Aplicação de técnicas de aprendizado de máquina e estatística na previsão da demanda de biocombustíveis
| Autor: | Jeiciane de Souza Paula, Levi Lopes Teixeira, Samuel Bellido Rodrigues, Tasia Hickmann, Jairo Marlon Correa, Lucas da Silva Ribeiro |
|---|---|
| Rok vydání: | 2022 |
| Předmět: | |
| Zdroj: | Journal of Business Review (Revista de Gestão e Secretariado); Vol. 13 No. 4 (2022): Edição Especial Dezembro; 2559-2572 Revista de Gestão e Secretariado; v. 13 n. 4 (2022): Edição Especial Dezembro; 2559-2572 |
| ISSN: | 2178-9010 2559-2572 |
| DOI: | 10.7769/gesec.v13i4.1488 |
| Popis: | a análise e previsão de demanda é fundamental no planejamento estratégico da cadeia produtiva, sendo de significativa importância em diversos segmentos. O setor de transporte é um bom exemplo, dado a alta dinâmica no consumo de biocombustível, o que exige um acompanhamento mais intenso da produção, distribuição e consumo deste produto, a fim de prever falhas no suprimento das demandas populacionais. O cenário oportuniza a aplicação de técnicas preditivas da estatística e de aprendizado automático, sendo estas projeções, de grande valia para o entendimento do comportamento da demanda deste recurso a longo prazo. O presente trabalho expõe diferentes técnicas de aprendizado de máquina e estatística, com a finalidade de verificar o desempenho dessas técnicas na previsão de demanda por biocombustível. Com o auxílio da linguagem de programação python, os dados de venda dos biocombustíveis, etanol e biodiesel, foram utilizados para a modelagem por meio de três métodos: arima, long short-term memory - lstm e gradient boosting. Durante a análise de resíduos, observou-se que os modelos arima mostram maior qualidade nos ajustes. No entanto, a partir dos resultados obtidos e por meio da métrica de erro mape (mean absolute percentage error), tem-se que método lstm é o que detém melhor performance, com um erro mape de 11,1% para o biodiesel e 11,3% para o etanol. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|