Navegando por Palavras-chave "Data Science"

Agora exibindo 1 - 2 de 2
  • Imagem de Miniatura
    Item
    Acesso aberto (Open Access)
    Avaliação de modelos econométricos de projeção para os índices de inflação do Brasil
    (Universidade Federal de São Paulo, 2023-12-08) Marangon, Bruno Morelli [UNIFESP]; Porto, Paulo Costacurta de Sa [UNIFESP]; http://lattes.cnpq.br/3851033592036079; http://lattes.cnpq.br/3207806005547616
    O presente trabalho busca contribuir para a literatura científica relacionada aos temas de projeção de variáveis econômicas, mais especificamente, avaliando o desempenho dos modelos ARIMA (ARMA, ARIMA, SARIMA e SARIMAX) para realizar projeções dos índices de inflação brasileira IPCA (IBGE) e IGP-M (FGV). O trabalho tem caráter experimental, buscando coletar dados oficiais dos índices mencionados por meio da API do Instituto de Pesquisa Econômica Aplicada (IPEA, Ipeadata) e realizar a modelagem com o software estatístico R, com o uso das bibliotecas tidyverse e forecast para, respectivamente, organizar os dados coletados diretamente do Ipeadata pela função ipeadatar e ajustar o melhor modelo de projeção para cada categoria com a função auto.arima(). Como resumo do resultado obtido, o modelo ARIMA(2, 1, 1) teve os melhores resultados na projeção do índice IPCA e o modelo ARI(2, 1) teve os melhores resultados na projeção do índice IGP-M.
  • Nenhuma Miniatura disponível
    Item
    Restrito
    Uso de redes neurais LSTM para predição de séries temporais de demanda de vendas
    (Universidade Federal de São Paulo, 2022-02-16) Santos, Gabriel Gustavo Pereira Rodrigues [UNIFESP]; Musa, Daniela Leal [UNIFESP]; http://lattes.cnpq.br/8606503911561836
    A busca incessante por informação é constante em todos os setores de qualquer industria, pois é por meio dela que investimentos são gerados, decisões são tomadas e ino vações acontecem. Uma informação importante para as empresas de comércio é saber quais produtos devem possuir em estoque e em quais quantidades, afim de atender a demanda de venda. Muitas empresas se baseiam na experiência de seus gestores, sendo que isso pode levar a erros de previsão e consequentemente gerar custos desnecessários. Uma forma mais eficaz de prever a demanda de venda é o uso de modelos matemáticos, que podem gerar uma previsão mais assertiva sobre os valores futuros de demanda e vendas de uma empresa. Sendo assim, este trabalho verificou, em um conjunto de dados reais, a aplicabilidade do uso de modelos preditores baseado em séries temporais e redes neurais artificiais LSTM, para previsão de demandas de vendas. Os resultados obtidos mostram a viabilidade da pro posta do uso de redes neurais LSTM para predição de séries temporais de demanda de vendas, que deve ser aprimorada e testada em conjunto de dados maiores.