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

dc.contributor.advisorCavalieri, Daniel Cruz
dc.contributor.advisor-code Castro, Fidelis Zanetti
dc.contributor.authorFukai, Fernanda Mayumi
dc.contributor.institutionInstituto Federal de Educação, Ciência e Tecnologia do Espírito Santo (IFES)pt_BR
dc.contributor.memberZago, Gabriel Tozatto
dc.contributor.memberAndreão, Rodrigo Varejão
dc.date.accessioned2024-12-12T20:44:14Z
dc.date.available2024-12-12T20:44:14Z
dc.date.issued2024
dc.descriptionA 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.pt_BR
dc.description.abstractABSTRACT Sales forecasting is a critical component of the retail industry, essential for strategic decision-making, operational planning, and maintaining financial stability while promoting business growth. Traditional statistical methods have been widely used for time series analysis but often struggle with complex, nonlinear relationships and highdimensional dynamics among variables. In this context, Long Short-Term Memory (LSTM) networks offer significant advantages due to their ability to retain information over long periods, making them particularly suited to handle the complex and dynamic interactions inherent in the data. This dissertation evaluates the performance of three neural networks based on variations of the LSTM architecture: Vanilla LSTM, Conv1DLSTM, and Multiscale CNN-LSTM, applied to future sales forecasting. To provide a more robust comparative analysis, the Average, XGBoost, and LightGBM models are also employed as benchmarks. Model performance is assessed using metrics such as Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and Mean Absolute Scaled Error (MASE). Additionally, hyperpa- rameter tuning is conducted to optimize the models’ results. The results indicate that the Conv1D-LSTM architecture consistently outperforms other LSTM models across nearly all evaluation metrics, achieving the highest R 2 value and the lowest MAE, RMSE, and MASE after Bayesian optimization of a hyperparameter set. However, models like LightGBM and XGBoost demonstrated superior performance compared to LSTM-type model’s, while offering the advantage of significantly lower computational costs. This makes them highly efficient alternatives for sales forecasting, especially in scenarios where computational resources are limited. Overall, the study concludes that while LSTM-based models, particularly Conv1D-LSTM, are highly effective at navigating the complexities of time series data (in our context) and identifying intricate patterns over long periods, traditional models like LightGBM and XGBoost remain competitive, providing a valuable balance between performance and computational efficiency. Keywords: LSTM, Convolutional Neural Networks, Deep Learning, Sales Forecasting, Retailpt_BR
dc.description.sponsorshipFundação de Amparo à Pesquisa e Inovação do Espírito Santo (FAPES)pt_BR
dc.format.extent91 f.pt_BR
dc.identifier.capes30004012070P2pt_BR
dc.identifier.citationFUKAI, Fernanda Mayumi. Redes Neurais do Tipo Long Short-Term Memory Aplicadas em Previsões de Demanda no Mercado Varejista. 2024. 91 f. Dissertação (Mestrado Profissional em Engenharia de Controle e Automação) - Instituto Federal do Espírito Santo, Campus Serra, Serra, 2024.pt_BR
dc.identifier.urihttps://repositorio.ifes.edu.br/handle/123456789/5445
dc.languagept_BRpt_BR
dc.publisher.localSerrapt_BR
dc.rightsAcesso aberto
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/
dc.subjectLSTMpt_BR
dc.subjectSéries Temporaispt_BR
dc.subjectVarejopt_BR
dc.subjectAprendizado Profundopt_BR
dc.subjectPrevisão de Vendaspt_BR
dc.subjectMachine Learningpt_BR
dc.subjectRedes neuraispt_BR
dc.titleRedes neurais do tipo Long Short-Term Memory aplicadas em previsões de demanda no mercado varejistapt_BR
dc.typetext::thesis::master thesis
dc.type.documentDissertação de mestrado
dc.type.intellectualProductionBibliográfica
ifes.advisor.latteshttp://lattes.cnpq.br/9583314331960942pt_BR
ifes.advisorco.latteshttp://lattes.cnpq.br/2373180848461397pt_BR
ifes.author.latteshttp://lattes.cnpq.br/8536454103542701pt_BR
ifes.author.orcidhttps://orcid.org/0009-0003-4594-1701pt_BR
ifes.campusCampus Serrapt_BR
ifes.course.underposgraduateMestrado Profissional em Engenharia de Controle e Automação
ifes.knowledgeAreaEngenhariapt_BR
ifes.member.latteshttp://lattes.cnpq.br/8771088249434104pt_BR
ifes.member.latteshttp://lattes.cnpq.br/5589662366089944pt_BR
ifes.researchAreaSistemas Inteligentespt_BR

Arquivos

Pacote original

Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
DISSERTAÇÃO.pdf
Tamanho:
2.12 MB
Formato:
Adobe Portable Document Format
Descrição:
Dissertação

Licença do pacote

Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
license.txt
Tamanho:
934 B
Formato:
Item-specific license agreed upon to submission
Descrição:

Coleções

Logo do IFES
RI/Ifes é uma implementação do DSpace e é gerenciado
pela Pró-Reitoria de Pesquisa e Pós-Graduação

© Todos os direitos reservados
Logo RBRDLogo OASISLogo LaReferencia
Desenvolvido porLogo Acervos Digitais