Abstract
a análise e previsão de demanda é fundamental no planejamento estratégico da cadeia produtiva, sendo de significativa importância em diversos segmentos. O setor de transporte é um bom exemplo, dado a alta dinâmica no consumo de biocombustível, o que exige um acompanhamento mais intenso da produção, distribuição e consumo deste produto, a fim de prever falhas no suprimento das demandas populacionais. O cenário oportuniza a aplicação de técnicas preditivas da estatística e de aprendizado automático, sendo estas projeções, de grande valia para o entendimento do comportamento da demanda deste recurso a longo prazo. O presente trabalho expõe diferentes técnicas de aprendizado de máquina e estatística, com a finalidade de verificar o desempenho dessas técnicas na previsão de demanda por biocombustível. Com o auxílio da linguagem de programação python, os dados de venda dos biocombustíveis, etanol e biodiesel, foram utilizados para a modelagem por meio de três métodos: arima, long short-term memory - lstm e gradient boosting. Durante a análise de resíduos, observou-se que os modelos arima mostram maior qualidade nos ajustes. No entanto, a partir dos resultados obtidos e por meio da métrica de erro mape (mean absolute percentage error), tem-se que método lstm é o que detém melhor performance, com um erro mape de 11,1% para o biodiesel e 11,3% para o etanol.
Publisher
South Florida Publishing LLC
Subject
Materials Science (miscellaneous)
Reference29 articles.
1. AZ TECNOLOGIA EM GESTÃO. Cadeia de suprimento no setor público, como funciona? Disponível em: https://www.azi.com.br/noticias/cadeia-de-suprimento-no-setor-publico-como-funciona/ . Acesso em 20 mar. 2021.
2. BOEHMKE, Bradley; GREENWELL, Brandon. Hands-On Machine Learning with R. 1. ed. Melbourne, Austrália: CRC Press, 2020. Disponível em: https://bradleyboehmke.github.io/HOML/. Acesso em: 16 mar. 2021.
3. BOX, G.; JENKINS, G. Time Series Analysis: Forecasting and Control. Holden-Day, San Francisco, 1970.
4. BOZDONGAN. H. Model selection and Akaike's Information Criterion (AIC): The general theory and its analytical extensions. v.52, n.3, p.345-370, 1987.
5. Brownlee, Jason 2019). "A Gentle Introduction to the Rectified Linear Unit (ReLU)". Machine Learning Mastery, 2019.