Grid search approach to select and calibrate exponential smoothing, SARIMA and LSTM models for demand forecasting (2023)
- Authors:
- Autor USP: RAPP, RAFAEL MOTTA - EP
- Unidade: EP
- Sigla do Departamento: PTR
- Subjects: ANÁLISE DE SÉRIES TEMPORAIS; MODELOS EM SÉRIES TEMPORAIS; PREVISÃO (ANÁLISE DE SÉRIES TEMPORAIS); REDES NEURAIS; APRENDIZAGEM PROFUNDA
- Language: Inglês
- Abstract: A precisão das previsões de demanda permite alocar e planejar melhor os recursos, melhorando o planejamento de vendas e operações. Este trabalho propõe um processo de calibração e seleção de modelos para previsão de séries temporais aplicados em uma empresa de eletroeletrônicos. Os modelos de previsão de suavização exponencial, SARIMA e aprendizagem profunda LSTM foram selecionados com base em sua ampla utilização na comunidade científica. Primeiro, esses modelos são definidos com base em seus hiperparâmetros. O domínio de um hiperparâmetro pode ser de valor real, de valor inteiro, binário ou categórico. Quais valores escolher é crítico, pois definirão a forma funcional final das equações de previsão, incluindo o número final de parâmetros que precisam ser determinados. Em seguida, os domínios limitados dos hiperparâmetros são definidos e uma lista de vetores são construídos. Cada vetor é aplicado aos modelos para encontrar aquele com melhor desempenho, um processo definido por busca em rede. Antes do processo ser implantado, é apresentada uma discussão sobre o pré-processamento dos dados. As etapas utilizadas neste trabalho incluem preenchimento de valores faltantes, definição de periodicidade da série temporal, decomposição da série temporal em tendência/sazonalidade para ser usada como um regressor adidiconal aos modelos. Para definir o desempenho de cada vetor de hiperparâmetros e como cada modelo se compara, métricas de erro são definidas, e um índice de desempenho multicritério é proposto. Por fim, os resultados são discutidos comparando os três modelos com os melhores resultados encontrado. O diagnóstico do modelo ajustado mostra oportunidades no pré-processamento dos dados aqui não considerados, como transformação e/ou tratamento robusto de outliers paraa série temporal. No entanto, os resultados das previsões mostram o ganho no desempenho em comparação com os métodos utilizados anteriormente e o processo aqui proposto pode ajudar os profissionais a reduzir a complexidade ao implementar tais modelos num ambiente de negócios.
- Imprenta:
- Data da defesa: 15.12.2023
-
ABNT
RAPP, Rafael Motta. Grid search approach to select and calibrate exponential smoothing, SARIMA and LSTM models for demand forecasting. 2023. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2023. Disponível em: https://www.teses.usp.br/teses/disponiveis/3/3148/tde-06052024-100717/pt-br.php. Acesso em: 31 dez. 2025. -
APA
Rapp, R. M. (2023). Grid search approach to select and calibrate exponential smoothing, SARIMA and LSTM models for demand forecasting (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/3/3148/tde-06052024-100717/pt-br.php -
NLM
Rapp RM. Grid search approach to select and calibrate exponential smoothing, SARIMA and LSTM models for demand forecasting [Internet]. 2023 ;[citado 2025 dez. 31 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3148/tde-06052024-100717/pt-br.php -
Vancouver
Rapp RM. Grid search approach to select and calibrate exponential smoothing, SARIMA and LSTM models for demand forecasting [Internet]. 2023 ;[citado 2025 dez. 31 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3148/tde-06052024-100717/pt-br.php
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
