No abstract

No abstract

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.

O conhecimento de técnicas que permitam obter informações da tendência futura da produção é fundamental para o gestor rural. Diante disso, a finalidade desse trabalho foi realizar previsões. Para isso, foram utilizados modelos de séries temporais implementados no software livre R da produção brasileira de milho para as safras 2017/2018, 2018/2019 e 2019/2020. Foram aplicadas as metodologias ARIMA (Autoregressive Integrated Moving Average - Autorregressivo Integrado de Médias Móveis) e ETS (Error, Trend, Seasonal – Erro, Tendência, Sazonal). Ambos modelos provaram ser adequados. O modelo que apresentou os melhores resultados de previsão foi o ARIMA, cujo erro percentual médio absoluto das previsões foi menor que o apresentado no modelo ETS, quando comparado com os dados reservados para verificação da eficiência preditiva dos modelos ajustados. Os resultados demonstram a aplicabilidade dos modelos de previsão e ferramentas computacionais de fácil utilização. Tais técnicas visam contribuir no processo de tomada de decisão e planejamento por parte do gestor rural, que vê a cultura do milho, nos últimos anos, apresentar recordes de produção e ser um dos principais cultivares que contribui com a economia do Brasil.

Direitos para esta edição cedidos à Atena Editora pelos autores. Todo o conteúdo deste livro está licenciado sob uma Licença de Atribuição Creative Commons. Atribuição-Não-Comercial-NãoDerivativos 4.0 Internacional (CC BY-NC-ND 4.0).O conteúdo dos artigos e seus dados em sua forma, correção e confiabilidade são de responsabilidade exclusiva dos autores, inclusive não representam necessariamente a posição oficial da Atena Editora. Permitido o download da obra e o compartilhamento desde que sejam atribuídos créditos aos autores, mas sem a possibilidade de alterá-la de nenhuma forma ou utilizá-la para fins comerciais. Todos os manuscritos foram previamente submetidos à avaliação cega pelos pares, membros do Conselho Editorial desta Editora, tendo sido aprovados para a publicação com base em critérios de neutralidade e imparcialidade acadêmica.A Atena Editora é comprometida em garantir a integridade editorial em todas as etapas do processo de publicação, evitando plágio, dados ou resultados fraudulentos e impedindo que interesses financeiros comprometam os padrões éticos da publicação. Situações suspeitas de má conduta científica serão investigadas sob o mais alto padrão de rigor acadêmico e ético.