Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/12512| Título: | Monitorização de produção com geração de relatórios e alertas |
| Título(s) alternativo(s): | Production monitoring with reporting and alerting |
| Autor(es): | Folletto, Douglas Menegol |
| Orientador(es): | Matos, Paulo Jorge Teixeira |
| Palavras-chave: | Análise de séries temporais Aprendizado do computador Previsão Time-series analysis Machine learning Forecasting |
| Data do documento: | 26-Nov-2018 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Medianeira |
| Citação: | FOLLETTO, Douglas Menegol. Monitorização de produção com geração de relatórios e alertas. 2019. Trabalho de conclusão de curso (Bacharelado em Ciências da Computação) - Universidade Tecnológica Federal do Paraná, Medianeira, 2019. |
| Resumo: | A análise de séries temporais estão sempre presentes nos mais diferentes domínios, pela grande facilidade de representar os acontecimentos em relação ao tempo. Alguns dos fatores que podem ser investigados nas séries temporais são a descrição do comportamento da série e/ou a realização de previsões dos valores futuros da série. O principal objetivo desta dissertação foi encontrar um modelo preditivo que conseguisse apresentar valores futuros satisfatórias para as tomadas de decisões empresariais. A metodologia utilizada consistiu de três etapas principais que foram: a definição do problema, seguido da preparação dos dados com uma investigação sobre estes dados para então criar um modelo preditivo e finalmente apresentar os resultados. Identificou-se, na investigação sobre os dados, que grande parte dos produtos não estavam mais sendo produzidos, sendo assim, foi utilizado do k-means para realizar o agrupamento dos produtos com demanda regular e assim prosseguir com a criação do modelo preditivos, em que, onde foram testados os algoritmos de média móvel integrada autoregressiva sazonal (SARIMA), perceptron multicamadas (MLP) e floresta aleatória (RF). Os melhores resultados foram apresentados pelo algoritmo de Floresta Aleatória, com um coeficiente de determinação de aproximadamente 88%, com um erro absoluto médio de aproximadamente 189 unidades de produtos. |
| Abstract: | The analysis of time series are always present in the most different domains, due to the great ease of representing events in relation to time. Some of the factors that can be investigated in the time series are the description of the behavior of the series and/or the realization of forecasts of future values of the series. The main objective of this issertation was to find a predictive model that could present satisfactory future values for business decision making. The methodology used consisted of three main steps that were: the definition of the problem, followed by the preparation of the data with an investigation on these data to then create a predictive model and finally present the results. It was identified in the research on the data that most of the products were no longer being produced, so that k-means was used to group products with regular demand and thus to proceed with the creation of the predictive models, where the algorithms of integrated autoregressive seasonal moving average (SARIMA), multilayer perceptron (MLP) and random forest (RF) were tested. The best results were presented by the Random Forest algorithm, with a determination coefficient of approximately 88%, with an mean absolute eror of approximately 189 product units. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/12512 |
| Aparece nas coleções: | MD - Ciência da Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| monitorizacaoproducaorelatoriosalertas.pdf | 2,3 MB | Adobe PDF |  Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.