 e já consolidada para obter maior acurácia é a combinação das previsões individuais de dois ou mais modelos. Considerando a necessidade das organizações por técnicas preditivas que gerem melhores resultados, este estudo tem como objetivo prever os valores futuros de uma série temporal da demanda de leite UHT em uma indústria de lácteos, por meio da combinação dos modelos ARIMA e MLP/RNA, e comparar os resultados obtidos pelas combinações em relação aos modelos individuais, exemplificando a obtenção da previsão combinada no planejamento da produção. As medidas de acurácia para mensurar os resultados obtidos e selecionar o melhor modelo, foram o RMSE e o MAPE de previsão. Os resultados mostraram que a combinação dos modelos SARIMA(3,0,1)(1,1,0)12 e DMLP pelo método inverse mean square forneceu um desempenho na previsão para 6 meses adiante, de até 66,5% superior em relação aos modelos individuais utilizados, onde a combinação das previsões obteve um RMSE de 1,43 e um MAPE de 2,16. Na previsão para 12 meses adiante, o desempenho da combinação foi de até 56,5% superior em relação aos modelos individuais, caso em que obteve um RMSE de 2,86 e um MAPE de 3,70%. A combinação de modelos de séries temporais possibilitou um aumento significativo no desempenho de previsão dos modelos, mas para que se obtenham resultados absolutos satisfatórios, devem-se utilizar modelos previsores que complementem mutuamente a capacidade preditiva.