Navegando por Palavras-chave "Forecasting"

Agora exibindo 1 - 4 de 4
  • 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.
  • Imagem de Miniatura
    Item
    Acesso aberto (Open Access)
    Infecção ou colonização por micro-organismos resistentes: identificação de preditores
    (Escola Paulista de Enfermagem, Universidade Federal de São Paulo (UNIFESP), 2013-01-01) Moraes, Graciana Maria de; Cohrs, Frederico Molina [UNIFESP]; Batista, Ruth Ester Assayag [UNIFESP]; Grinbaum, Renato Satovschi; Instituto de Assistência Médica ao Servidor Público; Universidade Federal de São Paulo (UNIFESP)
    OBJECTIVE: Identifying predictors of infection or colonization with resistant microorganisms. METHODS: A quantitative study of prospective cohort was carried out. A descriptive analysis was performed in order to know the population of the study and a discriminant analysis was performed to identify the predictors. RESULTS: In this study were included 85 patients with infections caused by resistant microorganisms: carbapenem-resistant Pseudomonas aeruginosas (24.7%); carbapenem-resistant Acinetobacter (21.2%); methicillin-resistant Staphylococcus aureus (25.9%), vancomycin-resistant Enterococcus spp (17.6%) and carbapenem-resistant Klebsiella pneumonia (10.6%). The discriminant analysis identified transfers from other hospitals and hospitalization in intensive care unit as predictors for the occurrence of infections by the following groups: S. aureus resistant to methicillin, Acinetobacter resistant to carbapenems and K. pneumoniae resistant to carbapenems. None of the studied variables was discriminant for vancomycin-resistant Enterococcus spp. and carbapenem-resistant P. aeruginosas.
  • Imagem de Miniatura
    Item
    Acesso aberto (Open Access)
    Proposal for a new approach to forecast spare parts demand
    (Universidade Federal de São Paulo, 2021-08-03) Acayaba, Gabriel Medrado Assis [UNIFESP]; Oliveira, Tiago de [UNIFESP]; Sato, Renato Cesar [UNIFESP]; http://lattes.cnpq.br/6095929487408447; http://lattes.cnpq.br/8390665307472965; http://lattes.cnpq.br/1873663378106030
    A previsão de peças de reposição para apoiar as operações de manutenção é essencial para garantir a disponibilidade dos mais diversos serviços. Este documento tem como objetivo investigar quais técnicas têm sido propostas para prever a demanda por peças de reposição, bem como em que medida essas técnicas foram validadas em ambientes industriais. O documento também visa desenvolver uma nova metodologia de previsão de peças de reposição por meio da seleção ou combinação de técnicas de previsão. Primeiramente, conduzimos uma Revisão Sistemática da Literatura sobre o tema de Previsão de Demanda de Peças de Reposição. As principais conclusões da revisão são de que falta um estudo comparativo quanto ao desempenho entre as técnicas analisadas e que muitos estudos ainda lutam com a necessidade de grandes volumes de dados e grandes conjuntos de variáveis. O presente estudo baseia-se nessas lacunas e implementa um algoritmo de meta-aprendizagem. Uma base de dados real de demanda de peças de reposição do setor aeroespacial é usada como entrada para um Classificador Random Forest para selecionar entre os modelos Random Walk, Theta, ARIMA, Exponential Smoothing e Neural Network para prever a demanda e calcular as combinações de previsão. Os novos métodos são então comparados com métodos convencionais e com um software de uso comprovado pela indústria. A metodologia de previsão de meta-aprendizado proposta mostra-se uma opção válida e competitiva para prever a demanda de peças de reposição e apresenta bons resultados quando comparada aos métodos convencionais de previsão e também quando comparada a uma solução comprovada usada pela indústria que possui seu próprio algoritmo de seleção de métodos de previsão. As previsões de combinação linear ponderada mostraram bons resultados gerais e conseguiram melhorar a precisão média das previsões. Finalmente, uma aplicação web simples foi desenvolvida como uma prova de conceito para uso industrial.
  • Imagem de Miniatura
    Item
    Acesso aberto (Open Access)
    Spare parts intermittent demand forecastin
    (Universidade Federal de São Paulo, 2023-06-02) Imaniche, Carlos César Minoru [UNIFESP]; Sato, Renato Cesar [UNIFESP]; http://lattes.cnpq.br/6095929487408447; http://lattes.cnpq.br/2287823727691860
    As demandas intermitentes ocorrem com frequência no ambiente de peças de reposição de aeronaves e componentes, sendo elas um dos principais problemas enfrentados pelas organizações modernas gerando enormes desafios para um bom planejamento. Além disso, a responsabilidade de empregar os recursos financeiros disponibilizados para a manutenção aeronáutica da forma mais eficiente implicam na necessidade de desenvolvimento de ferramentas capazes de realizar o controle e planejamento cada vez mais precisos. Desta forma, este trabalho tem o objetivo de fornecer uma metodologia de previsão de demanda de peças de reposição robusta capaz de lidar com suas possíveis características intermitentes. Para isso, foram propostos quatro modelos que utilizam um pool métodos consagrados para realização de previsões. O primeiro modelo simula como tradicionalmente seria realiza a escolha de um método de previsão. O segundo realiza a classificação do melhor método através das feições das séries temporais e precisão da previsão dos métodos do pool, utilizando o sistema de ensemble Random Forest. O terceiro modelo também realiza a classificação do melhor método da mesma que o segundo modelo, porém utilizando o sistema de ensemble XGBoost. O quarto modelo realiza a regressão da previsão usando diretamente as feições das previsões no sistema de ensemble XGBoost. Os quatro modelos foram submetidos à três conjuntos de dados sintéticos simulados com diferentes percentuais de séries temporais intermitentes em sua composição. O quarto modelo se mostrou bem robusto, obtendo o menor RMSE médio nos três conjuntos de dados. Dentro do conhecimento deste autor, este trabalho é um dos primeiros trabalhos que utiliza um algoritmo de meta-aprendizagem específico para lidar com conjuntos de séries temporais com características intermitentes, sendo a principal contribuição fornecer uma nova ferramenta capaz de realizar previsões robustas para este tipo de conjunto de dados, em um baixo tempo de processamento computacional.