Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/39386| Título: | Arquitetura híbrida para predição de vendas no varejo com seleção automatizada de modelos |
| Título(s) alternativo(s): | Hybrid architecture for retail sales forecasting with automated model selection |
| Autor(es): | Mercês, João Victor Ramos |
| Orientador(es): | Naves, Thiago França |
| Palavras-chave: | Comércio varejista Previsão de vendas Aprendizado do computador Retail trade Sales forecasting Machine learning |
| Data do documento: | 1-Dez-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Santa Helena |
| Citação: | MERCÊS, João Victor Ramos. Arquitetura híbrida para predição de vendas no varejo com seleção automatizada de modelos. 2025. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) - Universidade Tecnológica Federal do Paraná, Santa Helena, 2025. |
| Resumo: | Este trabalho apresenta uma arquitetura híbrida para predição de séries temporais no contexto varejista, baseada na seleção automatizada do modelo mais adequado para cada série. A abordagem combina a extração de características estatísticas e estruturais das séries com a aplicação de múltiplos modelos preditivos, cujos desempenhos são utilizados para treinar um classificador capaz de identificar, de forma inteligente, o algoritmo mais eficiente para cada situação. Essa estratégia reduz o impacto da heterogeneidade e da volatilidade dos dados, evitando o uso de um modelo único, frequentemente insuficiente, e também a avaliação exaustiva de todos os modelos, que impõe um custo computacional elevado. A arquitetura foi avaliada com séries reais de vendas e comparada a métodos tradicionais e modelos modernos de aprendizado de máquina, utilizando métricas amplamente aceitas na literatura. Os resultados demonstram que a seleção automática mantém desempenho equivalente ao processo exaustivo, apresentando diferenças marginais em métricas como RMSE, MSE, MAPE e R², além de reduzir de forma significativa o tempo de execução. |
| Abstract: | This work presents a hybrid architecture for time series forecasting in the retail context, based on the automated selection of the most suitable model for each series. The approach combines the extraction of statistical and structural features from the series with the application of multiple predictive models, whose performances are used to train a classifier capable of intelligently identifying the most effective algorithm for each situation. This strategy mitigates the impact of data heterogeneity and volatility, avoiding the use of a single, often insufficient model, as well as the exhaustive evaluation of all models, which incurs a high computational cost. The architecture was evaluated using real sales time series and compared with traditional methods and modern machine learning models, employing metrics widely accepted in the literature. The results show that the automatic selection achieves performance equivalent to the exhaustive process, with marginal differences in metrics such as RMSE, MSE, MAPE, and R², while significantly reducing execution time. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/39386 |
| Aparece nas coleções: | SH - Ciência da Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| predicaovendasvarejomodelos.pdf | 1,73 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
