Oliveira, Marisa João Guerra Pereira deMonteiro, Nuno Moura2024-10-012024-10-012024-07-12http://hdl.handle.net/10400.22/26162O 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.This report is based on the analysis of the challenges in modeling and forecasting time series in the food sector and in the respective distribution channels, as well as the problems that fall within the scope of corporate logistics. In order to obtain a better understanding of the topic under analysis, a bibliographical analysis was conducted in which several classical forecasting methods are presented, being them qualitative models or quantitative models and their respective subdivisions. It is also presented how to choose the appropriate model for the analysis of any case under study. In addition to the bibliographical research of the referred prediction methods, a contextualization of the subject of this report is also presented in order to better precess the history, past developments and importance in today's world of the referred topic. Subsequently, the procedure for creating a time series is described, showing how to collect the data needed to implement it, as well as the difficulties associated with the whole process. The structure and functioning of machine learning algorithms and their classification are also described, after which, deep learning models are presented, as well as a comparison with the previous one and its applicability in the study of time series. It concludes with a case study on the subject under analysis, analysing turnover indices in the retail trade in which various forecasting models are applied in order to understand whether artificial intelligence models obtain better results than classical methodologies. After analysing the study case, it can be concluded that the classic model used obtained a good performance, based on the MAPE error metric. Given that the chosen series follows the parameters of normality with a strong trend cycle and seasonality, it was possible to obtain an average error of 2.39%. On the other hand, the artificial intelligence model, taking advantage of its greater computing power, manages to capture the dynamics of the series being analysed, achieving a good adjustment and thus being able to return adequate forecasts. This way, it obtained better results than the previous models, achieving an average error of 1.86%, therefore proving its effectiveness and future applicability.porForecasting methodsTime seriesQualitative methodsQuantitative methodsDeep learningMétodos de previsãoSéries temporaisMétodos qualitativosMétodos quantitativosmaster thesis203702506