Made available in DSpace on 2016-08-10T10:40:38Z (GMT). No. of bitstreams: 1
Paulo Henrique Borba Florencio.pdf: 1950329 bytes, checksum: bd2a6b0f6c7cf875f0ccbd8d5c9cafcf (MD5)
Previous issue date: 2016-03-16 / The constant changes on the national car sales scenario brought one more factor in the
search of management of spare parts inventory; the need to reduce the amount invested
in stocks and avoid obsolescence. For this purpose, the work aims to evaluate the
performance of Artificial Neural Networks in predicting demand for vehicles of engine
parts identifying, among the studied networks, which are best suited to each evolution of
consumer model and how it applies in each case. Furthermore, it proposes the use of a
method of assessment and monitoring of selected models by analyzing the root mean
square errors of prediction. The determination of predictive methods with a higher degree
of accuracy, is a critical step in the process of inventory management. If the forecast has
a low accuracy can generate excess or lack of inventory and this excess, if not properly
treated, it can lead to the obsolescence and generate unnecessary costs. To achieve the
objective, sought first, the study of the major theoretical aspects of the methods of
inventory management processes and demand forecasting. Later, after the selection
process two artificial neural networks, Elman network and TDNN Network. To ensure
the accuracy of the demands were used four items that differ by the type of evolution of
consumption chart, looking for items with constant consumption, increasing, decreasing
and items with smaller amounts of observed periods. The results obtained through the use
of the proposed methodology, showed that neural networks have the necessary
characteristics for your application with a higher degree of accuracy. / As constantes mudanças no cenário nacional de venda de automóveis trouxeram um fator
a mais na busca do gerenciamento dos estoques de peças de reposição: a necessidade de
diminuir o valor investido em estoques e evitar a obsolescência. Com esse propósito, este
trabalho tem por objetivo avaliar o desempenho de Redes Neurais Artificiais na predição
de demanda de peças de reposição de veículos automotores identificando, dentre as redes
estudadas, quais se adaptam melhor a cada modelo de evolução de consumo e como se
aplica em cada caso. Outrossim, propõe a utilização de um método de avaliação e
monitoramento dos modelos selecionados através da análise dos erros médios quadráticos
da previsão. A determinação de métodos preditivos com maior grau de precisão, constituise
em etapa fundamental do processo de gerenciamento de estoques. Se a previsão
apresentar uma baixa acurácia, pode-se gerar excesso ou falta de estoques e esse excesso,
se não tratado adequadamente, pode culminar em obsolescência e gerar custos
desnecessários. Para alcançar o objetivo proposto, buscou-se, em primeiro lugar, o estudo
dos principais aspectos teóricos relacionados ao processo de gestão de estoques e aos
métodos de previsão de demanda. Posteriormente, segue o processo de seleção de duas
redes neurais artificiais, Rede de Elman e Rede TDNN. Para certificar a acurácia das
demandas, foram utilizados quatro itens que se diferem pelo tipo de gráfico de evolução
de consumo, buscando itens com consumo constante, crescente, decrescente e itens com
quantidades menores de períodos observados. Os resultados obtidos, mediante a
utilização da metodologia proposta, mostraram que as Redes Neurais possuem as
características necessárias para sua aplicação com um grau de acurácia mais elevado.
Identifer | oai:union.ndltd.org:IBICT/oai:ambar:tede/2484 |
Date | 16 March 2016 |
Creators | Florencio, Paulo Henrique Borba |
Contributors | Vieira, Sibelius Lellis, Menezes, José Elmo de, Alves, Antônio César Baleeiro |
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 0.0023 seconds