PREVISÃO DE DEMANDA DE CARROS NO BRASIL: COMPARAÇÃO ENTRE OS MODELOS CONVENCIONAIS E A REDE NEURAL RECORRENTE BIDIRECIONAL LSTM
A previsão de demanda tem como finalidade diminuir os custos, aumentar os lucros e construir um controle sobre o gerenciamento dos seus recursos, para o atendimento das futuras demandas. Do mesmo modo que a previsão auxilia para o crescimento competitivo das empresas, permeia a dificuldade nas organizações de implementar ferramentas que sejam claras e objetivas. Dessa maneira, o modelo de rede neural tem a finalidade de usar a inteligência artificial para aprender com os dados passados e prever o futuro. Outrossim, atribuir parâmetros ou variáveis para aumentar a taxa de aprendizagem, ou seja, obter valores de previsão com maior acurácia e precisão. Uma evolução das redes neurais FeedFoward, são as redes neurais recorrentes Bi-LSTM que consegue lembrar valores em intervalos de tempo arbitrários, regulando o fluxo de informações da rede e resolvendo o problema do desvanecimento do gradiente na rede neural recorrente. Nos comparativos com os modelos convencionais de previsão de demanda, tais como, modelo de média simples, exponencial e modelo auto-regressivo integrado de médias móveis (ARIMA), o modelo de rede neural recorrente Bi-LSTM foi o que obteve melhor acurácia (93,4%) entre todos os testes.
A previsão de demanda de automóveis no Brasil para o mês de junho de 2019, com relação ao primeiro mês do ano, é de tendência de crescimento de 1,2% para o modelo de média simples e de 2,78% para o modelo de RNR Bi-LSTM.
PREVISÃO DE DEMANDA DE CARROS NO BRASIL: COMPARAÇÃO ENTRE OS MODELOS CONVENCIONAIS E A REDE NEURAL RECORRENTE BIDIRECIONAL LSTM
-
DOI: https://doi.org/10.22533/at.ed.29321220710
-
Palavras-chave: Previsão de demanda, rede neural, aprendizagem, competitividade
-
Keywords: Sales forecasting, neural network, learning, competitiveness.
-
Abstract:
Demand forecasting aims to lower costs, increase profits and build control over the management of its resources to meet future demands. Just as forecasting aids in the competitive growth of companies, it pervades the difficulty in organizations to implement tools that are clear and objective. In this way, the neural network model is intended to use artificial intelligence to learn from past data and predict the future. Furthermore, assigning parameters or variables to increase the learning rate, that is obtaining prediction values with greater accuracy and precision. An evolution of FeedFoward neural networks, Bi-LSTM recurrent neural networks are able to remember values at arbitrary time intervals, regulating the information flow of the network and solving the gradient fading problem in the recurrent neural network. Compared to conventional demand forecasting models, such as the simple average exponential model and the integrated autoregressive moving average model (ARIMA), the Bi-LSTM recurrent neural network model was the one that obtained the best accuracy (93,4%) among all tests. The forecast for car demand in Brazil for June 2019, compared to the first month of the year, is for a growth trend of 1.2% for the simple average model and 2.78% for the RNR Bi-LSTM.
-
Número de páginas: 18
- Everton Vaz de Campos
