Modelos de redes neurais recorrentes para previsão de demanda de curto prazo

Abstract

A previsão de demanda consiste na atividade de gerar informações que sejam capazes de auxiliar gestores a tomarem decisões mais assertivas através de uma projeção do futuro. As técnicas de previsão de demanda basicamente se dividem entre técnicas qualitativas e quantitavas. No que diz respeito às técnicas quantitativas, a previsão de demanda utilizando séries temporais é algo bastante utilizado, onde o uso de modelos estatísticos tal como o AutoRegressive Integrated Moving Average (ARIMA) já são largamente explorados para essa finalidade. Acontece que esses modelos possuem algumas limitações e acabam não sendo suficientemente eficientes para algumas situações. Com a popularização da inteligência artificial e dos algoritmos de aprendizagem profunda algumas alternativas passaram a ser utilizadas na tentativa de contornar essas limitações. Dentre as classes de modelos que vêm apresentando bons resultados para este fim estão os modelos de Recurrent Neural Networks (RNN), mais especificamente o Long Short-Term Memory (LSTM). Nesse sentido, esse trabalho apresenta um conjunto de diferentes abordagens e resultados obtidos com a utilização do LSTM e do modelo híbrido CNN-LSTM para realizar previsões de demanda, onde para isso foram utilizados cinco datasets reais de uma grande empresa de bebidas do mercado nacional, que posteriormente tiveram seus resultados comparados com os resultados obtidos por modelos ARIMA e pelos modelos em operação da empresa fornecedora dos produtos. Com os resultados obtidos foi possível constatar que a utilização dos modelos baseados em LSTM’s são capazes de produzir resultados satisfatórios, apresentando na maioria dos casos avaliados por esta pesquisa resultados superiores, onde em comparação com o modelo ARIMA se obteve reduções de até 75,53% nas taxas de erro, e em comparação com o modelo desenvolvido pela empresa fornecedora dos produtos essas reduções chegaram a até 84,87%.