Publication
Transformer-based deep learning models for retail forecasting
| dc.contributor.advisor | Ramos, Patrícia Alexandra Gregório | |
| dc.contributor.advisor | Oliveira, José Manuel Soares | |
| dc.contributor.author | Caetano, Ricardo Jorge Teixeira | |
| dc.date.accessioned | 2025-02-28T09:34:25Z | |
| dc.date.available | 2025-02-28T09:34:25Z | |
| dc.date.issued | 2024-11-26 | |
| dc.date.submitted | 2025-02-28 | |
| dc.description.abstract | Esta dissertação explora o desempenho de modelos avançados baseados em Transformer para a previsão de séries temporais, com o objetivo de colmatar a lacuna entre os avanços teóricos e as suas aplicações práticas no mundo real. Utilizando o conjunto de dados da competição M5 - que contém mais de 30.000 séries temporais derivadas de dados de vendas em várias categorias de produtos e regiões geográficas -este estudo compara seis modelos Transformer principais: Vanilla Transformer, Autoformer, ETSFormer, Informer, NSTransformer e Reformer. A avaliação foca-se naprecisão da previsão, eficiência computacional e robustez, todos fatores críticos para a implementação prática em ambientes reais. O estudo segue uma abordagem sistemática que envolve uma análise aprofundada das variáveis explicativas, técnicas de pré-processamento e uma afinação extensiva dos hiperparâmetros. Foram utilizadas estratégias avançadas de otimização para identificar as configurações ótimas dos modelos, garantindo um equilíbrio entre o desempenho preditivo e as exigências computacionais. Os modelos foram avaliados com base em métricas tradicionais de previsão pontual, como o Mean Absolute Scaled Error e o Normalized Root Mean Squared Error, juntamente com métricas probabilísticas como a Mean Weighted Quantile Loss e a Mean Absolute Error Coverage, de forma a captar tanto a precisão preditiva como a capacidade dos modelos para gerir a incerteza. Os resultados evidenciam avanços significativos na precisão e robustez dos modelos baseados em Transformer. Os modelos Vanilla Transformer, NSTransformer e ETSformer destacaram-se pela sua capacidade de captar padrões temporais complexos, sem dados adicionais. A análise enfatiza ainda o papel crucial da incorporação de variáveis explicativas e da afinação dos hiperparâmetros para a melhoria dos resultados dos modelos. Foram examinados, os compromissos entre a complexidade do modelo e a eficiência computacional, proporcionando uma perspetiva detalhada sobre a viabilidade prática de implementar estes modelos em contextos operacionais de larga escala. Em última análise, esta investigação oferece uma visão abrangente dos pontos fortes e dos desafios dos modelos Transformer na previsão de séries temporais. | por |
| dc.identifier.tid | 203806409 | |
| dc.identifier.uri | http://hdl.handle.net/10400.22/29760 | |
| dc.language.iso | eng | |
| dc.rights.uri | N/A | |
| dc.subject | Transformer models | |
| dc.subject | Retail forecasting | |
| dc.subject | Deep learning | |
| dc.subject | Time series analysis | |
| dc.subject | Modelos transformers | |
| dc.subject | Previsão de retalho | |
| dc.subject | Análise de séries temporais | |
| dc.title | Transformer-based deep learning models for retail forecasting | |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| thesis.degree.name | Mestrado em Business Intelligence & Analytics |