O USO DE MÉTODOS DE SUAVIZAÇÃO EXPONENCIAL NA MODELAGEM DE SÉRIES TEMPORAIS SEM SAZONALIDADE

Autores

  • Paulo Siga Thomaz Universidade Federal do Rio Grande-FURG
  • Viviane Leite Dias de Mattos Universidade Federal do Rio Grande-FURG
  • Luiz Ricardo Nakamura Universidade Federal de Santa Catarina-UFSC
  • Andréa Konrath Universidade Federal do Rio Grande-FURG
  • Gérson dos Santos Nunes Universidade Federal do Rio Grande-FURG

Resumo

Este estudo tem como objetivo avaliar o desempenho dos modelos de suavização exponencial na previsão de quatro séries temporais com diferentes propriedades. Com esta finalidade, 80% dos dados de cada série foram separados para ajustar os modelos, enquanto o restante foi utilizado para a amostra de validação da previsão. A previsão foi realizada para todo o horizonte da amostra de validação (20% dos dados), sendo computados o erro absoluto percentual médio (MAPE), além da estatística U de Theil para cada um dos períodos (h = 1, h = 2, h = 3, ...). Para identificação do melhor modelo, foram considerados os períodos que forneceram MAPE menor que 5% e U de Theil menor que um. Os resultados encontrados mostraram que esses métodos podem ser utilizados com sucesso em determinadas situações, não sendo indicados para previsões de longo prazo ou para séries que apresentam mudanças drásticas de comportamento ao longo do tempo.

Biografia do Autor

Paulo Siga Thomaz, Universidade Federal do Rio Grande-FURG

Graduado em Engenharia Civil, Universidade Federal do Rio Grande-FURG.


Viviane Leite Dias de Mattos, Universidade Federal do Rio Grande-FURG

Possui graduação em Engenharia Civil pela Universidade Católica de Pelotas (1978), mestrado em Engenharia de Produção pela Universidade Federal de Santa Catarina (1997) e doutorado em Engenharia de Produção pela Universidade Federal de Santa Catarina (2004). Atualmente é professor adjunto da Universidade Federal do Rio Grande. Tem experiência na área de Engenharia de Produção, com ênfase em Garantia de Controle de Qualidade, atuando principalmente nos seguintes temas: séries temporais, qualidade, probabilidade e estatística, controle de processos e projeto de experimentos.

Luiz Ricardo Nakamura, Universidade Federal de Santa Catarina-UFSC

Possui graduação em Estatística pela Universidade Estadual Paulista "Júlio de Mesquita Filho" (2009), mestrado em Ciências (Estatística e Experimentação Agronômica) pela Universidade de São Paulo (2011) e doutorado em Ciências (Estatística e Experimentação Agronômica) pela Universidade de São Paulo (2016), com período sanduíche na London Metropolitan University (Londres, Reino Unido). Atualmente é Professor Adjunto A do Departamento de Informática e Estatística da Universidade Federal de Santa Catarina. Pesquisador dos grupos GAMLSS (www.gamlss.org), "Grupo de Análise e Modelagem Estatística - GAME" e "Agronegócio, Políticas Públicas e Desenvolvimento Regional - APP&DR". Tem experiência na área de Probabilidade e Estatística, com ênfase em Probabilidade e Estatística Aplicadas, atuando principalmente nos seguintes temas: modelos aditivos generalizados para locação, escala e forma (GAMLSS), modelos semiparamétricos, modelagem estatística, análise multivariada e inferência bayesiana. Endereço eletrônico: luiz.nakamura@ufsc.br.


Andréa Konrath, Universidade Federal do Rio Grande-FURG

Possui graduação em Matemática Aplicada e Computacional pela Universidade de Santa Cruz do Sul (2000), mestrado em Engenharia de Produção pela Universidade Federal de Santa Catarina (2002) e doutorado em Engenharia Mecânica pela Universidade Federal de Santa Catarina (2008). Trabalhou como docente na área de Estatística na Universidade do Vale do Itajaí, (UNIVALI), no período de março de 2007 a janeiro de 2009, e no Instituto de Matemática, Estatística e Física da Universidade Federal do Rio Grande (FURG), no período de fevereiro de 2009 a julho de 2011, também na área de Estatística. Desde agosto de 2011 é professora adjunta na Universidade Federal de Santa Catarina (UFSC), pertencendo ao Departamento de Informática e Estatística, na qual ministra disciplinas de Estatística na graduação e pós-graduação. Tem experiência na área de Probabilidade e Estatística, com ênfase em Controle Estatístico de Qualidade, atuando principalmente nos seguintes temas: Controle Estatístico de Processo, Métodos Estatísticos, Previsão, Simulação e Metrologia.

Gérson dos Santos Nunes, Universidade Federal do Rio Grande-FURG

Graduado em Engenharia Elétrica pela Universidade Federal do Rio Grande-FURG. E-mail: gersonnunes@ifsul.edu.br.

Referências

BASTOS, R. F. Avaliação de Desempenho de Modelos de Séries Temporais para Previsões da Produção de Óleo Diesel Nacional. In. Simpósio de Pesquisa Operacional & Logística da Marinha (SPOLM), 18, 2016, Rio de Janeiro.

BERTOLDE, A.I; JUNIOR, W.P.X. Uma Comparação de Métodos de Previsão de Demanda de Peças de Reposição: Uma Aplicação ao Transporte Ferroviário. Revista Gestão Industrial, v. 3, p. 535-551, 2013.

DANTAS, T.M..; OLIVEIRA, L. C. O. Improving Time Series Forecasting: An Approach Combining Bootstrap Aggregation, Clusters and Exponential Smoothing. International Journal of Forecasting, v. 34, p. 748-761, 2018.

HYNDMAN, R.J.; ATHANASOPOULOS, G. Forecasting: principles and practice. Melbourne: OTexts, 2017. Acesso em 27 set. 2017. Online. Disponível em: https://www.otexts.org/fpp.

LJUNG, G.; BOX, G. E. P. On a mesure of lack of fit in time series models. Biometrika, v. 65, p.297-303, 1978.

MARTIN, A.C.; HENNING, E.; WALTER, O.M.F.C.; KONRATH, A.C. Análise de series temporais para previsão da evolução do número se automóveis no município de Joinvile. Espacios, v. 37, n. 6, p.29-43, 2016. Disponível em: http://qualimetria.ufsc.br/files/2016/05/Revista-ESPACIOS-_-Vol.pdf. Acesso em: 15 mai 2018.

MORETTIN, P.A.; TOLOI, C.M.C. Análise de séries temporais. 2ª. ed. São Paulo: editora Blucher, 2006.

NAZIM, A. N. A; AFTHANORHAN, A. Comparison between Single Exponential Smoothing (DES), Holt’s (brown) and Adaptive Response Rate Exponential Smoothing (ARRES) Techniques in Forecasting Malaysia Population. Global Journal of Mathematical Analysis , v. 2, p.276-280, 2014.

OSTERTAGOVÁ, E.; OSTERTAG, O. Forecasting Using Exponential Smoothing Method. Acta Electrotechnica, v. 12, p.62-66, 2012.

R CORE TEAM. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. Disponível em: https://www.R-project.org. Acesso em: 05 jun. 2018.

SOUZA, G.P.; SAMOHYL, R.; MIRANDA, R.G. Métodos Simplificados de Previsão Empresarial. Florianópolis: editora Ciência Moderna, 2008.

SU, Y.; GAO, W.; GUAN, D.; SU, W. Dynamic Assessment and Forecast of Urban Water Ecological Footprint Based on Exponential Smoothing Analysis. Journal of Cleaner Production, v.195, p.354-364, 2018.

THEIL, H. Economics and information theory. Amsterdam: North-Holland, 1967.

TRATAR, L.F.; MOJŠKERC, B.; TOMAN, A. Demanding Forecast With Four-Parameter Exponential Smoothing. International Journal of Production Economics, v.181, p. 162-173, 2016.

Downloads

Publicado

2018-12-20

Edição

v. 11 n. 3 (2018): RETEC - Revista de Tecnologias (Edição Espcial 8º MCSul / VIII SEMENGO)

Seção

Artigos