Please use this identifier to cite or link to this item:
http://repositorio.cesupa.br:8080/jspui/handle/prefix/245
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor | Freitas, Felipe Fonseca Tavares de | - |
dc.contributor.referee1 | Nascimento, Polyana Santos Fonseca | - |
dc.contributor.referee1Lattes | http://lattes.cnpq.br/6889523334917369 | pt_BR |
dc.contributor.referee2 | Silva Junior, Carlos Gilberto Vieira da | - |
dc.contributor.referee2Lattes | http://lattes.cnpq.br/2738903947477853 | pt_BR |
dc.creator | Teixeira, Rodrigo Simões | - |
dc.creator | Siqueira, Sirius Raffael Jansen Costa | - |
dc.date.accessioned | 2023-10-19T12:31:55Z | - |
dc.date.available | 2023-10-19T12:31:55Z | - |
dc.date.issued | 2018 | - |
dc.identifier.citation | TEIXEIRA, Rodrigo Simões; SIQUEIRA, Sirius Raffael Jansen Costa. Previsão de demandas em uma rede de postos de combustíveis, com auxílio de séries temporais, métodos causais e redes neurais artificiais. 2018. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Produção) – Centro Universitário do Estado do Pará, Belém, 2018. | pt_BR |
dc.identifier.uri | http://repositorio.cesupa.br:8080/jspui/handle/prefix/245 | - |
dc.description.abstract | The object of this study is demonstrate with three quantity ways about ideas of demand, what is: time series, casual method and artificial neural system. And with this results, organize comparations about routine data and find the better method to be apply in a gas station. Based on an error measurement, where the one presenting the lowest is considered the best method. In order to achieve this, the objective of this study is to evaluate which of the mathematical methods can be more efficient in forecasting demand. In analyses will be use Excel®, Crystal Ball® and Matlab®. After all work, it is possible see artificial neural system with the best results, in second place we have time series and for last casual method. When we consider the week analyses, it's verified the best results, because of data control and outliers finish. In this form, it is correct consider the artificial neural with the best method when the subject is ideas of demand. | pt_BR |
dc.description.resumo | O presente trabalho visa apresentar o estudo acerca de três métodos quantitativos existentes sobre previsão de demanda, que são as séries temporais, métodos causais e redes neurais artificiais. E a partir de seus resultados, realizar análises comparativas, tanto de dados diários, quanto semanais, com o intuito de se conhecer qual destes conseguem atingir melhor desempenho na previsão de demanda de uma rede de postos de combustíveis. Tendo como base em uma medição de erro, onde aquele que apresentar o menor será considerado o de melhor método. Para somente assim, atingir o objetivo deste estudo, que se baseia em avaliar qual dos métodos matemáticos consegue ser mais eficientes numa previsão de demanda. Para tal, serão aplicados nas ferramentas Excel®, Crystal Ball® e Matlab®. Os resultados alcançados mostraram que as redes neurais artificiais conseguiram obter melhor eficiência nas previsões, seguida pela média móvel dupla, das séries temporais, e por fim os métodos causais. As análises semanais obtiveram os melhores resultados, pelo fato de agruparem os dados e eliminarem boa parte dos outliers. Podendo assim concluir que as redes neurais artificiais conseguem ter melhor desempenho para realizar uma previsão de demandas. | pt_BR |
dc.description.provenance | Submitted by Rafael Bezerra Freitas (rafael.freitas@cesupa.br) on 2022-11-16T17:19:50Z No. of bitstreams: 2 TC - Rodrigo Simoes Teixeira, Sirius Raffael Jansen Costa Siqueira.pdf: 2634917 bytes, checksum: cb80b93bad4e25bd0190d89e37a813a1 (MD5) license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) | en |
dc.description.provenance | Approved for entry into archive by Silvia Maria Bitar de Lima Moreira (silviamoreira@cesupa.br) on 2023-10-19T12:31:55Z (GMT) No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TC - Rodrigo Simoes Teixeira, Sirius Raffael Jansen Costa Siqueira.pdf: 2634917 bytes, checksum: cb80b93bad4e25bd0190d89e37a813a1 (MD5) | en |
dc.description.provenance | Made available in DSpace on 2023-10-19T12:31:55Z (GMT). No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TC - Rodrigo Simoes Teixeira, Sirius Raffael Jansen Costa Siqueira.pdf: 2634917 bytes, checksum: cb80b93bad4e25bd0190d89e37a813a1 (MD5) Previous issue date: 2018 | en |
dc.language | por | pt_BR |
dc.publisher | Centro Universitário do Estado do Pará | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.initials | CESUPA | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | * |
dc.subject | Redes neurais (Computação) | pt_BR |
dc.subject | Redes neurais artificiais | pt_BR |
dc.subject | Análise de séries temporais | pt_BR |
dc.subject | Previsão econômica | pt_BR |
dc.subject | MATLAB (Programa de computador) | pt_BR |
dc.subject | Excel (Programa de computador) | pt_BR |
dc.subject.cnpq | CNPQ::ENGENHARIAS | pt_BR |
dc.title | Previsão de demandas em uma rede de postos de combustíveis, com auxílio de séries temporais, métodos causais e redes neurais artificiais | pt_BR |
dc.type | Trabalho de Conclusão de Curso | pt_BR |
dc.contributor.advisorLattes | http://lattes.cnpq.br/5523511253031983 | pt_BR |
dc.publisher.graduation-course | Bacharelado em Engenharia de Produção | pt_BR |
Appears in Collections: | Trabalho de Conclusão de Curso - TCC |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
TC - Rodrigo Simoes Teixeira, Sirius Raffael Jansen Costa Siqueira.pdf | 2.57 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License