Browsing by Author "Monteiro, Nuno Moura"
Now showing 1 - 1 of 1
Results Per Page
Sort Options
- Desafios na modelação e previsão de séries temporais no setor alimentar/ cadeias distribuição/ logística : das metodologias clássicas ao deep learningPublication . Monteiro, Nuno Moura; Oliveira, Marisa João Guerra Pereira deO presente relatório tem por base a análise dos desafios na modelação e previsão de séries temporais referentes ao setor alimentar e às respetivas cadeias de distribuição, bem como, os devidos problemas que recaem na logística empresarial. Com o objetivo de obter uma melhor compreensão da temática em análise, foi realizada uma pesquisa bibliográfica onde são expostos diversos métodos de previsão clássicos, sendo eles os modelos qualitativos ou modelos quantitativos e as respetivas subdivisões. É apresentado também o modo de escolha do modelo adequado para a análise de um qualquer caso em estudo. A acrescentar à pesquisa bibliográfica dos referidos métodos de previsão, é também apresentada uma contextualização do tema deste relatório, com vista a uma melhor precessão do historial, desenvolvimentos passados e importância no mundo atual do referido tópico. Subsequentemente, é elaborado o procedimento de criação de uma série temporal, mostrando como se procede à recolha dos dados necessários à sua execução, assim como a exposição das dificuldades inerentes a todo o processo. É ainda descrito a estrutura e funcionamento dos algoritmos de machine learninge a sua classificação, após a qual são apresentados os modelos de deep learning, bem como uma comparação com o anterior e a sua aplicabilidade no estudo de séries temporais. Termina-se com a exposição de um caso de estudo sobre o tema em análise, onde se analisa os índices de volumes de negócios no comércio a retalho nos quais são aplicados diversos modelos de previsão com o intuito de compreender se os modelos de inteligência artificial obtêm um melhor resultado do que as metodologias clássicas. Após a análise do caso de estudo concluise que o modelo clássico utilizado obteve uma boa performance, baseado na métrica de erro MAPE. Dado que a série escolhida segue os parâmetros de normalidade com um forte ciclo de tendência e sazonalidade, foi possível obter em média um erro de 2.39%. Por seu lado, o modelo de inteligência artificial tirando partido do seu maior poder computacional consegue captar as dinâmicas da série em análise alcançando um bom ajuste e podendo assim devolver previsões adequadas. Desta forma obteve melhores resultados que os modelos anteriores, atingindo em média um erro de 1.86% ficando, assim, provado a sua eficácia e futura aplicabilidade.