Combinação das previsões dos modelos de Box-Jenkins e MLP/RNA para a previsão de demanda no planejamento da produção
Abstract
A previsão da demanda futura dos produtos é a principal variável a ser considerada no planejamento e controle da produção nas organizações. As técnicas de previsão de demanda são fundamentais no planejamento da produção de nível tático e operacional, especialmente as séries temporais, pois não requerem do planejador, uma investigação mais aprofundada acerca dos fatores que influenciam a demanda. Dois métodos de previsão de séries temporais frequentemente utilizados na literatura são os modelos ARIMA e os modelos MLP/RNA. Uma prática que surgiu em 1969 e já consolidada para obter maior acurácia é a combinação das previsões individuais de dois ou mais modelos. Considerando a necessidade das organizações por técnicas preditivas que gerem melhores resultados, este estudo tem como objetivo prever os valores futuros de uma série temporal da demanda de leite UHT em uma indústria de lácteos, por meio da combinação dos modelos ARIMA e MLP/RNA, e comparar os resultados obtidos pelas combinações em relação aos modelos individuais, exemplificando a obtenção da previsão combinada no planejamento da produção. As medidas de acurácia para mensurar os resultados obtidos e selecionar o melhor modelo, foram o RMSE e o MAPE de previsão. Os resultados mostraram que a combinação dos modelos SARIMA(3,0,1)(1,1,0)12 e DMLP pelo método inverse mean square forneceu um desempenho na previsão para 6 meses adiante, de até 66,5% superior em relação aos modelos individuais utilizados, onde a combinação das previsões obteve um RMSE de 1,43 e um MAPE de 2,16. Na previsão para 12 meses adiante, o desempenho da combinação foi de até 56,5% superior em relação aos modelos individuais, caso em que obteve um RMSE de 2,86 e um MAPE de 3,70%. A combinação de modelos de séries temporais possibilitou um aumento significativo no desempenho de previsão dos modelos, mas para que se obtenham resultados absolutos satisfatórios, devem-se utilizar modelos previsores que complementem mutuamente a capacidade preditiva.