ANÁLISE COMPARATIVA DE MODELOS DE MACHINE LEARNING - NA PREDIÇÃO DE DEMANDA PARA INSTALAÇÃO DE VARAIS

Aug 4, 2026

Carregar por Aurelia

Análise comparativa de modelos de machine learning aplicados à previsão de demanda de um serviço de instalação de varais com base em histórico de instalações de 2004 ao fim de 2021. O estudo cria e treina modelos Prophet e LSTM para estimar a demanda a partir das informações coletadas, permitindo avaliar a capacidade de cada abordagem em capturar padrões temporais. A comparação utiliza métricas de desempenho como MSE, RMSE e MAE para quantificar a acurácia e apoiar decisões sobre planejamento e gestão de estoque e produção.

IdiomaPortuguese

CategoriaPesquisa e Relatórios

FormatoPDF

Páginas20

Tempo de leitura31 min

AcessoDownload gratuito

Índice

Introdução

Estado da Arte

Machine Learning

Metodologia

Desenvolvimento do Trabalho

Modelagem com Prophet e LSTM

Resultados

Conclusão

ANÁLISE COMPARATIVA DE MODELOS DE MACHINE LEARNING NAPREDIÇÃO DE DEMANDA PARA INSTALAÇÃO DE VARAIS COMPARATIVE ANALYSIS OF MACHINE LEARNING MODELS INPREDICTING DEMAND FOR CLOTHESLINES INSTALLATION Bruno Grizzo Marchese1 Bruna Sozzo2 RESUMO Este artigo tem como objetivo comparar a acurácia do modelo de machine learning Prophet e da rede neural recorrente Long Short-Term Memory (LSTM) napredição de demanda de um serviço de instala ção de varais com base em um histórico de instalações realizadas no período de 2004 ao fim de 2021. Para realizaresta avaliação, são criados modelos LSTM e Prophet para a predição da demandaa partir das informações obtidas. Por fim, são analisadas as métricas dedesempenho dos modelos, como o Erro Quadrático Médio (MSE), a Raiz Quadradado Erro Médio(RMSE) e o Erro Médio Absoluto (MAE), a fim de comparar a acurácia dos dois métodos. Palavras-chave: machine learning; long short-term menory; prophet; predição de demanda. ABSTRACT This article aims to compare the accuracy of the Prophet machine learning model and the Long Short Term Memory (LSTM) recurrent neural network in predicting the demand for a clothesline installation service based on a historical record of installations from 2004 to the end of 2021. To conduct this evaluation, LSTM and Prophet models are created to forecast the demand based on the gathered data. Finally, performance metrics such as Mean Squared Error (MSE), Root Mean Squared Error (RMSE), and Mean Absolute Error (MAE) are analyzed to compare the accuracy of the two methods. Keywords: machine learning; long short-term menory; prophet; demand forecast. INTRODUÇÃO A predição de demanda é uma atividade crucial para empresas que buscam 1 Centro Universitário Filadélfia de Londrina-UniFil 2 Centro Universitário Filadélfia de Londrina-UniFil 209 otimizar seus processos e recursos, pois a estimativa correta da demanda permite que as decisões relacionadas à produção, logística e materiais sejam tomadas de maneira mais assertiva, resultando em redução de custos e aumento da eficiênciado negócio como um todo. Nesse sentido, a automação dessa predição utilizandométodos de machine learning (ML) oferece grande diferencial competitivo. Dessa forma, ao aplicar algoritmos de aprendizado de máquina, a empresa encontra maior potencial para obter previsões mais precisas e confiáveis, o que pode levar amelhoras significativas na gestão de seus recursos e aumento da margem de lucro. Com base em Ludemir (2021), o conhecimento do computador são hipóteses geradas a partir de dados. Essa abordagem do aprendizado de máquina é particularmente interessante para empresas que possuem dados sobre seusnegócios ao longo de vários anos, já que podem ser usados para criar modelos de ML capazes de predizer a demanda. Os modelos de séries temporais em ML são técnicas que utilizam dados históricos a fim de predizer valores de uma série temporal. Esses modelos, geralmente, envolvem a análise de padrões de comportamento da série temporal e aidentificação de componentes como tendência, sazonalidade, variação aleatória eoutros fatores que podem influenciar os dados. Dentre estes modelos está o Prophet, desenvolvido pela empresa Meta e projetado para prever séries temporais com sazonalidade anual, semanal e diária, sendo também capaz de lidar com mudanças abruptas nos dados, tendências não lineares, feriados e eventosespeciais . Adicionalmente, será explo rada a arquitetura LSTM (Long Short-Term Memory), que é um tipo de Redes Neurais Recorrentes (RNN) conhecido por sua capacidade de processar dados sequenciais, como são as séries temporais, permitindo a captura de padrões complexos e relações de longo prazo nos dados. O trabalho proposto tem como objetivo principal a aplicação de técnicas de ML para predição de demanda de um serviço de instalação de varais utilizando o modelo Prophet e a RNN LSTM. Para tanto, será realizado um estudo de caso emuma loja específica, onde serão coletados dados

Perguntas frequentes

Como os modelos são avaliados para decidir qual é mais preciso?

A performance é comparada por métricas como Erro Quadrático Médio (MSE), Raiz do Erro Quadrático Médio (RMSE) e Erro Médio Absoluto (MAE), verificando qual abordagem apresenta maior acurácia na previsão da demanda.

Aug 4, 2026

Carregar por Aurelia