Redes neurais do tipo Long Short-Term Memory aplicadas em previsões de demanda no mercado varejista

• Ano de defesa: 2024
• Autor(a) principal: Fukai, Fernanda Mayumi
• Orientador(a): Cavalieri, Daniel Cruz
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Serra
• Palavras-chave em Português: LSTM; Séries Temporais; Varejo; Aprendizado Profundo; Previsão de Vendas; Machine Learning; Redes neurais
• Link de acesso: https://repositorio.ifes.edu.br/handle/123456789/5445

A previsão de vendas é um componente crítico na indústria do varejo, essencial para decisões estratégicas, planejamento operacional e manutenção da estabilidade finan- ceira, promovendo o crescimento dos negócios. Métodos estatísticos tradicionais têm sido amplamente utilizados para análise de séries temporais, mas frequentemente enfrentam dificuldades com relações complexas, não lineares e dinâmicas de alta dimensionalidade. Nesse contexto, redes Long Short-Term Memory (LSTM) ofere- cem vantagens significativas devido à sua capacidade de reter informações ao longo de longos períodos, tornando-as adequadas para lidar com interações dinâmicas e complexas nos dados. Esta dissertação avalia o desempenho de três redes neurais baseadas em variações da arquitetura LSTM: Vanilla LSTM, Conv1D-LSTM e Multiscale CNN-LSTM, aplicadas à previsão de vendas futuras. Para uma análise comparativa robusta, os modelos Average, XGBoost e LightGBM também são empregados como benchmarks, com desempenho avaliado por métricas como Erro Absoluto Médio (MAE), Raiz do Erro Quadrático Médio (RMSE) e Erro Absoluto Escalado Médio (MASE). A otimização de hiperparâmetros foi realizada para melhorar os resultados. Os resultados indicam que a arquitetura Conv1D-LSTM consistentemente supera os outros modelos LSTM em quase todas as métricas, alcançando o maior R2 e os menores valores de MAE, RMSE e MASE após a otimização Bayesiana. No entanto, modelos como LightGBM e XGBoost demonstraram desempenho superior aos modelos LSTM, com custos computacionais significativamente menores, tornando-os alternativas eficientes para previsão de vendas, especialmente em cenários com recursos computacionais limitados. Embora os modelos baseados em LSTM, particularmente o Conv1D-LSTM, sejam altamente eficazes para lidar com a complexidade dos dados de séries temporais, modelos como LightGBM e XGBoost permanecem competitivos, oferecendo um equilíbrio valioso entre desempenho e eficiência computacional.