Made available in DSpace on 2016-08-10T10:40:42Z (GMT). No. of bitstreams: 1
RAFAEL GOMES LOIOLA.pdf: 2193685 bytes, checksum: 77fe8f4c3a881108732f58c6013d52b5 (MD5)
Previous issue date: 2016-03-09 / The demand forecasting is of essential importance for business environments, in a way to
serve as a decision making supporting tool during the development of companies strategic
planning. This work strived to compare statistics with artificial intelligence methods applied
to provisioning on demand issues using temporal series through Box-Jenkins and Artificial
Neural Networks Multilayer Perceptron (MLP) methods. Studies were performed to identify
and define the main demand forecasting methods. Subsequently, the selected prediction
methods for the analysis of the three most relevant products of a metalworking industry were
applied in the period 2012 to 2014. The four last periods were used only for performance
validation of both methods, through the analysis of forecast errors. Softwares R, Matlab and
SPSS supported the data deployment, modeling and analysis. From those models, a step ahead
provisioning of sales of a metal mechanic industry was performed, followed by the
comparison of the errors of each method based on root mean squared error, RMSE, and mean
absolute percentage error, MAPE, to identify the most satisfactory and adequate provisioning
method. The results indicated that the performance of the forecasts using the statistical
method of Box-Jenkins in Products 1 and 3 were higher than the application of the MLP
neural network models. While, for Product 2 the method of neural networks achieved better
results. In the statistics analysis, one could verify that the series present some behavior
patterns associated to seasonality and oscillations, being possible to observe that both methods
show satisfactory results for each data characteristics of the temporal series. / A previsão de demanda é de essencial importância em ambientes organizacionais, de forma a
servir como ferramenta de apoio a tomada de decisão durante o desenvolvimento do
planejamento estratégico das empresas. Este trabalho teve como principal objetivo comparar
modelos estatísticos e de inteligência artificial para problemas de previsão de demanda
utilizando séries temporais por meio dos métodos de Box-Jenkins e rede neural artificial
Multilayer Perceptron (MLP). Realizou-se o estudo para identificação e definição dos
principais métodos de previsão de demanda. Posteriormente, aplicaram-se os métodos de
previsão selecionados para a análise dos três produtos mais relevantes de uma indústria metal
mecânica, no período de 2012 até 2014. Os quatro últimos períodos da série foram utilizados
apenas para validação de desempenho de ambos os métodos propostos através das análises
dos erros de previsão. Os softwares R, Matlab e SPSS apoiaram a aplicação, modelagem e
análise dos dados. A partir dos modelos, realizou-se a previsão um passo a frente das vendas
de uma indústria metal mecânica e posteriormente fez-se o comparativo de seus resultados
através das medidas de erros referentes à raiz quadrada do erro quadrático médio, RMSE, e o
erro percentual absoluto médio, MAPE, para identificar o modelo mais satisfatório e
adequado para a predição. Os resultados indicaram que o desempenho das previsões
utilizando o método estatístico de Box-Jenkins nos Produtos 1 e 3 foram superiores à
aplicação dos modelos de rede neural MLP. Enquanto que para o Produto 2, o método de
redes neurais alcançou melhores resultados. Nas análises estatísticas verificou-se que as séries
apresentam padrões de comportamento referente à sazonalidade e oscilações, sendo possível
observar que ambos os métodos apresentam resultados satisfatórios para cada característica de
dados das séries temporais estudadas.
| Identifer | oai:union.ndltd.org:IBICT/oai:ambar:tede/2486 |
| Date | 09 March 2016 |
| Creators | Loiola, Rafael Gomes |
| Contributors | Dantas, Maria José Pereira, Carmo, Iran Martins do, Vieira, Sibelius Lellis |
| Publisher | Pontifícia Universidade Católica de Goiás, Engenharia de Produção e Sistemas, PUC Goiás, BR, Engenharia |
| 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 PUC_GOAIS, instname:Pontifícia Universidade Católica de Goiás, instacron:PUC_GO |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0028 seconds