PRODUO

Redes Neurais: Uma Aplicao na

Previso de Vendas

Angela P. Ansuj
Maria Emlia Camargo
Deoclcio Gomes Petry
Programa de Ps-Graduao em Mtodos Quantitativos
Departamento de Estatstica - Centro de Cincias Naturais e Exatas - UFSM
Santa Maria, RS.

Palavras Chave: Rede Neural, MIMA, Retropopagao

RESUMO
Aplicou-se os modelos ARIMA e de retropropagao na anlise do comportamento da srie de vendas de uma
empresa de pDI1e mdio de Santa Maria, no perodo de janeiro de 1979 a dezembro de 1989. Inicialmente, avaliou-se
os dados a partir de uma anlise exploratria e das funes de autocorrelao e de autocorrelao parcial, com o
objetivo de verilicar a existncia de componentes sazonais, de no estacionaridade e aleatoriedade dos dados. O
nmero de unidades da camada inte.mediria foi determinado por tentativas. Utilizou-se a anlise da srie residual
p"1'3 detelminar o modelo mais adequado aos dados, bem como para escoUter a meUtor rede. A previso pontual obtida
"travs da rede Neural foi superior ao modelo ARIMA de Box-Jenkins.

58

PRODUO

Esse evento externo, cujos efeitos inf1uenciam a srie em estudo, deve ser incorporado
ao modelo, como uma informao adicional
srie. Esta incorporao de informao chama-se de interveno. modelo de interveno pode ser representado por:

Introduo

Neste trabalho, utilizou-se modelos ARIMA de Box-Jenkins e o de Retropropagao,

que consiste de uma Rede Neural multicamada com as unidades conectadas apenas com as
unidades da camada subsequente e com a
informao passada em nica direo, (BoxJenkins, 1976;CAMARGO, 1992;WASSERMAM, 1989) para o comportamento de uma
srie de vendas mensal de uma empresa de
porte mdio de Santa Maria, Rio Grande do
Sul, no perodo dejaneiro de 1979 dezembro
de 1989.

f(k,x,t)= LV. (B)x,+Tl

j=l

tj

(I)
t

f(k, x, t)

L
j=l

w j (B)
a, (B)

tj

+ Tl t

(2)

X',j' j = I, 2, ..... , k so variveis exgenas

(intervenes). Eventualmente pode-se usar
X'.b' onde b o espao de tempo decorrido
entre as sries de entrada e sada (defasagem
entre as sries); k o conjunto de parmetros
desconhecidos que aparecem em vj (B) ou em
w j (B) e j (B),

Metodologias

Onde: vj (B) = w j (B)/j (B),j = 1,2, .... , k

a funo de transferncia da j-sima varivel
exgena, sendo vj (B), w j (B) ej (B) polinmios emB e, o rudo que pode ser representado
por um modelo ARIMA, inclusive com componentes sazonais.

Modelo ARIMA com interveno

A anlise de interveno um modelo de
Funo de Transferncia Estocstica, onde
possvel interpretar a maneira de incorporar
seus efeitos ao modelo da srie temporal.

Cada srie xti um indicador que assume os

valores Oou I, representando, respectivamente, a ausncia ou a presena da j-sima interveno, isto , a no ocorrncia ou a ocorrncia do j-simo evento.

Os maiores efeitos da interveno so notados na mudana do nvel na direo ou

inclinao da srie em estudo, e tambm para
alterar as variveis dos erros e introduzir no
modelo componentes que no haviam antes;
regressivos em um processo de mdias mveis.

As sries indicadoras de intervenes podem ser representadas por trs tipos de variveis binrias.

Seja uma srie temporal para a qual veriticou-se e estimou-se um modelo ARIMA com
o qual vm se fazendo previses h algum
tempo; num dado instante ocorre um evento
independente do fenmeno que originou a
srie temporal, mas cujos efeitos podem se
manifestar sobre ela.

I) Funo Impulso - Interveno do tipo I;

2) Funo degrau ("Step function") - Interveno tipo 2;
3) Funo impulso sazonal - Interveno
tipo 3.

59

Modelo de Rede Neural

Omodelo de Retropropagao o paradigma comumente usado em reas como reconhecimento de sinais, e principalmente em
Previso de Sries Temporais (BEALE, 1990
e MELO, 1991). O modelo retropropagao
utiliza uma topologia de 3 ou mais camadas.
As conexes entre as unidades so do tipo
intercamadas e so direcionadas da camada
de entrada para a camada de sada.
A rede neural se ajusta como um modelo de
previso de sries temporais da seguinte forma:

dos pelo usurio, que em geral so constantes.

So eles: taxa de aprendizado, termo de momento e tamanho do intervalo de variao dos
pesos e tendncias.
No modelo de retropropagao os parmetros (pesos das conexes e tendncias) so
modificados durante o treinamento pelo mtodo gradiente. No modelo de retropropagao original, a funo de custo tomada como
a varincia residual total, ou soma total dos
quadrados para uma srie de pontos S.
tss (S) = (real

- as unidades de entrada so compostas

por informaes relevantes para a previso;
2 - os pesos so os parmetros do modelo
e sero estimados atravs do aprendizado da
rede que leva em conta pares de entradas com
as respectivas sadas alvos (valores reais da
srie temporal);

previso

Y=

(x, -

xl

onde x, o valor real da srie temporal t, e

x o valor de sada da rede para o tempo t.
E'ssa medida indica o quanto bem a superfcie
sobre o espao de entrada se ajusta aos pontos
(x" t e S). O valor de MSE (Mean Square
Error) obtido dividindo-se o valor de tss pelo
tamanho do conjunto,

MSE=

3 - as unidades da camada escondida servem de ligao entre as camadas e entrada e

sada; seu papel fundamental para a escolha
do melhor conjunto de pesos, pois a no
linearidade do ~odelo se localiza na funo
de ativao das unidades escondidas;

k -

tss

o valor de RMSE (Root Mean Square

Error) obtido por:

RMSE = .JMSE
4 - a camada de sada composta de uma
nica unidade e portadora da informao desejada: a previso;

e, finalmente, o valor de nRMSE obtido

dividindo-se o valor de RMSE pelo desvio
padro da srie para obtermos um valor que
permita a comparao entre sries distintas;

5 - o treinamento dos pesos a estimao

dos parmetros do modelo; como o aprendizado supervisionado, podemos, a partir do
treinamento, gerar na camada de sada previses de 1, 2, ... , etc., passos frente.

RMSE
nRMSE=---

as
arv (average relative variance) = nRMSE2

6 - Os hiperparmetros so valores fomeci-

60

PRODUO

Mdia = -0.00708 0.00

Modelos estimados

Desvio Padro = 0.04762

Anlise Preliminar
Varincia = 0.00227
Inicialmente avaliou-se os dados a partir
de uma anlise exploratria e das funes de
autocorrelao e de autocorrelao parcial,
verificando-se a existncia de componentes
sazonais, de no estacionariedade e aleatoriedade dos dados.

As intervenes identificadas para a srie

de Vendas durante o perodo analisado, a um
nvel de significncia de 5% esto apresentados na TABELA 2.
Tipo de Interveno

Modelo ARIMA com interveno

XII~

O modelo ajustado com interveno ARIMA (1,1,6)(0,1,0')12' cujos parmetros

estimados e as estatsticas esto apresentados
na TABELA 1.

~t~ 1
Xlt~2
X4t~3
X5t~2

Parmetro Valor Estimado Estatstica "t"

<\lI
86
1;1
1;2
1;3
1;4
1;5

-0.37774
-056638
-0.14228
-0.22293
-0.17447
-0.11857
-0.99164

Instante

Perodo

99
MAR/87
131
NOV/89
123
MAR/89
115, 127, ... JUN/88
108
DEV87

TABELA 2 - Tipos de Interveno detectadas

-4.05
-6.45
-4.93
-5.06
-4.21
3.37
2.99

As intervenes ocorridas so do tipo impulso, degrau e impulso sazonal.

Observa-se que as estimativas dos coeficientes das variveis de interveno "i" tem os
sinais esperados. Isto , 1 e 2 tm sinais negativos, enquanto :" 4 e 5 tm sinais positivos.

TABELA 1 - Parmetros estimados e estatstica "1" para o modelo univariado com

interveno para a srie de vendas de uma
empresa de porte mdio de Santa Maria

A incluso destas variveis no modelo

pode ser justificada da seguinte forma:

As estatsticas de ajuste para o modelo so:

1) a primeira interveno representa os

reflexos, devido ao plano cruzado que imps
um congelamento de preos, o qual vigorou
de maro a novembro de 1986;

R2 = 0.98015

2) a interveno de novembro de 1989 o

reflexo do choque heterodoxo do plano vero;

AIC = -5.9484
BIC = -5.7841

3) a interveno ocorrida em maro de

1989 devido ao acrscimo dos preos em

As estatsticas do rudo so:

61

conseqncia da memria inflacionria;

iii) uma unidade na camada de sada x'+I

4) o acrscimo das vendas em junho de

1988, caracterizado pelo efeito sazonal, pois
em todos os anos, a partir de 1988, tem ocorrido acrscimo nas vendas, sendo mais acentuado no ano de 1988; e como pode ser observado, a harmonia referente ao ms de junho
altamente significativa;

Treinamento

o treinamento foi repetido 1950 vezes,

com as atualizaes dos pesos realizadas a
cada 20 padres apresentados sem
fermentao.
A constante de aprendizado foi mantida
igual a 0,14 e, nas ltimas 400 vezes, usou-se
o termo de esquecimento igual a 0,5. Este
valor foi considerado a fim de se dar mais peso
s observaes mais recentes.

5) finalmente, esta varivel representa a

interveno devida ao Plano Bresser, uma
nova tentativa de congelamento de preos,
desta vez por um perodo mais curto, de julho
a outubro de 1987.

o termo momento usado foi de 0,8 e o

tamanho do intervalo de variao dos pesos
foi igual a 4.

Rede Neural
Arquitetura

Comparao do Modelo ARIMA e

da Rede Neural.

Foram testadas vrias arquiteturas e avalisadas as previses, sendo que a arquitetura

escolhida foi:

o modelo ARIMA com interveno apresentou uma variao residual de 0.00227,

enquanto o modelo da rede neural apresentou
uma varincia residual de 0.00104.

i) 14 unidades na camada de entrada, da

seguinte forma:
- 2 lags passados: x, e x,.,;

A rede neural escolhida apresentou, para

os ltimos 12 meses, as melhores previses
que o modelo ARIMA com intervenes. O
erro absoluto mdio de previso foi de 7.6486
para o modelo obtido pela rede, enquanto o
modelo ARIMA com intervenes foi de
9.8642.

- 12 unidades sazonais

O O.... O
O O.... O

O O

O.... O

O O O I .... O

Concluso

........................

A srie de vendas apresentou uma sazonalidade marcante, para a qual foi necessrio 12
unidades binrias (O ou I) para determinar o
peso relativo e o ms.

O O O O.... I
ii) duas unidades na camada escondida;

62

PRODUO

o modelo obtido pela rede neural foi superior ao modelo ARlMA, tanto no ajuste como
na previso.

MELO, M. P. (1991). Redes Neurais Artificiais: uma aplicao previso de

preos de derivados de Petrleo. Dissertao de Mestrado. Depto de Informtica. PUC-RJ.

Referncias
Bibliogrficas

WASSERMAN, P.D. (1989).Neural Compreting. Theory and practice. Van

Nostrand Reinhold.

BOX, G. E. & JENKINS, G. M. Time sries

analysis, forecasting and control. San
Francisco, Holden Day.
CAMARGO, M. E. Modelagem Clssica e
Bayesiana: uma evidncia emprica
do processo inflacionrio brasileiro.
Tese de Doutorado. Programa de PsGraduao, UFSC, 1992.

63