Análise comparativa entre métodos estatísticos tradicionais e baseados em inteligência artificial no problema de previsão de demanda

Abstract

A previsão de séries temporais é uma questão que se mostra fundamental para os mais diversos setores, pois pode facilitar tomadas de decisão estratégicas diversas. Aspectos como a gestão dos estoques, da cadeia logística de suprimentos e do planejamento e controle da produção de uma empresa são alguns exemplos de processos que se beneficiam amplamente por uma previsão de demanda adequada. Por conta disso, métodos de previsão de séries temporais baseados no uso de inteligência artificial estão em acelerada ascensão, com a premissa que serão mais efetivos que os métodos estatísticos tradicionais. A partir desta premissa este trabalho se propõe a comparar uma seleção de modelos quanto a capacidade de predição e a acurácia, em um cenário específico, que inclui a previsão de múltiplas séries temporais paralelas, uma situação em que os modelos de inteligência artificial tendem a ser superiores. Para realizar estas análises, um total de sete modelos de previsão de demanda foram aplicados em dois conjuntos de dados, e cada conjunto foi analisado em dois níveis de agregação diferentes, a fim de avaliar a capacidade dos modelos na previsão de uma série temporal simples e de séries paralelas, em um cenário com forte sazonalidade e outro com baixa sazonalidade. Foram selecionados os métodos ARIMA, Prophet e Holt-Winters para representar os métodos estatísticos tradicionais, os métodos Decision Tree, Random Forest, XGBoost para representar os métodos de inteligência artificial e uma rede neural convolucional como método mais moderno. O resultado obtido ao fim do trabalho foi que a rede neural apresentou o melhor resultado para a previsão de uma única série temporal com alto nível de agregação mas obteve um baixo desempenho para a previsão de múltiplas séries paralelas, cenário em que os modelos Random Forest e XGBoost superaram os demais por uma margem considerável. Quanto à comparação entre os modelos tradicionais e os modelos de inteligência artificial, concluiu-se que, para os dados do trabalho, o segundo grupo superou o primeiro em todos os cenários, que apresentou erros pelo menos 35% maiores na maioria dos casos.