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