Купить СНПЧ А7 Архангельск, оперативня доставка

crosscheckdeposited

Estudo Comparativo de Séries Temporais para Previsão de Vendas de Um Produto

DOI: http://dx.doi.org/10.13084/2175-8018/ijie.v6n12p112-133

http://www.incubadora.ufsc.br/index.php/IJIE/index 

downloadpdf

William Jacobs1, Roselaine R. Zanini2 & Manfred Costa3

 

Resumo: Este artigo apresenta um estudo comparativo de modelos de séries temporais para a previsão de vendas de determinado produto. O estudo teve como objetivo investigar a eficácia, em termos da capacidade preditiva de cada um dos modelos, utilizando uma série temporal real da demanda de determinado produto. Foram utilizados três tipos de modelos para a previsão dos valores futuros: (i) suavização exponencial (SE); (ii) autorregressivo integrado de médias móveis (ARIMA); e, (iii) redes neurais artificiais (RNAs). Após a modelagem, foram selecionados os modelos que apresentaram o melhor resultado em cada categoria supracitada e então comparado o desempenho entre cada. Os resultados demonstraram o modelo de RNAs MLP(6,10,1) como aquele mais eficaz para a série temporal utilizada (MAPE de ajustamento e previsão de 28,55% e 22,33%, respectivamente). Verificou-se que o modelo de RNAs MLP(6,10,1) apresentou um resultado 58% e 48% melhor, em termos de modelagem da série, em relação aos modelos de SE e ao modelo ARIMA, respectivamente. Em termos de capacidade preditiva, verificou-se que o modelo de RNAs MLP(6,10,1) apresentou um resultado 73% e 65% melhor em relação aos modelos de SE e ARIMA, respectivamente.

Palavras-chave: Previsão de venda. Modelos de suavização exponencial. Modelos ARIMA. Redes neurais artificiais.

 

Abstract: This paper presents a comparative study among three generic time series models to forecast a determined product. The objective of this study was analyzing the efficacy throughout the forecasting capacity of each model, using a real sales time series. The time series models used in this research were: (i) exponential smoothing (ES); (ii) autoregressive integrated moving average (ARIMA); and, (iii) artificial neural network models. After fitted the series, the best model of each model category were selected and compared to each others. The results showed that artificial neural network multilayer perceptron (MLP) – MLP (6,10,1) is the best predictor to the time series used in relation to the adjustment and the forecasting mean absolute percentage error of 28,55% and 22,33%, respectively. In terms of process modeling, the MLP (6,10,1) showed an improvement of 58% and 48%, comparing to the exponential smoothing and autoregressive integrated moving average models, respectively. In terms of forecasting capacity, the MLP (6,10,1) showed a result 73% and 65% better than the ES and ARIMA models, respectively.

Key words: Sales forecasting. Exponential smoothing models. ARIMA models. Artificial neural network models

 

1 Mestre em Engenharia de Produção pela UFSM, Professor do curso de Engenharia de Produção do Centro Universitário UNIVATES, Lajeado, Rio Grande do Sul, Brasil. E-mail: eng.williamjacobs@gmail.com.
2 Doutora em Epidemiologia pela UFRGS, Departamento de Estatística, UFSM (Universidade Federal de Santa Maria), Santa Maria, Rio Grande do Sul, Brasil. E-mail: rrzanini@terra.com.br.
3 Mestre em Engenharia de Produção pela UFRGS, Coordenador e Professor do curso de Engenharia de Produção do Centro Universitário UNIVATES, Lajeado, Rio Grande do Sul, Brasil. E-mail: manfredcosta@yahoo.com.

 

Literatura Citada

ABURTO, L.; WEBER, R. Improved suplly chain management based on hybrid. Applied Soft Computing, n. 7, p. 136-144, 2007. https://doi.org/10.1016/j.asoc.2005.06.001

ALLEMÃO, M.A.F. 2004. Redes NeuraisAplicadas à Previsão de Demanda de Numerário em Agências Bancárias. Dissertação (Mestrado em Ciência da Computação).. Programa de Pós Graduação em Ciência da Computação, Universidade Federal do Rio de Janeiro, 2004.

BOX, P.; JENKINS, G.M. Time series analysis: forecasting and control. San Francisco, CA: Holden-day Inc, 1976.

BRAGA, A.P.; CARVALHO, A.P.L.F.; LUDERMIR, T.B. Redes Neurais Artificiais: teoria e aplicações. 2ª ed. Rio de Janeiro: Ed. LTC – Livros Técnicos e Científicos, 2011, 226 p.

CHASE, R.B.; JACOBS, F.R.; AQUILANO, N.J. Administração da produção para a vantagem competitiva. 10 ed. Porto Alegre/RS: Ed. Bookman, 2006, 724 p.

ENDERS, W. Applied Econometric TimeSeries. 2 ed. United States of America: Ed. Wiley Series In Probability And Statistics, 2004, 466 p.

FARUK, D.O. A hybrid neural network and ARIMA model for water quality time series prediction. Engineering Applications of Artificial Intelligence, Turquia, n. 23, p.586-594, 2010.

FAVA, V.L. Análise de Séries de Tempo.In: Vasconcellos, M.A.S.; Alves, D. Manual de econometria: nível intermediário. São Paulo: Ed. Atlas, 2000.

FELICIANO, R.A. Uma proposta de gerenciamento integrado da demanda e distribuição, utilizando sistemas de apoio à decisão (SAD) com business intelligence (BI). Dissertação (Mestrado em Engenharia). Universidade de São Paulo, 2009.

FIGUEREDO, C.J. Previsão de séries temporais utilizando a metodologia Box & Jenkins e redes neurais para inicialização de planejamento e controle da produção. Dissertação (Mestrado em Engenharia). Programa de Pós Graduação em Métodos Numéricos em Engenharia, Universidade Federal do Paraná, 2008.

FLORES, J.H.F. Comparação de modelos MLP/RNA e modelos Box-Jenkins em séries temporais não lineares. Dissertação. Mestrado em Engenharia de Produção, Escola de Engenharia, Universidade Federal do Rio Grande do Sul, 2009.

GUJARATI, D.M. Econometria básica. 3 Ed. São Paulo/SP: Ed.Makron books, 846p, 2000.

HAYKIN, S. Redes Neurais: Princípios e práticas. 2 ed. Porto Alegre: Ed. Artmed S. A., 1999, 903 p.

HO, S.L.; XIE, M.; GOH, T.N. A comparative study of neural network and Box-Jenkins ARIMA modeling in time series prediction. Computers & Industrial Engineering, n. 42, p. 371-375, 2002. https://doi.org/10.1016/S0360-8352(02)00036-0

KHASHEI, M.; BIJARI, M. An artificial neural network (p,d,q) model for timeseries forecasting. Expert Systems with applications, n. 37, p. 479-489, 2010. https://doi.org/10.1016/j.eswa.2009.05.044

KOVÁCS, Z.L. Redes Neurais Artificiais: Fundamentos e aplicações. 4 ed. São Paulo/SP: Ed. Livraria da Física, 2006, 177 p.

KUMAR, K.; JAIN, V.K. Autoregressive integrated moving averages (ARIMA) modelling of a traffic noise time series. Applied Acoustics, n. 58, p. 283-294, 1999. https://doi.org/10.1016/S0003-682X(98)00078-4

LEE, Y.S.; TONG, L.I. Forecasting time series using a methodology based on autoregressive integrated moving average and genetic programming. Knowledge-Based Systems, n. 24, p. 66-72, 2011. https://doi.org/10.1016/j.knosys.2010.07.006

MADDALA, G.S. Introdução à Econometria. 3 ed. Rio de Janeiro: Ed: LTC – Livros Técnicos e Científicos, 2003, 345 p.

MAKRIDAKIS, S.; WHEELWRIGHT, S.C.; HYNDMAN, R.J. Forecasting: methods and applications. 3ª ed. United States of America: Ed. Wiley & Sons, 1988, 642 p.

MARTINS, P.G., LAUGENI, F.P. Administração da Produção. 1.ed. São Paulo/SP: Ed. Saraiva, 2003.

MATOS, O.C.M. Econometria básica: teoria e aplicações. 3ª ed. São Paulo/SP: Ed. Atlas, 2000, 300 p.

MOORE, D.S.; McCABE, G.P.; DUCKWORTH, W.M.; SCLOVE,S.L. A prática da estatística empresarial: como usar dados para tomar decisões. 1ª Ed. Rio de Janeiro/RJ: Ed. LTC, 2006, 952 p.

MORETTIN, P.A. 2008. Econometria Financeira: Um curso emséries temporais financeiras. 1ª ed. São Paulo/SP: Ed: Blucher, 319 p.

MORETTIN, P.A.; TOLOI, C.M.C. Análise de séries temporais.2. ed. São Paulo/SP: Ed. Edgard Blüncher, 2006, 531 p.

PELLEGRINI, F.R. Metodologia para implementação de sistemas de previsão de demanda. Dissertação. Mestrado em Engenharia de Produção, Escola de Engenharia, Universidade Federal do Rio Grande do Sul, 2000.

SARTORIS, A. Estatística e introdução à econometria. 1ª ed. São Paulo/SP: Ed. Saraiva, 2003, 413 p.

SOBREIRO, V.A.; ARAÚJO, P.H.S.L.; NAGANO, M.S. Precificação do etanol utilizando técnicas de redes neurais artificiais. Revista de Administração da USP. v. 44, n. 1, p. 46-58, 2009.

TSENG, F.M.; YU, H.C.; TZENG, G.H. Combining neural network model with seasonal time series ARIMA model. Technological Forecasting and Social Change, n. 69, p.71-87 2002. https://doi.org/10.1016/S0040-1625(00)00113-X

TUBINO, D.F. Planejamento e controle da produção: teoria e prática. 1ª ed. São Paulo/SP: Ed. Atlas, 2007, 190 p.

WANG, C.C. A comparison study between fuzzy time series model and ARIMA model for forecasting Taiwan export. Expert Systems with Applications, n. 38, p. 9296-9304, 2011. https://doi.org/10.1016/j.eswa.2011.01.015

WERNER, L.; RIBEIRO, J.L.D. Previsão de demanda: uma aplicação dos modelos Box-Jenkins na área de assistência técnica decomputadores pessoais. Revista Gestão & Produção, v. 10, n. 1, p.47-67. 2003. https://doi.org/10.1590/S0104-530X2003000100005

ZHANG, G.; PATUWO, B.E.; HU, M.Y. Forecasting with artificial neural networks: The state of the art. International Journal of Forecasting, n. 14, p. 35-62, 1998. https://doi.org/10.1016/S0169-2070(97)00044-7

ZHANG, G.P. Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, n. 50, p. 159-175, 2003. https://doi.org/10.1016/S0925-2312(01)00702-0

ZOU, H.F., XIA, G.P., YANG, F.T., WANG, H. Y. An investigation and comparison of artificial neural network and time series models for Chinese food grain price forecasting. Neurocomputing, n.70, p.2913-2926, 2007. https://doi.org/10.1016/j.neucom.2007.01.009