Aplicação de técnicas de aprendizado de máquina e estatística na previsão da demanda de biocombustíveis

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.

Uso do ARIMA e SVM para previsão de séries temporais do sistema elétrico brasileiro

“…Esse procedimento é importante para a modelagem do ARIMA, haja vista, que o modelo requer, ainda, a definição dos parâmetros "P" responsável pela ordem do modelo autorregressivo, "D" para a quantidade de diferenciações necessárias para tornar a série estacionária e "Q" que concerne a parte da definição da ordem de médias móveis do modelo de séries temporais (Paula et al, 2022).…”