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.

A matriz energética brasileira é formada principalmente pela energia gerada pelas hidrelétricas, que são totalmente dependentes da vazão dos rios que alimentam seus reservatórios de água. Fazer a previsão destas vazões é de suma importância para o planejamento energético do país. Neste trabalho, a previsão da vazão diária para o posto 266 (Itaipu) foi realizada a partir da meta-heurística Particle Swarm Optimization (PSO) e modelos ARMA e ARIMA. Num primeiro estágio a meta-heurística foi utilizada na determinação das ordens p (autorregressão) e q (médias móveis). Em seguida, a mesma meta-heurística foi usada na obtenção dos coeficientes autorregressivos e médias móveis. Os resultados obtidos mostram que o modelo ajustado é adequado à série estudada. Palavras-chave: meta-heurística PSO; modelos ARMA e ARIMA; previsão de vazões; séries temporais.

Abordagem Híbrida-Causal Aplicada a Previsão de Deslocamento Horizontal de Bloco de uma Barragem Hybrid-Causal Approach Applied to the Forecast of Horizontal Displacement of a Dam Block RESUMO O presente trabalho propõe o uso de uma metodologia híbrida chamada de ARIMAX-GARCH (AXG) cujo objetivo é produzir previsões híbridas para uma série temporal diária de deslocamento de um bloco da Usina Hidrelétrica de Itaipu, localizada em Foz do Iguaçu, Paraná, Brasil. Foi utilizada como variável exógena a série temporal de temperatura no modelo ARIMAX-GARCH, com a finalidade de agregar maior poder de informação em relação ao modelo ARIMA-GARCH. Em todas as análises, a metodologia AXG obteve maior acurácia que a tradicional modelagem ARIMA-GARCH.

Neste estudo, fez-se um comparativo dos resultados das previsões de dois grupos de séries temporais: um deles formado por séries estacionárias não sazonais (eNs) e outro formado por séries sazonais e não estacionárias (sNe). As previsões, de ambos os grupos, foram obtidas por meio dos métodos Random Forest (RF) e Redes Neurais artificiais (RNA) Feedforward.  Além disso, comparou-se os resultados obtidos a partir de três estratégias de previsões multipassos à frente, a saber: Direta, Recursiva e MIMO (múltiplas entradas e múltiplas saídas). Foram utilizadas sessenta e duas séries temporais divididas entre os grupos eNs e sNe.  As Redes Neurais Artificiais mostraram-se mais eficientes que o Random Forest nas previsões de ambos os grupos de séries temporais, sendo constatada uma maior diferença no grupo formado pelas séries sazonais e não estacionárias. Neste grupo, as previsões a partir da estratégia MIMO apresentaram RMSE (raiz do erro quadrático médio) de 386,51 com o uso do RF e 27,62 por meio da RNA.

Este artigo apresenta um estudo sobre o ajuste de uma curva polinomial para a produção de leite, utilizando o método dos Mínimos Quadrados e o software Scilab® 6.0.0. Os dados foram coletados em uma propriedade rural no município de Serranópolis do Iguaçu, Paraná, com gado leiteiro em regime confinado. O polinômio de grau 5 foi identificado como o mais adequado, permitindo estimar a produção futura de leite. Isso possibilita aos pecuaristas planejar investimentos em infraestrutura, alimentação e qualidade do leite, visando a redução de custos e a rentabilidade. O ajuste da curva polinomial fornece uma ferramenta prática para antecipar variações na produção e tomar decisões estratégicas embasadas, melhorando a eficiência e os resultados econômicos na pecuária leiteira.