Avaliação de modelos de séries temporais para previsão de demanda em cadeias de suprimentos automotivas : um estudo comparativo de capacidade preditiva

Abstract

Resumo: O presente trabalho tem o intuito de explorar e identificar modelos eficazes entre várias técnicas, focado em séries temporais de demanda e seus vários tipos que podem ser observados, sendo estacionários ou não. Aplica-se técnicas paramétricas, semi paramétricas e não paramétricas, modelos tais como Suavização exponencial, Arimax, GLMNET, SVR, Cubist, Random Forest, e esta pesquisa procura não apenas comparar a eficácia dos modelos usando diversas métricas de erro, mas também entender as nuances entre as demandas classificadas como suaves, erráticas, e intermitentes, bem como a distribuição dos hiperparâmetros nos modelos escolhidos como melhores.A proposta reside em uma análise comparativa, aplicando o método MIMO — Multi Input Multi Output — uma técnica para modelos não sequenciais, proposta por Bontempi (2008), bem como o método clássico iterativo, avaliando a performance por tipo de demanda, estacionaridade e autocorrelação das séries. Ademais, faz uso de modelos híbridos com ARIMA e suavização exponencial modelando a parte linear das séries temporais, e os modelos de aprendizagem de máquina atuando nos resíduos dos modelos anteriores, sendo a atuação na parte não linear. Esta técnica híbrida melhora a acurácia da previsão, combinando a técnica iterativa de predição na parte linear, e a técnica MIMO na parte não linear, provendo uma perspectiva flexível para predição

Abstract: The present study aims to explore and identify the most effective forecasting techniques and models for various demand types and time series, whether stationary or not. By applying parametric, semiparametric, and nonparametric models—such as Exponential Smoothing, ARIMAX, GLMNET, MARS, SVR, Croston, XGBoost, NNetAR, MLP, Cubist, and Random Forest—this research seeks not only to compare the efficacy of these models using multiple error metrics, but also to deeply understand the nuances of demands classified as smooth, intermittent, erratic, and irregular, alongside the hyperparameters selected for each model.The dissertation proposes a comparative analysis employing Multi-Input Multi-Output (MIMO) techniques for non-sequential models, as proposed by Bontempi (2008), and classic iterative approaches to evaluate performance by demand type and stationarity characteristics of time series. Additionally, the hybrid modeling approach integrates linear components handled by models like Exponential Smoothing and ARIMA, while the residuals, representing the nonlinear component, are addressed using machine learning techniques. This hybrid approach improves forecast accuracy by combining iterative predictions for the linear part and MIMO for the non-linear part, providing a flexible and integrated perspective for final predictions