A previsão de demanda é uma das principais ferramentas para a eficiência do gerenciamento das organizações, afetando diretamente a lucratividade do negócio. O atual nível competitivo das empresas requer previsões cada vez mais acuradas, sedo estas um diferencial para o sucesso empresarial. Neste contexto, a combinação de previsões se tornou um dos principais métodos empregados no intuito de melhorar a precisão das previsões. Através de uma revisão da literatura sobre as abordagens da combinação de previsões, identificou-se uma carência de estudos comparativos que incorporem modelos de regressão para a combinação de previsões. Assim, o objetivo principal desta dissertação é combinar três previsões individuais (redes neurais, modelos ARIMA e modelos de alisamento exponencial) via média simples, variância mínima e modelos de regressão, comparando as três previsões combinadas com suas previsões individuais. Estas comparações serão avaliadas em duas situações: em séries simuladas (estacionárias) e em uma série de dados reais (não estacionária) de uma empresa que realiza auditorias médicas. As medidas empregadas para a escolha do método mais preciso são MAE, MAPE, RMSE e o coeficiente U de Theil. Os resultados obtidos enfatizam a melhoria das previsões quando estas são combinadas por regressão, tanto para séries convergentes quanto para a série divergente. / Forecasting is a key tool for ensuring the efficiency of management in organizations, directly affecting business profitability. The current competitive corporative level requires increasingly accurate predictions. In this context, the combination of forecasts has improved forecast accuracy. Through a literature review on the approaches of combining forecasts, we identified a lack of comparative studies that incorporate regression models for combining forecasts. Thus, the main objective of this dissertation is to combine three individual forecasts (neural networks, ARIMA models and exponential smoothing models) via simple average, minimum variance and regression models, comparing the three combined forecasts with their individual forecasts. These comparisons are evaluated in two situations: in simulated series (converging) and in series of real data (divergent) from a company that performs medical audits. The measures used to identify the best method are MAE, MAPE, RMSE and Theil’s U coefficient. Results from combined methods improved the predictions in both convergent and divergent series.
| Identifer | oai:union.ndltd.org:IBICT/oai:lume56.ufrgs.br:10183/75918 |
| Date | January 2013 |
| Creators | Mancuso, Aline Castello Branco |
| Contributors | Werner, Liane |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da UFRGS, instname:Universidade Federal do Rio Grande do Sul, instacron:UFRGS |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.002 seconds