Aplicação de diferentes métodos de previsão de demanda em séries temporais

Abstract

Resumo: Inúmeros métodos de previsão de demanda em séries temporais podem ser encontrados na literatura. A definição e aplicação de uma técnica de previsão que forneça bons resultados é tarefa importante em uma organização, pois é capaz de impactar positivamente o planejamento estratégico, tático e operacional. Nesse sentido, a presente pesquisa se propõe a aplicar diferentes métodos de previsão de demanda em uma base de dados com informações referentes ao consumo de energia elétrica. A pesquisa conta com duas abordagens principais para aplicação dos métodos de previsão: aplicação dos métodos ARIMA, Holt e redes neurais artificiais Perceptron Multicamadas (MLP) em uma série temporal com frequência diária (abordagem 1), e aplicação dos métodos SARIMA, Holt-Winters e redes MLP em uma série temporal com frequência mensal (abordagem 2). Para a abordagem 1, foram considerados horizontes de previsão de demanda de 7, 15 e 30 dias, e o melhor resultado foi obtido por meio da rede neural artificial MLP, com valores de erro percentual absoluto médio de 5,3%, 3,8% e 3,7%, respectivamente. Para a abordagem 2, foram considerados os horizontes de previsão 6 e 12 meses, e o melhor resultado foi obtido pelo método Holt-Winters, com valores de erro de 1,5% e 1,8%, respectivamente

Abstract: Various time series demand forecasting methods can be found in the literature. Defining and applying a forecasting technique that provides good results is an importan task for an organization, as it can have a positive impact on strategic, tactical, and operational planning. This study aims to apply different demand forecasting methods to a database containing information on electricity consumption. The research has two main approaches for applying the forecasting methods: applying the ARIMA, Holt and Multilayer Perceptron (MLP) neural network methods to a time series with a daily frequency (approach 1), and applying the SARIMA, Holt-Winters and MLP neural network methods to a time series with a monthly frequency (approach 2). For approach 1, demand forecast horizons of 7, 15 and 30 days were considered, and the best result was obtained by the MLP neural network, with mean absolute percentage error values of 5.3%, 3.8% and 3.7%, respectively. For approach 2, forecast horizons of 6 and 12 months were considered, and the best result was obtained by the Holt-Winters method, with error values of 1.5% and 1.8%, respectively