A realização de previsões adequadas nas indústrias oportuniza o correto dimensionamento de diversos aspectos da gestão da produção. Um dos métodos empregados no intuito de melhorar a precisão das previsões é conhecido como combinação de previsões. Ao longo dos anos, foram publicados estudos de combinação a fim de comparar os métodos já existentes e indicar entre estes, qual o mais acurado. No entanto não há unanimidade em suas conclusões. Entre as combinações existentes, o método da média aritmética é reconhecido como um dos mais utilizados, enquanto que o método da variância mínima é por vezes apresentado como mais acurado e permite em sua formulação a consideração ou não da correlação entre os erros das previsões individuais. No intuito de identificar, para previsões em séries reais industriais, se existe diferença entre a acurácia das previsões individuais e de suas combinações é que este estudo está sendo proposto. A modelagem individual abordada é a ARIMA e a RNA e as medidas empregadas para a escolha do método mais preciso são MAPE, MAE e MSE. O trabalho está estruturado em três artigos, nos quais se realizam comparações entre técnicas de previsão individual e suas combinações. O Artigo 1 aborda a comparação entre as técnicas de previsão individual e as combinações por média aritmética e variância mínima simplificada. O Artigo 2, por sua vez, apresenta um estudo comparativo das técnicas de previsão individuais e as combinações por média aritmética e variância mínima, utilizando a correlação entre os erros na obtenção dos pesos de cada previsão. Por fim, um comparativo entre as três combinações que contemplam este estudo é explicitado no Artigo 3. Como principal resultado, destaca-se o desempenho superior obtido por meio dos métodos de combinação por variância mínima, em especial o método simplificado. / The adequate forecasting in industries allows the correct sizing of many aspects of production management. A method used to improve the precision of forecasts is the combination of predictions. Over time, many studies were conducted to evaluate the existent methods and to indicate which one is the most precise. However, there is no unanimity in those studies conclusions. Among the combination methods, the arithmetic average is recognized as the broadly applied, while the minimum variance is sometimes presented as more accurate allowing to consider the correlation between the errors of individual forecasts or not. This study proposes to identify, in real industrial predictions series, if there are differences between accuracy of individual forecasts and their combinations. The individual predictions are performed by ARIMA and ANN models, and the measures used to choose the best method are MAPE, MAE and MSE. This dissertation is structured as three articles, in which a series of comparisons between individual prediction techniques and their combinations. Article 1 addresses the comparison between the individual prevision techniques and the combination methods of mean arithmetic and simplified minimum variance. Article 2 presents a comparative study between the individual prevision techniques and the combination methods of mean arithmetic and minimum variance, considering errors correlated. The comparison between the three combinations presented in the previous articles is explained in Article 3. As main result of the dissertation, it is highlighted the superior performance obtained with the minimum variance combined methods, specially the simplified method.
| Identifer | oai:union.ndltd.org:IBICT/oai:lume56.ufrgs.br:10183/29051 |
| Date | January 2011 |
| Creators | Martins, Vera Lúcia Milani |
| 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 0.227 seconds