Combination of Box-Jenkins and MLP/RNA Models for Forecasting
|
|
- Zaira Carvalho
- 5 Há anos
- Visualizações:
Transcrição
1 Combination of Box-Jenkins and MLP/RNA Models for Forecasting W. Jacobs, A. M. Souza and R. R. Zanini Abstract This study aims to predict the values of the time series of milk demand in a dairy industry by combining forecasting of Box-Jenkins and artificial neural network models and compare the results to the individual models, exemplifying the combined forecast for the production planning. Eight predictions combining methods were used and, after the use of statistical methods, the results obtained by fitting the Box- Jenkins and artificial neural network templates were compared with the results obtained in the proposed combinations. The results showed that the combination of seasonal Box-Jenkins and deseasonalize artificial neural network models by the inverse mean square method, provided a performance in the forecast for six months ahead 66.5% higher than the individual models, where the combination of forecasts provided a root mean square error of.43 and mean absolute percentage error of.6. The forecast for months ahead, the performance of the combination was 56.5% higher compared to individual models, with root mean square error of.86 and mean absolute percentage error of 3.70%. In both cases, the combination of predictions showed superior results. Temperature ou leite tipo UHT, de uma indústria de lácteos da região do Vale do Taquari, no interior do Estado do Rio Grande do Sul. II. MATERIAIS E MÉTODOS A combinação das previsões dos modelos foi realizada de três formas: (i) combinação das previsões dos modelos ARIMA e MLP, (ii) combinação das previsões dos modelos ARIMA e DMLP (modelo MLP com valores de demanda mensal dessazonalizados, conforme é explicado a seguir) e (iii) combinação das previsões dos modelos MLP e DMLP. Os resultados das combinações foram comparados com os resultados obtidos nas próprias combinações e com os resultados obtidos pelos modelos utilizados para obter as previsões, conforme na Fig., que de forma geral mostra a metodologia utilizada no presente estudo. Keywords Demand Forecast, Forecast Combination, Box- Jenkins Methodology, Artificial Neural Network, Multilayer Perceptron. I. INTRODUÇÃO PREVISÃO da demanda de produtos geralmente é obtida A por meio de modelagens. Uma das classes de modelos lineares muito utilizada é Autoregressive Integrated Moving Average (ARIMA), implementada por uma metodologia popularizada por George Box e Gwilym Jenkins a metodologia de Box-Jenkins [], []. Outro modelo que tem mostrado acurácia é o de Redes Neurais Artificiais (RNA), onde diversas topologias já foram aplicadas à previsão. A topologia de RNA, comumente utilizada para previsão é a Multilayer Perceptron (MLP), e tem sido eficiente, principalmente, na previsão de séries temporais com padrões não lineares, caso em que os modelos de Box-Jenkins não são eficazes [3], [4], [5], [6], [7], [8], [9], [0], [], [], [3]. Para capturar melhor os padrões que influenciam uma série temporal e otimizar a capacidade de previsão dos modelos, muitos pesquisadores argumentam que a melhoria da capacidade preditiva nas séries se dá pela combinação de modelos de previsão [3], [4], [0], [4], [5], [6]. Neste sentido, o presente estudo tem por objetivo realizar combinação de previsões entre os modelos ARIMA e os modelos MLP/RNA para a série temporal da demanda agregada de leite produzido pelo processo Ultra High W. Jacobs, Centro Universitário Univates (UNIVATES), Lajeado, Rio Grande do Sul, Brasil, eng.williamjacobs@gmail.com A. M. Souza, Universidade Federal de Santa Maria (UFSM), Santa Maria, Rio Grande do Sul, Brasil, amsouza.sm@gmail.com R. R. Zanini, Universidade Federal de Santa Maria (UFSM), Santa Maria, Rio Grande do Sul, Brasil, rrzanini@terra.com.br Figura. Metodologia utilizada na previsão e comparação dos modelos e técnicas de combinação. Com o intuito de captar efeitos sazonais na série, realizouse a previsão da demanda agregada de leite futura por meio do modelo ARIMA, para 6 e para meses adiante. Para os modelos de redes neurais MLP/RNA, utilizou-se dois tipos de modos no número de neurônios da camada de entrada: (i) um tipo com 6 ou com valores de demanda mensal defasados da série denominado a partir de então como MLP; e (ii) um tipo com, além dos 6 ou valores de demanda mensal defasados da série, valores de demanda mensal defasados de uma decomposição da série nas componentes sazonal e tendência o modelo DMLP, conforme realizado por [4], [7]. Para ambos os modelos MLP/RNA utilizou-se apenas uma camada escondida, onde foram testados os seguintes números de neurônios 5, 0, 5, 0, 5, 30, 35, 40, 45 e 50, respectivamente. O neurônio da camada de saída foi representado por um único valor correspondente a demanda mensal prevista pelos modelos. O treinamento das RNA foi realizado por meio do
2 algoritmo backpropagation, que permite ajustar os pesos até que se consiga o menor erro quadrático médio [4]. Os modelos foram treinados por meio do software Matlab R00a e, após foram realizadas previsões para os valores da demanda mensal futura para cada modelo nos horizontes de tempo de 6 e de períodos adiante. A seleção do melhor modelo MLP e DMLP foi realizada com base no Root Mean Square Error (RMSE) e o Mean Absolute Percentage Error (MAPE) []. Para verificar se ocorreu um super ajustamento aos valores da demanda mensal do conjunto de treinamento, foi realizada uma regressão entre os valores de entrada da RNA e os respectivos valores gerados no conjunto de treinamento, e uma regressão entre os valores de entrada do conjunto de validação e os respectivos valores de saída deste conjunto. Caso houvesse diferença significativa entre os valores dos coeficientes de determinação entre cada conjunto, de treinamento e validação, seria necessário investigar a hipótese de super ajustamento. Os métodos de combinações de previsões adotados foram o método da variância mínima (VAR); média aritmética (MD); média geométrica (MG) e harmônica (MH); média geométrica ponderada (MGP) e harmônica ponderada (MHP). O penúltimo método foi o de mínimos quadrados (MQ) e o último método de combinação considerado no estudo foi o denominado inverse mean square (IM), desenvolvido por [7]. Para realizar a combinação por meio do método da mínima variância, o primeiro passo consistiu em verificar a correlação entre os resíduos de previsão dos modelos utilizados. Esse procedimento foi realizado para se definir qual o melhor método de combinação utilizar o que considera resíduos correlacionados ou o que não considera, conforme pode ser visto mais detalhadamente em [4]. Na combinação das previsões por meio da média geométrica ponderada, da média harmônica ponderada e de mínimos quadrados, os pesos foram obtidos por meio de busca que gerou o menor erro quadrático médio. Para a busca da melhor combinação dos pesos, utilizou-se do método evolutionary disponível no Solver do Excel, que é baseado em algoritmos genéticos evolutivos. Para a aplicação do método inverse mean square, os pesos w e w das duas previsões foram calculados por meio de uma média móvel considerando k, assim como realizado em [8]. Na última etapa deste estudo, foi realizada uma comparação entre os modelos utilizados para a previsão versus suas respectivas combinações e entre as combinações das previsões, com o objetivo de verificar qual das combinações resultaria em um melhoramento significativo na capacidade preditiva. Para isso, os resultados das previsões obtidos por meio dos modelos individuais compuseram quatro grupos de combinações de modelos, conforme disposto no Quadro. O Grupo (G) foi composto pelos resultados da previsão dos modelos ARIMA, MLP e DMLP. Os demais grupos foram compostos pelos resultados das previsões das possíveis combinações entre os modelos supracitados, conforme observa-se no Quadro, utilizando 8 métodos de combinação. Considerando que os dados não apresentaram ajuste à distribuição normal, foi utilizado o teste de Kruskal-Wallis para verificar se havia diferença significativa. A comparação dos grupos foi realizada por meio do teste Dunn dado em [9], para identificar qual(is) o(s) tipo(s) de combinação(ões) apresenta(m) diferença significativa nos resultados de previsão. Inicialmente, as combinações e os modelos foram agrupados conforme delineado no Quadro, onde foram realizados quatro testes de comparação do RMSE e do MAPE nos horizontes de previsão, denominados: KW, KW, KW3 e KW4. No teste KW e KW comparou-se os resultados dos 4 grupos no horizonte de previsão de 6 e de meses, respectivamente, com base no critério RMSE. Para o teste KW3 e KW4 os resultados foram comparados com base no critério MAPE. Grupo Resultados das previsões alocados a cada grupo Número de resultados de previsão G Modelos utilizados para as combinações das previsões: ARIMA, MLP e DMLP. 3 G Combinações do modelo ARIMA com o modelo MLP: AR_MLP_VAR, AR_MLP_MD, AR_MLP_MG, AR_MLP_MGEP, AR_MLP_MH, 8 AR_MLP_MHP, AR_MLP_MQ e AR_MLP_IM. G3 Combinações do modelo ARIMA com o modelo DMLP: AR_DMLP_VAR, AR_DMLP_MD, AR_DMLP_MG, AR_DMLP_MGP, AR_DMLP_MH, 8 AR_DMLP_MHP, AR_DMLP_MQ e AR_DMLP_IM. G4 Combinações do modelo MLP com o modelo DMLP: MLP_DMLP_VAR, MLP_DMLP_MD, MLP_DMLP_MG, MLP_DMLP_MGP, MLP_DMLP_MH, MLP_DMLP_MHP, MLP_DMLP_MQ e MLP_DMLP_IM. 8 Quadro. Formação dos grupos de resultados de previsões para a comparação dos modelos e das combinações. III. RESULTADOS O estudo foi realizado em uma empresa de grande porte do ramo alimentício da região do Vale do Taquari, Rio Grande do Sul, que possui diversas unidades de negócio, incluindo a de laticínios. Esta unidade da empresa possui 58 produtos distribuídos em sete famílias, que são: leite UHT, leite em pó, iogurtes, queijos, doces de leite, requeijão e nata. A série temporal da demanda agregada de leite UHT contém 90 meses de dados históricos. Para realizar as previsões, a série foi dividida em três grupos: (i) dos valores da demanda ocorrida entre o º e 78º mês, que compuseram o conjunto de modelagem; (ii) dos valores da demanda ocorrida entre o 79º e 85º mês, que compuseram o conjunto de previsão para 6 meses; e, (iii) dos valores da demanda ocorrida entre o 79º e 90º mês, que compuseram o conjunto de previsão para meses. Na Fig. observa-se a série da demanda agregada de leite UHT, sendo que (i) a série se desenvolve em torno de um determinado nível e (ii) há evidências de que a série possui
3 determinado grau de sazonalidade. A série temporal foi considerada estacionária por meio do teste Augmented Dickey-Fuller (ADF), conforme pode ser visto em [0], para os níveis de significância de 5% e 0%, para a componente não sazonal. Além disso, observou-se que a sazonalidade da série tornou-se estacionária após a realização de uma diferença (D). Na Tabela são mostrados os resultados da estimação dos parâmetros, os p-valores e a variância do erro associada a cada modelo escolhido a partir da Função de Autocorrelação (ACF) e da Função de Autocorrelação Parcial (PACF). Demanda agregada (x0 5 litros) Conjunto de modelagem Conjunto de previsão configurações testadas para a camada de entrada dos modelos MLP considerou 6 e valores de demanda mensal defasados. A não ocorrência de super ajustamento foi confirmada por meio de uma regressão linear simples entre os valores obtidos pelo modelo e os valores alvo apresentados ao modelo. Nas Fig. 3(a) e 3(b) são mostrados as dispersões dos processos de treinamento e validação do modelo MLP(,30,), respectivamente. O eixo das ordenadas representa os valores respondidos pelo modelo MLP(,30,) para a demanda mensal, modelo que corresponde a neurônios na camada de entrada, 30 neurônios na camada intermediária e um na camada de saída. O eixo das abscissas representa os valores alvo apresentados à rede na etapa de modelagem. A linha escura (denominada Fit) representa o modelo de regressão ajustado Período (mês) Figura. Série temporal da demanda agregada de leite tipo UHT. TABELA I. ESTIMAÇÃO DOS PARÂMETROS DOS MODELOS SELECIONADOS MODELOS SARIMA(3,0,)(,,0) SARIMA(,0,)(,,0) VALOR DOS PARÂMETROS φ : 0,333 p0,08 φ : 0,3086 p0,045 φ 3 : 0,303 p0,05 θ : 0,736 p< 0,0 Φ : -0,60 p0,04 φ : 0,7050 p< 0,0 θ : 0,97 p< 0,0 Φ : -0,538 p0,037 ESTATÍSTICAS DE AJUSTES Var. erro 34,4 AIC 439,9 Var. erro 40,46 AIC 444,7 Figura 3. Dispersão dos resultados do processo de treinamento do modelo MLP(,30,) (a) e do processo de validação do modelo (b). Na etapa de treinamento foi obtido um R² 0,87 e, para o processo de validação, R² 0,868; com isso, pode-se observar que não houve super ajustamento na etapa de treinamento do modelo MLP(,30,), pois a diferença entre os coeficientes R das etapas treinamento e validação não foi significativa. Nas Fig. 4(a), 4(b) e 4(c) são mostrados os resultados da decomposição clássica que foram introduzidos nos neurônios da camada de entrada dos modelos, os valores defasados da tendência, sazonalidade e componente irregular, respectivamente. Mais detalhes sobre a técnica de decomposição pode ser visto em []. Observa-se que o modelo com menor variância residual e critério de Akaike (AIC) foi o SARIMA(3,0,)(,,0) que é um modelo ARIMA sazonal, ou, Seasonal Autoregressive Integrated Moving Average. Todos os parâmetros deste modelo foram significativos ao nível de 5%. Além disso, verificou-se que o modelo selecionado atendeu aos pressupostos de ruído branco e ausência de autocorrelação residual, sendo apropriado para se realizar as previsões. Posteriormente, procedeu-se a modelagem e previsão da série temporal por meio dos modelos de RNAs da topologia MLP. Considerando-se a existência da componente sazonal, as
4 Figura 4. Componentes dessazonalizadas: tendência (a), sazonalidade (b) e componente irregular (c) da série temporal, utilizadas como entrada nos modelos DMLP. O modelo DMLP(6,5,) foi o selecionado para ser combinado com o modelo SARIMA(3,0,)(,,0) por apresentar os menores valores dos critérios de ajustes. A evidência da não ocorrência de super ajustamento do modelo DMLP(6,5,) é corroborada pelos gráficos de dispersão dos processos de treinamento e validação do modelo, conforme as Fig. 5(a) e 5(b). Figura 5. Dispersão dos resultados do processo de treinamento do modelo DMLP(6,5,) (a) e do processo de validação do modelo (b). Na etapa de treinamento obteve-se o valor R² 0,94 e, para o processo de validação, R² 0,895, concluindo-se que no treinamento do modelo DMLP(6,5,) também não ocorreu o super ajustamento. Portanto, ambos os modelos MLP apresentaram capacidade de generalização para valores out-of-sample. Na fase de combinação de previsões, o primeiro método utilizado foi o de variância mínima. Na obtenção dos pesos atribuídos a cada previsão, nenhum dos modelos apresentou correlação significativa entre os resíduos de previsão. Para o modelo AR_MLP_VAR, a correlação foi igual a 0,7 (p0,60); para o modelo AR_DMLP_VAR, a correlação foi igual a -0,5 (p0,64); no caso do modelo MLP_DMLP_VAR, a correlação foi 0,3 (p0,89). Nas Equações, e 3 foram realizadas as combinações de previsões para um período à frente. () (AR _ MLP _ VAR ) w + ( w) 0,80(49,45) + 0,0(36,3) 46,76 () (AR _ DMLP _ VAR ) w + ( w) 0,67(49,45) + 0,33(40,04) 46,38 () (MLP _ DMLP _ VAR ) w + ( w) 0,35(36,3) + 0,65(40,04) 38,74 () (3) ( AR _ MLP _ VAR ) modelos SARIMA e MLP pelo método da mínima variância; ( AR _ DMLP _ VAR ) modelos SARIMA e DMLP pelo método da mínima variância; ( MLP _ DMLP _ VAR) modelos MLP e DMLP pelo método da mínima variância; w : peso ótimo da combinação obtido por meio do método da mínima variância; () ˆx UHT para um Equações e, e no caso da Equação 3, faz referência à ˆx UHT para um Equação, e no caso das Equações e 3, faz referência à A segunda combinação foi realizada utilizando-se a média aritmética, para as combinações AR_MLP_MD, AR_DMLP_MD e MLP_DMLP_MD. Nas Equações 4, 5 e 6, é exemplificado a combinação da previsão de cada modelo para um período à frente. () + (AR _ MLP_ MD) 49, ,3 4,88 () + (AR_ DMLP_ MD) 49,45+ 40,04 44,74 () + (MLP_ DMLP_ MD) 36,3 + 40,04 38,8 ( AR _ MLP _ MD ) modelos SARIMA e MLP pelo método da média aritmética; ( AR _ DMLP _ MD ) modelos SARIMA e DMLP pelo método da média aritmética; (4) (5) (6)
5 ( MLP _ DMLP _ MD) modelos MLP e DMLP pelo método da média aritmética; () ˆx UHT para um Equações 4 e 5, e no caso da Equação 6, faz referência à ˆx UHT para um Equação 4, e no caso das Equações 5 e 6, faz referência à Por meio da média geométrica foram obtidas as combinações AR_MLP_MG, AR_DMLP_MG e MLP_DMLP_MG. Nas Equações 7, 8 e 9 é exemplificado a combinação da previsão de cada modelo para um período à frente. (AR _ MLP _ MG) * 49,45* 36,3 4,38 (AR _ DMLP _ MG) () 49,45* 40,04 44,50 (MLP_ DMLP_ MG) () 36,3* 40,04 38,3 () * * ( AR _ MLP _ MG ) modelos SARIMA e MLP pelo método da média geométrica; ( AR _ DMLP _ MG ) modelos SARIMA e DMLP pelo método da média geométrica; ( MLP _ DMLP _ MG ) modelos MLP e DMLP pelo método da média geométrica; () ˆx UHT para um Equações 7 e 8, e no caso da Equação 9, faz referência à ˆx UHT para um Equação 7, e no caso das Equações 8 e 9, faz referência à As combinações AR_MLP_MGP, AR_DMLP_MGP e MLP_DMLP_MGP foram obtidas com a média geométrica (7) (8) (9) ponderada de cada previsão, conforme pode ser visto com mais detalhes em [8] e []. Os pesos w para cada combinação obtidos pela busca e que satisfazem às restrições foram, respectivamente: 0,735, 0,3394 e 0,575; obtendo, respectivamente, os seguintes valores para o MSE: 0,57,,54 e,6. Nas Equações 0, e são dadas as combinações da previsão para um período adiante. zˆ (AR _ MLP _ MGP) () w [ ] * [ ] w 0,735 0,648 [ 49,45] *[ 36,3] 45,57 (0) (AR _ DMLP _ MGP) () w [ ] *[ ] w 0,3394 0,6606 [ 49,45] *[ 40,04] 43,0 () ( MLP _ DMLP _ MGP ) () w ( ) [ ] * [ ] [ 36,3 ] 0, 575 * [ 40,04 ] 0, ,05 ( ) ( AR _ MLP _ MGP ) modelos SARIMA e MLP pelo método da média geométrica ( AR _ DMLP _ MGP ) modelos SARIMA e DMLP pelo método da média geométrica ( MLP _ DMLP _ MGP) modelos MLP e DMLP pelo método da média geométrica w : peso ótimo da combinação obtido por meio do método Evolutionary; () ˆx UHT para um Equações 0 e, e no caso da Equação, faz referência à ˆx UHT para um Equação 0, e no caso das Equações e, faz referência à Por meio da média harmônica foram obtidas as combinações AR_MLP_MH, AR_DMLP_MH e MLP_DMLP_MH, exemplificado, respectivamente, para um passo adiante, nas Equações 3, 4 e 5. (AR _ MLP _ MH) () () + (49,45* 36,3) 4,88 (49, ,3) w (3)
6 (AR _ DMLP_ MH) () () + (49,45* 40,04) 44,5 (49, ,04) (MLP_ DMLP_ MH) () (36,3* 40,04) 38,09 (36,3+ 40,04) () + (4) (5) ( AR _ MLP _ MH ) modelos SARIMA e MLP pelo método da média harmônica; ( AR _ DMLP _ MH ) modelos SARIMA e DMLP pelo método da média harmônica; ( MLP _ DMLP _ MH ) modelos MLP e DMLP pelo método da média harmônica; () ˆx UHT para um Equações 3 e 4, e no caso da Equação 5, faz referência à ˆx UHT para um Equação 3, e no caso das Equações 4 e 5, faz referência à Para a média harmônica ponderada foram obtidas as combinações AR_MLP_MHP, AR_DMLP_MHP e MLP_DMLP_MHP. Os pesos w para cada combinação obtidos pela busca, e que satisfazem às restrições, foram, respectivamente: 0,7589, 0,330 e 0,43; obtendo-se, respectivamente, os MSE: 0,66,,84 e,55. Nas Equações 6, 7 e 8 são dadas as combinações para um período adiante. (AR _ MLP_ MHP) () () ( w) + w (49,45* 36,3) 45,49 ( 0,7589)49,45 + (0,7589)36,3 (AR _ DMLP_ MHP) (49,45* 40,04) 4,67 ( 0,330)49,45 + (0,330)40,04 () () ( w) + w (6) (7) (MLP_ DMLP_ MHP) () () ( w) + w (36,3* 40,04) 39,07 ( 0,43)36,3 + (0,43)40,04 (8) ( AR _ MLP _ MHP ) modelos SARIMA e MLP pelo método da média harmônica ( AR _ DMLP _ MHP ) modelos SARIMA e DMLP pelo método da média harmônica ( MLP _ DMLP _ MHP) modelos MLP e DMLP pelo método da média harmônica w : peso ótimo da combinação obtido por meio do método Evolutionary; () ˆx UHT para um Equações 6 e 7, e no caso da Equação 8, faz referência à ˆx UHT para um Equação 6, e no caso das Equações 7 e 8, faz referência à As combinações utilizando-se mínimos quadrados foram as seguintes: AR_MLP_MQ, AR_DMLP_MQ e MLP_DMLP_MQ. Na primeira combinação, os pesos w e w obtidos foram 0,7085 e 0,935, respectivamente, e o erro quadrático médio igual a 0,33. Os pesos w e w obtidos para a segunda foram 0,349 e 0,6488, respectivamente, e o erro quadrático médio igual a,5. Os pesos w e w obtidos para a terceira combinação foram 0,736 e 0,783, respectivamente, e o erro quadrático médio igual a,73. Nas Equações 9, 0 e é exemplificado a combinação para a previsão de um período adiante. zˆ () w + w ( AR _ MLP _ MQ) 0,7085(49,45) + 0,935(36,3) 45,69 zˆ () w + w ( AR _ DMLP _ MQ) 0,349(49,45) + 0,6488(40,04) 43,5 zˆ () w + w ( MLP _ DMLP_ MQ) 0,736(36,3) + 0,783(40,04) 39,0 (9) (0)
7 ( AR _ MLP _ MQ ) modelos SARIMA e MLP pelo método de mínimos quadrados; ( AR _ DMLP _ MQ ) modelos SARIMA e DMLP pelo método de mínimos quadrados; ( MLP _ DMLP _ MQ) modelos MLP e DMLP pelo método de mínimos quadrados; w : peso ótimo da combinação obtido por meio do método Evolutionary, para a previsão do modelo SARIMA, no caso das Equações 9 e 0, e, no caso da Equação, para a previsão do modelo MLP; w : peso ótimo da combinação obtido por meio do método Evolutionary, para a previsão do modelo MLP, no caso das Equação 9, e, no caso das Equações 0 e, para a previsão do modelo DMLP; () ˆx UHT para um Equações 9 e 0, e no caso da Equação, faz referência à ˆx UHT para um Equação 9, e no caso das Equações 0 e, faz referência à Para o último método utilizado, o Inverse Mean Square (IM), fez-se necessário o cálculo dos pesos de cada uma das previsões, realizado por meio do MSE dos modelos de previsão, em cada período de tempo. O MSE, conforme [8], foi calculado por meio de uma média móvel de três períodos a partir dos resíduos quadráticos de cada previsão. Os pesos w e w foram obtidos por meio das equações que podem ser verificadas em [7] e [8], e os parâmetros de entrada foram o erro quadrático médio do modelo ARIMA e o erro quadrático médio do modelo combinado. Nas Equações, 3 e 4 são exemplificados as combinações para um período adiante. () (AR _ MLP_ IM) w + w 0,8(49,45) + 0,9(36,3) 47,00 (AR_ DMLP_ IM) () w + w 0,69(49,45) + 0,3(40,04) 46,55 (MLP_ DMLP_ IM) () w + w 0,34(36,3) + 0,66(40,04) 38,77 () (3) (4) ( AR _ MLP _ IM ) modelos SARIMA e MLP pelo método inverse mean square; ( AR _ DMLP _ IM ) modelos SARIMA e DMLP pelo método inverse mean square; ( MLP _ DMLP _ IM ) modelos MLP e DMLP pelo método inverse mean square; w : peso ótimo da combinação obtido por meio do método inverse mean square, para a previsão do modelo SARIMA, no caso das Equações e 3, e, no caso da Equação 4, para a previsão do modelo MLP; w : peso ótimo da combinação obtido por meio do método inverse mean square, para a previsão do modelo MLP, no caso das Equação, e, no caso das Equações 3 e 4, para a previsão do modelo DMLP; () ˆx UHT para um Equações e 3, e no caso da Equação 4, faz referência à ˆx UHT para um Equação, e no caso das Equações 3 e 4, faz referência à Após realizadas as combinações das previsões, pode-se calcular os resultados de cada combinação para o conjunto de modelagem e para o conjunto de previsão para, posteriormente, selecionar aquela considerada a melhor para a série temporal em estudo. A combinação de previsões que forneceu o melhor resultado foi a AR_DMLP_IM. Nas Fig. 6(a) e 6(b) são mostrados os valores previstos pela combinação, além dos valores reais da série. Os testes de comparação realizados indicaram que, no caso do teste KW, os grupos que diferem de forma estatisticamente significativa ao nível de significância de % são os seguintes: G e G; G e G3; G e G4; e, G3 e G4. No caso do teste KW, os grupos são os seguintes: G e G3; e, G3 e G4. O teste KW3 mostrou diferenças significativas, ao nível de significância supracitado, nos seguintes grupos: G e G; G e G3; G e G4; e, G3 e G4. Por fim, no caso do teste KW4, os grupos que diferem são: G e G3; e, G3 e G4. Após, foram verificados os grupos que diferem por meio do teste de Dunn [9]. Pode-se concluir que as combinações das previsões dos modelos MLP e DMLP não melhoraram significativamente o desempenho em relação aos modelos individuais, do G. Para o horizonte de previsão de 6 meses, em geral, a combinação dos modelos ARIMA e MLP apresentou o melhor
8 desempenho, mas a diferença não foi significativa quando comparada ao desempenho da combinação dos modelos ARIMA e DMLP. Para o horizonte de previsão de meses, a combinação dos modelos ARIMA e DMLP apresentou o melhor desempenho, mas que também não é significativo quando comparado a combinação dos modelos ARIMA e MLP. Para o horizonte de previsão de 6 meses, em geral, a combinação dos modelos SARIMA e MLP apresentou o melhor desempenho, mas a diferença não foi significativa quando comparada ao desempenho da combinação dos modelos SARIMA e DMLP. Para o horizonte de previsão de meses, a combinação dos modelos SARIMA e DMLP apresentou o melhor desempenho, mas também não foi significativa quando comparada à combinação dos modelos SARIMA e MLP. Demanda agregada (x0 5 litros) AR_DMLP_IM Valores reais da série IV. CONCLUSÕES A melhor combinação de previsões da série temporal da demanda agregada de leite UHT, utilizando os modelos de Box-Jenkins e MLP/RNA como previsores na combinação, possibilitou a flexibilidade na captura dos diversos padrões existentes nas séries. Observou-se um melhor desempenho no caso da combinação dos modelos SARIMA(3,0,)(,,0) e DMLP(6,5,) pelo método inverse mean square. No horizonte de 6 meses, a combinação forneceu um desempenho de até 56,0% melhor que o SARIMA e até 66,5% melhor que o DMLP, que foram os modelos utilizados na combinação. Desempenho (%) Desempenho (%) Período (meses) G (M) G(R) G3(M) G3(R) G4(M) G4(R) Grupos (critérios) AR_DMLP_IM Valores reais da série Período (meses) Figura 6. Valores previstos pela combinação AR_DMLP_IM para 6 meses adiante (a) e valores previstos pela combinação para meses adiante (b). Nas Fig. 7(a) e 7(b) são mostrados os box-plot para o desempenho obtido nos grupos de combinações em relação às previsões dos modelos individuais, conforme os critérios utilizados. O G(M), por exemplo, corresponde ao box-plot do grupo calculado por meio do critério MAPE, enquanto o G(R), o do grupo calculado pelo critério RMSE. Pelo RMSE, o melhor desempenho na previsão 6 meses adiante foi a AR_MLP_IM. No horizonte de previsão de meses, o melhor desempenho foi obtido pela combinação AR_DMLP_IM. A combinação escolhida para realizar a previsão da série, para ambos os horizontes, foi a AR_DMLP_IM. A diferença média do desempenho desta na previsão para 6 meses, comparado a AR_MLP_IM, conforme o MAPE, é de 4% superior em relação à segunda e, pelo RMSE, a segunda combinação é,6% superior em relação à AR_DMLP_IM. Desempenho (%) Desempenho (%) G (M) G(R) G3(M) G3(R) G4(M) G4(R) Grupos (critérios) Figura 7. Box-plot do desempenho percentual obtido com as previsões de cada grupo em relação aos resultados do G no horizonte de previsão para 6 meses (a) e no horizonte de previsão para meses adiante (b). No horizonte de meses, o desempenho da combinação foi de até 40,% e até 56,5% superior, respectivamente. Pode-se concluir que as combinações das previsões dos modelos MLP e DMLP não melhoraram significativamente o desempenho em relação aos modelos individuais, inclusive o SARIMA. As combinações dos modelos ARIMA e MLP, e ARIMA e DMLP, melhoraram significativamente o desempenho das previsões na comparação com os resultados do G, mas não houve diferença estatisticamente significativa no desempenho entre estas combinações. As técnicas de combinação são simples de serem utilizadas e, em geral, melhoram a capacidade preditiva da série. Porém, devem ser utilizados bons modelos como previsores onde, para a obtenção de maior acurácia na previsão, tendo em vista os diversos padrões existentes nas séries, recomenda-se a
9 utilização dos modelos de Box-Jenkins e os modelos MLP/RNA. Considerando o crescente número de pesquisas na área de previsão de séries temporais por meio de modelos híbridos [4], [6], [8], [9], [0], [] e [3], sugere-se a realização estudos comparativos do desempenho dessa classe de modelos na previsão de demanda, em relação aos tradicionais métodos de combinação estudados na literatura, a exemplo dos métodos utilizados neste artigo. Finalizando, conclui-se que as metodologias propostas podem contribuir significativamente para orientar tomadas de decisão e no planejamento de processos produtivos, podendo ser eficientes para inúmeras séries temporais. AGRADECIMENTOS À CAPES, pela bolsa concedida para a realização deste estudo. REFERÊNCIAS [] G. E. P. Box, G. M. Jenkins, Time series analysis. San Francisco, EUA: Holden-Day, 976. [] S. Makridakis, S. C. Wheelwright and R. J. Hyndman, Forecasting: Methods and Applications, Wiley & Sons, 998. [3] G. P. Zhang, B. E. Patuwo, M. Y. Hu, A simulation study of artificial neural networks for nonlinear time series forecasting, Computers & Operations Research, No. 8, p , 00. [4] F. M. Tseng, H. C. Yu, G. H. Tzeng, Combining neural network model with seasonal time series ARIMA model, Technological Forecasting and Social Change, No. 69, p.7-87, 00. [5] S. L. Ho, M. Xie, T. N. Goh, A comparative study of neural network and Box-Jenkins ARIMA modeling in time series prediction, Computers & Industrial Engineering, No. 4, p , 00. [6] G. P. Zhang, Time series forecasting using a hybrid ARIMA and neural network model, Neurocomputing, No. 50, p.59-75, 003. [7] G. P. Zhang, M. Qi, Neural network forecasting for seasonal and trend time series, European Journal of Operational Research, No. 60, p.50-54, 005. [8] L. Aburto, R. Weber, Improved supply chain management based on hybrid demand forecasts, Applied Soft Computing, No. 7, p.36-44, 007. [9] D. O. Faruk, A hybrid neural network and ARIMA model for water quality time series prediction, Engineering Applications of Artificial Intelligence, No. 3, p , 00. [0] M. Khashei, M. Bijari, An artificial neural network (p,d,q) model for time series forecasting, Expert Systems with Applications, No. 37, p , 00. [] E. Guresen, G. Kayakutlu, T. U. Daim, Using artificial neural network models in stock market prediction, Expert Systems with Applications, No. 38, p , 0. [] T. M. Choi, Y. Yu, K. F. Au, A hybrid SARIMA wavelet transform method for sales forecasting, Decision Support Systems, No. 5, p.30-40, 0. [3] Y. S. Lee, L. I. Tong, Forecasting time series using a methodology based on autoregressive integrated moving average and genetic programming, Knowledge-Based Systems, No. 4, p.66-7, 0. [4] J. M. Bates, C. W. J. Granger, The combination of forecasts, Operational Research Quarterly, No. 4, p , 969. [5] R. T. Clemen, Combining forecasts: a review and annoted bibliography, International Journal of Forecasting, No. 5, p , 989. [6] J. H. Stock, M. Watson, Combination forecasts of output growth in a seven-country data set, Journal of Forecasting, No. 3, p , 004. [7] J. H. Stock, M. W. Watson, A comparison of linear and nonlinear univariate models for forecasting macroeconomic time series, In. R. F. Engle, H. White, Cointegration, causality and forecasting: a festschrift in honour of Clive W. J. Granger. Cambridge, UK: Cambridge University Press, 999. [8] R. R. Andrawis, A. F. Atiya, H. El-Shishiny, Combination of long term and short term forecasts, with application to tourism demand forecasting, International Journal of Forecasting, No. 7, p , 0. [9] S. Siegel, J. Castellan, Nonparametric statistics for the behavioral sciences, McGraw-Hill, 988. [0] D. Dickey, W. A. Fuller, Distribution of the Estimates for Autoregressive Time Series with a Unit Root, Journal of the American Statistical Association, No. 74, p.47-43, 979. [] A. J. Patton, K. Sheppard, Optimal combinations of realized volatility estimators, International Journal of Forecasting, No. 5, p.8-38, 009. William Jacobs é graduado em Engenharia de Produção pelo Centro Universitário Univates (UNIVATES), em Lajeado, RS, Brasil. É Mestre em Engenharia de Produção pela Universidade Federal de Santa Maria (UFSM), RS, Brasil. É professor nos cursos de graduação em Administração e Engenharia na UNIVATES, onde leciona disciplinas voltadas ao apoio à decisão por meio de métodos quantitativos. Adriano Mendonça Souza é formado em Matemática e Física pela Faculdade Imaculada Conceição (FIC), em Santa Maria, RS, Brasil. Tem o título de Especialista em Estatística e Modelagem Quantitativa, e Mestrado em Engenharia de Produção pela Universidade Federal de Santa Maria (UFSM), RS, Brasil. Realizou Doutorado em Engenharia de Produção pela Universidade Federal de Santa Catarina (UFSC). Atualmente é professor Associado no Departamento de Estatística da Universidade Federal de Santa Maria (UFSM) e suas pesquisas se concentram na área de Modelagem Estatística com Séries Temporais, Controle de Qualidade e Análise Multivariada. Roselaine Ruviaro Zanini possui licenciatura em Matemática e Física pela Faculdade Imaculada Conceição (FIC), em Santa Maria, RS, Brasil. Tem o título de Especialista em Estatística e Modelagem Quantitativa, e Mestrado em Engenharia de Produção pela Universidade Federal de Santa Maria (UFSM), RS, Brasil. Realizou, em 007, Doutorado em Epidemiologia pela Universidade Federal do Rio Grande do Sul (UFRGS). Desde 996 é professora no Departamento de Estatística da Universidade Federal de Santa Maria (UFSM) e suas pesquisas se concentram na área de Modelagem Estatística e Estatística Aplicada.
Aplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante
Aplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante Eduardo Campana Barbosa1 Carlos Henrique Osório Silva2 Resumo: Utilizou-se a metodologia Box & Jenkins para previsão da demanda
Leia mais4 APLICAÇÕES À SÉRIE TEMPORAL DE CONSUMO RESIDENCIAL MENSAL DE ENERGIA ELÉTRICA
4 APLICAÇÕES À SÉRIE TEMPORAL DE CONSUMO RESIDENCIAL MENSAL DE ENERGIA ELÉTRICA No capítulo 4, são aplicados os métodos individuais e os combinados à projeção de curto prazo da série de consumo residencial
Leia maisMELHORA DO MODELO SARIMA PARA A PREVISÃO DA DEMANDA MÁXIMA DE CARGA DE ENERGIA DA PUC-RIO UTILIZANDO A SIMULAÇÃO PELO MÉTODO DE MONTE CARLO
João Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016 MELHORA DO MODELO SARIMA PARA A PREVISÃO DA DEMANDA MÁXIMA DE CARGA DE ENERGIA DA PUC-RIO UTILIZANDO A SIMULAÇÃO PELO MÉTODO DE MONTE CARLO SERGIO
Leia mais3 Modelos Comparativos: Teoria e Metodologia
3 Modelos Comparativos: Teoria e Metodologia Para avaliar o desempenho do modelo STAR-Tree, foram estimados os modelos Naive, ARMAX e Redes Neurais. O ajuste dos modelos ARMAX e das redes neurais foi feito
Leia maisAnálise comparativa entre métodos estatístico e rede neural aplicados em séries temporais
Análise comparativa entre métodos estatístico e rede neural aplicados em séries temporais Ana Paula de Sousa José Elmo de Menezes Introdução As formas funcionais dos modelos de previsão das redes neurais
Leia maisAnálise de previsão da inflação no período pós-plano Real
Análise de previsão da inflação no período pós-plano Real Marina Rodrigues Maestre 1 Jayane Pereira de Oliveira 2 Raquel Castellucci Caruso Sachs 3 Vitor Augusto Ozaki 4 1 Introdução Durante a década de
Leia maisCombinação Geométrica de Métodos Preditivos; Aplicação à Previsão de Consumo Residencial Mensal de Energia Elétrica
Luiz Albino Teixeira Júnior Combinação Geométrica de Métodos Preditivos; Aplicação à Previsão de Consumo Residencial Mensal de Energia Elétrica Dissertação de Mestrado Dissertação apresentada como requisito
Leia maisAJUSTE DE UM MODELO DE SÉRIES TEMPORAIS PARA PREVISÃO DA TEMPERATURA MÍNIMA DO AR PARA LAVRAS/MG EM 2011
AJUSTE DE UM MODELO DE SÉRIES TEMPORAIS PARA PREVISÃO DA TEMPERATURA MÍNIMA DO AR PARA LAVRAS/MG EM 2011 LUIZ G. CARVALHO 1, CAMILA C. ALVARENGA 2 DANIELA C. RODRIGUES 3 1 Eng. Agrícola, Prof. Adjunto,
Leia maisAplicação da Metodologia Box & Jenkins a dados de produção de leite cru do estado do Paraná (PR)
Aplicação da Metodologia Box & Jenkins a dados de produção de leite cru do estado do Paraná (PR) Eduardo Campana Barbosa 12 Carlos Henrique Osório Silva 3 Rômulo César Ricardo Gonçalves Tavares 4 Tiago
Leia maisMÉTODOS DE PREVISÃO: UMA ESTRATÉGIA DE PLANEJAMENTO PARA MANTER ESTOQUES FORECAST METHODS: A PLANNING STRATEGY TO MAINTAIN STOCKS
Eixo Temático: Estratégia e Negócios MÉTODOS DE PREVISÃO: UMA ESTRATÉGIA DE PLANEJAMENTO PARA MANTER ESTOQUES FORECAST METHODS: A PLANNING STRATEGY TO MAINTAIN STOCKS RESUMO Bianca Reichert, Adriano Mendonça
Leia maisMetodologia de Box-Jenkins. Metodologia de Box-Jenkins. Metodologia de Box-Jenkins
Programa de Pós-graduação em Engenharia de Produção Análise de séries temporais: Modelos de Box-Jenkins Profa. Dra. Liane Werner Metodologia de Box-Jenkins Para os modelos de decomposição e os modelos
Leia maisModelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais
Modelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais João Eduardo da Silva Pereira (UFSM) jesp@smail.ufsm.br Tânia Maria Frighetto (UFSM) jesp@smail.ufsm.br
Leia maisAnálise da série temporal do desemprego em regiões metropolitanas do Brasil
Análise da série temporal do desemprego em regiões metropolitanas do Brasil Érica Fernanda da Cruz 1 3 Tamara Aparecida Nogueira dos Anjos 2 Thelma Sáfadi 2 1 Introdução O desemprego no Brasil é uma constante
Leia maisJorge Caiado CEMAPRE/ISEG, Universidade Técnica de Lisboa Web:
CEMAPRE/ISEG, Universidade Técnica de Lisboa Email: jcaiado@iseg.utl.pt Web: http://pascal.iseg.utl.pt/~jcaiado/ 1 Uma série temporal (time series) consiste num conjunto de observações de uma variável,
Leia mais5 Estudo de Caso e Resultados
5 Estudo de Caso e Resultados 5.1. Introdução Finalizado o desenvolvimento da ferramenta, é indispensável testar suas funcionalidades e a eficácia da aplicação conjunta dos seus módulos de geração de experimentos
Leia maisPREVISÃO DA PRODUÇÃO DE ÁLCOOL
APLICAÇÃO Aplicação DE REDES de redes NEURAIS neurais artificiais... ARTIFICIAIS NA 279 PREVISÃO DA PRODUÇÃO DE ÁLCOOL Application of artificial neural networks in the forecast of alcohol production Anderson
Leia maisAnálise do consumo de energia elétrica da cidade de Uberlândia MG, utilizando modelos de séries temporais
Análise do consumo de energia elétrica da cidade de Uberlândia MG, utilizando modelos de séries temporais Guilherme Alvarenga Laia 1 Maria Imaculada de Sousa Silva 2 Nádia Giaretta Biase 3 1 Introdução
Leia maisPREVISÃO EM SÉRIES TEMPORAIS COMBINANDO MODELOS ESTATÍSTICOS E CONCEITOS FUZZY
Especial Innovation Day 2015 PREVISÃO EM SÉRIES TEMPORAIS COMBINANDO MODELOS ESTATÍSTICOS E CONCEITOS FUZZY FORECASTING IN TIME SERIES COMBINING STATISTICAL MODELS AND FUZZY CONCEPTS Data de entrega dos
Leia maisMulti-Layer. Perceptron. Sumário. Previsão de Séries Temporais
Multi-Layer Perceptron Previsão de Séries Temporais Sumário O problema de Previsão de Carga Modelagem das Redes Neurais MLP Estudo de Casos Resultados 11 Previsão de Carga Um sistema preciso de previsão
Leia mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisRafael Gomes Loiola (PUC GOIÁS ) Maria Jose Pereira Dantas (PUC GOIÁS )
João Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016 PREVISÃO DE SÉRIES TEMPORAIS DE DEMANDA DE PRODUTOS DE UMA EMPRESA DO RAMO METAL MECÂNICO POR MEIO DO MÉTODO CLÁSSICO DE BOX-JENKINS E REDES NEURAIS
Leia maisUtilização do modelo Holt-Winters para previsão das vendas de leite em um laticínio no oeste paranaense
Utilização do modelo Holt-Winters para previsão das vendas de leitm um laticínio no oeste paranaense Anariele Maria Minosso 1 Silvana Lígia Vincenzi Bortolotti 2 Katiane de Oliveira 3 1 Introdução A cadeia
Leia maisAvaliação da produção de cana-de-açúcar no Brasil através do estudo de séries temporais
Avaliação da produção de cana-de-açúcar no Brasil através do estudo de séries temporais 1 Introdução Micherlania da Silva Nascimento 1 Leila Maria Ferreira 2 Tatiane Carvalho Alvarenga 3 4 O Brasil é o
Leia maisPrevisão da Velocidade dos Ventos por Redes Neurais Artificiais e ARIMA de Box & Jenkins
Previsão da Velocidade dos Ventos por Redes Neurais Artificiais e de Box & Jenkins Daniela J. Rossi, Anna D. P. Lotufo, Mara L. M. Lopes Depto de Engenharia Elétrica, FEIS, UNESP 13-000, Ilha Solteira,
Leia maisPrevisão de séries temporais através da combinação de modelo híbrido ARIMA e redes neurais artificiais
Universidade Federal de Pernambuco Centro de Informática Graduação em Ciências da Computação Previsão de séries temporais através da combinação de modelo híbrido ARIMA e redes neurais artificiais Pedro
Leia maisPrevisão de Cargas Elétricas através de um Modelo Híbrido de Regressão com Redes Neurais Artificiais
1 Previsão de Cargas Elétricas através de um Modelo Híbrido de Regressão com Redes Neurais Artificiais Thays Abreu, Miguel Paredes, Klayton A. M. Araujo, Mara L. M. Lopes e Anna Diva P. Lotufo, Membro
Leia maisUso de séries temporais na análise da temperatura média mensal da cidade de Mossoró, RN
Uso de séries temporais na análise da temperatura média mensal da cidade de Mossoró, RN Ben Dêivide de Oliveira Batista 1 2 Tales Jesus Fernandes 2 Thelma Sáfadi 2 Wesley de Oliveira Santos 3 1 Introdução
Leia mais6 Aplicação da Metodologia Proposta
6 Aplicação da Metodologia Proposta 6.1 Introdução A utilização da metodologia Box & Jenkins para a identificação da estrutura adequada é tarefa difícil para um usuário sem conhecimento prévio. Por isso,
Leia maisPrevisão de Séries Temporais
Multi-Layer Perceptron Previsão de Séries Temporais Sumário O proble ma de Previsão de Carga Modelagem das Redes Neurais MLP Estudo de Casos Resultados 1 Previsão de Carga Um sistema preciso de previsão
Leia maisANÁLISES E PREVISÕES DE VAZÕES DO RIO GRANDE UTILIZANDO MODELOS DE BOX & JENKINS E REDES NEURAIS ARTIFICIAIS
ANÁLISES E PREVISÕES DE VAZÕES DO RIO GRANDE UTILIZANDO MODELOS DE BOX & JENKINS E REDES NEURAIS ARTIFICIAIS André L. F. Batista 1 1 Departamento de Informática Instituto Federal de Educação, Ciência e
Leia mais5 PREVISÃO DE SÉRIES TEMPORAIS DE VAZÃO DE DRENOS DA BARRAGEM DE FUNIL
5 PREVISÃO DE SÉRIES TEMPORAIS DE VAZÃO DE DRENOS DA BARRAGEM DE FUNIL 5.1 Introdução Existem situações, como por exemplo, em grandes obras de engenharia (portos, barragens, usinas nucleares, etc.), em
Leia maisMulti-Layer. Perceptron. Sumário. Aplicações de Redes Neurais. Previsão de Séries Temporais. Aplicações de Previsão
Aplicações de Redes Neurais Multi-Layer Perceptron Previsão de Séries Temporais Inferência da Qualidade de Produtos de Destilação (Soft Sensors) Classificação de Imagens Determinação da Carga Limite em
Leia maisModelagem do preço da soja utilizando a metodologia de análise de séries temporais 1
Modelagem do preço da soja utilizando a metodologia de análise de séries temporais 1 Jair Wyzykowski 2 Maíra Rodrigues Villamagna 3 Thelma Sáfadi 4 Augusto Ramalho de Morais 5 1 Introdução Uma série é
Leia maisRedes Neurais: Uma Aplicação na Previsão de Vendas
Redes Neurais: Uma Aplicação na Previsão de Vendas Angela P. Ansuj Maria Emília Camargo Deoclécio Gomes Petry Programa de Pós-Graduação em Métodos Quantitativos Departamento de Estatística - Centro de
Leia maisAnálise do volume útil do reservatório de Furnas via modelos de séries temporais
Análise do volume útil do reservatório de Furnas via modelos de séries temporais Cristina Henriques Nogueira 1 3 Thelma Sáfadi 2 1 Introdução A energia elétrica é, sem dúvida, um recurso indispensável
Leia maisSELEÇÃO DE VARIÁVEIS STEPWISE APLICADAS EM REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE DEMANDA DE CARGAS ELÉTRICAS
SELEÇÃO DE VARIÁVEIS STEPWISE APLICADAS EM REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE DEMANDA DE CARGAS ELÉTRICAS MARLEIDE F. ALVES 1, ANNA DIVA P. LOTUFO 1, MARA LÚCIA M. LOPES 2 1. Laboratório de Sistemas
Leia maisPREVISÃO DE PREÇO DO QUILO DO CAFÉ ARÁBICA: UMA APLICAÇÃO DOS MODELOS ARIMA E GARCH
VI Simpósio de Pesquisa dos Cafés do Brasil PREVISÃO DE PREÇO DO QUILO DO CAFÉ ARÁBICA: UMA APLICAÇÃO DOS MODELOS ARIMA E GARCH Alan Figueiredo de Arêdes 1 ; Matheus Wemerson Gomes Pereira ; Erly Cardo
Leia maisAnálise do custo médio por metro quadrado da construção civil no estado de Minas Gerais usando modelos de séries temporais
Análise do custo médio por metro quadrado da construção civil no estado de Minas Gerais usando modelos de séries temporais 1 Introdução Charles Shalimar Felippe da Silva 1 Ricardo Vitor Ribeiro dos Santos
Leia maisUtilizando a função auto.arima em modelos de séries temporais
Utilizando a função auto.arima em modelos de séries temporais Erasnilson Vieira Camilo 1 2 Marina Rodrigues Maestre 1 Rick Anderson Freire Mangueira 1 Elias Silva de Medeiros 1 Cristian Villegas 1 1 Introdução
Leia maisMulti-Layer. Perceptron. Sumário. Aplicações de Redes Neurais. Previsão de Séries Temporais. Aplicações de Previsão
Aplicações de Redes Neurais Multi-Layer Perceptron Previsão de Séries Temporais Inferência da Qualidade de Produtos de Destilação (Soft Sensors) Classificação de Imagens Determinação da Carga Limite em
Leia maisPrevisão da inflação do indicador IGP-M através de um modelo ARIMA
Previsão da inflação do indicador IGP-M através de um modelo ARIMA Mauricio Mattos Junho de 2014 Resumo Esse trabalho visa identificar um modelo ARIMA que seja efetivo na descrição e predição dos valores
Leia maisACURÁCIA NA PREVISÃO DE PREÇOS DE CELULOSE DE FIBRA CURTA BRASILEIRA
ACURÁCIA NA PREVISÃO DE PREÇOS DE CELULOSE DE FIBRA CURTA BRASILEIRA Lucas Gabriel Souza Santos (1) ; Jessica da Silva Cavalotti (2) ; Júlio Conceição dos Santos Neto (3) ; George Moreira Oliveira (4)
Leia maisUma Aplicação de Árvores de Decisão, Redes Neurais e KNN para a Identificação de Modelos ARMA Não-Sazonais e Sazonais
Luiza Maria Oliveira da Silva Uma Aplicação de Árvores de Decisão, Redes Neurais e KNN para a Identificação de Modelos ARMA Não-Sazonais e Sazonais Tese de Doutorado Tese apresentada ao Programa de Pós-graduação
Leia maisUm Modelo Híbrido para Previsão de Curto Prazo da Demanda de Gasolina Automotiva no Brasil
Proceedings of the V Brazilian Conference on Neural Networks - V Congresso Brasileiro de Redes Neurais pp. 403 407, April 2 5, 2001 - Rio de Janeiro - RJ - Brazil Um Modelo Híbrido para Previsão de Curto
Leia maisAnálise e previsão das taxas da população ocupada em Fortaleza, Ceará, de setembro de 1991 a dezembro de 2008
Análise e previsão das taxas da população ocupada em Fortaleza, Ceará, de setembro de 1991 a dezembro de 2008 Daniela Bandeira, Paulo Germano, Filipe Formiga e Jeremias Leão Universidade Federal do Piauí
Leia maisAplicação de modelos de previsão estocástica para séries mensais de vazões médias na região hidrográfica do Paraná
Aplicação de modelos de previsão estocástica para séries mensais de vazões médias na região hidrográfica do Paraná Edmundo W. M. Lucas 1 ; Fabrício D. S. Silva 1 ; Gabriel F. Sarmanho 1,3 e Andrea M. Ramos
Leia maisMODELO APLICADO À PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA DO CAMPUS I DO CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA DE MINAS GERAIS (CEFET-MG).
MODELO APLICADO À PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA DO CAMPUS I DO CENTRO FEDERAL DE EDUCAÇÃO. Introdução TECNOLÓGICA DE MINAS GERAIS (CEFET-MG). Luciane Teixeira Passos Giarola Fátima Oliveira Takenaka
Leia mais4 Desenvolvimento dos Modelo
68 4 Desenvolvimento dos Modelo Neste capítulo são desenvolvidos três modelos para previsão da velocidade do vento, a saber: modelo estatístico que combina a metodologia do modelo Box&Jenkins com a regressão
Leia maisUM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA
UM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA SOUZA, REGIANE MÁXIMO YOSHINO, RUI TADASHI HANISC,H, WERNER SIEGFRIED ETO, REGINA FUMIE Palavras-chaves: Artificial Neural
Leia maisANÁLISE DO DESEMPENHO DE TÉCNICAS DE PREVISÃO DE DEMANDA APLICADAS AOS DADOS HISTÓRICOS DA DEMANDA DE UMA AGROINDÚSTRIA
ANÁLISE DO DESEMPENHO DE TÉCNICAS DE PREVISÃO DE DEMANDA APLICADAS AOS DADOS HISTÓRICOS DA DEMANDA DE UMA AGROINDÚSTRIA Autores: Renan Mitsuo Ueda 1, Ícaro Romolo Sousa Agostino 2, Rodolfo Benedito da
Leia maisUma Aplicação dos Modelos Box-Jenkins para Previsão de Demanda na Área de Assistência Técnica de Computadores Pessoais
Uma Aplicação dos Modelos Box-Jenkins para Previsão de Demanda na Área de Assistência Técnica de Computadores Pessoais Liane Werner Departamento de Estatística, Universidade Federal do Rio Grande do Sul,
Leia maisAnálise da série do custo da cesta básica de Belo Horizonte, MG.
Análise da série do custo da cesta básica de Belo Horizonte, MG. Tamara Aparecida Nogueira dos Anjos 12 Érica Fernanda da Cruz 3 Thelma Sáfadi 3 1 Introdução Em nosso dia-a-dia é comum fenômenos que evoluem
Leia maisPrevisão de taxas de falhas utilizando o Método de Box & Jenkins. Forecast of failure rates using the Box & Jenkins Method
Previsão de taxas de falhas utilizando o Método de Box & Jenkins Débora Morales1 (UFPR) debora_mo2@hotmail.com Naiara Fernanda Johnsson 2 (UFPR) nai_johnsson@hotmail.com Resumo: O presente artigo propõe
Leia mais8. Aplicação a uma Série Real de Velocidade do Vento
12 8. Aplicação a uma Série Real de Velocidade do Vento A energia de origem hidrelétrica predomina na matriz elétrica brasileira. No entanto, alguns fatos têm gerado preocupações quanto ao atendimento
Leia maisUNIVERSDADE AGOSTINHO NETO FACULDADE DE ECONOMIA. Maio 2018 Aula 7
1 UNIVERSDADE AGOSTINHO NETO FACULDADE DE ECONOMIA Maio 2018 Aula 7 Armando Manuel 09/29/2017 10. ECONOMETRIA DAS SERIES TEMPORAIS a) Processos Estocásticos b) A Cointegração c) A Previsão 1. Modelo Box
Leia maisEixo Temático: Estratégia e Internacionalização de Empresas ANÁLISE DO COMPORTAMENTO DO PREÇO DE SOJA, MILHO E TRIGO NA BOLSA DE VALORES DE CHICAGO
Eixo Temático: Estratégia e Internacionalização de Empresas ANÁLISE DO COMPORTAMENTO DO PREÇO DE SOJA, MILHO E TRIGO NA BOLSA DE VALORES DE CHICAGO ANALYSIS OF THE BEHAVIOR OF SOY, CORN AND WHEAT PRICES
Leia maisAnálise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais. Eraylson Galdino
Análise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais egs@cin.ufpe.br Agenda Séries Temporais: Definições Exemplos Modelos simples com média zero: Ruído I.I.D Processo Binário Random
Leia maisAjuste de modelos de séries temporais para pressão atmosférica de Uberlândia
Ajuste de modelos de séries temporais para pressão atmosférica de Uberlândia Valiana Alves Teodoro Mirian Fernandes Carvalho Araújo Lúcio Borges de Araújo Introdução Na comercialização de produtos originados
Leia maisDeterminação da Estabilidade de Variáveis de Produção Utilizando a Metodologia VAR e Gráficos de Controle Multivariados
48 Determinação da Estabilidade de Variáveis de Produção Utilizando a Metodologia VAR e Gráficos de Controle Multivariados Determination of the Stability of Production Variables Using the VAR Methodology
Leia maisRedes Neurais aplicadas na predição de valores genéticos
Redes Neurais aplicadas na predição de valores genéticos Gabi Nunes Silva 1 Isabela de Castro Sant'Anna 2 Rafael Simões Tomaz 3 Cosme Damião Cruz 2 1 Introdução Nos programas de melhoramento genético,
Leia maisTENDÊNCIAS DO PREÇO DA ARROBA DO BOI GORDO, USO DE SÉRIES TEMPORAIS E MODELO ARIMA NO SPSS
TENDÊNCIAS DO PREÇO DA ARROBA DO BOI GORDO, USO DE SÉRIES TEMPORAIS E MODELO ARIMA NO SPSS 72 William Leles de Souza Costa Resumo Brasil, tem atualmente o maior rebanho bovino comercial do mundo, com aproximadamente
Leia maisXXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
MODELO COMBINADO DE SUAVIZAÇÃO EXPONENCIAL COM CORREÇÃO DE ESPAÇO DE ESTADO E METODOLOGIA BOX-JENKINS PARA PREVISÃO DE VENDAS DE IMÓVEIS RESIDÊNCIAIS DE SÃO PAULO Matheus Fernando Moro (UFSC) morosmi@hotmail.com
Leia maisANÁLISE DO COMPORTAMENTO FUTURO DO PREÇO DO CIMENTO PORTLAND CP IV
João Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016 ANÁLISE DO COMPORTAMENTO FUTURO DO PREÇO DO CIMENTO PORTLAND CP IV Bianca Reichert (UFSM ) biancareichert@hotmailcom Adriano Mendonca Souza (UFSM )
Leia maisCÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS.
CÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS. A. B. B. GIOPATTO 1, E. A. SILVA 2, T. D. MARTINS 1 1 Universidade Federal de São Paulo, Departamento
Leia maisCADERNOS DO IME Série Estatística
CADERNOS DO IME Série Estatística USO DOS MODELOS PREVIVAZM E PREVIVAZ PARA PREVISÃO DE AFLUÊNCIAS MENSAIS AOS APROVEITAMENTOS HIDROELÉTRICOS TUCURUÍ E CURUÁ-UNA Maria Teresa Chico Rivera Quintão ELETRONORTE
Leia mais6 Referências bibliográficas
6 Referências bibliográficas BARROS, M.; SOUZA, R.C. Regressão Dinâmica. Núcleo de Estatística Computacional. PUC-Rio, 1995. BARROS, M. Processos Estocásticos. Rio de Janeiro. Papel Virtual, 2004. BROCKWELL,
Leia maisEliane da Silva Christo. Previsão de Potência Reativa. Tese de Doutorado
Eliane da Silva Christo Previsão de Potência Reativa Tese de Doutorado Tese apresentada como requisito parcial para obtenção do título de Doutor pelo Programa de Pós- Graduação em Engenharia Elétrica da
Leia maisPREVISÃO DE DADOS DE SÉRIES TEMPORAIS DOS PIBS BRASILEIRO E AMERICANO ATRAVÉS DO MODELO ARIMA
Engenharia de Produção, Infraestrutura e Desenvolvimento Sustentável: a Agenda Brasil+0 Curitiba, PR, Brasil, 07 a 0 de outubro de 204. PREVISÃO DE DADOS DE SÉRIES TEMPORAIS DOS PIBS BRASILEIRO E AMERICANO
Leia maisAPLICAÇÃO DE REDES NEURAIS DIRETAS NA PREVISÃO DE PREÇOS DE OVOS
APLICAÇÃO DE REDES NEURAIS DIRETAS NA PREVISÃO DE PREÇOS DE OVOS Autor(es) Milena Tápia Email: milena@inf.ufsc.br Vínculo: Universidade Federal de Santa Catarina - UFSC Endereço: Centro Tecnológico Telefone:
Leia mais2. Séries Temporais Definição
23 2. Séries Temporais 2.1. Definição Um processo estocástico é uma função aleatória que evolui no tempo (e/ou no espaço), definida sob um espaço de probabilidades. Mais precisamente, um processo estocástico
Leia maisARTIGO ORIGINAL. Métodos Avançados de Previsão de Séries Temporais Aplicados a Dados Socioeconômicos na Região Sul da Bahia
ARTIGO ORIGINAL Dados Socioeconômicos na Região Sul da Bahia Advanced Methods for Time Series Forecasting Applied to Bahia South Region Socioeconomic Data Darcio
Leia maisFICHA DE COMPONENTE CURRICULAR
UNIVERSIDADE FEDERAL DE UBERLÂNDIA PROGRAMA DE PÓS-GRADUAÇÃO EM ADMINISTRAÇÃO FICHA DE COMPONENTE CURRICULAR CÓDIGO: FAGEN41037 COMPONENTE CURRICULAR: Tópicos Especiais IV em Gestão Organizacional e Regionalidade
Leia maisPREVISÃO SAZONAL DA PRECIPITAÇÃO VIA MODELOS ESTOCÁSTICOS
PREVISÃO SAZONAL DA PRECIPITAÇÃO VIA MODELOS ESTOCÁSTICOS Alessandro Renê Souza do Espírito Santo (1); Cássia Monalisa dos Santos Silva (1) (1) Pós-Graduação em Ciências Climáticas, UFRN, Natal, RN. alessandro_rene@yahoo.com.br
Leia maisCOMPORTAMENTO DA SÉRIE DE DEPOSITOS DE PATENTES SOBRE A ENERGIA SOLAR FOTOVOLTAICA
COMPORTAMENTO DA SÉRIE DE DEPOSITOS DE PATENTES SOBRE A ENERGIA SOLAR FOTOVOLTAICA Daiane Costa Guimarães - dayaned1@hotmail.com Program of Postgraduate in Intellectual Property Science Federal University
Leia maisVariável dependente Variável independente Coeficiente de regressão Relação causa-efeito
Unidade IV - Regressão Regressões Lineares Modelo de Regressão Linear Simples Terminologia Variável dependente Variável independente Coeficiente de regressão Relação causa-efeito Regressão correlação Diferença
Leia maisModelagem da Produção Industrial Alimentícia Brasileira ( ) a partir da combinação dos modelos SARIMA e Holt-Winters
Modelagem da Produção Industrial Alimentícia Brasileira (2002-2017) a partir da combinação dos modelos SARIMA e Holt-Winters Karina Sayuri Ueda (UFGD) karina-ueda@hotmail.com Silvia Maria Martelli (UFGD)
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisSistema de informação e apoio à decisão em turismo baseado nas novas TIC
Lisboa, 28 de Setembro de 2006 Sistema de informação e apoio à decisão em turismo baseado nas novas TIC Conjunto dinâmico e inovador de indicadores e índices, fruto do tratamento econométrico de informação
Leia maisCombinação linear de previsões com ajuste numérico com programação não linear MINIMAX
Combinação linear de previsões com ajuste numérico com programação não linear MINIMAX Recebido: 09/04/2015 Aprovado: 10/06/2015 Linear combination of forecasts with numerical adjustment via MINIMAX non-linear
Leia maisRedes Neurais Artificiais Dinâmicas Aplicadas na Previsão de Demanda de Energia Elétrica no Curtíssimo Prazo
Redes Neurais Artificiais Dinâmicas Aplicadas na Previsão de Demanda de Energia Elétrica no Curtíssimo Prazo Luciano Carli Moreira de Andrade Mário Oleskovics Departamento de Engenharia Elétrica e de Computação
Leia maisUTILIZAÇÃO DE MODELOS ARIMA PARA PREVISÃO DA ARRECADAÇÃO DE ICMS DO ESTADO DO RIO GRANDE DO SUL
UTILIZAÇÃO DE MODELOS ARIMA PARA PREVISÃO DA ARRECADAÇÃO DE ICMS DO ESTADO DO RIO GRANDE DO SUL Deise Scheffer Universidade Federal de Santa Maria scheffer.deise@gmail.com Adriano Mendonça Souza Universidade
Leia maisANÁLISE DAS VARIAÇÕES DE TEMPERATURAS NA PLATAFORMA DE NOSSA SENHORA DA GLÓRIA VIA BOX E JENKINS
ANÁLISE DAS VARIAÇÕES DE TEMPERATURAS NA PLATAFORMA DE NOSSA SENHORA DA GLÓRIA VIA BOX E JENKINS ANALYSIS OF CHANGES IN TEMPERATURE ON DECK OF OUR LADY OF NOSSA SENHORA DA GLÓRIA BY BOX AND JENKINS Nathaly
Leia maisAnálise de técnicas de previsão: um estudo de caso para o volume de ações da Petrobras
Análise de técnicas de previsão: um estudo de caso para o volume de ações da Petrobras Liane Werner (UFRGS) werner.liane@gmail.com Cleber Bisognin (UFSM) cleberbisognin@gmail.com Cristiano Werner Araujo
Leia maisUNIVERSIDADE FEDERAL DE ITAJUBÁ INSTITUTO DE ENGENHARIA DE PRODUÇÃO E GESTÃO TRABALHO FINAL DE GRADUAÇÃO 2017 ENGENHARIA DE PRODUÇÃO
UNIVERSIDADE FEDERAL DE ITAJUBÁ INSTITUTO DE ENGENHARIA DE PRODUÇÃO E GESTÃO TRABALHO FINAL DE GRADUAÇÃO 2017 ENGENHARIA DE PRODUÇÃO ALUNO: MÁRCIO DE CAMPOS CAMARGO FILHO ORIENTADOR: PEDRO PAULO BALESTRASSI
Leia mais3 Técnicas de Previsão de Séries Temporais 3.1. Introdução
3 Técnicas de Previsão de Séries Temporais 3.1. Introdução A previsão de séries temporais é um problema prático de extrema importância, presente em diversas áreas: economia, indústria, serviços, previsão
Leia maisAnálise de Séries Temporais
Análise de Séries Temporais Definições Uma série temporal é qualquer conjunto de observações ordenadas no tempo. Por exemplo: Valores diários de poluição na cidade de São Paulo; Valores mansais de temperatura
Leia maisTÉCNICA DE AMORTECIMENTO EXPONENCIAL SIMPLES COM TAXA DE RESPOSTA ADAPTATIVA: UMA REFLEXÃO A RESPEITO DO COMPORTAMENTO DO COEFICIENTE ALFA.
TÉCNICA DE AMORTECIMENTO EXPONENCIAL SIMPLES COM TAXA DE RESPOSTA ADAPTATIVA: UMA REFLEXÃO A RESPEITO DO COMPORTAMENTO DO COEFICIENTE ALFA. Robert Wayne Samohyl Professor do Programa de Pós-Graduação em
Leia mais5 Resultados Figura 5.1 ENA Sudeste/Centro-Oeste Figura 5.2 ENA Sul
Resultados Neste capítulo são apresentados os resultados obtidos. A metodologia definida foi aplicada às séries de ENAs dos quatro subsistemas brasileiros. Como dito anteriormente, as ENAs são computadas
Leia maisMODELO NEURAL COM ATRASO DE TEMPO PARA A PREVISÃO DO INCC
MODELO NEURAL COM ATRASO DE TEMPO PARA A PREVISÃO DO INCC Paulo Roberto Barbosa 1 Elaine Inacio Bueno 2 Nas Ciências Econômicas ocorrem fenômenos temporais que dependem da observação de dados em um período
Leia maisUM MODELO DE PREVISÃO DE SÉRIES TEMPORAIS POR DECOMPOSIÇÃO PARA PREVISÃO DE AFLUÊNCIAS
UM MODELO DE PREVISÃO DE SÉRIES TEMPORAIS POR DECOMPOSIÇÃO PARA PREVISÃO DE AFLUÊNCIAS Luciano Brito Querido Universidade Salgado de Oliveira lqbrito@yahoo.com.br Gelson da Cruz Júnior Universidade Federal
Leia maisUm Estudo do Comportamento dos Gráficos de Controle Construídos Via Metodologia de Geoestatística
XIII SIMPEP - Bauru, SP, Brasil, 6 a 8 de Novembro de 006 Um Estudo do Comportamento dos Gráficos de Controle Construídos Via Metodologia de Geoestatística Fabiane Renata de Santana Yassukawa (UFMG) fabianesy@yahoo.com.br
Leia mais6. Aplicação à Séries de Velocidade do Vento
9. Aplicação à Séries de Velocidade do Vento A geração eólica de energia elétrica vem sendo explorada com mais intensidade desde e para este tipo de geração, a principal variável a ser estudada é a velocidade
Leia mais4 Base de dados, métricas estatísticas e metodologia
4 Base de dados, métricas estatísticas e metodologia 4.1. Base de dados Foram coletados dados do boletim estatístico do Ministério da Previdência Social de forma temporal para os meses de dezembro de 2002
Leia maisAnálise de Séries Temporais
Análise de Séries Temporais Análise de Séries Temporais Definições Uma série temporal é qualquer conjunto de observações ordenadas no tempo. Por exemplo: Valores diários de poluição na cidade de São Paulo;
Leia maisMÉTODOS QUANTITATIVOS APLICADOS. Prof. Danilo Monte-Mor
MÉTODOS QUANTITATIVOS APLICADOS Prof. Danilo Monte-Mor Métodos Quantitativos Aulas 1 e 2 Análise Exploratória de Dados 2 Danilo Soares Monte Mor Currículum Vitae Prof. Dr. e especialista em Métodos Quantitativos
Leia maisFundamentos de Mineração de Dados
Fundamentos de Mineração de Dados Prof. Ricardo Fernandes ricardo.asf@ufscar.br O que é Mineração de Dados? Uso de ferramentas matemáticas, clássicas ou inteligentes, no processo de descoberta de conhecimento
Leia maisp TPP = (6.1) e a rajada de perda de pacote é medida pela Comprimento Médio da Rajada (CMR ) que é dada por
6 Perdas de Pacotes O problema de perda de pacotes em rajadas nas redes IP e redes móveis é um dos fatores mais importantes a serem considerados na análise de sistemas de reconhecimento de voz distribuídos.
Leia maisXLVII SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL
PREVISÕES DE VAZÕES MENSAIS VIA COMBINAÇÃO HÍBRIDA ARIMA-NEURAL COM ENCOLHIMENTO E DECOMPOSIÇÃO WAVELET Levi Lopes Teixeira Universidade Tecnológica Federal do Paraná - UTFPR Av. Brasil, 4232 -Medianeira-PR
Leia maisAnálise de Desempenho de um Modelo Híbrido em uma Série Temporal de Descargas Atmosféricas
Análise de Desempenho de um Modelo Híbrido em uma Série Temporal de Descargas Atmosféricas N. T. Santos, B. R. P. Rocha, V. G. Macedo, L. A. S. Lessa, L. M. Dentel, D. G. dos Santos, J. R. S. de Souza
Leia maisPREVISÃO DO ÍNDICE DE VOLUME DE VENDAS NO VAREJO - COMBUSTÍVEIS E LUBRIFICANTES NO ESTADO DO RIO GRANDE DO SUL.
Eixo Temático: Inovação e Sustentabilidade PREVISÃO DO ÍNDICE DE VOLUME DE VENDAS NO VAREJO - COMBUSTÍVEIS E LUBRIFICANTES NO ESTADO DO RIO GRANDE DO SUL. PREDICTION OF VOLUME OF RETAIL SALES INDEX - FUELS
Leia mais