{"id":{"repo_id":"brazil-uff","oai_identifier":"oai:app.uff.br:1/30321"},"canonical_url":"https://search.dev.ndltd.org/etd/brazil-uff/oai:app.uff.br:1/30321","repository":{"repo_id":"brazil-uff","name":"Brazil UFF","base_url":"https://app.uff.br/oai/request"},"display":{"title":"Comparação entre os Modelos SARIMA e os Métodos de Machine Learning para previsão de demanda","abstract":"O Aprendizado de Máquinas é um tema em alta na área da estatística e outras áreas correlacionadas, está presente em quase todos os fóruns e congressos despertando a vontade de utilização dessa ferramenta nas pessoas e empresas. Uma forma de aplicar Aprendizado de Máquinas é realizando previsão de séries temporais, com expectativa de se obter bons resultados. Sendo assim, este trabalho se propõe a analisar a performance de dois métodos de Aprendizado de Máquinas, Floresta Aleatória e LSTM, em relação aos modelos de Séries Temporais SARIMA, aplicado a 84 séries temporais de produtos reais, para realizar previsão de demanda. Considerando como medida de erro o MAPE, ambos métodos de Aprendizado de Máquinas tiveram uma performance melhor que os modelos SARIMA, porém o método que obteve menor erro para a maioria das séries foi a Floresta Aleatória. De fato, os métodos de Aprendizado de Máquinas podem obter uma melhor acurácia na previsão de demanda, gerando valor para as empresas, porém, deve-se ressaltar que o modelo SARIMA, por ser probabilístico, possui capacidade de gerar mais informações sobre as séries temporais.","abstract_html":"O Aprendizado de Máquinas é um tema em alta na área da estatística e outras áreas correlacionadas, está presente em quase todos os fóruns e congressos despertando a vontade de utilização dessa ferramenta nas pessoas e empresas. Uma forma de aplicar Aprendizado de Máquinas é realizando previsão de séries temporais, com expectativa de se obter bons resultados. Sendo assim, este trabalho se propõe a analisar a performance de dois métodos de Aprendizado de Máquinas, Floresta Aleatória e LSTM, em relação aos modelos de Séries Temporais SARIMA, aplicado a 84 séries temporais de produtos reais, para realizar previsão de demanda. Considerando como medida de erro o MAPE, ambos métodos de Aprendizado de Máquinas tiveram uma performance melhor que os modelos SARIMA, porém o método que obteve menor erro para a maioria das séries foi a Floresta Aleatória. De fato, os métodos de Aprendizado de Máquinas podem obter uma melhor acurácia na previsão de demanda, gerando valor para as empresas, porém, deve-se ressaltar que o modelo SARIMA, por ser probabilístico, possui capacidade de gerar mais informações sobre as séries temporais.","abstract_has_math":false,"creators":["Crispim, Carolina Martins"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":null,"date_issued":"","date_published":null,"updated_at":"2026-07-27T19:00:41Z","subjects":[],"languages":["pt_BR"],"rights":["Open Access"],"rights_urls":[],"identifier_entries":[]},"links":{"outbound_url":"http://app.uff.br/riuff/handle/1/30321","outbound_label":"Repository record","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Crispim, Carolina Martins"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2023-09-13T19:22:38Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2023-09-13T19:22:38Z"]},{"key":"dc:type","label":"Dc Type","values":["Trabalho de conclusão de curso"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["pt_BR"]},{"key":"dc:rights","label":"Dc Rights","values":["Open Access"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["http://app.uff.br/riuff/handle/1/30321"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["O Aprendizado de Máquinas é um tema em alta na área da estatística e outras áreas correlacionadas, está presente em quase todos os fóruns e congressos despertando a vontade de utilização dessa ferramenta nas pessoas e empresas. Uma forma de aplicar Aprendizado de Máquinas é realizando previsão de séries temporais, com expectativa de se obter bons resultados. Sendo assim, este trabalho se propõe a analisar a performance de dois métodos de Aprendizado de Máquinas, Floresta Aleatória e LSTM, em relação aos modelos de Séries Temporais SARIMA, aplicado a 84 séries temporais de produtos reais, para realizar previsão de demanda. Considerando como medida de erro o MAPE, ambos métodos de Aprendizado de Máquinas tiveram uma performance melhor que os modelos SARIMA, porém o método que obteve menor erro para a maioria das séries foi a Floresta Aleatória. De fato, os métodos de Aprendizado de Máquinas podem obter uma melhor acurácia na previsão de demanda, gerando valor para as empresas, porém, deve-se ressaltar que o modelo SARIMA, por ser probabilístico, possui capacidade de gerar mais informações sobre as séries temporais."]},{"key":"dc:title","label":"Title","values":["Comparação entre os Modelos SARIMA e os Métodos de Machine Learning para previsão de demanda"]}]}],"canonical_facts":{"dc:creator":["Crispim, Carolina Martins"],"dc:date.accessioned":["2023-09-13T19:22:38Z"],"dc:date.available":["2023-09-13T19:22:38Z"],"dc:description.abstract":["O Aprendizado de Máquinas é um tema em alta na área da estatística e outras áreas correlacionadas, está presente em quase todos os fóruns e congressos despertando a vontade de utilização dessa ferramenta nas pessoas e empresas. Uma forma de aplicar Aprendizado de Máquinas é realizando previsão de séries temporais, com expectativa de se obter bons resultados. Sendo assim, este trabalho se propõe a analisar a performance de dois métodos de Aprendizado de Máquinas, Floresta Aleatória e LSTM, em relação aos modelos de Séries Temporais SARIMA, aplicado a 84 séries temporais de produtos reais, para realizar previsão de demanda. Considerando como medida de erro o MAPE, ambos métodos de Aprendizado de Máquinas tiveram uma performance melhor que os modelos SARIMA, porém o método que obteve menor erro para a maioria das séries foi a Floresta Aleatória. De fato, os métodos de Aprendizado de Máquinas podem obter uma melhor acurácia na previsão de demanda, gerando valor para as empresas, porém, deve-se ressaltar que o modelo SARIMA, por ser probabilístico, possui capacidade de gerar mais informações sobre as séries temporais."],"dc:identifier.uri":["http://app.uff.br/riuff/handle/1/30321"],"dc:language.iso":["pt_BR"],"dc:rights":["Open Access"],"dc:title":["Comparação entre os Modelos SARIMA e os Métodos de Machine Learning para previsão de demanda"],"dc:type":["Trabalho de conclusão de curso"]},"updated_at":"2026-07-27T19:00:41Z"}