Estudo comparativo de séries temporais para previsão de vendas de um produto

William Jacobs, Roselaine Ruviaro Zanini, Manfred Costa

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

Texto completo:

PDF/A

Referências


ABURTO, L.; WEBER, R. Improved suplly chain management based on hybrid. Applied Soft Computing, n. 7, p. 136-144, 2007.

ALLEMÃO, M.A.F. 2004. Redes Neurais Aplicadas 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 Time Series. 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.

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.

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.

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.

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 em séries 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.

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.

WERNER, L.; RIBEIRO, J.L.D. Previsão de demanda: uma aplicação dos modelos Box-Jenkins na área de assistência técnica de computadores pessoais. Revista Gestão & Produção, v. 10, n. 1, p.47-67. 2003.

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.

ZHANG, G.P. Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, n. 50, p. 159-175, 2003.

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.