Aplicação de Inteligência Artificial e Modelos Matemáticos para Previsão de Demanda em uma indústria do ramo plástico

Abstract

ResumoAs constantes mudanças nos hábitos dos consumidores de utensílios domésticos evidenciam a importância do gerenciamento dos estoques, a fim de reduzir o valor investido e evitar obsolescência. O planejamento estratégico das organizações depende da identificação e previsão correta das mudanças emergentes no mercado. Embora existam diferentes métodos desenvolvidos na leitura, uma das principais dificuldades que se encontra é a escolha do método mais apropriado a ser utilizado. Este estudo tem por objetivo realizar a aplicação de inteligência artificial e métodos matemáticos de previsão de demanda em uma empresa que atua no setor de plásticos e identificar qual técnica apresenta melhores resultados na acuracidade da previsão, onde foram analisadas 365 bases históricas de diferentes produtos. Apresenta-se a comparação de modelos matemáticos com o modelo Redes Neurais Artificiais (RNA). Para a utilização do modelo RNA se desenvolveu um modelo matemático de otimização capaz de encontrar a melhor quantidade de neurônios, função matemática de treinamento e delay da rede por meio de Algoritmos Genéticos, minimizando os erros de previsão. Por meio da análise dos resultados observou-se que o modelo RNA otimizado apresentou menor percentual de erro dos dados realizados quando comparados com os demais modelos aplicados nesse estudo. Desta forma aumentando a confiabilidade e aceitabilidade do modelo, podendo ser utilizado em casos similares. A performance e comparativo estatístico dos métodos foram realizados a partir do MAPE e MAE, onde constatou-se que em 95% das vezes o modelo de RNA com otimização determinou as melhores previsões. Palavras-chaveGestão de estoque, previsão de demanda; rede neural artificial. AbstractThe constant changes in the habits of household appliances consumers highlight the importance of inventory management in order to reduce the amount invested and avoid obsolescence. Strategic planning of organizations depends on identifying and accurately forecasting emerging market changes. One of the biggest difficulties with the use of demand forecasting is the choice of the forecasting method to be used. This study aims to carry out the application of artificial intelligence and mathematical methods of forecasting demand in a company that operates in the plastics sector and to identify which technique presents better results in the accuracy of the forecast, where 365 historical bases of different products were analyzed. The comparison of mathematical models with the Artificial Neural Networks (RNA) model is presented. For the use of the RNA model a mathematical optimization model was developed capable of finding the best amount of neurons and mathematical training and delay function of the network through Genetic Algorithms, minimizing the prediction errors. Through the analysis of the results it was observed that the optimized RNA model presented smaller percentage of error of the data when compared with the other models applied in this study, increasing the reliability and acceptability of the model, b...

Previsão de preço de alimentos utilizando o método ARIMA e inteligência artificial

“…▪ Fase 2: Definir os parâmetros p, d e q, que são representados respectivamente por: parâmetro dos números de defasagem (ordem da regressão que a variável futura tem com os valores defasados); parâmetro da ordem de diferenciação (número de diferenças não sazonais necessárias para a estacionariedade) e parâmetro da ordem do modelo de média móvel (número de erros de previsão defasados na equação de previsão) Corso, 2020).…”

“…Quando se trata das RNA's a modelagem dos parâmetros do método está relacionada diretamente com os resultados das previsões, assim é recomendado que uma boa fase de treinamento da rede seja desenvolvida para definir os parâmetros que resultarão a maior acuracidade no específico caso. Por fim, com a RNA configurada será possível realizar a validação do método para o período desejadoCorso, 2020).Uma RNA possui estrutura com três partes principais: entrada (m variáveis), oculta e saída (n variáveis). A primeira é responsável pela recepção dos estímulos de entrada, a segunda tem a finalidade de absorver o comportamento dos dados de entrada e modificar sua estrutura interna para processar o complexo comportamento dos dados, e a terceira basicamente entrega os sinais de saída Silva, 2021).…”