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.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.