Aprendizado de máquina com treinamento continuado aplicado à previsão de demanda de curto prazo: o caso do restaurante universitário da Universidade Federal de Uberlândia

• Ano de defesa: 2019
• Autor(a) principal: Silva, Leonildo Costa e
• Orientador(a): Morais, Aniel Silva de
• Banca de defesa: Fontoura, Kleber Lopes, Yamanaka, Keiji
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Uberlândia
• Programa de Pós-Graduação: Programa de Pós-graduação em Engenharia Elétrica
• País: Brasil
• Palavras-chave em Português: Planejamento; Planning; Aprendizado de máquina; Machine learning; Treinamento continuado; Continuous learning; Teoria da ressonância adaptativa; Adaptive resonance theory; Previsão de demanda; Demand forecasting; Redes neurais artificiais; Artificial neural network; Engenharia elétrica
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA; CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: https://repositorio.ufu.br/handle/123456789/25386; http://dx.doi.org/10.14393/ufu.di.2019.2001

Planejar em situações de incerteza requer o uso de informações que auxiliam os gestores na tomada de decisão. A análise de séries temporais com o objetivo de criar previsões sobre eventos futuros é uma importante aliada neste processo. Neste contexto situa-se a análise de previsão de demanda que pode ser definida como uma projeção do futuro sobre a procura por bens ou serviços oferecidos por uma organização. De posse dessa informação os gestores podem orientar suas ações em função dos objetivos operacionais e estratégicos. Portanto, gerar previsões confiáveis e precisas é uma atividade indispensável para qualquer instituição com foco no fornecimento de bens ou serviços. Este trabalho investiga a aplicação de métodos baseados em aprendizado de máquina para a geração de previsões quantitativas de curto prazo. Dada a volatilidade característica das relações de consumo influenciadas por diversos fatores, a relação entre as variáveis explicativas e a demanda prevista podem sofrer alterações ao longo do tempo. Assim, os modelos de previsão podem apresentar degradação da sua acurácia se não forem atualizados constantemente. Dessa forma, esta pesquisa compara o desempenho de quatro algoritmos de aprendizado de máquina com capacidade de treinamento continuado. O dataset utilizado no experimento consiste na demanda diária de refeições do restaurante universitário da Universidade Federal de Uberlândia. Para treinamento dos modelos foram coletados dados compreendidos entre janeiro de 2015 a abril de 2018, sendo que os últimos seis meses foram reservados para o procedimento de teste. A metodologia adotada baseia-se no processo CRISP-DM com utilização de práticas apropriadas a projetos de aprendizado de máquina. Os resultados indicaram que a metodologia empregada foi capaz de produzir modelos com boa qualidade de ajuste (resíduos não correlacionados e média residual próxima de zero) além de uma capacidade de generalização adequada, aferida pelas métricas RMSE e MAE.