818143

GLUCIO JOS CARDOZO DIAS
PLANEJAMENTO ESTRATGICO DE UM CENTRO DE DISTRIBUIO: UMA

APLICAO DE REDES NEURAIS ARTIFICIAIS DE FUNES DE BASES
RADIAIS PARA PREVISO DE SRIES TEMPORAIS
Dissertao apresentada como requisito

parcial obteno de grau de Mestre em
Cincias, Programa de Ps-Graduao em
Mtodos Numricos em Engenharia, Setor
de
Cincias
Exatas
e
Tecnologia,
Universidade Federal do Paran.
Orientador:
Prof. Dr. Anselmo Chaves Neto
CURITIBA
2006
TERMO DE APROVAO
AGRADECIMENTOS
Agradecer a todos que ajudaram a construir esta dissertao no tarefa fcil. O maior
perigo que se coloca para o agradecimento seletivo no decidir quem incluir, mas
decidir quem no mencionar. Ento, a meus amigos que, de uma forma ou de outra,
contriburam com sua amizade e com sugestes efetivas para a realizao deste
trabalho, gostaria de expressar minha profunda gratido.
Em especial a minha querida me Sirlei Maria Lopes Cardozo, ao meu pai Ailton de
Resende Dias e minha segunda me Maria do Socorro Moura, que sempre me
incentivaram a pratica e a busca constante pelo conhecimento.
Ao meu grande amigo irmo Cassius Tadeu Scarpin, pelo constante incentivo,
sempre indicando a direo a ser tomada nos momentos de maior dificuldade,
interlocutor interessado em participar de minhas inquietaes, co-autor em vrios
trechos. Agradeo, principalmente, pela confiana, mais uma vez depositada, no meu
trabalho de dissertao.
A Datasul Logstica, empresa na qual trabalho e que participou ativamente na

elaborao deste trabalho, bem como, liberando-me em dos horrios de expediente
para que pudesse freqentar as aulas, e dentro dessa empresa as pessoas que fizeram
isso acontecer Ivomar Rech e Edson Luiz Vilela Veiga, os meus sinceros
agradecimentos.
E a Maristela Bandil, que muito mais que uma secretaria do mestrado, cujo papel
desempenhado de uma verdadeira amiga, que sempre esta pronta as nos ajudar da
melhor maneira possvel e com a maior vontade do mundo.
SUMRIO
1 INTRODUO..........................................................................................................1
1.1 OBJETIVOS DO TRABALHO................................................................................3
1.1.1 Objetivo Geral........................................................................................................3
1.1.2 Objetivo Especfico................................................................................................3
1.2 JUSTIFICATIVA DO TRABALHO........................................................................4
1.3 ESTRUTURA DO TRABALHO..............................................................................5
2 REVISO LITERATURA .......................................................................................6
2.1 REDES NEURAIS ARTIFICAIS.............................................................................8
2.1.1 Neurnio Biolgico e Artificial .............................................................................9
2.1.2 Funes de Ativao ............................................................................................11
2.1.3 Topologia das Redes ............................................................................................13
2.1.4 Aprendizado das Redes .......................................................................................14
2.1.5 Rede Neural Artificial de Funo de Base Radial (RBF) ....................................15
2.1.5.1 Arquitetura das Redes RBF...............................................................................16
2.1.5.2 Processamento das Redes RBF.........................................................................17
2.1.5.3 Parmetros e Equaes das Redes RBF............................................................18
2.1.5.4 Aprendizado em Redes RBF ............................................................................19
2.1.5.5 Estratgias de Treinamento ..............................................................................24
2.1.5.6 Desempenho das redes RBF..............................................................................25
2.2 SRIES TEMPORAIS ...........................................................................................26
2.2.1 Metodologia Box & Jenkins ................................................................................28
2.2.1.1 Modelos Auto-regressivos (AR) .......................................................................29
2.2.1.2 Modelos de Mdias Mveis (MA)....................................................................29
2.2.1.3 Modelos Auto-Regressivos e de Mdias Mveis (ARMA) .............................30
2.2.1.4 Modelos Auto-Regressivos Integrados de Mdias Mveis (ARIMA) .............31
2.3 ARMAZENAGEM ESTRATGICA.....................................................................34
2.3.1 Armazenagem ......................................................................................................34
2.3.2 Misses de um Armazm ....................................................................................34
2.3.3 Funes de um Armazm ....................................................................................36

2.3.4 Administrao da Armazenagem.........................................................................37
2.3.5 Operaes de Picking na Armazenagem .............................................................39
2.3.5.1 Picking discreto ................................................................................................39
2.3.5.2 Picking por lotes................................................................................................40
2.3.5.3 Picking por zona................................................................................................41
2.3.6 Sistemas de Picking .............................................................................................42
2.3.6.1 A-Frame.............................................................................................................42
2.3.6.2 Carrossel............................................................................................................43
2.3.6.3 Sistema de estocagem e coleta automticos .....................................................44
2.3.6.4 Separao por rdio freqncia ........................................................................45
2.3.6.5 Sistema de picking by-light...............................................................................46
3 MATERIAL E MTODO ......................................................................................48
3.1 METODOLOGIAS APLICADAS..........................................................................48
3.1.1 Previso Utilizando Redes RBF ..........................................................................48
3.1.2 Parmetro Nmero de Neurnios de Entrada.......................................................49
3.1.3 Parmetro Nmero da Taxa de EG.......................................................................50
3.1.4 Parmetro Nmero da Taxa de SC ......................................................................50
3.1.5 Escolha do Melhor Parmetro .............................................................................52
3.2 PREVISO UTILIZANDO A METODOLOGIA BOX & JENKINS .................53
3.2.1 Ordem dos Parmetros dos Modelos ARMA ......................................................54
3.2.2 Escolha do Melhor Modelo .................................................................................54
3.3 MATERIAL............................................................................................................55
3.3.1 O Centro de Distribuio......................................................................................55
3.3.2 A rea de Picking................................................................................................56
3.3.3 Dimensionamento Atual da rea de Picking.......................................................57
3.3.4 Produtos e suas Sazonalidades ............................................................................58
3.4 MTODOS .............................................................................................................66
4 IMPLEMENTAES E RESULTADOS.............................................................67
4.1 TOPOLOGIAS ESCOLHIDAS .............................................................................68
4.1.1 Serie Temporal - Biscoito ....................................................................................69

4.1.1.1 Dados statgraphics metodologia box & jenkins ...........................................69
4.1.1.2 Dados matlab redes RBF ...............................................................................71
4.1.1.3 ARMA x RBF ..................................................................................................74
4.1.2 Serie Temporal - Macarro ..................................................................................75
4.1.2.3 ARMA x RBF ..................................................................................................80
4.1.3 Serie Temporal - Candies ....................................................................................81
4.1.3.3 ARMA x RBF ..................................................................................................86
4.1.4 Serie Temporal - Chocolates ...............................................................................87
4.1.4.2 Dados matlab redes RBF................................................................................89
4.1.4.3 ARMA x RBF ..................................................................................................92
4.1.5 Serie Temporal - Refresco ...................................................................................93
4.1.5.3 ARMA x RBF ..................................................................................................98
4.1.6 Serie Temporal - Cereais .....................................................................................99
4.1.6.2 Dados matlab redes RBF .............................................................................101
4.1.6.3 ARMA x RBF ................................................................................................104
4.1.7 Serie Temporal Panetones ..............................................................................105
4.1.7.1 Dados statgraphics metodologia box & jenkins .........................................105
4.1.7.2 Dados matlab redes RBF .............................................................................107
4.1.7.3 ARMA x RBF ................................................................................................110
4.2 PREVISES FUTURAS ......................................................................................111
4.2.1 Dimensionamento da rea de picking de acordo com a previso encontrada....111
4.2.1.1 Dimensionamento da rea de picking para o item Biscoito............................113

4.2.1.2 Dimensionamento da rea de picking para o item Macarro..........................115
4.2.1.3 Dimensionamento da rea de picking para o item Candies ...........................117
4.2.1.4 Dimensionamento da rea de picking para o item Chocolate ........................119
4.2.1.5 Dimensionamento da rea de picking para o item Refresco ..........................121
4.2.1.6 Dimensionamento da rea de picking para o item Cereais .............................123
4.2.1.7 Dimensionamento da rea de picking para o item Panetones .........................125
5 CONCLUSES E SUGESTES PARA TRABALHOS FUTUROS ...............127
REFERNCIAS........................................................................................................129
ANEXOS....................................................................................................................136
LISTA DE TABELAS
TABELA 4.1 COMPARAO ENTRE CONSUMO REAL E A PREVISO BOX

& JENKINS BISCOITO .................................................................70
TABELA 4.2 COMPARAO ENTRE CONSUMO REAL E A PREVISO
PELAS REDES NEURAIS RBF BISCOITO.................................73
& JENKINS MACARRO.......................................................................................76
PELAS REDES NEURAIS RBF MACARRO......................................................79
& JENKINS CANDIES....................................................................82
PELAS REDES NEURAIS RBF CANDIES....................................85
& JENKINS CHOCOLATE............................................................88
PELAS REDES NEURAIS RBF CHOCOLATE............................91
& JENKINS REFRESCO................................................................94
PELAS REDES NEURAIS RBF REFRESCO................................97
BOX & JENKINS CEREAIS........................................................100
PELAS REDES NEURAIS RBF CEREAIS.................................103
BOX & JENKINS PANETONES..................................................106
PELAS REDES NEURAIS RBF PANETONES...........................109
TABELA 4.15 PREVISES DE CONSUMO BISCOITO..................................113

TABELA 4.16 PREVISO DA DIMENSO DA REA DE PICKING
BISCOITO........................................................................................114
TABELA 4.17 PREVISES DE CONSUMO MACARRO .............................115
MACARRO....................................................................................116
TABELA 4.19 PREVISES DE CONSUMO CANDIES....................................117
CANDIES..........................................................................................118
TABELA 4.21 PREVISES DE CONSUMO CHOCOLATE............................119
CHOCOLATE...................................................................................120
TABELA 4.23 PREVISES DE CONSUMO REFRESCO................................121
REFRESCO.......................................................................................122
TABELA 4.25 PREVISES DE CONSUMO CEREAIS....................................123
CEREAIS..........................................................................................124
TABELA 4.27 PREVISES DE CONSUMO PANETONES.............................125
PANETONES....................................................................................126
LISTA DE QUADROS
QUADRO 3.1 QUANTIDADE ATUAL DE ENDEREOS POR PRODUTO.......58
10
LISTA DE FIGURAS
FIGURA 2.1 NEURNIO BIOLGICO: OS CONSTITUINTES DA CLULA...10

FIGURA 2.2 NEURNIO ARTIFICIAL..................................................................11
FIGURA 2.3 EXEMPLOS DE REDES FEED-FORWARD.....................................13
FIGURA 2.4 REDE RECORRENTE.........................................................................14
FIGURA 2.5 ARQUITETURA DAS REDES RBF...................................................17
FIGURA 2.6 FLUXOGRAMA..................................................................................33
FIGURA 2.7 PAPEIS DO ARMAZM NA REDE DE DISTRIBUIO...............36
FIGURA 2.8 PICKING DISCRETO........................................................................39
FIGURA 2.9 PICKING POR LOTE..........................................................................40
FIGURA 2.10 PICKING POR ZONA.......................................................................41
FIGURA 2.11 - A-FRAME............................................................................................42
FIGURA 2.12 CARROSSEL VERTICAL................................................................44
FIGURA 2.13 MINILOAD.........................................................................................45
FIGURA 2.14 TERMINAL DE RDIO FREQUNCIA COM LEITURA
TICA.................................................................................................46
FIGURA 2.15 PICKING BY-LIGHT..........................................................................46
11
LISTA DE GRFICOS
GRFICO 3.1 OCORRNCIA DE DISTORES NO TREINAMENTO I...........51

GRFICO 3.2 - OCORRNCIA DE DISTORES NO TREINAMENTO II..........52
GRFICO 3.3 GRFICO DE RESDUOS DO AJUSTE DO MODELO................55
GRFICO 3.4 CONSUMO DO PRODUTO POR PERODO BISCOITO...........59
GRFICO 3.5 CONSUMO DO PRODUTO POR PERODO MACARRO.......60
GRFICO 3.6 CONSUMO DO PRODUTO POR PERODO CANDIES.............61
GRFICO 3.7 - CONSUMO DO PRODUTO POR PERODO CHOCOLATES....62
GRFICO 3.8 - CONSUMO DO PRODUTO POR PERODO REFRESCOS........63
GRFICO 3.9 - CONSUMO DO PRODUTO POR PERODO CEREAIS..............64
GRFICO 3.10 - CONSUMO DO PRODUTO POR PERODO PANETONE.......65
GRFICO 4.1 PERIODOGRAMA INTEGRADO BISCOITO ............................69
GRFICO 4.2 CONSUMO REAL X PREVISO BOX & JENKINS
BISCOITO..........................................................................................71
GRFICO 4.3 TREINAMENTO DA REDE BISCOITO......................................72
GRFICO 4.4 CONSUMO REAL X PREVISO PELA RBF BISCOITO..........74
GRFICO 4.5 PERIODOGRAMA INTEGRADO MACARRO........................75
MACARRO......................................................................................77
GRFICO 4.7 TREINAMENTO DA REDE MACARRO.................................78
GRFICO 4.8 CONSUMO REAL X PREVISO PELA RBF MACARRO.....80
GRFICO 4.9 PERIODOGRAMA INTEGRADO CANDIES...............................81
CANDIES............................................................................................83
GRFICO 4.11 TREINAMENTO DA REDE CANDIES......................................84
GRFICO 4.12 CONSUMO REAL X PREVISO PELA RBF CANDIES..........86
GRFICO 4.13 PERIODOGRAMA INTEGRADO CHOCOLATE.....................87
CHOCOLATE.....................................................................................89
12
GRFICO 4.15 TREINAMENTO DA REDE CHOCOLATE..............................90

GRFICO 4.16 CONSUMO REAL X PREVISO PELA RBF CHOCOLATE..92
GRFICO 4.17 PERIODOGRAMA INTEGRADO REFRESCO.........................93
REFRESCO.........................................................................................95
GRFICO 4.19 TREINAMENTO DA REDE REFRESCO..................................96
GRFICO 4.20 CONSUMO REAL X PREVISO PELA RBF REFRESCO......98
GRFICO 4.21 PERIODOGRAMA INTEGRADO CEREAIS............................99
CEREAIS..........................................................................................101
GRFICO 4.23 TREINAMENTO DA REDE CEREAIS....................................102
GRFICO 4.24 CONSUMO REAL X PREVISO PELA RBF CEREAIS.......104
GRFICO 4.25 PERIODOGRAMA INTEGRADO PANETONES....................105
PANETONES....................................................................................107
GRFICO 4.27 TREINAMENTO DA REDE PANETONES.............................108
GRFICO 4.28 CONSUMO REAL X PREVISO PELA RBF PANETONES.110
13
LISTA DE SIGLAS
AR
Auto-regressivo
ARIMA
Modelo Auto-Regressivo Integrado de Mdias Mveis
ARMA
Modelo Auto-Regressivo e de Mdias Mveis
B&J
Box & Jenkins
CD
Centro de Distribuio
Erro
Gb
Giga Byte
GHz
Giga Hertz
MA
Mdias Mveis
MRE
Erro Relativo Mdio
MSE
Erro Quadrtico Mdio
RAM
Random Access Memory
RBF
Radial Basis Function
RMSE
Raiz do Erro Quadrtico Mdio
SARIMA -
Modelo Auto-Regressivo Integrado Mdias Mveis Sazonal
SSE
Soma do Erro Quadrtico
14
LISTA DE SMBOLOS E VARIVEIS
Funo de ativao da RBF
Valores da vizinhana das redes neurais de funo de bases radiais
Vetor de parmetro de entrada com dimensional (n)
at
Rudo branco ou erro aleatrio
Ct
Ciclo da serie temporal
Dt
Demanda
Funo de ativao
ng
Grupos de treinamento
npad -
Nmero de parada
Corresponde ao i-simo parmetro auto-regressivo
Quantidade de parmetros AR
St
Sazonalidade
Tt
Tendncia
wk
Pesos sinpticos do neurnio em questo (neurnio k)
xi
Sinais de entrada do neurnio
yk
Sada do neurnio
Yt
Previso da serie temporal
Zj
Sada das redes neurais de funo de bases radiais
zj
Funo de base radial
Representa o termo constante da srie
So os parmetros de mdias mveis
Bias, parmetro de entrada que ajusta a funo radial
Srie temporal estacionria
15
RESUMO
O layout da rea de picking assim como o seu dimensionamento so atividades de

extrema importncia quando se trata de um centro de distribuio de produtos com
curto perodo de validade. A rea de picking uma rea destinada retirada de
produtos em pequenas quantidades, ou seja, quantidades menores que um pallet
completo. Quando seu dimensionamento muito grande, pode ocorrer o vencimento
da data de validade dos produtos na prpria rea de picking, e quando o
dimensionamento menor que o necessrio, ocorre atraso no carregamento dos
caminhes que transportam os itens do centro de distribuio at os centros de vendas.
Com o problema de dimensionamento da rea de picking, este trabalho prope a
utilizao de tcnicas de previses de sries temporais, para a estimao do consumo,
e a partir deste, fazer o dimensionamento dinmico das reas de picking, respeitando a
sazonalidade dos produtos. No presente trabalho, utiliza-se de 7 (sete) sries temporais
reais, que representam a demanda dos produtos alimentcios de um centro de
distribuio de uma empresa brasileira, com o objetivo de ajustar o melhor modelo
para que as previses sejam feitas a curto e a longo prazo, diminuindo assim incerteza
no planejamento estratgico da empresa. O trabalho contempla estudos de previses de
series temporais atravs das Redes Neurais Artificiais de Funes de Bases Radiais e
compara seus resultados, com as previses dos modelos ajustados atravs da
Metodologia Box & Jenkins. Para efeito de comparao dos dois mtodos utiliza-se a
medida do RMSE (Raiz Quadrada do Erro Mdio Quadrtico). Os testes e resultados
so apresentados ao longo do trabalho. Aps estudos e comparaes conclui-se, que as
Redes Neurais Artificiais de Funes de Bases Radiais um ferramental com grande
robustez e consistncia para ser utilizado na previso de demanda de series temporais.
16
ABSTRACT
The layout of the picking area as well as its dimensioning is an activity of extreme
importance when considering a distribution center of products with a short validity
period. The picking area is an area targeted to products is small quantities, that is,
quantities smaller than a full pallet. When its dimensioning is too big, validity date of
products in the picking area itself might be overdue, and when the dimensioning is
smaller than necessary, there is a delay in loading the trucks that carry the items from
the distribution center to the sales centers. Like the dimensioning problem of the
picking area, this work proposes the use of forecast techniques of temporal series for
the estimation of consumption, and from it to make the dynamic dimensioning of the
picking areas, by following product seasoning. In the present work, 7 (seven) real
temporal series are used, which represent the demand of food products of a distribution
center of a Brazilian company aimed at adjusting the best pattern so that forecasts are
done in the short and long run, lowering uncertainty in the companys strategic
planning. This work covers studies of temporal series through Artificial Neural
Networks of Functions of Radial Bases and compares its results to the forecasts of the
patterns adjusted through the Box & Jenkins Methodology. For the effect of
comparison of both methods, the RMSE (Square Root of the Root Mean Square RMS) measure is used. The tests and results are displayed as the work is developed.
After studies and comparisons it is concluded that the Artificial Neural Networks of
functions of Radial Bases is a tool of great robustness and consistency to be used in the
forecast of demand of temporal series.
17
INTRODUO
Atualmente, um dos principais objetivos do planejamento das empresas
diminuir o impacto das incertezas relacionadas ao futuro. A grande concorrncia no
mercado faz com que as empresas procurem maior eficincia em seus processos
logsticos, onde um dos principais focos o planejamento futuro de suas aes. A
tarefa de prever demandas futuras fazendo experimentos com sistemas reais, na grande
maioria das vezes onerosa para as empresas. Isto faz com que se invista cada vez
mais em modelos que sejam capazes de fazer a previso levando em considerao as
caractersticas do problema e suas propriedades.
A busca de modelos para a previso de curto, mdio e longo prazos, passou a
despertar um enorme interesse, tanto para gestores quanto para pesquisadores em
diversas reas.
Os vrios modelos desenvolvidos so usados em reas como economia,
marketing, finanas, engenharia e produo industrial, entre outras. Tais modelos de
previso so baseados em tcnicas matemticas e estatsticas que, aliados aos avanos
tecnolgicos que esto ocorrendo e ocorreram nas ltimas duas dcadas, resultam em
instrumentos poderosos na tarefa de previso. A partir de 1987 foram publicados
vrios artigos utilizando metodologias mais avanadas em modelos de previso como
algoritmos genticos, lgica difusa e Redes Neurais; tais modelos tm se concentrado,
em sua maioria, na rea econmica com previses de aes da bolsa de valores, em
sries econmicas e na previso de preos de petrleo (RODRIGUES, 2005); entre
outras aplicaes.
A modelagem pode ser, basicamente, dividida em trs etapas:
1a.) a formulao do problema, onde se procura levar em conta todas as suas
particularidades e tenta-se determinar as restries que a situao real impe, de modo
que se possa construir um modelo que torne aceitvel a soluo do mesmo;
2.) a resoluo, onde se escolhe o algoritmo utilizado para solucionar o problema;
3.) a anlise dos resultados, onde se interpreta a soluo obtida e verifica-se a
necessidade de melhoria (ou no) da soluo.
18
Existe uma grande tendncia, para os prximos anos, no crescimento das

tcnicas chamadas metaheursticas. Essas tcnicas so usadas para a soluo de
problemas estocsticos e tambm de forma hbrida. Os algoritmos genticos, a lgica
difusa, a modelagem probabilstica, as Redes Neurais, entre outras, so alguns
exemplos de tcnicas metaheurstica (OLIVEIRA, 2002)
No planejamento da produo industrial, a previso de vendas e de estocagem
um problema da maior importncia nas indstrias e, em alguns casos, ainda no tem
soluo. Levando-se em considerao que a indstria tem a informao da quantidade
que ser vendida no prximo perodo (semana, ms, etc.) de um produto, ela poder
planejar todo seu processo de produo e espao para a estocagem, reduzindo os
gastos e tornando seu produto mais barato, o que a torna mais competitiva no mercado.
Baseada nessa previso de vendas, uma empresa poder reservar um espao dentro do
seu Centro de Distribuio (CD) para armazenar o produto de modo condizente com
sua produo. Considerando que as empresas produzem dezenas, centenas e s vezes
at milhares de itens diferentes, pode-se afirmar que o planejamento de espao para
armazenagem torna-se uma tarefa rdua e a otimizao desse espao uma
necessidade das empresas, j que grandes construes geram altos custos e toda parte
logstica dos processos fica mais difcil em espaos muito grandes.
Um desses processos logsticos dentro de um CD a separao dos produtos
para o carregamento nos meios de transporte (caminhes, trens, etc). Nesse processo
de separao tem-se a necessidade de destinar um espao para que se possa,
literalmente, separar os produtos em quantidades pequenas, geralmente menores que
um pallet (estrutura de madeira utilizada para suportar produtos), pois os pedidos
muitas vezes so feitos para pequenas quantidades. Ento, essa rea chama-se rea de
picking e o seu dimensionamento uma tarefa que pode auxiliar muito na otimizao
da rea utilizada, bem como agiliza a separao dos produtos a serem carregados nos
transportes. E, evidentemente, o que melhora o processo como um todo, alm de
proporcionar melhor gerenciamento da armazenagem.
As quantidades de produtos vendidos ao longo do tempo formam sries
temporais. Essas sries podem ser sazonais ou no. E, assim, a rea destinada
19
armazenagem e a rea de picking de cada produto podem levar em conta a

sazonalidade com o objetivo de otimizar a utilizao do espao dessa rea.
A predio das vendas pode ser feita por meio de tcnicas tais como as
mencionadas anteriormente e, neste trabalho, utiliza-se Redes Neurais artificiais de
funes de bases radiais em comparao com modelos estatsticos. Esses modelos
estatsticos so os ARIMA da metodologia Box & Jenkins. A comparao foi feita
para identificar a melhor soluo para a previso e, assim, dimensionar melhor o
espao destinado rea de picking, auxiliando na separao dos produtos para
carregamento nos transportes.
1.1 OBJETIVOS DO TRABALHO

1.1.1 Objetivo Geral
O objetivo principal deste trabalho determinar o tamanho do espao utilizado

por cada produto dentro da rea de picking e, respeitando a sazonalidade de cada
produto, fazer com que essa rea seja definida dinamicamente, possibilitando que a
empresa possa prever essa mudana e faz-la sem nus na armazenagem.
1.1.2 Objetivos Especficos
Os objetivos especficos desse trabalho so:
Treinar e validar vrias topologias possveis de Redes Neurais artificiais de

funo de base radial, utilizando o software MATLAB, em sries temporais
retiradas de um problema real.
Variar as topologias das Redes Neurais artificiais de funo de base radial e
verificar seus efeitos na previso.
20
Fazer as previses dessas mesmas sries temporais, baseadas em modelos

estatsticos da metodologia Box & Jenkins, resolvidos pelo software
STATGRAPHICS.
Comparar os resultados obtidos com as duas metodologias verificando o melhor
desempenho para cada srie temporal com base no RMSE.
Definir como mudar dinamicamente em cada perodo o tamanho da rea de
picking de cada um dos produtos estudados de acordo com as previses e
sazonalidades.
1.2 JUSTIFICATIVA DO TRABALHO
Os custos de armazenagem representam cerca de 15% do custo total de uma

empresa, sendo que o custo da rea de picking aproximadamente 50% desse
montante. Assim sendo, quando se definem estratgias de otimizao para um melhor
layout da rea de picking, tambm se reduz o custo total de armazenagem, tornando a
empresa mais competitiva no mercado.
O layout da rea de picking assim como o seu dimensionamento so atividades
de extrema importncia quando se trata de um centro de distribuio de produtos com
curto perodo de validade. A rea de picking uma rea destinada retirada de
produtos em pequenas quantidades, ou seja, quantidades menores que um pallet
completo. Quando seu dimensionamento muito grande, pode ocorrer o vencimento
da data de validade dos produtos na prpria rea de picking, e quando o
dimensionamento menor que o necessrio, ocorre atraso no carregamento dos
caminhes que transportam os itens do centro de distribuio at os centros de vendas.
Com o problema de dimensionamento da rea de picking, este trabalho
prope a utilizao de tcnicas de previses de sries temporais, para a estimao do
consumo, e a partir deste, fazer o dimensionamento dinmico das reas de picking,
respeitando a sazonalidade dos produtos.
21
1.3 ESTRUTURA DO TRABALHO
Este trabalho constitudo, alm dessa introduo, de uma reviso literatura no

captulo 2 na qual se d nfase na fundamentao terica das Redes Neurais artificiais
e das estratgias de armazenamento e na metodologia Box & Jenkins. No captulo 3
aborda-se o material e o mtodo utilizados neste trabalho. Ento, define-se as escolhas
dos parmetros e modelos utilizados. No captulo 4, apresenta-se as implementaes
feitas e os resultados obtidos com a tcnica de Redes Neurais e metodologia Box &
Jenkins. Esses resultados so discutidos e a partir deles feita a previso da rea de
picking do prximo perodo. No ltimo captulo encontram-se as concluses e as
sugestes para trabalhos futuros so apresentadas.
22
2 REVISO LITERATURA
Os primeiros conceitos de mquinas baseadas no comportamento das clulas

nervosas biolgicas surgiram no incio da dcada de 40 (MINSKY; PAPERT, 1988).
Em 1943, Warren McCulloch e Walter Pitts apresentaram a primeira discusso
sofisticada sobre neuro-logical network. Em 1947 publicaram o segundo estudo,
intitulado How we know universals (PITTS; McCULLOCH, 1947). A partir dessas
idias surgiu o movimento intelectual chamado Cybernetics, o qual tentou combinar
conceitos de biologia, psicologia, engenharia e matemtica.
A dcada de 40 terminou com a publicao do livro de Donald Hebb "The
Organization of Behavior" (HEBB, 1949). Aps a era Cybernetics ter aberto a
perspectiva de se construir mquinas baseadas no conhecimento, surgiram, no incio
da dcada de 50, os primeiros prottipos neste campo com arquiteturas especficas
para desempenhar tarefas determinadas. Contudo, tendo em vista o fato de que os
animais podiam aprender a fazer muitas coisas para as quais eles no tinham sido
naturalmente adaptados passou-se a ter como meta a construo de mquinas que
fossem capazes de aprender. Assim, a dcada de 50 presenciou o surgimento de muitos
sistemas que aprendiam baseados em reforo e em formas simples de aprendizado,
sendo que um dos primeiros foi o desenvolvido por Minsky, em 1951.
No final dos anos 50, as pesquisas com Redes Neurais ficaram virtualmente
paralisadas, sem nenhuma descoberta importante na rea, enquanto que importantes
avanos tinham sido alcanados com sistemas especialistas.
O interesse nas Redes Neurais ressurgiu em 1962, com a publicao do livro de
Frank Rosenblatt "Principles of Neurodynamics" (ROCHA, 1992). Nesse livro
Rosenblatt definiu mquinas denominadas de perceptrons e provou muitas teorias
sobre as mesmas. Uma onda de entusiasmo dominou a rea e muitos pesquisadores
passaram a crer que os perceptrons seriam a base para uma inteligncia artificial
(ROSENBLATT, 1962). Contudo, esta iluso foi logo desaparecendo, pois se
constatou que essas redes falhavam na soluo de alguns problemas simples, similares
a outros em que elas tinham sucesso. O rpido entusiasmo foi sepultado em 1969 com
23
o livro de Marvin Minsky e Seymour Papert chamado "Perceptrons", onde eles

provaram que as Redes Neurais de uma nica camada de Rosenblatt eram incapazes de
resolver alguns problemas elementares como o do ou-exclusivo.
O prestgio e o brilhantismo de Minsky deram grande credibilidade ao seu livro,
levando quase totalidade da comunidade cientfica a abandonar as pesquisas na rea
por um longo perodo.
A dcada de 70 e o incio da de 80 foram marcadas por um silncio quase geral
na rea. Alguns poucos pesquisadores como Grossberg, Kohonen, Anderson, Hopfield,
Marr, von der Malsburg e Copper continuaram pesquisando e desenvolvendo trabalhos
interessantes, principalmente, nas reas de memria associativa enderevel pelo
contedo, sistema visual e reformulaes do problema de aprendizado das redes
(HERTZ; KROGH; PALMER, 1991).
Em 1982, Hopfield deu uma importante contribuio com a introduo da
funo energia e enfatizao da noo de memrias como atratores dinamicamente
estveis (HOPFIELD, 1982). Entretanto, talvez a maior influncia desta poca tenha
vindo dos perceptrons de Rosenblatt, pois baseados nessa teoria vrios pesquisadores
desenvolveram algoritmos para os ajustes dos pesos das Redes Neurais multicamada,
culminando com o surgimento do algoritmo conhecido como Backpropagation
(retropropagao).
O Backpropagation primeiramente proposto por Werbos em 1974 (WERBOS,
1974) e independentemente redescoberto por volta de 1985 por Rumelhart, Hinton e
Williams (RUMELHART; HINTON; WILLIANS, 1986), tendo Parker (PARKER,
1985) e Le Cun tambm propostos algoritmos semelhantes (LE CUN, 1985).
Aps a descoberta do Backpropagation o interesse na rea voltou a crescer,
desta vez de forma mais madura e consciente. Nos ltimos anos, toda a teoria de Redes
Neurais teve aplicao, sendo que novas corporaes dedicadas comercializao
desta tecnologia tm aparecido. O crescimento da atividade de pesquisa tem sido
grande, e novas reas de aplicao das Redes Neurais tm surgido, tais como:
compresso de imagem e voz (HERTZ; KROGH; PALMER, 1991), reconhecimento
de caracteres manuscritos (WASSERMAN, 1993), diagnsticos mdicos (ROCHA,
24
1992), conservao de energia (PARK, 1994) e previses de sries temporais, em

especial sries econmicas (LANDI; BARUCCI, 1993) e (PODDIG, 1993).
Atualmente as aplicaes das Redes Neurais na previso de series temporais
tm se destacado. Isto pode ser atestado pela tese de doutorado (CASTRO, 2001), que
apresenta uma nova tcnica de predio no-linear de sries temporais em que a
predio obtida atravs de Redes Neurais artificiais do tipo Radial Basis Function
(RBF), com atribuio dos centros Gaussianos das funes de base radial por
decomposio do conjunto de dados em sub-espaos, tcnica denominada de centros
por Decomposio em Sub-Espaos (DSE).
A decomposio em sub-espaos ou componentes principais do espao de
dados baseada na Transformada Karhunen-Love (KLT). A predio requer menos
amostras prvias conhecidas do que as tcnicas convencionais. Adicionalmente
representada uma possvel soluo para o problema de encontrar dinamicamente a
arquitetura da rede neural mais apta a acompanhar no-estacionariedades presentes em
muitas sries temporais, esta heurstica foi denominada como Janela de Predio
Seletiva (JPS).
2.1 REDES NEURAIS ARTIFICIAIS
Tcnicas de programao elaboradas como as de Inteligncia Artificial, vem

sendo empregadas na resoluo de novos e antigos problemas, pois fornecem solues
que apresentam melhores resultados, seja no produto final como na execuo da tarefa
trazendo economia de tempo e recursos computacionais.
Dentre estas tcnicas as caractersticas das Redes Neurais Artificiais que se
destacam so a capacidade de aprendizado e generalizao. So empregadas no
reconhecimento de padres, composio musical, processamento de sinais digitais e
imagens, otimizao, viso computacional, robtica e previso de sries temporais
(BRAGA; CARVALHO; LUDERMIR, 1998).
25
2.1.1 Neurnio Biolgico e Artificial
Uma Rede Neural Artificial um modelo computacional que compartilha

algumas das propriedades do crebro: consiste de muitas unidades simples trabalhando
em paralelo sem um controle central.
As conexes entre unidades possuem pesos numricos que podem ser
modificados pelo elemento de aprendizado (RUSSELL; NORVIG, 1995). A essas
unidades damos o nome de neurnio e suas conexes sinapses.
As Redes Neurais Artificiais so semelhantes ao crebro humano em dois
aspectos bsicos (HAYKIN, 2001):
A experincia a fonte do conhecimento adquirido

O conhecimento adquirido armazenado nas sinapses.
O neurnio, clula constituinte do crebro, ilustrado pela figura 2.1, composto
por um corpo celular chamado Soma onde se encontra seu ncleo e por axnios e
dendritos.
O axnio uma fibra nervosa de superfcie lisa com poucas ramificaes e maior
comprimento, responsvel pela transmisso na comunicao com outros neurnios.
Os dendritos, que tm aparncia de rvores, possuem superfcie irregular e muitas
ramificaes. Atuam como receptores nessa comunicao.
26
FIGURA 2.1 NEURNIO BIOLGICO: OS CONSTITUINTES DA CLULA.
Tal comunicao ou interao chamada sinapse e caracterizada por um

processo qumico no qual so liberadas substncias transmissoras que se difundem ela
juno sinptica entre neurnios, o que causa aumento ou queda no potencial eltrico
do neurnio receptor. Resumindo, uma sinapse a conexo entre neurnios o que
implica em excitao ou inibio do neurnio receptor (HAYKIN, 2001).
De forma anloga, um neurnio artificial apresenta as mesmas caractersticas. A
figura 2.2 mostra um modelo onde podem ser vistos: sinapses representadas pelas
entradas e pesos sinpticos, somatrio e funo de ativao. Cada sinapse
caracterizada por um estmulo de entrada multiplicado pelo seu peso sinptico
correspondente. Depois desta multiplicao, cada sinal de entrada somado e o
resultado ento, aplicado a uma funo de ativao que restringe a sada do neurnio
a um intervalo de 0 a 1 ou de 1 a +1.
27
FIGURA 2.2 NEURNIO ARTIFICIAL.
Bias
bk
x1
wk1
x2
wk2
.
.
.
Entradas
xn
Funo de
Ativao
.
.
.
( .)
Somador
yk
Sada
wkn
fonte: HAYKIN, 2001
O neurnio artificial pode ser descrito pela equao (HAYKIN, 2001):
yk =
i =1
x i w ki
2 .1
Onde, yk a sada do neurnio; a funo de ativao; x1, x2, ..., xn so os

sinais de entrada do neurnio; e wk1, wk2, ..., wkn so os pesos sinpticos do neurnio
em questo (neurnio k).
Portanto, o neurnio artificial imita o funcionamento do neurnio biolgico por
meio das entradas, representando as sinapses e pela funo de ativao que simula o
processo qumico que libera substncias qumicas que excitaro ou inibiro os
prximos neurnios.
2.1.2 Funes de Ativao
Cada neurnio realiza um processamento simples: recebe uma entrada e

computa um novo nvel de ativao (RUSSELL; NORVIG, 1995). Este processamento
28
composto por duas etapas: na primeira, cada entrada xi do neurnio multiplicada

pelo peso sinptico correspondente wji (peso da entrada i do neurnio j).
O resultado de cada multiplicao ento somado. Na segunda etapa a soma
aplicada a uma funo de ativao f, obtendo-se a sada do neurnio (y):
y= f
( x w )
i
2 .2
ji
A funo de ativao deve simular as caractersticas no lineares do neurnio

biolgico (ABELM, 1994). As funes mais utilizadas so:
Funo linear: uma equao linear da forma:
f (x ) = ax
2.3
Funo degrau: uma equao utilizada para valores binrios e da forma:
1
f (x ) =
0
se x > 0
2.4
se x 0
Funo sigmide: Tambm chamada de funo logstica, uma funo

contnua que permite a transio gradual entre os dois estados. dada por:
f (x ) =
1
1 + e x
2 .5
Funo tangente hiperblica: uma funo sigmide que varia entre 1 e

+1. dada por:
1 ex
f (x ) =
1 + ex
2 .6
29
2.1.3 Topologia das Redes
Existe uma grande variedade de redes, cada uma produzindo diferentes

resultados. Elas podem ser classificadas basicamente em alimentadas a frente (feedforward) e recorrentes (RUSSELL; NORVIG, 1995).
Nas redes feed-forward os neurnios esto dispostos em camadas, podendo
haver redes com uma nica camada e redes com mltiplas camadas. As redes feedforward so inerentemente acclicas, ou seja, o sinal propagado somente da entrada
para a sada da rede. Tambm so chamadas redes sem memria.
As redes multicamadas se distinguem das redes de camada nica pela presena
de uma ou mais camadas ocultas. As entradas de um neurnio so as sadas dos
neurnios da camada anterior, portanto no h ligao entre neurnios de uma mesma
camada. Uma rede feed-forward representada pela notao e - o1 - o2 -...- on - s, onde
e representa o nmero de neurnios nas camadas de entrada, o1, o2,..., on representam o
nmero de neurnios nas camadas ocultas e s o nmero de neurnios na camada de
sada.
A figura 2.3 ilustra uma rede feed-forward de camada nica (a) e uma rede
multicamadas (b).
FIGURA 2.3 EXEMPLOS DE REDES FEED-FORWARD
(a)REDE DE CAMADA NICA
(b)REDE MULTICAMADAS
Perceptron e o MLP (Multi-Layer Perceptron) so, respectivamente, exemplos

de modelos de rede de camada nica e rede de mltiplas camadas.
30
Ao contrrio das redes feed-forward as redes recorrentes possuem laos de

realimentao, ou seja, a sada de um neurnio pode ser entrada para outro de uma
camada precedente ou, no caso de auto-realimentao, para o prprio neurnio.
As redes recorrentes, chamadas de redes com memria, no possuem
organizao rgida e seus neurnios tm liberdade para se ligar a qualquer outro
neurnio (RUSSELL; NORVIG, 1995) (HAYKIN, 2001) (ABELM, 1994).
A figura 2.4 ilustra uma rede recorrente.
FIGURA 2.4 REDE RECORRENTE.

Camada de Entrada
Realimentao
Camada Escondida
Camada de Sada
Como exemplos de modelos de redes recorrentes tem-se a rede de Elman, rede

de Hopfield, rede de Jordan.
2.1.4 Aprendizado das Redes
O processo de aprendizagem ocorre atravs de um processo interativo de ajuste

dos parmetros livres, pesos sinpticos, por estimulao do ambiente (HAYKIN,
2001). Os paradigmas de aprendizado so: aprendizado supervisionado e aprendizado
no supervisionado e so descritos a seguir.
Aprendizado Supervisionado: tambm chamado de aprendizado com professor.

Esta forma de aprendizado se baseia em um conjunto de exemplos de entradasada que apresentado rede. A partir da entrada a rede realiza seu
processamento e a sada obtida comparada com a sada esperada. Caso no
31
sejam iguais, um processo de ajuste de pesos aplicado buscando-se um erro

mnimo aceitvel. O algoritmo de aprendizado supervisionado mais comum o
Backpropagation (HAYKIN, 2001).
Aprendizado no supervisionado: caracterizado pela ausncia de algum

elemento externo supervisor, ou seja, um padro de entrada fornecido permite
que a rede livremente escolha o padro de sada a partir das regras de
aprendizado adotadas. Possui duas divises:
Aprendizado por reforo que consiste no mapeamento entrada-sada atravs

da iterao com o ambiente e;
Aprendizagem no-supervisionada ou auto-organizada onde, a partir de

mtricas de qualidade do aprendizado, ocorre a otimizao dos parmetros
livres da rede.
Pode, por exemplo, ser utilizada a regra de aprendizagem competitiva. Os
algoritmos de aprendizado no supervisionado mais importantes so: Algoritmo
de Hopfield e Mapas de Kohonen (HAYKIN, 2001).
2.1.5 Rede Neural de Base Radial
So Redes Neurais com mltiplas camadas que no so treinadas por

retropropagao (backpropagation) e que no tm unidades de processamento com
funo de ativao do tipo sigmoidal.
Redes que funcionam de acordo com esta estratgia, utilizam unidades com
campos receptivos locais (local receptive fields), nos quais as unidades que recebem
entradas diretamente da entrada do sistema esto habilitadas a ver apenas parte destas
entradas.
Esta abordagem emprega, na maioria dos casos, treinamento supervisionado e
no-supervisionado.
As redes
so
muito empregadas como interpoladores/
aproximadores e em tarefas de classificao.
32
Esta abordagem inspirada na propriedade de alguns neurnios biolgicos

chamada de resposta localmente sintonizada (locally tuned response). Tais clulas
nervosas respondem seletivamente a um intervalo finito do espao de sinais de
entrada.
O primeiro trabalho lidando com funes de base radial foi introduzido por
Medgassy (1961) cujos resultados foram posteriormente usados para interpolao
(MICCHELLI; HARTMUT, 1989), para estimao de densidade (DUDA; HART;
SONS, 1973) e para aproximao de funes de multivariao suave (smooth
multivariate functions) (POGGIO; GIROSI, 1990).
Os modelos de RBF de hoje se diferenciam dos primeiros, pois so de natureza
adaptativa que permite a utilizao, em muitas situaes, de um nmero relativamente
menor de unidades de processamento localmente sintonizadas.
Redes RBF foram independentemente propostas por Broomhead e Lowe
(1988), Lee e Kil (1988), Niranjan, Than e Frank (1990) e Moody e Darken (1989).
Outros esquemas similares foram introduzidos por Lapedes e Faber (1987), Casdagli
(1989), Poggio e Girosi (1990), entre outros.
2.1.5.1 Arquitetura das redes RBF
As redes RBF so redes de alimentao para diante (feed-forward) consistindo

tipicamente de trs camadas: entrada, escondida e sada. A primeira apenas propaga as
entradas.
As unidades de processamento da camada escondida so localmente
sintonizveis. As unidades na camada escondida so totalmente conectadas quelas da
camada de sada. Esta ltima possui funes de ativao lineares.
33
FIGURA 2.5 ARQUITETURA DAS REDES RBF
Fl(l)
11
zl
y1
yl
ym
l1
x
Fj(j)
1j
zj
1k
Fk(k)
zk
mk
2.1.5.2 Processamento das redes RBF
O processamento consiste em:
Unidades escondidas recebem o vetor de entrada xp, p = 1,...,npad, onde npad e

o numero de padres ;
Cada unidade na camada escondida produz uma sada (Zj) considerando a

proximidade entre a entrada xp e um vetor parmetro n-dimensional j em uma
dada vizinhana j de acordo com a equao 2.7:
z j (x p ) = F j (x p , j , j )
2.7
A funo F(v) deve fazer com que zj tenha valor significativo quando o vetor de
entrada estiver em sua vizinhana (delimitada pelo campo receptivo), decaindo
rapidamente em caso contrrio.
A sada um vetor m-dimensional (y) cujo l-simo elemento dado por:
34
yl ( x ) = wlj z j (x )
2.8
j =1
onde Wj o peso entre a unidade escondida j e a unidade de sada l.

2.1.5.3 Parmetros e equaes das redes RBF
Redes RBF realizam aproximao de uma funo g(x) por superposio de

funes de base radial no-ortogonais que tm forma de sino. O grau de preciso pode
ser controlado por trs parmetros:
Nmero de funes de base usadas;

Localizao;
Largura do campo receptivo.
Funes de ativao F(v) das unidades escondidas da rede RBF comuns:
Funo de base Gaussiana:

|| x j || 2
z j ( x ) = exp
2
2 .9
onde j a mdia do campo receptivo da unidade j, j o desvio padro do campo

receptivo da unidade j e ||x - j|| uma norma Euclidiana.
Funo de base logstica:
|| x j ||
z j ( x) = 1+ exp
j
2
2.10
onde j um bias ajustvel.
35
Funo multiquadrtica inversa:
1
z j (x) =
2
2
|| x j || + j
1
2
2.11
Redes RBF so adequadas para aproximar mapeamentos de valores reais

contnuos, ou contnuos por partes f: Rn Rm, para n suficientemente pequeno.
2.1.5.4 Aprendizado em redes RBF
O mtodo de treinamento, como os demais modelos supervisionados, deve

reduzir o erro na sada da rede (E) a valores aceitveis atravs da adaptao dos
parmetros livres na rede RBF:
Os centros dos campos receptivos (j);

As larguras dos campos receptivos ( j ) e
Os pesos entre a camada escondida e a camada de sada (Wlj).
A aprendizagem pode ser supervisionada, no-supervisionada ou hbrida (que
ocorre na maioria dos casos).
O treinamento hbrido combina aprendizagem no-supervisionada com
supervisionada. A primeira treina a camada escondida, definindo os parmetros desta
camada (localizao dos centros e larguras dos campos receptivos). A segunda etapa
define os valores dos pesos entre as camadas escondidas e de sada.
Nesta segunda fase, os parmetros definidos na primeira fase no se modificam.
Este o tipo de treinamento mais empregado pois, em geral, no se sabe que sadas se
desejam para a camada escondida.
36
Treinamento no-supervisionado:
Determina os valores dos centros por:
(a) seleo aleatria;
(b) distribuio sobre uma grade regular;
(c) tcnica de agrupamento (clustering);
(d) outro algoritmo.
Determina a largura do campo receptivo atravs de uma heurstica;
Treinamento supervisionado
Determina os pesos por um mtodo que resolva o problema de minimizao do
erro:
(a) mtodo dos mnimos quadrados,

(b) mtodo da regra delta,
(c) matriz pseudo-inversa.
Treinamento no-supervisionado para a camada escondida
Esta etapa compreende a determinao dos centros das funes de base radial e
das larguras dos campos receptivos.
Mtodos para determinao dos centros das funes de base radial

Os centros da camada escondida podem ser selecionados atravs das seguintes
estratgias:
Seleo aleatria (CHEN, 1991)

Os centros so vetores de entrada aleatoriamente selecionados. Esta tcnica
demanda que os padres de treinamento representem acuradamente todo o
37
espao de solues do problema. Este mtodo simples e direto, no entanto

pode exigir grande nmero de unidades intermedirias; escolher centros muito
prximos uns dos outros podem acarretar funcionamento inadequado da rede;
Fixao em grade regular (BISHOP; ADDISON; WESLEY, 1996)

Neste caso, os centros so fixados em uma grade regular, cobrindo todo o
espao de entrada. Em geral, este mtodo exige muitas unidades intermedirias
para vetores de entrada com dimenso alta (maldio da dimensionalidade:
crescimento exponencial do nmero das unidades escondidas);
Tcnicas de agrupamento (MOODY; DARKEN, 1989)

Os centros so definidos por tcnicas de agrupamento. Entre as quais destaca-se
algoritmo de k-mdias e mapas auto-organizveis;
Algoritmo das k-mdias

Este algoritmo divide os padres de treinamento em ng grupos, encontrando
o ponto central de cada um deles atravs da expresso:
j =
1
nv j
x p S j
2.12
onde nvj o nmero de vetores contidos no agrupamento Sj .

Os primeiros centros so inicializados arbitrariamente. Em seguida, os
padres de entrada vo trocando de centro (de acordo com a distncia
euclidiana) at se chegar a uma situao estvel. O nmero de centros
determinado de acordo com a estratgia de treinamento: validao cruzada.
Mapas auto-organizveis
Os mapas auto-organizveis (SOM Self Organizing Maps) caracterizam-se
por agrupar padres espacialmente prximos que compartilhem microcaractersticas. No incio, os centros so aleatoriamente atribudos. O centro
38
que apresentar maior produto escalar com um dado vetor de entrada

adiciona uma verso ponderada deste vetor de entrada ao seu grupo.
Heurstica para determinao da largura do campo receptivo

O valor de j pode ser nico para todas as unidades ou pode ser diferente para
cada unidade escondida. Algumas das principais heursticas so:
Utilizao da distncia euclidiana mdia entre centros (MOODY; DARKEN,

1989):
1 ng
= || j j (mprox) ||
ng j=1
2.13
onde ng o nmero de grupos que sero formados e j(mprox) o centro com menor
distncia euclidiana com relao ao centro j . Este mtodo produz um nico valor
de raio.
Utilizao da distncia euclidiana o entre centro e vetor de entrada (SAHA;

KELLER; MORGAN, 1990):
2j =
1
|| j p ||2
nv xpj
2.14
onde j o conjunto dos nv vetores de entrada com menor distncia euclidiana

para o centro j .
Utilizao da distncia euclidiana entre o centros (HASSOUN, 1995):
j = || j j (mprox) ||
2.15
onde j(mprox) o centro com menor distncia euclidiana com relao ao centro j e
o parmetro geralmente se situa 1,0 1,5.
39
Utilizao da distncia euclidiana entre os centros determinados pelo mtodo kmdias:
2j =
1
|| j x p || 2
na x p S j
2.16
onde Sj o agrupamento contendo na vetores de entrada.
Treinamento supervisionado para a camada de sada

Esta etapa compreende a determinao dos pesos entre a camada escondida e a
de sada. A primeira etapa neste processo o clculo do erro. Este funo da resposta
dada pela rede comparada com a resposta que se deseja dela. Existem algumas
maneiras diferentes de se calcular o erro:
Soma dos erros quadrticos (SSE sum of squared error)
SSE =
npad
|| y ( ) y ( ) ||
i
d
i =1
i
0
2.17
Erro quadrtico mdio (MSE - mean squared error)
1
MSE =
npad
npad
|| y ( ) y ( ) ||
i
d
i =1
i
0
2.18
Erro relativo mdio (MRE mean relative error)
1 npad y d(i ) y0(i )

MRE =
y (i )
npad i =1
d
2.19
Raiz do erro quadrtico mdio (RMSE root mean squared error)
MRE =
1
npad
npad
i =1
y d(i ) y0(i )
2.20
40
onde y d(i ) e y 0(i ) so o i-simo padro desejado e obtido respectivamente e npad o

nmero total de padres.
Depois de calculado o erro, este minimizado por procedimentos tais como a

regra delta, o mtodo dos mnimos quadrados, e a matriz pseudo-inversa (os dois
ltimos, mtodos lineares) (BISHOP; ADDISON; WESLEY, 1996).
2.1.5.5 Estratgias de treinamento
O compromisso entre preciso e generalizao deve ser conseguido para esta

aprendizagem. Para tal, duas estratgias de treinamento podem ser empregadas: holdout e validao cruzada ( crossvalidation).
Hold-out
Neste procedimento o conjunto de padres dividido em trs grupos:
treinamento, validao e teste. Cada topologia tem, com seus centros, seu
desempenho testado com relao aos trs conjuntos.
Validao cruzada
Esta uma estratgia tpica de situaes onde todos os padres devem ser
considerados para o treinamento (normalmente, pois eles so poucos). Neste caso,
dividem-se os padres em ng grupos. Seleciona-se aleatoriamente ng-1 conjuntos
para treinamento e testa-se a rede com aquele conjunto que no foi selecionado.
Este processo deve prosseguir at que todos os conjuntos tenham sido usados para
testes. A partir da, calcula-se o erro (E):
1
E =
ng
ng
E
i =1
2 . 21
41
2.1.5.6 Desempenho das redes RBF
As redes RBF foram aplicadas com sucesso na aproximao de funes

(BROOMHEAD; LOWE, 1988) (LEE; KIL, 1988) (CASDAGLI, 1989) (MOODY;
DARKEN, 1989), e em problemas de classificao (NIRANJAN; THAN; FRANK,
1990)
(WETTSCHERECK;
DIETERICH,
1992).
Em
tarefas
difceis
de
aproximao/interpolao (por exemplo, predio da srie catica de Mackey-Glass T

instantes de tempo no futuro, T>50), redes RBF que empregam a tcnica de
agrupamento no posicionamento dos campos receptivos podem alcanar desempenho
comparvel ao das redes de retropropagao (redes de alimentao direta com
unidades escondidas sigmoidais e treinadas por retropropagao), enquanto requerem
tempo de treinamento algumas ordens de grandeza menor.
No entanto, redes RBF geralmente precisam de pelo menos dez vezes mais
dados de treinamento para que atinjam o mesmo grau de acuracidade das redes
retropropagao. Em tarefas difceis de classificao, redes RBF empregando um
nmero suficiente de padres de treinamento e de unidades escondidas podem superar
o desempenho de redes retropropagao, obtendo melhores taxas de classificao e
menos erros de classificaes positivas falsas.
As redes RBF tm tempo de treinamento muito menor porque apenas uma
pequena frao de unidades escondidas responde a um dado padro de entrada (pois
so unidades localmente sintonizveis, sensveis apenas a padres prximos de seus
campos receptivos). Isto permite o uso eficiente de algoritmos auto-organizveis no
ajuste dessas unidades no modo de treinamento, que no envolve a camada de sada da
rede. Por outro lado, todas as unidades de uma rede retropropagao so avaliadas e
tm seus pesos ajustados para cada vetor de entrada. Outro fator que contribui para a
velocidade de treinamento das redes RBF o esquema de treinamento separado da
camada escondida e da camada de sada.
Quando utilizadas em aproximao de funes as redes do tipo retropropagao
conseguem maior capacidade de generalizao (ou extrapolao) que as RBF, pois
42
ajustam globalmente os padres de entrada enquanto estas ltimas fazem um ajuste

local.
Pelo mesmo motivo, em problemas de classificao, redes RBF cometem
menos erros de falsa classificao positiva do que as redes do tipo retropropagao.
Pode-se dizer que, em geral, melhor o uso de redes do tipo retropropagao quando
os padres de entrada so custosos (ou difceis de se gerar) e/ou quando a velocidade
de recuperao considerando-se a implementao em mquinas seriais crtica
(esse tipo de rede, em geral, menor, requer menos memria e leva a maiores
velocidades de recuperao que as RBF) (CASTRO, 2001).
No entanto, se os dados so baratos e abundantes, e se necessrio treinamento
on-line (como no caso de processamento de sinal adaptativo e controle adaptativo,
onde os dados so adquiridos em altas taxas e no podem ser salvos), ento as redes
RBF so superiores.
2.2 SRIES TEMPORAIS
A Metodologia Box & Jenkins de previso de sries temporais surgiu no incio

da dcada de 1970 e, ao contrrio dos mtodos existentes at ento, exigem bastante
conhecimento e experincia do analista. Essa exigncia advm do grau de
complexidade em sua aplicao. E, os pacotes computacionais ainda no conseguiram
uma total flexibilidade para utilizao automtica.
Durante as dcadas 30 e 40 considerava-se a srie temporal {Zt, t = 1,2,...,n}
como composta por 4 componentes, no observveis e distintas: Tt (tendncia), St
(sazonalidade), Ct (ciclo) e rudo aleatrio (at) ou seja Zt = f(Tt, St, Ct, at).
As formas de decomposio dessas componentes so:
Modelo aditivo:
Zt = Tt + St + C t + at ;
2.22
43
Modelo multiplicativo:
Zt = Tt . St . C t . at ;
2.23
Modelo misto:
Zt = Tt . St . C t + at .
2.24
Wold mostrou que qualquer srie temporal Zt discreta poderia ser representada
por modelos AR (auto-regressivos) e MA (mdias moveis). Porm, s foi possvel a
implementao destes mtodos na dcada de 60 com o advento dos computadores de
2 gerao (transistor). O resultado de Wold faz parte de uma abordagem mais geral de
processos estocsticos desenvolvida entre outros por Kolmogorov, Wiener e Whittle
(OLIVEIRA,2002).
Os Mtodos Automticos ou caixa-preta surgiram na dcada de 60. So as
metodologias que podem ser programadas no computador e que requerem pouqussima
interveno do analista. Correspondem a mtodos de ajustamento de curvas com
parmetros seqencialmente atualizados no tempo.
Dentre estas metodologias pode-se citar:
Regresso (linear simples, mltipla);

Modelos de mdias mveis;
Mtodos de amortecimento (alisamento) exponencial. Constituem a formulao
mais popular dos mtodos automticos, dos quais pode-se citar:
Mtodo de Brown (para srie temporal no sazonal);

Mtodo de Winters (para srie temporal sazonal);
Mtodo de Souza & Epprecht (para srie temporal sazonal ou no).
Makridakis fez em 1979 uma competio com 101 sries temporais e depois em
1982 repetiu a competio com 1001 sries temporais. Os mtodos automticos
tiveram, na mdia, o melhor desempenho dentre todos os mtodos. Mkridakis & Hibon
44
(2000) realizaram a ultima competio, com 3003 sries temporais, com os mtodos
automticos ainda apresentando bons resultados. A metodologia Box & Jenkins foi
proposta em 1970 e se trata do mais importante trabalho na rea de previso de sries
temporais. Foi esse estudo o responsvel pelo grande desenvolvimento e a
correspondente formalizao da rea de estudo de Sries Temporais.
O trabalho dos pesquisadores Box & Jenkins foi baseado no importante
resultado de Wold (1938): qualquer srie temporal pode ser representada por uma
estrutura de mdias mveis infinita, ou melhor, qualquer processo estocstico
estacionrio Yt pode ser representado como a soma de dois processos mutuamente
interrelacionados, Yt = Dt + At, onde Dt linearmente determinstico (sistemtico) e At
um processo Mdias Mveis infinito (MA()).
A parte determinstica pode ser uma funo exata do tempo, como por exemplo
Dt = Acos(wt) que descreve uma oscilao cosenoidal ao longo do tempo. O caso mais
simples para Dt quando se tem Dt = . Box e Jenkins em 1970 propuseram uma
classe geral de modelos lineares conhecida como ARIMA (autoregressive integrated
moving average) para a srie temporal {Zt, t = 1, 2, 3,... , n }.
Aps Box e Jenkins, ou seja, aps 1970 surgiram outras tcnicas dentre as quais
pode-se citar o filtro adaptativo, o mtodo Frsys, combinaes de mtodos de
previses dentre outras.
2.2.1 Metodologia Box & Jenkins
Os modelos propostos por Box e Jenkins, tambm conhecidos como modelos

ARIMA, consistem em uma classe de modelos lineares que associam de forma
conjunta uma parte auto-regressiva e uma parte mdias mveis, ou seja, feita a
integrao dos processos (modelos auto-regressivos, mdias mveis). Uma aplicao
que aborda este estudo em situao semelhante pode ser vista em (OLIVEIRA, 2002)
45
2.2.1.1 Modelos Auto-regressivos (AR)
Um modelo auto-regressivo (AR) pode ser representado por uma soma

ponderada de p valores passados adicionados a um rudo (parte aleatria) e que, em
sua forma geral, pode ser apresentado por:
Z t = + 1 Z t 1 + 2 Z t 2 +...+ p Z t p + at ,
2.25
onde:
Z t o valor da srie temporal no instante t;

representa o termo constante da srie;
i corresponde ao i-simo parmetro auto-regressivo, i = 1,2,...,p;
at o erro (rudo) no instante t;
Em funo da quantidade de termos auto-regressivos existente no modelo podese dizer que o modelo de ordem p, AR(p). Os modelos ARIMA costumam ser
parcimoniosos, ou seja, tm poucos parmetros. Os casos mais comuns desses modelos
so os de ordem 1 e 2, isto , AR(1) e AR(2) (MAKRIDAKIS; WHEEL; McGEE,
1983).
Quando os valores da srie podem ser apresentados pelo modelo AR(p), a
estrutura do processo gerador da srie deve ser identificada e, ento, estimados os
parmetros do modelo. Ento, este poder ser utilizado para previso de valores
futuros depois da sua adequao ser analisada.
2.2.1.2 Modelos de Mdias Mveis (MA)
Um modelo de Mdias Mveis (MA) pode ser representado por uma soma
ponderada dos rudos (erros), observados em cada perodo passado. A representao
geral deste modelo pode ser definida por:
46
Z t = + at 1 a t-1 - 2 a t-2 - - q a t- q,
2.26
onde:
Z t o valor observvel da serie temporal no instante t;

representa o termo constante da srie;
i corresponde ao -esimo parmetro auto-regressivo, i = 1,2,...,q;
at o erro (rudo) no instante t no explicveis pelo modelo.
Em funo do nmero parmetros, q, define-se a ordem do modelo da estrutura
Mdias Mveis e tem-se MA(q).
Da mesma forma que os modelos Auto-Regressivos, os modelos da estrutura
Mdias Mveis so parcimoniosos e os casos mais comuns na prtica so os modelos
de ordem 1 e 2, MA (1) e MA(2) (MAKRIDAKIS; WHEEL; McGEE, 1983).
A razo de se desejar modelos parcimoniosos, ou seja, com poucos parmetros,
est na necessidade de se preservar o maior nmero de graus de liberdade.
2.2.1.3 Modelos Auto-Regressivos e de Mdias Mveis (ARMA)
Os modelos Auto-Regressivos (AR) e os modelos de Mdias Mveis (MA)

podem ser combinados e, com isso, gerar um novo modelo conhecido como modelo
Auto-Regressivo Mdias Mveis (ARMA). Os modelos puros AR e MA podem
representar uma grande variedade de sries temporais, e com a combinao ARMA,
aumentam em muito as possibilidades dos modelos ajustados serem parcimoniosos
(MAKRIDAKIS; WHEEL; McGEE, 1983).
Da mesma forma que se aumentam as possibilidades de melhorar modelo a ser
ajustado a uma determinada srie temporal. A representao geral deste modelo
obtida por:
Z t = + 1 Z t 1 + 2 Z t 2 +...+ p Z t p + at - 1 a t 1 - 2 a t 2 - q Z t q.
47
2.27
Este modelo relaciona os valores passados observados e os erros obtidos em

cada perodo ocorrido. A ordem do modelo definida em funo da quantidade de
parmetros auto-regressivos e de parmetros moveis. Sendo p a ordem da parte
autoregressiva e q a ordem da parte MA tem-se o modelo ARMA (p,q) (WHEEL;
MARKIDRAKIS, 1985).
2.2.1.4 Modelos Auto-Regressivos Integrados de Mdias Mveis (ARIMA)
Os modelos AR, MA e ARMA so vlidos para representao de sries

estacionrias. Sries estacionrias so aquelas que no decorrer do tempo permanecem
com seus valores em torno de uma mdia constante, possuem varincia constante e a
funo de covarincia, k, s depende da diferena de defasagem k. Muitas sries
encontradas na prtica no so estacionrias e necessitam ser colocadas nesta forma
para serem modeladas conforme Metodologia Box & Jenkins.
Uma srie no estacionaria pode ser transformada em estacionria desde que ela
seja no estacionria homognea, tornando-se um nmero finito de diferenas d
(MORETTIN; TOLOI, 1981). A diferena feita por meio do operador de retardo B,
definido por:
BZt = Zt-1
2.28
E, ento tem-se:
t = Zt Z t-1 = Zt B Zt = (1 B)Zt = Zt
2.29
Se a ordem da diferena d = 2, tem-se:
t = (Zt Z t-1) - (Zt-1 Z t-2) = Zt 2Z t-1 + Z t-2 = 2Zt ,,
e genericamente tem-se:
48
2.30
t = dZt.
2.31
Uma srie temporal estacionria (t), pode ser representada por um modelo
ARMA (p,q). Na maioria dos casos, uma ou duas diferenas (d = 1, d = 2) so
suficientes para deixar as sries na forma estacionria (MORETTIN; TOLOI, 1981).
Se t uma srie de diferenas de Zt, ento Zt uma integral de t, de onde
vem o modelo auto-regressivo integrado mdias mveis ARIMA, que pode ser
designado por ARIMA (p,d,q), onde p e q so respectivamente a quantidade de
parmetros AR e MA e d o nmero de diferena necessrias para transformar a srie
em estacionria.
O modelo em sua forma geral representado por:
t = 1 t-1 + 2 t-2 + ...+ p t-p + at - 1at-1 2at-2 - - qat-q
2.32
onde:
t o valor da serie no instante t aps a diferena ou no;

i so os parmetros auto-regressivos, i = 1,2,...,p;
i so os parmetros de mdias mveis , i = 1,2...,q;
at representa o rudo branco, (rudo com mdia zero e varincia a2).
A construo do modelo est baseada num ciclo iterativo onde a determinao e
estruturao do modelo, propriamente dito, est baseada nos dados. Este ciclo pode ser
resumido nas seguintes etapas (MORETTIN; TOLOI, 1981) onde uma classe de
modelos considerada para anlise:
Identificao da estrutura do processo gerador identifica-se com base na

anlise das correlogramas das auto-correlaes e auto-correlaes parciais as
ordens p, d e q da estrutura, uma das fases crticas de mtodo.
49
Estimao fase em que os parmetros de um modelo da estrutura identificada

so estimados, sendo nesta etapa necessria a utilizao de um algoritmo de
programao no linear (Algoritmo de Marquardt);
Verificao atravs de uma anlise de resduos procura-se verificar se o

modelo o correto; caso seja, pode-se empregar o modelo para a fase de
previso;
Previso com o modelo devidamente estimado e verificado. Pode-se realizar

previses para futuros valores da srie.
As fases de aplicao de um modelo ARIMA podem ser vistas melhor atravs do

fluxograma Figura 2.6. Para maiores detalhes, consultem-se Box e Jenkins (1976) E
Makridakis, Wheel e Mcgee (1983).
FIGURA 2.6 FLUXOGRAMA

Especificao
Escolha de uma classe de
modelo
Identificao
Escolha dos valores p, d, q.
Estimao
Est. Dos parmetros atravs de
Algoritmo de estimao no linear
Verificao
Testes dos resduos.
Modelo adequado?
No
Sim
Previso
Utilizao do modelo para
previses
50
2.3 ARMAZENAGEM ESTRATGICA
2.3.1 Armazenagem
Dentro da Cadeia de Abastecimento, uma importante funo para atender com

efetividade a sua gesto a Armazenagem. Considerada por muito tempo como uma
atividade menos nobre que a produo, a armazenagem passou longos anos tentando
viabilizar investimentos que eram escassos (CHIAVENATO, 1989). Porm, segundo
(BANZATO, 2003), com o advento dos processos de melhoria da qualidade e
produtividade, bem como a elevao da logstica como estratgia para um diferencial
competitivo, a armazenagem ganhou destaque no gerenciamento da cadeia de
abastecimento (FLEURY; WANKE; FIGUEIREDO, 2000).
Atualmente, a armazenagem influi diretamente no nvel de servio aos clientes,
na produtividade organizacional, alm de afetar a qualidade de produtos e servios,
aspectos esses fundamentais ao sucesso da organizao (BALLOU, 1993).
A atividade de armazenagem o elo entre o produtor e o consumidor, sendo
parte integrante do sistema logstico da empresa que estoca produtos entre o ponto de
origem e o ponto de consumo, proporcionando informaes sobre a situao, condio
e disposio dos itens estocados (CHRISTOPHER, 1997).
2.3.2 Misses de um Armazm
Em uma rede de distribuio, um armazm pode atender qualquer uma destas

necessidades (COOPER; LAMBERT; PAGH, 1997):
Ele pode conter estoques usados para equilibrar e amortecer a variao entre as
programaes de produo e a demanda. Com esta finalidade, um armazm
geralmente se localiza perto do ponto de fabricao e pode se caracterizar pelo
fluxo de entrada e sada de pallets fechados, supondo que o tamanho e volume
do produto justifique cargas do tamanho de pallets. Um armazm que atenda
51
apenas a esta funo pode ter demandas variando de posies mensais a

trimestrais do estoque ao prximo nvel de distribuio.
Um armazm pode ser usado para acumular e consolidar produtos de diferentes

pontos de fabricao dentro da mesma empresa, ou de vrias empresas, para a
remessa combinada a clientes comuns. Tal armazm pode estar localizado em
um ponto acessvel aos locais de produo ou a base de clientes. A
movimentao de produtos pode se caracterizar pela entrada de pallets fechados
e sada de caixas fechadas. A instalao esta normalmente atendendo pedidos
semanais ou mensais regulares.
Armazns podem ser distribudos em campo para diminuir as distncias de

transporte a fim de permitir uma resposta rpida s exigncias dos clientes.
Com a freqncia, itens individuais so coletados, e o mesmo item pode ser
expedido ao cliente diariamente.
A Figura 2.7 mostra armazns realizando estas funes em uma rede de

distribuio tpica. Em muitas das redes atuais, um item individual entrar e sair de
um armazm servindo a cada uma destas funes entre o ponto de fabricao e o
cliente.
52
FIGURA 2.7 PAPIS DO ARMAZM NA REDE DE DISTRIBUIO

Cliente
Armazm
fabril
Fbr.
Cliente
Armazm
Distribuio
Cliente
Fbrica
Armazm
Local
Fbrica
Quando possveis, duas ou mais misses devem ser combinadas na mesma

operao de armazenagem. Mudanas atuais na disponibilidade e custo das opes de
transporte tornam a combinao possvel para muitos produtos (CERTO, 2003). Em
particular, itens pequenos de grande valor e demanda imprevisvel so com freqncia
expedidos para o mundo inteiro de uma nica fonte usando servios de entrega de um
dia para o outro (BARROS, 2005).
2.3.3 Funes de um Armazm
Armazenagem o processo que envolve a administrao dos espaos

necessrios para manter os materiais estocados, que podem ser internamente, na
fbrica, como em locais externos, mais prximos dos clientes. Essa ao envolve
fatores como localizao, dimensionamento de rea, arranjo fsico, equipamento de
movimentao e recuperao do estoque, projeto de docas ou baas de atracao,
necessidade de recursos financeiros e humanos (BOWERSOX, 1984).
53
Vrias atividades fazem parte do processo de movimentao de materiais para

dentro e para fora do armazm. As funes bsicas da armazenagem conforme Moura
(1998) so:
Recebimento (descarga);
Identificao (classificao);
Conferncia (qualitativa e quantitativa);
Endereamento para estoque;
Estocagem;
Remoo do estoque (separao de pedidos);
Acumulao de itens;
Embalagem;
Expedio;
Registro das operaes.
Deve-se observar que essas funes da armazenagem nem sempre so utilizadas
pelos armazns da forma que est descrita, elas podem ser descentralizadas entre
alguns prdios ou mdulos, cada um tem sua prpria realidade, tudo depende das
necessidades particulares de cada empresa (KWASNICKA, 1987).
2.3.4 Administrao da Armazenagem
Estocar mercadorias de forma eficiente utilizando o espao nas trs dimenses,

ou seja, deve ser considerada a metragem cbica do espao utilizado, a forma de
armazenagem chamada de Administrao de Espao (LILIANE, 2005), e este espao
deve ser realmente muito bem administrado, pois o custo com o desperdcio de espao,
maior do que com mo-de-obra nas mesmas condies.
Um outro objetivo da armazenagem o de fazer que os produtos fiquem
dispostos de forma a facilitar a sua movimentao e o seu resgate, tornando a operao
mais rpida e com custos menores (MAXIMIANO, 1981).
54
Para Banzato (2001), na essncia, a principal funo da armazenagem

administrao do espao e do tempo. O espao sempre limitado e, portanto, os bons
operadores usam o espao disponvel efetivamente. O tempo e a mo-de-obra so
significativamente mais difceis de gerenciar que o espao.
No se tinha toda essa preocupao com armazenagem h 20 anos, pois no
consideravam como parte da distribuio fsica, apenas como um local para estocar
(LIMA, 1998). O equipamento de movimentao tinha mnima importncia e a funo
deste profissional no era reconhecida mesmo sabendo que 20% do PIB (produto
interno bruto) gasto em armazns e distribuio fsica e do custo de quase todos os
produtos imaginveis, 25% decorre da movimentao fsica. O controle de todos esses
recursos denominado Administrao de Distribuio (BARROSO, 2003).
A armazenagem em qualquer empresa, se bem administrada, pode ser sinnimo
de economia, tanto no que diz respeito economia financeira, ou seja, reduo dos
custos de armazenagem, quanto economia de espao fsico no armazm, podendo
optar por diminuir quantidades de armazns, se este for o caso, ou ento, diminuir o
tamanho do armazm (BERTAGLIA, 2003).
A ocupao do espao fsico nos armazns h algum tempo atrs, era utilizada
muito mais como armazenagem horizontal do que vertical, e as empresas, percebendo
que isto era um processo que acarretava custo, partiram para a utilizao das modernas
estruturas metlicas verticais e os portas pallets.
Os conceitos de estocagem e armazenagem so similares e foram utilizados por
Moura (1998) como sendo estocagem uma atividade de guarda segura e ordenada
ordem de prioridade as matrias primas, e armazenagem como uma atividade de
estocagem ordenada e distribuio de produtos acabados na prpria fbrica ou para os
clientes.
55
2.3.5 Operaes de Picking na Armazenagem
A atividade de picking responsvel pela coleta correta de produtos, em suas

quantidades corretas da rea de armazenagem para satisfazer as necessidades do
consumidor.
De acordo com Rodrigues (2005), tal atividade dentro de um armazm
considerada como uma das mais crticas. Dependendo do tipo de armazm, 30% a
40% de todos os custos operacionais podem ser atribudos ao picking. O segundo
motivo que a atividade de separao de pedidos se tornou cada vez mais difcil de
gerir.
As dificuldades so resultados dos novos programas operacionais, como just-intime (JIT), que requerem pedidos menores sejam entregues com mais freqncia e
preciso e que mais itens de estoque sejam incorporados ao sistema picking
(NOVAES, 2001). E um terceiro motivo esta na nfase renovada nas melhorias da
qualidade, forando os gerentes de armazm reexaminarem a atividade de picking sob
o aspecto de minimizar os danos aos produtos (STONER, 2000).
Para o planejamento de um sistema de picking, alm dos equipamentos e
sistemas envolvidos na armazenagem (SUCUPIRA, 2005), necessrio definir uma
estratgia para a coleta e separao de produtos de forma a atender as exigncias de
produtividade e flexibilidade da linha. Entre a variedade de estratgias operacionais
para melhorar a produtividade do picking, destacam-se:
2.3.5.1 Picking discreto
Conforme ilustrado na Figura 2.8 cada separador completa um pedido por vez e
pega apenas um produto de cada vez. A principal vantagem que a integridade do
pedido nunca prejudicada. Porm, o separador provavelmente ter que percorrer uma
grande parte do armazm para separar o pedido;
56
FIGURA 2.8 PICKING DISCRETO
Fonte: Rodrigues (2005).
2.3.5.2 Picking por lotes
Conforme Figura 2.9, cada separador pode assumir a responsabilidade de

coletar um lote de pedidos. Quando o operador faz a coleta, ele pega a soma das
quantidades de cada produto, necessrias para atender todos os pedidos.
A principal vantagem ser a reduo do tempo de deslocamento por item
individual. Porem, o esforo para restabelecer a integridade dos pedidos aumenta em
relao economia de tempo de deslocamento da separao dos lotes.
FIGURA 2.9 PICKING POR LOTE.
Fonte: Rodrigues (2005)
57
2.3.5.3 Picking por zona
Um separador de pedidos dedica-se a separar os itens individuais em sua zona

atribuda, um pedido de cada vez ou em lotes (Figura 2.10). De novo, a vantagem ser
a reduo do tempo de deslocamento por item individual, que tambm precisa ter essa
reduo do tempo comparada aos custos a triagem e potencial de erros no atendimento
dos pedidos.
FIGURA 2.10 PICKING POR ZONA
Fonte: Rodrigues (2005)
Alm dos trs mtodos apresentados comum a utilizao do picking por onda.
Neste, so realizadas diversas programaes por turno, de maneira que os pedidos
devem ser coletados em perodos especficos do dia. Esse mtodo similar ao picking
discreto, a diferena esta no agendamento de um certo nmero de pedidos ao longo do
turno. O picking por onda utilizado em conjunto com os mtodos apresentados e a
sua vantagem permitir uma maior integrao do picking com a rea de expedio,
atravs da programao da hora de coleta e embarque de cada pedido.
O mtodo de picking utilizado pode ser uma combinao desses apresentados.
Normalmente, estas combinaes viabilizam um aumento de produtividade, mas
tambm, exige maior controle.
58
Independente do mtodo utilizado fundamental a preocupao com a

ergonomia. Os incentivos por produtividade e preciso tambm devem ser
considerados como importantes instrumentos na busca por performance de separao.
2.3.6 Sistemas de Picking
Existe uma ampla gama de sistemas desenvolvidos para a atividade de picking e

a sua escolha deve considerar as caractersticas especificas da operao (como
variedade de itens, tamanho das unidades de separao e velocidade de operao) e os
produtos manuseados (como peso, forma e grau de fragilidade), alm da tolerncia a
erros da separao e do oramento disponvel.
2.3.6.1 A-Frame
O A-Frame Figura 2.11 um sistema de alta produtividade capaz de separar

centenas de pedidos em um curto espao de tempo, com grande preciso e com um
reduzido quadro de pessoal. Este um sistema modular, integrado por uma esteira
transportadora, sobre a qual existe uma estrutura composta de uma serie de canais que
cobre ambos os lados da esteira. Cada canal trabalha com um determinado cdigo de
item, tendo capacidade de armazenar diversas unidades, que ficam empilhadas em sua
respectiva estrutura.
FIGURA 2.11 - A-FRAME
59
O sistema de comando do A-Frame controla a ejeo dos produtos de cada

canal na esteira e cada seo da esteira associada a um determinado pedido. No
transportados para as outras reas de picking, ou diretamente para rea de embarque,
caso o pedido esteja completo.
Diversos mdulos de A-Frame podem ser utilizados tanto em srie quanto em
paralelo para que seja aumentada a capacidade do sistema. Alm disso, esta
tecnologia tambm pode ser utilizada em conjunto com ouros sistemas de separao.
Este tipo de sistema permite uma separao bastante rpida com alta
produtividade, no entanto apresenta algumas restries de uso relativas a fragilidade
e/ou formato dos itens manuseados.
2.3.6.2 Carrossel
Os carrossis (Figura 2.12) so equipamentos rotacionais, verticais ou

horizontais, que acondicionam os produtos com a funo de traz-los at o operador,
eliminando os tempos associados ao seu deslocamento e a procura de produtos.
A principal vantagem deste sistema permitir uma operao com uma grande
variedade de itens. Alm disso, o carrossel vertical tambm permite um bom
aproveitamento de espao por aproveitar o p direito do prdio.
A sua principal desvantagem est relacionada com a velocidade de coleta,
relativamente lenta, o que o torna muitas vezes no recomendvel.
60
FIGURA 2.12 CARROSSEL VERTICAL
2.3.6.3 Sistema de estocagem e coleta automticas
Os sistemas de estocagem e coleta automticos capazes de operar com unidades

de movimentao mais fracionadas so conhecidos como miniload Figura 2.13. No
entanto, mesmo os miniload so capazes de operar apenas com caixas, ou itens de
grande volume.
Entre as principais vantagens do miniload pode-se destacar a sua preciso e
velocidade, alm da potencialidade de operar com uma grande variedade de itens.
Entre as desvantagens, destacam-se o elevado custo de implementao e manuteno,
e a falta de flexibilidade desses sistemas.
61
FIGURA 2.13 MINILOAD
2.3.6.4 Separao por rdio freqncia
Este tipo de sistema se apia na comunicao por radio freqncia para auxiliar o
operador na coleta dos itens. Para isso, o operador utiliza um terminal de mo ou um
terminal preso ao brao Figura 2.14, que indica sempre o endereo do prximo
produto e o nmero de unidades a serem coletadas.
Ao realizar a coleta dos itens, o operador faz a leitura do cdigo de barra dos
produtos, atravs do terminal manual que conferir a coleta e indicar o endereo do
prximo produto a ser coletado.
62
FIGURA 2.14 TERMINAL DE RDIO FREQUNCIA COM LEITURA TICA
Este tipo de tecnologia esta sendo bastante utilizada no Brazil pelo seu baixo
custo e alta flexibilidade. A sua grande desvantagem esta relacionada a sua
performance que limitada pela velocidade de deslocamento do operador.
2.3.6.5 Sistema de picking by-light
Este sistema concilia perfomance e flexibilidade conseguindo, graas a isso, ser

um dos sistemas mais difundidos no Brasil. O picking by-light Figura 2.15 integra a
utilizao de esteiras rolantes, leitores ticos e sensores com as tradicionais estruturas
flow racks manuseadas por operadores.
FIGURA 2.15 PICKING BY-LIGHT
63
A boa performance deste sistema obtida atravs de uma boa disposio dos
produtos ao redor dos funcionrios, que coletam apenas os produtos da sua estao de
trabalho. No precisando se locomover nem movimentar as caixas dos pedidos que so
transportadas de forma automtica por meio de uma correia transportadora.
Alm disso, os mostradores digitais de cada posio do flow-rack indicam
automaticamente o local e o numero de unidades que devem ser coletados, tornando
desnecessrio o picking list, o que acelera o processo de coleta dos operadores.
A flexibilidade o resultado da participao dos operadores no manuseio, que
alm de considerar as caractersticas especificas de cada produto, inclusive a
fragilidade, pode, simultaneamente, coletar e organizar os produtos nas caixas de
entrega.
64
3 MATERIAL E MTODO
3.1 METODOLOGIAS APLICADAS
3.1.1 Previso Utilizando Redes Neurais de Base Radial
O desempenho das Redes Neurais altamente influenciado por alguns fatores,

como a quantidade de dados histricos utilizados, a topologia e os parmetros
pertinentes rede. Atualmente, no existe uma configurao ideal de Redes Neurais,
para resolver qualquer que seja o problema sugerido. Para encontrar uma rede que
satisfaa a exigncias do problema devem ser testadas varias configuraes atravs de
processos iterativos procurando a rede ideal ou que se enquadre no perfil procurado.
Esse processo iterativo, tambm conhecido como tentativa e erro, consiste em
constantes modificaes na topologia e parmetros da rede. Existem duas maneiras
lgicas para efetuar as modificaes nas redes na tentativa de encontrar uma rede
adequada: uma delas definir os parmetros da mesma com valores pequenos, e a
cada iterao aument-los, medir o desempenho da rede, e guardar esses histricos
para que se possa decidir qual o melhor topologia da rede; uma outra maneira o
processo inverso, ou seja, determinar valores altos para os parmetros e diminu-los
gradativamente a cada iterao at um mnimo possvel, da mesma forma que o
anterior, medir o desempenho de cada configurao e depois decidir qual o melhor
perfil a ser utilizado.
O processo de mensurar o desempenho da rede est vinculado ao que chama-se
de treinamento e teste. Para realizar essas duas fases primeiramente so separados os
dados histricos em dois grupos: o primeiro grupo chamando de dados histricos para
o treinamento da Rede Neural, corresponde a cerca de 2/3 da quantidade total de
dados; e o segundo o conjunto de teste ou validao da rede neural, que consiste na
utilizao da rede comparando as suas sadas com a quantidade de 1/3 restante dos
dados que esta fora do conjunto de treinamento.
65
Para fazer esta comparao utiliza-se a medida do RMSE (root mean squared
error). Este ndice obtido em cada uma das configuraes obtidas da rede neural a
cada iterao, e a configurao que apresentar o menor RMSE a que mais se encaixa
na soluo do problema em questo. Este processo tambm conhecido como a
capacidade de generalizao da rede.
Neste trabalho, utilizamos os menores parmetros possveis e os aumentamos
gradativamente, sendo utilizados sete anos de histricos das series temporais, onde
foram utilizados os cinco primeiros anos para o treinamento da rede neural e os
ltimos dois anos para a validao da topologia, e neste perodo de dois anos que o
RMSE calculado para deciso da melhor configurao.
3.1.2 Parmetro Nmero de Ocorrncias no Vetor de Entrada
O parmetro nmero de ocorrncias no vetor de entrada um fator

extremamente relevante para a configurao da rede neural quando estamos utilizandoa para a previso de sries temporais, como neste trabalho o objetivo da rede neural
exatamente este, a quantidade de ocorrncia no vetor de entrada, corresponde ao
nmero de atrasos unitrios no tempo que utilizaremos sobre a srie temporal em
questo podendo ser representado por: N, N-1, N-2,..., N-K, onde N so as ocorrncias
sobre a srie temporal e K o nmero do maior atraso unitrio que ser considerado.
Estes atrasos sero fixo ao longo da serie temporal, e ir caminhando atravs da
mesma compondo o vetor de entrada, formando o que se conhece como janela do
tempo.
Os valores que compem a janela do tempo sero considerados pela rede neural
para efetuar o treinamento da mesma, onde o seu objetivo calibrar os pesos internos
para que seja alcanado o valor da ocorrncia N+1, ou seja, consideraremos K
perodos passado ao longo da serie temporal, para prever um perodo a frente.
De acordo com a srie temporal o nmero de atrasos unitrios pode variar
melhorando a previso, pois a srie temporal pode conter sazonalidades em algum
perodo ao longo do ano, e a quantidade de ocorrncia no vetor de entrada pode
66
auxiliar a rede neural a identificar esses perodos para uma maior acuracidade em sua
previso. Depois do treinamento da rede neural, so utilizados a mesma quantidade de
atrasos unitrios, para fazer a validao e as previses.
O intervalo utilizado neste trabalho foi de 2 atrasos unitrios no vetor de
entradas at 24 atrasos, incrementando de uma unidade a cada novo treinamento para
determinar a melhor configurao.
3.1.3 Parmetro Nmero da Taxa de EG
O parmetro referente taxa de EG um fator utilizado para dar um objetivo no

treinamento da rede neural. Um valor atribudo ao mesmo e no decorrer do
treinamento o RMSE deve ser no mximo o valor estipulado no parmetro. Um valor
muito baixo no necessariamente significar que a rede tenha um timo treinamento,
pois pode ocorrer um super treinamento, na tentativa de alcanar o valor estipulado no
parmetro, o que pode prejudicar a capacidade de generalizao da rede.
Neste trabalho utilizamos um valor pequeno e a cada treinamento com a
tentativa de encontrar a rede ideal, gradativamente o aumentamos, medindo o RMSE
(root mean squared error) no momento da validao da rede neural, ao atingir o
menor erro na validao o a taxa EG escolhida para os presentes dados da srie
temporal que esta sendo treinada pela rede neural com o objetivo de se fazer previso
da mesma.
O intervalo utilizado para definir a taxa de EG foi a variao de EG = 0,01 at
EG = 10, incrementando gradativamente na razo de 0,03 unidades.
3.1.4 Parmetro Nmero da Taxa de SC
O parmetro taxa de SC relaciona-se com a os raios dos campos receptivos das

unidades escondidas da rede neural, e um dos mais importantes parmetros para o
treinamento das Redes Neurais com base radial, pois o mesmo determina o ajuste da
linearidade em torno da srie temporal.
67
Se o valor atribudo a este parmetro for extremamente pequeno pode ocorrer

uma distoro na generalizao da rede neural, por exemplo: caso o mesmo assuma
um fator de SC = 0.01, veja na Grfico 3.1 que ocorre distores no treinamento,
mesmo ocorrendo bons resultados para os pontos utilizados, mas ao utilizar um ponto
intermedirio aos pontos de treinamento os valores resultantes da rede no sero
satisfatrios.
GRFICO 3.1 OCORRNCIA DE DISTORES NO TREINAMENTO I
Por outro lado, se o valor atribudo a este parmetro for extremamente grande
tambm poder ocorrer uma distoro na generalizao da rede neural. Por exemplo:
caso o mesmo assuma um fator de SC = 100, veja na figura 3.2 que ocorre distores
no treinamento, e neste caso nem mesmo nos pontos utilizados ocorrem bons
resultados, e ao utilizar um ponto intermedirio aos pontos de treinamento os valores
resultantes da rede tero um maior insatisfatrio.
68
GRFICO 3.2 - OCORRNCIA DE DISTORES NO TREINAMENTO II
3.1.5 Escolha do Melhor Parmetro
Para o efetivo treinamento da rede neural de funo de base radial, h

necessidade de definir primeiramente os trs parmetros que definem a melhor
configurao da rede neural: nmero de ocorrncia no vetor de entrada caracterizando
os atrasos unitrios ao longo da srie temporal, a taxa de EG e a taxa de SC.
Para a determinao dos melhores valores destes parmetros aplicasse o mtodo
que conhecemos por tentativa e erro, ou seja, so testados vrios valores medindo o
desempenho da rede neural para cada conjunto de valores e escolhendo assim o mais
adequado.
Essa metodologia consiste em fixar um pequeno valor para os parmetros e
gradativamente aument-lo a cada treinamento efetivado pela rede neural. O primeiro
parmetro a ser especificado o nmero de ocorrncias no vetor de entrada. A cada
incremento efetivado um novo treinamento na rede neural e o desempenho da mesma
69
medido atravs da utilizao do conjunto de ocorrncias da srie temporal separado

para validao.
O desempenho medido o RMSE (root mean squared error), a quantidade de
ocorrncia no vetor de entrada que apresentar o menor RMSE, selecionado como o
parmetro pertinente de entrada.
Aps a definio do primeiro parmetro, o mesmo utilizado para a
determinao dos prximos dois. O prximo a ser definido a taxa EG. O
procedimento praticamente o mesmo utilizado na definio do primeiro parmetro, a
diferena que agora j fixamos o valor do nmero de ocorrncia no vetor de entrada.
Da mesma forma ocorre com o terceiro e ltimo parmetro utilizado, a taxa SC. Desta
fez a diferena que os dois anteriores, nmero de ocorrncia no vetor de entrada e
taxa EG so fixados e utilizados nesta determinao.
Aps a aplicao desta metodologia todos os parmetros foram definidos
encontrando a melhor configurao para a rede neural efetuar a previso da srie
temporal em questo.
Os intervalos utilizados neste trabalho foram: para o nmero de ocorrncias no
vetor de entrada a variao foi de 2 at 24, incrementando na razo de 1 unidade por
treinamento; para a taxa de EG e SC a variao foi de 0,01 at 10, incrementando na
razo de 0,03 unidade por treinamento.
3.2 Previso Utilizando a Metodologia Box & Jenkins
Para este trabalho na escolha do melhor modelo dentro da metodologia Box &
Jenkins, foram testados os modelos ARMA com os parmetros p e q (ARMA(p,q))
respeitando ordem mxima 5. Para cada srie temporal os modelo ARMA(p,q),
foram ajustados com a ausncia do parmetro de sazonalidade e com sua variao de 1
ms at 12 meses.
Desta forma uma gama de testes foram realizados, comparados em cada uma
das sries temporais. Foram utilizados 5 primeiros anos de histrico das srie para a
definio do melhor modelo e 2 anos restantes para a previso da mesma.
70
3.2.1 Ordem dos Parmetros dos Modelos ARMA(p,q)
Os modelos utilizado para realizar as previses das sries temporais foram os

modelos ARMA(p,q), atravs da metodologia Box & Jenkins. Foram testados os
seguintes modelos: ARMA(0,0) SARIMA(0,0) ,
ARMA(1,0) SARIMA(1,0),
ARMA(2,1) SARIMA(2,1), ARMA(3,2) SARIMA(3,2) , ARMA(4,3) SARIMA(4,3)

e ARMA(5,4) SARIMA(5,4). Para cada modelo foi utilizado sem a presena de
sazonalidade e com a variao da sazonalidades de 1 ms at 12 meses.
3.2.2 Escolha do Melhor Modelo
O ajuste do melhor modelo a ser utilizado para previso das sries temporais em
questo, foi perante a utilizao do perodo de 5 anos de histrico das sries temporais
e para validar cada um dos modelos utilizou-se os 2 anos seguintes de histrico. Para
cada teste de modelos foram utilizados para definio do modelo ideal dois critrios: o
primeiro critrio foi anlise do Periodograma Acumulado (Integrated Periodogram)
e o segundo a anlise do RMSE (root mean squared error) no perodo de validao.
O Periodograma Acumulado ilustrado na Grfico 3.3 refere-se a um grfico dos
resduos do ajuste do modelo, no presente perodo histrico da srie representado pelos
5 anos. Para cada modelo verificado o ajuste da linha dos resduos h linha central do
grfico, o modelo que apresentar a menor oscilao em torno desta o mais
apropriado para efetuar as previses.
71
GRFICO 3.3 GRFICO DE RESDUOS DO AJUSTE DO MODELO.
A medida do RMSE em relao previso para o perodo de 2 anos seguintes,

reservado para validao. Quanto menor o RMSE melhor o desempenho do modelo de
previso.
3.3 MATERIAL
Os dados utilizados neste trabalho correspondem ao histrico de sete grupo de

produtos no perodo de 7 anos. Foi exigido sigilo pela empresa consultada, da os
dados sofreram alteraes por meio de uma combinao linear, porm foram mantidas
as suas proporcionalidades bem como as sazonalidades para que no houvesse
distores nos clculos efetuados para previso das sries temporais.
3.3.1 O Centro de Distribuio (CD)
Neste trabalho, foram considerados sete grupos de produtos alimentcios:

biscoito, macarro, candies, chocolates, refrescos, cereais e panetones.
O layout do CD tem as seguintes caractersticas: 12.532 m2 de rea total, em
formato retangular; em um lado menor deste, esto localizadas as 16 docas (reas onde
os produtos so colocados, aps a separao, para conferncia e onde os caminhes
encostam para o carregamento); so 89 colunas para armazenagem em cada prateleira,
com 5 nveis de altura, do nvel 0 (nvel do cho) at o nvel 4, o que resulta num total
72
de 15.110 endereos (espao correspondente a um pallet de qualquer produto). Pallet

uma estrutura de madeira, confeccionada com tbuas de mais ou menos 5 cm de
espessura, formando uma rea de aproximadamente 1 m2, sobre essa estrutura de
madeira so colocados os produtos, para depois serem armazenados nas prateleiras.
Cada pallet comporta um nmero diferente de itens (caixas, fardos, display e
unidade), dependendo de como cada produto comercializado. Entre as prateleiras
esto as ruas de acesso para aos endereos (so 17 ruas). Exceto as prateleiras das
paredes laterais, cada uma possui endereos voltados para duas ruas distintas.
3.3.2 A rea de Picking
rea de picking uma parte do armazm destinada separao dos produtos de

um pedido, no momento do carregamento, cuja suas quantidades no correspondem a
um pallet completo. No armazm estudado para realizao deste trabalho, os sete
endereos de cada prateleira mais prximos das docas, no nvel 0 (zero) em todas as
colunas, compem a rea de picking dos produtos, totalizando 238 endereos.
A separao dos produtos realizada da seguinte forma: relacionam-se todos os
itens de um determinado produto do embarque, independente do pedido a que
pertence, e gera-se uma tarefa ao funcionrio que deve buscar todos esses itens,
carregando-os nas paleteiras (maquinrio manual utilizado para carregar um pallet), e
levando-os para a doca. Os itens so empilhados sobre a paleteira e o funcionrio que
est efetuando a separao, levar os itens para doca somente quando a quantidade
pr-determinada em sua tarefa estiver satisfeita.
Deste modo, so geradas as tarefas para todos os produtos do embarque e
designadas para um nmero de funcionrios suficiente para realizao de toda a
separao.
73
3.3.3 Dimensionamento Atual da rea de Picking
Nas reas de picking, ocorre o processo de ressuprimento, processo este que

consiste na reposio de um pallet completo de itens, quando o que se encontra na rea
de picking chega ao fim, com a separao de itens pelos usurios.
A disposio e a quantidade de produtos na rea de picking, um fator
extremamente relevante para o processo de separao dos produtos para o embarque.
Para cada produto que esta disponvel na rea de picking, deixado uma certa
quantidade de endereos para que possa ser ocupado por pallets deste produto.
A empresa dispe de vrios itens, e cada um deles possui varias embalagens de
tamanhos e quantidades diferentes para serem comercializados, para facilitar as vendas
e os controles, empresa utiliza uma embalagem padro. Os itens so agrupados
dentro dessas embalagens, e so essas quantidades padres que foram fornecidas para
realizao deste trabalho.
Cada pallet comporta e 3 unidades dos dados fornecidos. Esta unidade refere-se
a uma embalagem onde os itens so agrupados para que comercializados e
transportados. Para cada item a quantidade varia dentro desta embalagem, e as
quantidades de itens relacionados a cada produto no foram fornecidas.
O clculo das quantidades de endereos por produtos, foi efetuado atravs de
um somatrio em unidades de pallets dos ltimos 5 anos de todos os 7 produtos
apresentados aqui neste trabalho, e realizao uma media diria, e para essa media
dividiu-se por 2 ressuprimento por turno de trabalho, e como a empresa funciona 3
turnos ento dividiu-se por 6 e trabalhando os resultados obtidos juntos aos
funcionrios mais experientes chegaram a concluso que rea de picking ocuparia os 7
endereos mais prximos das docas de cada prateleira, no nvel 0 em todas as colunas,
totalizando 238 endereos. As quantidades de endereos por produto ficaram conforme
o quadro 3.1 abaixo.
74
QUADRO 3.1 QUANTIDADE ATUAL DE ENDEREOS POR PRODUTO

ATUAL
Biscoito
38
Macarro Candies
38
Chocolate Refresco Cereais Panetones Total
38
38
35
30
21
238
Uma quantidade excessiva de endereos para um determinado item poder

causar problemas de vencimento de data de validade. Como os pallets esto dispostos
um ao lado do outro formando uma fila, os separadores tendem a separar itens do
primeiro pallet, pois o mesmo o que est mais prximo da rea de picking, e quando
no mesmo ocorre o esvaziamento completo ser ressuprido. Como possui muitos
pallets, o ressuprimento acontecer antes que o pallet que esta no ultimo endereo da
fila seja consumido, e os separadores comeam novamente separar itens do primeiro
pallet, que foi o que acabou de ser ressuprido. Com isso, pode ocorrer que os ltimos
pallets daquele produto na rea de picking, acabam no sendo consumido, provocando
o vencimento da sua data de validade.
Por outro lado, se a quantidade de endereos para um determinado item for
pequena demais para o nvel de consumo do item, pode ocorrer que os usurios ficam
parados esperando o pallet que foi totalmente esvaziado ser ressuprido, para que
possam completar a quantidade de itens destinado em sua tarefa, causando assim, um
aumento no tempo de separao e conseqentemente no tempo de embarque, o que
torna um fator negativo para a eficincia do processo, podendo ocorrer o atraso de
cargas.
3.3.4 Produtos e suas Sazonalidades
Os itens deste armazm tratam-se de produtos alimentcios, que esto divididos

em 7 grupos, formando o portflio de comercializao da empresa. Cada grupo
descrito adiante com suas caractersticas de consumo e sazonalidade, os dados
correspondem ao perodo 01/01/1999 31/12/2005, totalizando 7 anos de histricos.
75
a) BISCOITO Esta categoria representa cerca de 25% das movimentaes

totais do armazm, representado a categoria com maior ndice de movimentao na
rea de picking. Conforme relatos fornecidos pela empresa, o consumo deste produto
possui um aumento substancial relacionado ao incio do perodo de volta s aulas
escolares do ensino fundamental, nos meses de maro e agosto. Aps o inicio das
aulas, no primeiro semestre, ocorre uma demanda constante nos meses de abril, maio,
junho e julho. J no segundo semestre o aumento consiste em relao o primeiro ms e
permanece constante nos meses de setembro, outubro, novembro, dezembro. Nos
meses de janeiro e fevereiro o consumo cai substancialmente.
Consumo de Biscoitos
Consumo Mensal n )
Biscoitos
80000
70000
60000
50000
40000
30000
20000
10000
0
1
9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81
Perido - Ms
GRFICO 3.4 CONSUMO DO PRODUTO POR PERODO - BISCOITO

Fonte: Empresa de Produtos Alimentcios
A titulo de ilustrao so apresentados s subdivises e percentuais de

movimentao dentro da categoria Biscoito:
76
25 % Biscoito
30 % Recheados
22 % Wafers
18 % Roscas
15 % Tradicionais
9 % Sortidos
6 % Diversos
b) MACARRO Esta categoria responsvel por cerca de 20% das

movimentaes de itens na rea de picking, segundo dados da empresa o consumo de
macarro possui um pequeno aumento no perodo de inverno, nos meses de julho,
agosto e setembro e uma pequena baixa de consumo no vero nos meses de dezembro,
janeiro, fevereiro e maro.
Consumo de Macarro
Consumo M
Macarro
80000
70000
60000
50000
40000
30000
20000
10000
0
1
9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81
Meses
GRFICO 3.5 CONSUMO DO PRODUTO POR PERODO - MACARRO

77
A titulo de ilustrao so apresentados as subdivises e percentuais de

movimentao dentro da categoria Macarro:
20 % Macarro
35 % Com ovos/cortados
25 % Com ovos/ninho
25 % Smola
15 % Instantneo
c) CANDIES Esta categoria responsvel por cerca de 18% das
movimentaes dos itens na rea de picking. O consumo desses produtos
considerado constante, ou seja, as variaes no so previsveis e nem apresentam
perodos sazonais aparentemente.
Consumo de Candies
Candies
Consumo M
30000
25000
20000
15000
10000
5000
0
1
9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81
Meses
GRFICO 3.6 - CONSUMO DO PRODUTO POR PERODO - CANDIES

78
A titulo de ilustrao so apresentados s subdivises e percentuais de

movimentao dentro da categoria Candies:
18 % Candies
43 % Balas mastigveis
37 % Balas duras
20 % Pirulitos
d) CHOCOLATES Esta categoria responsvel por cerca de 18% das
movimentaes dos itens na rea de picking. Este produto possui uma regularidade em
seu consumo, possui picos aparentes na pscoa, e uma pequena suavizao dos dois
ltimos meses do ano.
Consumo de Chocolates
Chocolates
Consumo M
50000
40000
30000
20000
10000
0
1
13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81
Meses
GRFICO 3.7 - CONSUMO DO PRODUTO POR PERODO - CHOCOLATES

15 % Chocolates
79
e) REFRESCOS Esta categoria responsvel por cerca de 12% das

movimentaes dos itens na rea de picking. Este produto apresenta um forte aumento
de consumo no vero chegando ao maio ndice mais especificamente em dezembro.
Consumo de Refrescos
Refrescos
35000
Consumo M
30000
25000
20000
15000
10000
5000
0
1
9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81
Meses
GRFICO 3.8 - CONSUMO DO PRODUTO POR PERODO - REFRESCOS

12 % Refrescos
80
f) CEREAIS Esta categoria responsvel por cerca de 7% das

movimentaes dos itens na rea de picking. Este produto possui uma demanda
constante sem alteraes ao longo do ano e representa uma pequena parcela no
consumo total.
Consumo de Cereais
Cereais
Consumo M
12000
10000
8000
6000
4000
2000
0
1
9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81
Meses
GRFICO 3.9 - CONSUMO DO PRODUTO POR PERODO - CEREAIS

7 % Cereais
81
g) PANETONES Esta categoria responsvel por cerca de 3% das

movimentaes dos itens na rea de picking. Este produto possui uma grande
sazonalidade nos perodos prximos do natal (ms de dezembro), com uma cada
considervel nos outros meses.
Consumo de Panetones
Consumo M
Panetones
8000
7000
6000
5000
4000
3000
2000
1000
0
1
9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81
Meses
GRFICO 3.10 - CONSUMO DO PRODUTO POR PERODO - PANETONE

3 % Panetones
82
3.4 MTODOS
Para utilizao das Redes Neurais RBF foram utilizados:
Funes de ativao F(v) das unidades escondidas da rede RBF comuns:

Funo de base Gaussiana:
Aprendizado em redes RBF
Treinamento supervisionado
Mtodo da regra delta,
Para determinao da largura do campo receptivo
Utilizao da distncia euclidiana mdia entre centros
Treinamento supervisionado para a camada de sada
Raiz quadrada do erro quadrtico mdio RMSE; Depois de calculado o erro,
este minimizado por procedimentos tais como a regra delta.
Estratgias de treinamento
Hold-out, neste procedimento o conjunto de padres dividido em trs
grupos: treinamento, validao e teste. Cada topologia tem, com seus
centros, seu desempenho testado com respeito aos trs conjuntos.
Para utilizao da Metodologia Box & Jenkins foram utilizados:
Os modelos utilizado para realizar as previses das sries temporais foram os

modelos ARMA(p,q), atravs da metodologia Box & Jenkins.
83
4 IMPLEMENTAES E RESULTADOS
A implementao dos programas desenvolvidos neste trabalho, necessitam de

dois softwares auxiliares: Matlab verso 6.5 (para desenvolver o programa contendo as
Redes Neurais de funo de base radial), e o Statgraphics Plus 5.1 (para analisar as
sries temporais em funo da Metodologia Box & Jenkins). Foi utilizado para
desenvolvimento e teste um computador NoteBook Pentium 4 Intel com processador
3.2 GHz e 1Gb de memria RAM.
A configurao da rede neural que melhor corresponde previso de uma
determinada srie temporal deve ser obtida, fazendo teste de vrias configuraes
variando seus parmetros de entrada e medindo o seu desempenho de previso, e para
facilitar esse trabalho e conseguir a configurao ideal desenvolveu-se um programa
automtico que testa uma infinidade de configuraes variando os parmetros de
entrada da rede neural. Neste desenvolvimento foi utilizado o software Matlab.
Os parmetros de entrada da rede neural foram:
Taxa SC;
Taxa EG;
Nmero de ocorrncias no vetor de entrada;
A linguagem utilizada para o desenvolvimento foi linguagem prpria do
Matlab.
Este programa que se encontra no Anexo 1, estava preparado para iniciar os
parmetros com um valor mnimo dos parmetros e incrementando um por vez at o
limite mximo estipulado para cada parmetro. Ao encontrar o melhor valor para cada
parmetro o mesmo fixado e utilizado na variao do prximo.
Essa seqncia utilizada at que todos eles sejam estimados e satisfaa a
melhor previso para a determinada srie temporal. A performance do programa foi
considerada adequada, pois para cada srie o tempo de processamento para encontrar a
topologia ideal foi em mdia 90 segundos.
84
Aps a escolha da configurao ideal, o programa gera os grfico de

treinamento, que para este trabalho foi utilizado 5 anos para o treinamento, e o grfico
da previso, que foram estipulados para este trabalho os 2 ltimos anos, o qual
compara-se com o valor real e ainda gera-se o clculo do RMSE (root mean squared
error) para esta previso.
A escolha do melhor modelo da metodologia Box & Jenkins foi auxiliada pelo
software estatstico Statgraphics. Este software permite que seja informado a ordem
mxima dos modelos ARMA(p,q) e sua sazonalidade. O software emite as simulaes
para cada combinao de parmetros p e q do modelo ARMA respeitando a ordem
mxima, calcula o RMSE e para o menor deles apresenta os resduos, retirados do
ajuste do modelo, que possibilita a criao do grfico Peirodograma Integrado,
utilizado para a anlise da consistncia do modelo para as previses.
Da mesma forma, nas Redes Neurais so utilizados 5 anos do histrico das
sries temporais para o ajuste do modelo e 2 anos para as previses. As previses so
retiradas do Statgraphics e utilizadas no Matlab para gerar o grfico de comparao
com o consumo real nos 2 ltimos anos e o clculo do RMSE na previso.
4.1 TOPOLOGIAS ESCOLHIDAS
Neste trabalho foi analisado sete sries temporais de consumo de produtos

alimentcios, sendo utilizado como principal ferramenta de comparao entre as
previses feitas, atravs das Redes Neurais com bases radiais e a metodologia Box &
Jenkins, o parmetro RMSE. Sero apresentadas as comparaes exibindo os grficos
pertinentes e as previses em cada situao estudada. Foi utilizado 7 (sete) anos de
histrico das series, dos quais foi utilizado 5 (cinco) primeiros anos para o ajuste do
modelo, tanto para redes RBF quanto para metodologia Box & Jenkins, e os ltimos
dois (anos) para validao e escolha entres esses dois modelos para efetivamente
realizar as previses. Como foi citado logo acima, a medida do RMSE que indicara o
modelo mais adequado, ou seja, nos dois ltimos anos o que apresentar o menor
RMSE.
85
4.1.1 Serie Temporal - Biscoito
O Grfico da srie temporal foi apresentada no captulo 3.
4.1.1.1 Dados Statgraphics Metodologia Box & Jenkins
O modelo que melhor ajustou os dados foi : SARIMA(3,2) X (3,2) com

sazonalidade de 6 meses.
O grfico do Periodograma Integrado, adiante, mostra que os resduos do ajuste

comportam-se como um rudo branco, ou seja, N(0,2). O grfico foi construdo sobre
os resduos do ajuste do modelos sobre os 5 (cincos ) primeiros anos de histrico
consumo da srie.
GRFICO 4.1 PERIODOGRAMA INTEGRADO BISCOITO
86
A tabela adiante, segue a previso dos 2 (dois) ltimos anos escolhido como
validao do modelo. O modelo Box & Jenkins ajustado, e a previso no perodo de
dois anos efetuada, comparada com o consumo real, medindo o RMSE.

& JENKINS - BISCOITO
Consumo real
Previso
Consumo real
Previso
16390
8499,23
19070
9412,01
27940
17960,4
28990
16978,9
69340
52585,9
69790
54824,3
60190
41776,8
64510
42889,2
38290
25946,4
43390
25622,4
39190
26011,3
43390
27273,5
26440
17573,6
31390
16391,8
56590
42380
59390
43682,8
48640
33107,7
50110
33977,3
49690
35894,3
54590
35813,4
34690
24692,1
39550
26073,1
25690
17303
28990
16377,7
Medida de erro RMSE: 14.317,7635
87
Adiante segue o grfico da tabela 4.1 acima, ou seja, o grfico que representa a
validao do modelo ajustado para a previso.
GRFICO 4.2 CONSUMO REAL X PREVISO BOX & JENKINS BISCOITO
os das redes neurais com base radial.

Parmetros da rede neural base radial:
Consumo Real
Previso B&J
4.1.1.2 Dados Matlab Redes Neurais com Bases Radiais
Para o ajuste dos parmetros abaixo foi utilizado 5 (cinco) primeiros anos de
histrico de consumo da serie temporal.
eg = 0,3700;
sc = 2,3500 ;
numEntrada = 10;
88
Adiante segue o grfico 4.3 de treinamento no perodo dos 5 (cincos) primeiros

anos de histrico das sries temporais.
GRFICO 4.3 TREINAMENTO DA REDE BISCOITO
Consumo Real
Treinamento RBF
89
A tabela adiante, segue a previso dos 2 (dois) ltimos anos escolhido como
validao do modelo. O modelo das redes RBF ajustado, e a previso no perodo de

PELAS REDES NEURAIS RBF - BISCOITO
Consumo real
16390
27940
69340
60190
38290
39190
26440
56590
48640
49690
34690
25690
Previso
9737
23860
50073
49736
32805
37803
17560
53473
46305
29756
28494
16802
Consumo real
19070
28990
69790
64510
43390
43390
31390
59390
50110
54590
39550
28990
Previso
6623
24040
49378
41067
37071
37726
17246
50923
54725
32258
28253
20004
Adiante segue o grfico 4.4 da tabela 4.2 acima, ou seja, o grfico que
representa a validao do modelo ajustado para a previso.
90
GRFICO 4.4 CONSUMO REAL X PREVISO PELA RBF BISCOITO
Consumo Real
Previso RBF
Erro RMSE: 11.902
4.1.1.3 ARMA x RBF
Comparando as medidas do RMSE, ficou evidente que o ajuste atravs da RBF

foi superior, devido ao seu RMSE estar com um valor menor. O que mostra que para a
srie temporal, representando o consumo de Biscoitos, podem ser utilizadas para as
prximas previses as redes RBF, como ferramental auxiliar nas definies
estratgicas da empresa.
RMSE da previso atravs do modelo ARMA 14.317,7635.

RMSE da previso atravs da RBF 11.902.
91
4.1.2 Serie Temporal - Macarro
O modelo que melhor ajustou os dados foi: SARIMA(4,3) X (4,3) com

O grfico do Periodograma Integrado, adiante, mostra que os resduos do ajuste

comportam-se como um rudo branco, ou seja, N(0,2). O grfico foi construdo sobre
os resduos do ajuste do modelos sobre os 5 (cincos ) primeiros anos de histrico
consumo da srie.
GRFICO 4.5 PERIODOGRAMA INTEGRADO MACARRO
92
A tabela 4.3 adiante, segue a previso dos 2 (dois) ltimos anos escolhido como

& JENKINS MACARRO
Consumo real
10464
14514
30714
25464
36114
32964
53964
68064
34014
29814
26964
27714
Previso
7763,39
12276
21454,4
21011,9
21882,2
16810,1
38443,9
47203,1
36634,7
24419,1
12255,8
17675,6
Consumo real
11154
22834
24914
33714
40434
32914
41714
57714
49554
36594
28114
27314
Medida de erro RMSE: 11.764,09
93
Previso
8446,67
12545,9
21310,6
21425,9
22197,4
16769,7
37813,3
46674,8
36975,3
24338,4
11412,2
16536,7

MACARRO
Consumo Real
Previso B&J
eg = 0.1600;
sc = 1.1500;
numEntrada = 10;
94
Adiante segue o grfico 4.7 de treinamento no perodo dos 5 (cincos) primeiros

anos de histrico das series temporais.
GRFICO 4.7 TREINAMENTO DA REDE MACARRO
Consumo Real
Treinamento RBF
95

PELAS REDES NEURAIS RBF MACARRO
Consumo real
10464
14514
30714
25464
36114
32964
53964
68064
34014
29814
26964
27714
Previso
4425
10660
18932
17955
30622
29735
32835
49383
33158
28448
23173
17964
Consumo real
11154
22834
24914
33714
40434
32914
41714
57714
49554
36594
28114
27314
Previso
16755
24892
26340
26850
35425
26718
36862
45673
38823
33025
27345
14188
Adiante segue o grfico 4.8 da tabela acima, ou seja, o grfico que representa a
validao do modelo ajustado para a previso.
96
GRFICO 4.8 CONSUMO REAL X PREVISO PELA RBF MACARRO
Consumo Real
Previso RBF
Erro RMSE: 8.689,3.
4.1.2.3 ARMA x RBF

srie temporal, representando o consumo de Macarro, podem ser utilizadas para as

RMSE da previso atravs da RBF 8.689,3.
97
4.1.3 Serie Temporal - Candies
O modelo que melhor ajustou os dados foi : ARIMA(2,1)
O grfico 4.9 do Periodograma Integrado, adiante, mostra que os resduos do

ajuste comportam-se como um rudo branco, ou seja, N(0,2). O grfico foi construdo
sobre os resduos do ajuste do modelos sobre os 5 (cincos ) primeiros anos de histrico
consumo da srie.
GRFICO 4.9 PERIODOGRAMA INTEGRADO CANDIES
98

& JENKINS CANDIES
Consumo real
20886
20776
22086
21486
22686
20886
22086
21126
21006
21846
22446
20886
Previso
21596,8
21859,7
21770,5
21774,5
21755,4
21743,4
21730,6
21719
21708
21697,7
21688,1
21679
Consumo real
21726
21726
22996
21566
22996
21956
21566
23126
23386
22996
23126
22606
Medida de erro RMSE: 912,9.
99
Previso
21670,5
21662,5
21655
21647,9
21641,3
21635,1
21629,3
21623,8
21618,7
21613,9
21609,4
21605,1
GRFICO 4.10 CONSUMO REAL X PREVISO BOX & JENKINS CANDIES
Consumo Real
Previso B&J
eg = 0.5800;
sc = 0.9100;
numEntrada = 10;
100
Adiante segue o grfico 4.11 de treinamento no perodo dos 5 (cincos)

primeiros anos de histrico das series temporais.
GRFICO 4.11 TREINAMENTO DA REDE CANDIES
Consumo Real
Treinamento RBF
101

PELAS REDES NEURAIS RBF CANDIES
Consumo real
20886
20776
22086
21486
22686
20886
22086
21126
21006
21846
22446
20886
Previso
21508
22078
22682
22990
23594
23781
23942
23843
23924
23516
23256
23238
Consumo real
21726
21726
22996
21566
22996
21956
21566
23126
23386
22996
23126
22606
102
Previso
23654
23957
23896
23887
23946
23902
23738
23907
23982
24044
24056
24010
GRFICO 4.12 CONSUMO REAL X PREVISO PELA RBF CANDIES
Consumo Real
Previso RBF
Erro RMSE: 809.5834.
4.1.3.3 ARMA x RBF

srie temporal, representando o consumo de Candies, podem ser utilizadas para as
RMSE da previso atravs do modelo ARMA 912,9.

RMSE da previso atravs da RBF 809,58.
103
4.1.4 Serie Temporal - Chocolate


sobre os resduos do ajuste do modelo sobre os 5 (cincos ) primeiros anos de histrico
consumo da srie.
GRFICO 4.13 PERIODOGRAMA INTEGRADO CHOCOLATE
104

& JENKINS CHOCOLATE
Consumo real
24075
20599
35387
38286
32484
28571
24080
29876
22915
25239
13926
16972
Previso
20302,1
18222,3
32107,9
32284,3
26748,2
25673,1
19916,9
24981,8
20776,8
19670,5
14582
12400,5
Consumo real
31235
31234
39239
45635
36360
33481
27397
34916
26115
24840
17635
22119
Medida de erro RMSE: 6.044,62.
105
Previso
21997,9
20283,3
34041,3
33245,2
28490,6
27628,9
22209,4
27401,5
22234,8
21232,6
15746,6
13521

CHOCOLATE
Consumo Real
Previso B&J
histrico de consumo da srie temporal.
eg = 0.0400;
sc = 0.7000;
numEntrada = 10;
106

GRFICO 4.15 TREINAMENTO DA REDE CHOCOLATE
Consumo Real
Treinamento RBF
107

PELAS REDES NEURAIS RBF CHOCOLATE
Consumo real
24075
20599
35387
38286
32484
28571
24080
29876
22915
25239
13926
16972
Previso
16541
18527
28843
28293
25481
26403
24180
25519
24920
24598
24091
20891
Consumo real
31235
31234
39239
45635
36360
33481
27397
34916
26115
24840
17635
22119
108
Previso
23717
24035
25608
25826
25898
25967
25836
25904
25862
25785
25772
25411
Adiante segue o grfico 4.16 da tabela acima, ou seja, o grfico que representa
a validao do modelo ajustado para a previso.
GRFICO 4.16 CONSUMO REAL X PREVISO PELA RBF CHOCOLATE
Consumo Real
Previso RBF
Erro RMSE: 7.674,8.
4.1.4.3 ARMA x RBF
Comparando as medidas do RMSE, ficou evidente que o ajuste atravs do

modelo ARIMA foi superior, devido ao seu RMSE estar com um valor menor. O que
mostra que para a srie temporal, representando o consumo de Chocolates, podem ser
utilizadas para as prximas previses o modelo ARIMA, como ferramental auxiliar
nas definies estratgicas da empresa.

RMSE da previso atravs da RBF 7.674,8.
109
4.1.5 Serie Temporal - Refresco
Modelo que melhor de adequou a previso: ARMA (4,3) SARIMA (4,3) com

consumo da srie.
GRFICO 4.17 PERIODOGRAMA INTEGRADO REFRESCO
110

& JENKINS REFRESCO
Consumo real
27383
28543
21728
17668
16943
15203
16073
16073
13463
23903
28543
22743
Previso
24338,6
24734,1
19182,5
20473,5
11322
12775,7
11109,4
10908,5
10646,2
24084
25205,8
24795,8
Consumo real
30143
26543
18893
19943
17243
15443
16343
13643
15443
28943
25343
28943
Medida de erro RMSE: 3.405,15.
111
Previso
25203,1
25550,8
19186,5
19626,6
13281,6
12892
11272
10711,1
11447,4
24132,1
26598,4
26647,3
Adiante segue o grfico 4.18 da tabela acima, ou seja, o grfico que representa
a validao do modelo ajustado para a previso.

REFRESCO
Consumo Real
Previso B&J
eg = 1.2700;
sc = 4.1200;
numEntrada = 9;
112

GRFICO 4.19 TREINAMENTO DA REDE REFRESCO
Consumo Real
Treinamento RBF
113
A tabela 4.10 adiante, segue a previso dos 2 (dois) ltimos anos escolhido
como validao do modelo. O modelo das redes RBF ajustado, e a previso no
perodo de dois anos efetuada, comparada com o consumo real, medindo o RMSE.

PELAS REDES NEURAIS RBF REFRESCO
Consumo real
27383
28543
21728
17668
16943
15203
16073
16073
13463
23903
28543
22743
Previso
30038
26632
22638
20515
17473
15292
13320
14208
16396
24575
29040
26928
Consumo real
30143
26543
18893
19943
17243
15443
16343
13643
15443
28943
25343
28943
114
Previso
24407
25972
23264
19538
14943
14598
17943
15048
16349
27960
26888
26621
GRFICO 4.20 CONSUMO REAL X PREVISO PELA RBF REFRESCO
Consumo Real
Previso RBF
Erro RMSE: 2.331.
4.1.5.3 ARMA x RBF

srie temporal, representando o consumo de Resfreco, podem ser utilizadas para as

RMSE da previso atravs da RBF 2.331.
115
4.1.6 Serie Temporal Cereais


consumo da srie.
GRFICO 4.21 PERIODOGRAMA INTEGRADO CEREAIS
116
como validao do modelo. O modelo Box & Jenkins ajustado, e a previso no

BOX & JENKINS CEREAIS
Consumo real
9431
8707
9143
9144
8710
8711
9002
9003
8714
8715
9006
9297
Previso
8394,08
8318,3
8655,27
8360,85
8317,34
8350,19
8220,49
8329,17
8235,66
8289,27
8443,58
8172,47
Consumo real
9193
9344
9645
9346
9047
9648
9049
9350
9651
9052
8903
9204
117
Previso
8415,49
8592,51
8283,73
8624,36
8746,46
8493,69
8814,88
8843
8754,53
8934,4
8851,14
8964,44
GRFICO 4.22 CONSUMO REAL X PREVISO BOX & JENKINS CEREAIS
Consumo Real
Previso B&J
eg = 0.3400;
sc = 2.5900;
numEntrada = 10;
118

GRFICO 4.23 TREINAMENTO DA REDE CEREAIS
Consumo Real
Treinamento RBF
119

PELAS REDES NEURAIS RBF CEREAIS
Consumo real
9431
8707
9143
9144
8710
8711
9002
9003
8714
8715
9006
9297
Previso
8924,9
8883,8
8965,1
9103,2
8998,2
8730,4
8706,5
8912,2
9264,5
8547,4
9301
9048,7
Consumo real
9193
9344
9645
9346
9047
9648
9049
9350
9651
9052
8903
9204
Previso
8879,7
8944
9150,2
9139,3
8764,5
9059,9
9450,2
9046,7
9723
9359,5
9105,7
9213,9
120
GRFICO 4.24 CONSUMO REAL X PREVISO PELA RBF CEREAIS
Consumo Real
Previso RBF
Erro RMSE: 312.56.
4.1.6.3 ARMA x RBF

srie temporal, representando o consumo de Ceriais, podem ser utilizadas para as

121
4.1.7 Serie Temporal - Panetones


consumo da srie.
GRFICO 4.25 PERIODOGRAMA INTEGRADO PANETONES
122
como validao do modelo. O modelo Box & Jenkins ajustado, e a previso no

BOX & JENKINS PANETONES
Consumo real
5805
3905
2605
2405
2805
2405
2805
3005
3405
2405
3905
5405
Previso
5861,91
5449,08
3086,73
2831,78
2917,17
3057,37
2562,39
2563,22
3423
3111,44
4501,9
6343,96
Consumo real
7405
5405
2805
3405
2805
3205
3405
3005
2405
3205
4505
6205
123
Previso
7196,03
3493,5
3073,46
2203,96
2487,98
2616,92
3283,89
2346,39
2984,74
3125,61
5502,5
6220,99
Abaixo segue o grfico 4.26 da tabela 4.13 acima, ou seja, o grfico que

PANETONES
Consumo Real
Previso B&J
eg = 1.0000;
sc = 0.8800;
numEntrada = 10;
124

GRFICO 4.27 TREINAMENTO DA REDE PANETONES
Consumo Real
Treinamento RBF
125

PELAS REDES NEURAIS RBF PANETONES
Consumo real
5805
3905
2605
2405
2805
2405
2805
3005
3405
2405
3905
5405
Previso
6228,6
4692,3
3138,1
3280,2
3010,5
2947,3
3126,4
2874,3
2808,9
3128,2
4940,3
5983,1
Consumo real
7405
5405
2805
3405
2805
3205
3405
3005
2405
3205
4505
6205
126
Previso
6391,2
5708,9
3717,8
3115,6
3233,5
2959,9
3032,1
3148,1
2879,8
2827,2
4719,2
6466,3
GRFICO 4.28 CONSUMO REAL X PREVISO PELA RBF PANETONES
Consumo Real
Previso RBF
Erro RMSE: 559,5.
4.1.7.3 ARMA x RBF

srie temporal, representando o consumo de Panetones, podem ser utilizadas para as

127
4.2 PREVISES FUTURAS
4.2.1 Dimensionamento da rea de picking de acordo com a previso encontrada
O ltimo ano do histrico de cada srie temporal da demanda dos produtos foi
utilizado para simularmos o novo dimensionamento da rea de picking. As previses
foram comparadas com os valores reais para que sua consistncia fosse confirmada.
As tabelas ao longo desta sesso trazem os dimensionamentos atuais para cada
produto. Estes so valores so fixo, ou seja, no sofriam modificaes ao longo do
ano, independente da sazonalidade do produto. As tabelas contemplam tambm os
dimensionamento com base nas previses e ainda os dimensionamentos ideais
calculados sobre os consumos reais.
A ttulo de ilustrao foram calculadas as previses em trs perodos diferentes:
primeiramente para 12 meses; 6 meses e 3 meses. Cada previso foi calculada
utilizando as Redes Neurais de funo de base radial e a metodologia Box & Jenkins.
Para cada perodo foi calculado o RMSE da previso, podendo assim verificar a
melhor previso. Para cada item que compe a serie possui a sua prpria rea de
picking, e conseqentemente um dimensionamento. Em cada um dos perodos
utilizado para fazer os estudos de previses foram apresentados trs resultados para
efeito de comparaes: o dimensionamento atual, ou seja, como a rea de picking deste
determinado produto esta dimensionada no processo corrente da empresa; o
dimensionamento atravs do consumo real, ou seja, se consegussemos prever
exatamente o que seria consumido sem erro algum, este dimensionamento seria o
ideal; mas como toda previso possui um determinado erro, e o que buscamos
minimizar este erro de previso, apresentamos o dimensionamento da rea de picking
de acordo com esta previso.
O consumo dos itens, fornecido pela empresa so em uma unidade padro de
embalagens, onde so agrupados os itens deixando-os pronto para serem transportados.
Cada pallet consegue suportar 3 dessas embalagens padres, ento o valor do consumo
fornecido dividido por 3, e assim encontrar-se a quantidade de pallet que
128
determinado produto ocupa, como os consumos so apresentados mensalmente,

divide-se a quantidade de pallets encontrado por 30, para que se possa obter a
quantidade de consumo em pallet por dia. A empresa possui 3 turnos de trabalho, e em
cada turno tem como regra da empresa que seja feito 2 ressuprimentos na rea de
picking por turno, logo tem-se 6 ressuprimentos por dia de trabalho. Os endereos da
rea de picking suportam apenas um pallet de cada produto, ento para encontrar a
quantidade de endereos para cada produto, deve dividir a quantidade de pallets
consumido em um dia por 6.
129
4.2.1.1 Dimensionamento da rea de picking para o item Biscoito
A tabela 4.15 apresenta as previses de consumo atravs dos modelos B&J e

das redes RBF para os perodos 12, 6 e 3 meses, com seus respectivos RMSE.
TABELA 4.15 PREVISES DE CONSUMO BISCOITO

PERODO
B&J RMSE 5772,8
12 meses
REAL PREVISO
Janeiro
19070
19216,6
Fevereiro
28990
29056,2
Maro
69790
67893,3
Abril
64510
57401,2
Maio
43390
36295,5
Junho
43390
37283,6
Julho
31390
25586,6
Agosto
59390
53256,8
Setembro
50110
44849,8
Outubro
54590
45349,0
Novembro
39550
32790,6
Dezembro
28990
23690,8
PERODO
B&J RMSE 3712,6
6 meses
REAL PREVISO
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
31390
27239,4
Agosto
59390
51276,2
Setembro
50110
39555,5
Outubro
54590
42632,1
Novembro
39550
32726,1
Dezembro
28990
26401,1
PERODO
B&J RMSE 1723,4
3 meses
REAL PREVISO
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
54590
50636,3
Novembro
39550
38178,4
Dezembro
28990
28434,1
130
RBF RMSE 5350,8

REAL PREVISO
19070
13783
28990
22721
69790
71925
64510
56457
43390
43960
43390
43264
31390
36920
59390
59948
50110
57831
54590
64315
39550
41817
28990
33034
RBF RMSE 2676
REAL PREVISO
31390
28919
59390
56146
50110
53569
54590
56572
39550
37635
28990
31594
RBF RMSE 1226,2
REAL PREVISO
54590
55505
39550
39111
28990
30855
A tabela 4.16 apresenta duas colunas com o ttulo Previso, nestas apresentam
as previses do dimensionamento da rea de picking, calculadas a partir das previses
de consumo efetuadas atravs da metodologia B&J e Redes RBF. A coluna com o
ttulo Ideal apresentam os dimensionamentos timos, calculados a partir do consumo
real do produto, e para completar, com o titulo Atual, apresentado o
dimensionamento atual da rea de picking.

BISCOITO
PERODO
12 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
6 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
3 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
BOX & JENKINS

Ideal
Previso
35
36
54
54
129
126
119
106
80
67
80
69
58
47
110
99
93
83
101
84
73
61
54
44
Ideal
Previso
58
50
110
95
93
73
101
79
73
61
54
49
Ideal
Previso
101
94
73
71
54
53
131
REDES RBF
Ideal
Previso
35
26
54
42
129
133
119
105
80
81
80
80
58
68
110
111
93
107
101
119
73
77
54
61
Ideal
Previso
58
54
110
104
93
99
101
105
73
70
54
59
Ideal
Previso
101
103
73
72
54
57
Atual
38
38
38
38
38
38
38
38
38
38
38
38
Atual
38
38
38
38
38
38
Atual
38
38
38
4.2.1.2 Dimensionamento da rea de picking para o item Macarro

TABELA 4.17 PREVISES DE CONSUMO MACARRO

PERODO
B&J RMSE 5996,4
12 meses
REAL
PREVISO
Janeiro
11154
16989,5
Fevereiro
22834
24171,1
Maro
24914
31989,8
Abril
33714
27053
Maio
40434
38626,1
Junho
32914
29384
Julho
41714
51418,8
Agosto
57714
69391,5
Setembro
49554
42883,4
Outubro
36594
34262,4
Novembro
28114
30158,4
Dezembro
27314
26404,7
PERODO B&J RMSE 5414,9
6 meses
REAL
PREVISO
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
41714
38558,8
Agosto
57714
55862,9
Setembro
49554
40643,7
Outubro
36594
30747,6
Novembro
28114
33955,6
Dezembro
27314
23460,3
PERODO
B&J RMSE 3149,9
3 meses
REAL
PREVISO
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
36594
32689,5
Novembro
28114
24366,0
Dezembro
27314
21814,9
132
RBF RMSE 5884

REAL
PREVISO
11154
26655
22834
29507
24914
31850
33714
31999
40434
33652
32914
32686
41714
41963
57714
57596
49554
48831
36594
37044
28114
33436
27314
25204
RBF RMSE 2718,4
REAL
PREVISO
41714
40887
57714
55240
49554
46865
36594
36388
28114
33558
27314
26525
RBF RMSE 951,5
REAL
PREVISO
36594
36302
28114
29649
27314
26791

MACARRO
PERODO
12 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
6 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
3 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
BOX & JENKINS

Ideal
Previso
21
31
42
45
46
59
62
50
75
72
61
54
77
95
107
129
92
79
68
63
52
56
51
49
Ideal
Previso
77
71
107
103
92
75
68
57
52
63
51
43
Ideal
Previso
68
61
52
45
51
40
133
REDES RBF
Ideal
Previso
21
49
42
55
46
59
62
59
75
62
61
61
77
78
107
107
92
90
68
69
52
62
51
47
Ideal
Previso
77
76
107
102
92
87
68
67
52
62
51
49
Ideal
Previso
68
67
52
55
51
50
Atual
38
38
38
38
38
38
38
38
38
38
38
38
Atual
38
38
38
38
38
38
Atual
38
38
38
4.2.1.3 Dimensionamento da rea de picking para o item Candies

TABELA 4.19 PREVISES DE CONSUMO CANDIES

PERODO
12 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
PERODO
6 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
PERODO
3 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
B&J RMSE 768,7

REAL
PREVISO
24846
23737
23406
24021,5
24526
23819,0
24526
23800,7
23406
23718,9
24206
23664,7
23886
23604,3
24046
23549,9
25166
23497
24366
23446,9
23726
23399,1
23406
23353,6
B&J RMSE 635,6
REAL
PREVISO
23886
23817,0
24046
23855,3
25166
23777,3
24366
23734,4
23726
23684,2
23406
23638,4
B&J RMSE 524,9
REAL
PREVISO
24366
24354,6
23726
24519,5
23406
24417,8
134
RBF RMSE 653

REAL
PREVISO
24846
23849
23406
24327
24526
23820
24526
23616
23406
23667
24206
23658
23886
23702
24046
24243
25166
24282
24366
24122
23726
24440
23406
23801
RBF RMSE 362,2
REAL
PREVISO
23886
23706
24046
23745
25166
25063
24366
23927
23726
23718
23406
24085
RBF RMSE 113,8
REAL
PREVISO
24366
24481
23726
23691
23406
23562
TABELA 4.20 PREVISO DA DIMENSO DA REA DE PICKING CANDIES

PERODO
12 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
6 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
3 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
BOX & JENKINS

Ideal
Previso
46
44
43
44
45
44
45
44
43
44
45
44
44
44
45
44
47
44
45
43
44
43
43
43
Ideal
Previso
44
44
45
44
47
44
45
44
44
44
43
44
Ideal
Previso
45
45
44
45
43
45
135
REDES RBF
Ideal
Previso
46
44
43
45
45
44
45
44
43
44
45
44
44
44
45
45
47
45
45
45
44
45
43
44
Ideal
Previso
44
44
45
44
47
46
45
44
44
44
43
45
Ideal
Previso
45
45
44
44
43
44
Atual
38
38
38
38
38
38
38
38
38
38
38
38
Atual
38
38
38
38
38
38
Atual
38
38
38
4.2.1.4 Dimensionamento da rea de picking para o item Chocolate

TABELA 4.21 PREVISES DE CONSUMO CHOCOLATE

PERODO
12 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
PERODO
6 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
PERODO
3 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
B&J RMSE 2600,5

REAL
PREVISO
31235
26800
31234
26783,2
39239
39449,1
45635
41006,5
36360
34029,3
33481
34049,2
27397
27798,4
34916
34371,2
26115
26898,1
24840
27784
17635
19746,3
22119
21614,5
B&J RMSE 2085,3
REAL
PREVISO
27397
27061,3
34916
32747,5
26115
21833,6
24840
24376,9
17635
16123,9
22119
21449,8
B&J RMSE 851,8
REAL
PREVISO
24840
26129,5
17635
18356,3
22119
23592,5
136
RBF RMSE 3026,6

REAL
PREVISO
31235
35016
31234
28994
39239
39098
45635
40828
36360
39990
33481
32961
27397
30397
34916
29715
26115
27889
24840
24413
17635
19540
22119
18800
RBF RMSE 2376,5
REAL
PREVISO
27397
28856
34916
30658
26115
22666
24840
23534
17635
17778
22119
22122
RBF RMSE 503,5
REAL
PREVISO
24840
24248
17635
17040
22119
21881

CHOCOLATE
PERODO
12 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
6 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
3 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
BOX & JENKINS

Ideal
Previso
58
50
58
50
73
73
85
76
67
63
62
63
51
51
65
64
48
50
46
51
33
37
41
40
Ideal
Previso
51
50
65
61
48
40
46
45
33
30
41
40
Ideal
Previso
46
48
33
34
41
44
137
REDES RBF
Ideal
Previso
58
65
58
54
73
72
85
76
67
74
62
61
51
56
65
55
48
52
46
45
33
36
41
35
Ideal
Previso
51
53
65
57
48
42
46
44
33
33
41
41
Ideal
Previso
46
45
33
32
41
41
Atual
38
38
38
38
38
38
38
38
38
38
38
38
Atual
38
38
38
38
38
38
Atual
38
38
38
4.2.1.5 Dimensionamento da rea de picking para o item Refresco

TABELA 4.23 PREVISES DE CONSUMO REFRESCO

PERODO
12 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
PERODO
6 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
PERODO
3 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
B&J RMSE 2279,4

REAL
PREVISO
30143
26369,5
26543
29273,3
18893
19134,6
19943
18266,7
17243
17836,5
15443
15661,1
16343
14752,5
13643
14646,9
15443
13625,5
28943
26134,2
25343
23382,8
28943
24605,2
B&J RMSE 2020,1
REAL
PREVISO
16343
16972,2
13643
15480,4
15443
14893,4
28943
27410,9
25343
29386,8
28943
27634,8
B&J RMSE 1151,6
REAL
PREVISO
28943
27132,6
25343
24067,5
28943
27195,7
138
RBF RMSE 2646,1

REAL
PREVISO
30143
25134
26543
23969
18893
21232
19943
18664
17243
16777
15443
13630
16343
19381
13643
14335
15443
12208
28943
30833
25343
21786
28943
26643
RBF RMSE 1980,4
REAL
PREVISO
16343
18064
13643
15127
15443
13875
28943
28520
25343
22097
28943
26664
RBF RMSE 1312,7
REAL
PREVISO
28943
28438
25343
23346
28943
29906

REFRESCO
PERODO
12 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
6 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
3 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
BOX & JENKINS

Ideal
Previso
56
49
49
54
35
35
37
34
32
33
29
29
30
27
25
27
29
25
54
48
47
43
54
46
Ideal
Previso
30
31
25
29
29
28
54
51
47
54
54
51
Ideal
Previso
54
50
47
45
54
50
139
REDES RBF
Ideal
Previso
56
47
49
44
35
39
37
35
32
31
29
25
30
36
25
27
29
23
54
57
47
40
54
49
Ideal
Previso
30
33
25
28
29
26
54
53
47
41
54
49
Ideal
Previso
54
53
47
43
54
55
Atual
35
35
35
35
35
35
35
35
35
35
35
35
Atual
35
35
35
35
35
35
Atual
35
35
35
4.2.1.6 Dimensionamento da rea de picking para o item Cereais

TABELA 4.25 PREVISES DE CONSUMO CEREAIS

PERODO
12 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
PERODO
6 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
PERODO
3 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
B&J RMSE 302,4

REAL
PREVISO
9193
9055,86
9344
9079,35
9645
9072,43
9346
9075,98
9047
9134,86
9648
9189,22
9049
9170,88
9350
9196,93
9651
9218,16
9052
9231,01
8903
9257,61
9204
9282,95
B&J RMSE 247,9
REAL
PREVISO
9049
8778,14
9350
9256,42
9651
9765,82
9052
9235,99
8903
9270,57
9204
9527,27
B&J RMSE 153,7
REAL
PREVISO
9052
9251,94
8903
9007,98
9204
9505,31
140
RBF RMSE 349,8

REAL
PREVISO
9193
9019,1
9344
9027,3
9645
9114,9
9346
9007,9
9047
8822,6
9648
9246,3
9049
9211,7
9350
8710,2
9651
9602,9
9052
9245,5
8903
9008,6
9204
9698,1
RBF RMSE 311,4
REAL
PREVISO
9049
9557,6
9350
8963,5
9651
9724,7
9052
9393,9
8903
9062,4
9204
9366,4
RBF RMSE 65,6
REAL
PREVISO
9052
8986,7
8903
8971,3
9204
9140,8
TABELA 4.26 PREVISO DA DIMENSO DA REA DE PICKING CEREAIS

PERODO
12 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
6 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
3 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
BOX & JENKINS

Ideal
Previso
17
17
17
17
18
17
17
17
17
17
18
17
17
17
17
17
18
17
17
17
16
17
17
17
Ideal
Previso
17
16
17
17
18
18
17
17
16
17
17
18
Ideal
Previso
17
17
16
17
17
18
141
REDES RBF
Ideal
Previso
17
17
17
17
18
17
17
17
17
16
18
17
17
17
17
16
18
18
17
17
16
17
17
18
Ideal
Previso
17
18
17
17
18
18
17
17
16
17
17
17
Ideal
Previso
17
17
16
17
17
17
Atual
30
30
30
30
30
30
30
30
30
30
30
30
Atual
30
30
30
30
30
30
Atual
30
30
30
4.2.1.7 Dimensionamento da rea de picking para o item Panetones

TABELA 4.27 PREVISES DE CONSUMO PANETONES

PERODO
12 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
PERODO
6 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
PERODO
3 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
B&J RMSE 396,8

REAL
PREVISO
7405
6645,13
5405
5250,33
2805
3216,86
3405
3445,15
2805
2864,15
3205
2979,73
3405
2739,52
3005
3186,59
2405
2939,02
3205
3052,68
4505
5032,47
6205
6172,46
B&J RMSE 416,2
REAL
PREVISO
3405
2686,1
3005
3102,62
2405
2167,9
3205
2809,6
4505
5006,19
6205
6427
B&J RMSE 379,1
REAL
PREVISO
3205
2968,61
4505
5077,7
6205
6896,85
142
RBF RMSE 521,1

REAL
PREVISO
7405
6445,6
5405
5624,2
2805
3801,7
3405
3044,4
2805
3097,3
3205
3141,9
3405
2815,6
3005
3234,7
2405
2925,4
3205
2791,7
4505
4968,1
6205
6296,5
RBF RMSE 396
REAL
PREVISO
3405
2723,9
3005
3163,1
2405
2908,2
3205
3354,3
4505
4574
6205
6619,6
RBF RMSE 192,4
REAL
PREVISO
3205
3197,8
4505
4732,2
6205
6448,9

PANETONES
PERODO
12 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
6 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
3 meses
Janeiro
Fevereiro
Maro
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
BOX & JENKINS

Ideal
Previso
14
12
10
10
5
6
6
6
5
5
6
6
6
5
6
6
4
5
6
6
8
9
11
11
Ideal
Previso
6
5
6
6
4
4
6
5
8
9
11
12
Ideal
Previso
6
5
8
9
11
13
143
REDES RBF
Ideal
Previso
14
12
10
10
5
7
6
6
5
6
6
6
6
5
6
6
4
5
6
5
8
9
11
12
Ideal
Previso
6
5
6
6
4
5
6
6
8
8
11
12
Ideal
Previso
6
6
8
9
11
12
Atual
21
21
21
21
21
21
21
21
21
21
21
21
Atual
21
21
21
21
21
21
Atual
21
21
21
5 CONCLUSES E SUGESTES PARA TRABALHOS FUTUROS
Neste trabalho foi apresentado o problema de dimensionamento da rea de

picking de um centro de distribuio, onde seria de extrema importncia a previso de
consumo dos itens armazenados, para que decises estratgicas possam ser tomadas,
influenciando no tempo total de carregamento dos caminhes e o que pode acarretar
no nvel de servio do armazm.
Quando o armazm est preparado para absorver a demanda dos produtos e a
rea de picking est dimensionada corretamente, evita-se com que a separao fique
prejudicada por falta de itens na rea de picking ou que a data de validade seja atingida
por itens que no foram separados para algum carregamento.
Foram apresentadas duas ferramentas para que sejam feitas as previses de
consumos dos itens do armazm, a primeira delas so os modelos estatsticos
tradicionais utilizando a metodologia Box & Jenkins e a segunda so os modelos
utilizando as Redes Neurais artificiais atravs das redes de funes de bases radiais.
Aps a utilizao em 7 series temporais que representam o consumo dos
produtos do armazm da empresa estudada, um armazm que comporta apenas
produtos alimentcios, foi feito previses para cada uma das sries em ambas as
metodologias, e foi comparado a acuracidade atravs da medida do RMSE (root mean
squared error).
Atualmente existe um dimensionamento da rea de picking dos produtos no
processo corrente da empresa, este dimensionamento calculado com base na
experincia de funcionrios antigos. Ao observar este dimensionamento e compar-lo
com o consumo real que ocorre na empresa, pode se observar que o mesmo se
encontra incorreto, muitas vezes a rea de picking esta com o dimensionamento maior
que o necessrio o que pode causar vencimento de produtos na rea de picking, e em
outros momentos a mesa se encontra com dimensionamento menor que o necessrio,
causando atraso no carregamento dos pedidos nos caminhes. Outro fato que pode ser
comentado que em alguns produtos os dimensionamentos esto menores em alguns
144
perodos do ano e em outros esto maiores, esse fenmeno ocorre devido a forte
presena da sazonalidade dos produtos.
Das 7 series analisadas, foram divididas em 3 perodos de previso por series,
no horizontes de 12 meses, 6 meses e 3 meses totalizando 21 perodos analisados. Os
testes apresentaram uma grande superioridade nas previses por Redes Neurais
artificiais, sendo que em poucos momentos, ou seja, em 7 perodos ouve uma pequena
superao dos modelos estatsticos sobre as redes RBF. Nos momentos que os
mtodos estatsticos apresentaram uma performance melhor, superando as redes RBF,
foi observado atravs da comparao do RMSE das previses, e como a superioridade
foi muito pequena, este fato no nos impede de concluir que poderamos utilizar as
redes RBF, para efetuar previses para que o dimensionamento da rea de picking
tenha uma boa acuracidade.
Uma vantagem que as redes RBF apresentaram sobre os modelos estatsticos
que os mesmos podem ser utilizados para qualquer series sem muitas modificaes, ou
seja, basta ajustar os parmetros de entrada da rede e a mesma possui a capacidade de
se adequar srie. As Redes Neurais so dinmicas e possuem a capacidade de se
adequar s mudanas ocorridas nas sries. As mesmas podem aprender novas
caractersticas, mudanas como sazonalidades e tendncias.
Como sugestes para novos trabalho poderia ser feito um estudo dos fatores que
influenciam diretamente no consumo de cada produto, podendo assim identificar
novas sries temporais paralelas as sries principais, as quais so de consumo do
produto. Uma vez identificadas essas sries poderiam ser utilizadas nas previses pelas
Redes Neurais, uma vez que as mesmas possuem essa capacidade de processamento
paralelo, aumentando assim a acuracidade das previses. E para verificar os
relacionamentos destas sries com as sries de consumo, tratamentos estatsticos
podem ser utilizados, como a matriz de auto-correlao.
145
REFERNCIAS
ABELM, A. J. G. Redes Neurais Artificiais na previso de sries temporais. Tese

(Mestrado em Engenharia Eltrica) - Curso de Mestrado em Engenharia Eltrica,
PUC-Rio, Rio de Janeiro. 1994.
BALLOU, R. H. Logstica empresarial: transportes, administrao de materiais

distribuio fsica. So Paulo, Atlas, 1993.
BANZATO, E. Atualidades na armazenagem. So Paulo: Imam, 2003.
BANZATO, E. Warehouse management system WMS: sistema de gerenciamento

de armazns. So Paulo, Imam, 2001.
BARROS, M. C. WMS no gerenciamento de depsitos, armazns e centros de
distribuio. Revista Tecnologstica, p. 72-77, maio, 2005.
BARROSO, F. Operaes cross-docking. Rio de Janeiro, Coppead UFRJ, [2003.].

(Apostila do Curso de Gesto Estratgica da Armazenagem)
BERTAGLIA, P. R. Logstica e gerenciamento da cadeia de abastecimento. So

Paulo: Saraiva, 2003.
BISHOP, R.; ADDISON, WESLEY. Pattern Recognition and Neural Networks.

1996.
BOX, G. E. P.; JENKINS, G. M. Times Series Analysis: forecasting and control.

Ed. Holden Day, 1976.
BOWERSOX, D. J. Gerenciamento logstico. So Paulo, Macmillan, 1984.
146
BRAGA, A. P.; CARVALHO, A. P. L. F.; LUDERMIR, T. B. Fundamentos de
Redes Neurais Artificiais. 11 Escola de Computao. Rio de Janeiro, RJ, 1998.
BROOMHEAD, D. S.; LOWE, D. Multivariable functional interpolation and
adaptive networks. Complex Systems, 1988.
CASDAGLI, M. Nonlinear Prediction of Chaotic Time Series. Physica D, V35,

pp335-356, 1989.
CASTRO, M. C. F. Predio no-linear de sries temporais usando redes neurais
rbf por decomposio em componentes principais. Tese de doutorado, unicamp

2001.
CERTO, S. C. Administrao moderna. So Paulo, Prentice Hall, 2003.
CHEN, J. P. Ph.D. thesis Longitudinal and transverse response functions,

University of Virginia, 1991
CHIAVENATO, I. Introduo administrao geral. So Paulo, McGraw-Hill,

1989.
CHRISTOPHER, M. Logstica e gerenciamento da cadeia de suprimentos:

estratgias para a reduo de custos e melhoria dos servios. So Paulo, Pioneira
Thomson Learning, 1997.
COOPER, M. C., LAMBERT, D. M., PAGH, J. D. Supply chain management: more
than a new name for logistics. The International Journal of Logistics Management,
1997.
147
DUDA, R. O.; HART, J. W.; SONS. Pattern Classification and Scene Analysis.
1973.
FLEURY, P. F.; WANKE, P.; FIGUEIREDO, K. F. Logstica empresarial: a

perspectiva brasileira. Coleo COPPEAD de Administrao. So Paulo: Atlas, 2000.
HASSOUN, S. Logic Synthesis and Verification. Tufts University, Medford,

Massachusetts, USA, 1995.
HAYKIN, S. Redes Neurais. Princpios e prtica. Porto Alegre, RS: Bookman,

2001.
HEBB, D. O. The organization of behavior. Wiley: New York, 1949.
HERTZ, J.; KROGH, A.; PALMER, R. G. Introduction to the theory of neural
computation. Redwood City: Addison-Wesley, 1991.
HOPFIELD, J. J. Neural network and physicals systems with emergent
collective computation abilities. In: National Academy of science. EUA,

1979. /Anais/E.U.A., p. 2554-2558, 1982.
KWASNICKA, E. L. Introduo administrao. So Paulo: Atlas, 1987.
LANDI, L.; BARUCCI, E. Artificial neural network for treasury bills rate
forecasting. In: Neural Network in Capital Markets,1. Londres, 18-19 novembro de

1993. /Anais/, Londres, London Business School, 1993.
LAPEDES A.; FABER R. How Neural Nets Work. Neural Information Processing
Systems. Denver, 1987.
148
LE CUN, Y. Une procdure d'apprentissage pour rseau `a seuil assymtrique. In:

Cognitiva 85: a la frontire de l'intelligence artificielle desw sciences de la
connaissance des neuroscience, Paris 1985./ Anais/. Paris, p. 599-604, 1985.
LEE, S.; KIL, R. M. Gaussian Potential Functions. GPF, 1988.
LILIANE G. C. R. Administrao: noes gerais - conceitos bsicos. Disponvel

em: http://www.rits.org.br/gestao_teste/ge_testes/ge_mat01_adm_ admtxt.cfm. Acesso
em: 5 jun. 2005.
LIMA, M. P. C. logsticos: uma viso gerencial. Centro de Estudos em Logstica

COPPEAD, UFRJ, 1998. Disponvel em: http://www.coppead.ufrj.br/
pesquisa/cel/new/fr-custo.htm. Acesso em: 05 jun. 2005.
MAXIMIANO, A. C. A. Introduo administrao. So Paulo, Atlas, 1981.
MAKRIDAKIS, S.; WHEEL W. S. C.; McGEE, V. E. Forecasting: Methods and
Applications. 2a ed. Nova York: John Wile & Sons, 1983
MAKRIDAKIS, S.; HIBON, M. The m3-Competition: Results, Conclusions and
Implications. International Journal of Forecasting, v. 16, p. 451-476, 2000.
McCULLOCH, W. S.; PITTS, W. A logical Calculus of ideias immanent in nervos
activity. Bulletin of Mathematical Biophysics, n. 5, p. 115-133, 1943.
MEDGASSY, P. Decomposition of Superposition of Distribution Functions.

Publishing House of the Hungarian Academy of Sciences, Budapest, 1961.
MICCHELLI, C. A.; HARTMUT P. Uniform refinement of curves. Journal linear

algebra appl. 1989.
149
MINSKY, M. L.; PAPERT, S. A. Perceptrons: an introduction to computational
geometry. 3. ed. Massachusetts: M.I.T. Press, 1988.
MOODY, J.; DARKEN, C. Neural Computation, 1989

MORETTIN, P. A.; TOLOI, C.M. C. Modelos Para Previso de Sries Temporais.
In: Colquios Brasileiros de Matemtica, 13, 1981, Poos de Caldas-MG, IMPA, Rio
de Janeiro, 1981.
MOURA, R. A. Manual de logstica: armazenagem e distribuio fsica. So Paulo:

Imam, 1998. v2.
NIRANJAN, M.; THAN V. K.; FRANK F. Sequential Adaptation of Radial Basis
Function Networks. NIPS, 1990.
NOVAES, A. G. Logstica e gerenciamento da cadeia de distribuio. Rio de

Janeiro, Campus, 2001.
OLIVEIRA, G. A. Sistema de Controle e Otimizacao de Estoques Utilizando a
Metodologia Box & Jenkins Para Sries Temporais. Dissertao de mestrado,

Programa de Ps-Graduao em Mtodos Numricos em Engenharia, Universidade
Federal do Paran. Curitiba, 2002.
PARKER, D. B. Learning Logic. Techinical report TR-47. Center of Computational

Research in Economics and Management Science, MIT, 1985.
PARK, D. C. Eletrical load forecasting using an artificial neural network.

Artificial Neural Network: forecasting time series. E.U.A., IEEE Press, p. 43-49, 1994.
150
PITTS, W.; McCULLOCH, W. S. How we know universals. Bulletin of

Mathematical Biophysics. /s.l./v. 9, p 127-147, 1947.
PODDIG, T. Short-Term forecasting of the USD/DM-exchange rate. In: Neural

Network in Capital Markets,1. Londres, 18-19 novembro de 1993. /Anais/, Londres,
London Business School, 1993.
POGGIO, T.; F. GIROSI. Network for approximation and learning. Proc. IEEE,
September 1990.
ROCHA, A. F. A neural net for extracting knowledge from natural language data
bases. IEEE Transactions on neural network. E.U.A., v. 3, n.1, p. 1-10, 1992.
RODRIGUES, A. M. Estratgias de picking na armazenagem. Disponvel em:

http://www.cel.coppead.ufrj.br/fs-busca.htm?fr-picking.htm. Acesso em: 20 ago 2005.
ROSENBLATT, F. Principles of neurodynamics. New York: Spartan, 1962.
RUMELHART, D. E.; HINTON, G. E.; WILLIANS, R. J. Learning representations
by back-propagation error. Nature, n. 323, p. 533-536, 1986.
RUSSELL, S. J.; NORVIG, P.. Artificial Intellligence: a modern approach. New

Jersey: Prentice-Hall Inc, 1995.
SAHA, A.; KELLER, J. D.; MORGAN K. Neural Information Processing Systems,

San Mateo, CA, 1990.
STONER, J. A. F. Administrao. Rio de Janeiro, Prentice Hall do Brasil, 2000.
SUCUPIRA, C. Gesto de depsitos e centros de distribuio atravs dos
151
softwares WMS. Disponvel em: http://www.cezarsucupira.com.br/artigos111.htm.

Acesso em: 5 jun. 2005.
WASSERMAN, P. D. Advanced methods in neural computing. New York: Van

Nostrand Reinhold, 1993.
WERBOS, P. J. Beyond regression: new tools for prediction and analysis in the
behavioral Science. Havard University, 1974. Tese de PhD.
WETTSCHERE, D.; DIETTERICH, T. G. An Experimental Comparison of the
Nearest-Neighbor and Nearest-Hyperre Algorithms, Machine Learning, v.19 n.1,

p.5-27, April 1992.
WHEEL, W. S. C.; MARKIDRAKIS, S. Forecasting Methods for Manegement. 4a
ed, Nova York: John Wiley & Sons Inc., 1985.
152
ANEXO 1 PROGRAMA EFETUADO NA LINGUAGEM MATLAB PARA PREVISO

DE SRIE TEMPORAL ATRAVS DAS REDES NEURAIS DE FUNO DE BASE
RADIAL
153
aux=[inserir aqui em forma de coluna o consumo da srie];

aux=aux';
[auxn,minaux,maxaux] = premnmx(aux);
numEntrada = 10;
totalOcorrencia = 84;
numTeste
= 6;
menorerro_eg = 9999999999999999999;
contaux = 1;
w = totalOcorrencia - numTeste - numEntrada;

p = auxn(1:w);
y = totalOcorrencia - numEntrada;
p1 = auxn( (totalOcorrencia - numTeste - numEntrada + 1) : y );
for z = 2:numEntrada,
w = w+1;
y = y+1;
p = [ p ; auxn(z:w)];
p1 = [ p1 ; auxn((totalOcorrencia - numTeste - numEntrada + z) : y )];
end
t = auxn( (numEntrada + 1) : (totalOcorrencia - numTeste) );
t1 = auxn( (totalOcorrencia - numTeste + 1) : totalOcorrencia );
sc = 0.7;
eg = 0.01; % sum-squared error goal
while eg < 4,
net = newrb(p,t,eg,sc);
an = sim(net,p);
[a] = postmnmx(an,minaux,maxaux);
cont = (numEntrada+1):(totalOcorrencia - numTeste);
cont2=1:numTeste;
testen = sim(net,p1);
[teste] = postmnmx(testen,minaux,maxaux);
erro = aux( (totalOcorrencia - numTeste + 1) : totalOcorrencia ) - teste;
rmse = sqrt(mse(erro));
154
veterror_eg(contaux) = rmse;
vetor_eg(contaux) = eg;
contaux = contaux + 1;
if rmse < menorerro_eg ,
menorerro_eg = rmse ;
numeg = eg;
end
eg = eg + 0.03;
end
menorerro_sc = 9999999999999999999;
contaux = 1;
sc = 0.01;
eg = numeg; % sum-squared error goal
while sc < 4,
an = sim(net,p);
cont2=1:numTeste;
veterror_sc(contaux) = rmse;
vetor_sc(contaux) = sc;
if rmse < menorerro_sc ,
menorerro_sc = rmse ;
numsc = sc;
end
155
sc = sc + 0.03;
end
numEntrada
= 2;
menorerro_ent = 9999999999999999999;
contaux = 1;
while numEntrada < 12 ,
p = auxn(1:w);
w = w+1;
y = y+1;
p = [ p ; auxn(z:w)];
end
sc = numsc;
an = sim(net,p);
cont2=1:numTeste;

veterror_ent(contaux) = rmse;
156
vetor_ent(contaux) = numEntrada;
if rmse < menorerro_ent ,
menorerro_ent = rmse ;
nument = numEntrada;
end
numEntrada = numEntrada + 1;
end
sc = numsc;
numEntrada = nument;
p = auxn(1:w);
w = w+1;
y = y+1;
p = [ p ; auxn(z:w)];
end
an = sim(net,p);
plot(cont,a,cont,aux((numEntrada+1):(totalOcorrencia numTeste)),cont,a,'o',cont,aux((numEntrada+1):(totalOcorrencia - numTeste)),'+');
pause
157
cont2=1:numTeste;
%plot(cont2,teste,cont2,aux((totalOcorrencia-numTeste+1):totalOcorrencia));
plot(cont2,teste,cont2,aux((totalOcorrencia-numTeste+1):totalOcorrencia),
cont2,teste,'o',cont2,aux((totalOcorrencia-numTeste+1):totalOcorrencia),'+');
rmse = sqrt(mse(erro))
158

818143

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

818143

Enviado por

Direitos autorais:

Formatos disponíveis

GLUCIO JOS CARDOZO DIAS

PLANEJAMENTO ESTRATGICO DE UM CENTRO DE DISTRIBUIO: UMA

Dissertao apresentada como requisito

A Datasul Logstica, empresa na qual trabalho e que participou ativamente na

2.3.3 Funes de um Armazm ....................................................................................36

4.1.1 Serie Temporal - Biscoito ....................................................................................69

4.2.1.1 Dimensionamento da rea de picking para o item Biscoito............................113

TABELA 4.1 COMPARAO ENTRE CONSUMO REAL E A PREVISO BOX

TABELA 4.15 PREVISES DE CONSUMO BISCOITO..................................113

QUADRO 3.1 QUANTIDADE ATUAL DE ENDEREOS POR PRODUTO.......58

FIGURA 2.1 NEURNIO BIOLGICO: OS CONSTITUINTES DA CLULA...10

GRFICO 3.1 OCORRNCIA DE DISTORES NO TREINAMENTO I...........51

GRFICO 4.15 TREINAMENTO DA REDE CHOCOLATE..............................90

Modelo Auto-Regressivo Integrado de Mdias Mveis

Modelo Auto-Regressivo e de Mdias Mveis

Box & Jenkins

Erro Relativo Mdio

Erro Quadrtico Mdio

Random Access Memory

Radial Basis Function

Raiz do Erro Quadrtico Mdio

Modelo Auto-Regressivo Integrado Mdias Mveis Sazonal

Soma do Erro Quadrtico

LISTA DE SMBOLOS E VARIVEIS

Funo de ativao da RBF

Valores da vizinhana das redes neurais de funo de bases radiais

Vetor de parmetro de entrada com dimensional (n)

Rudo branco ou erro aleatrio

Ciclo da serie temporal

Corresponde ao i-simo parmetro auto-regressivo

Pesos sinpticos do neurnio em questo (neurnio k)

Sinais de entrada do neurnio

Previso da serie temporal

Sada das redes neurais de funo de bases radiais

Funo de base radial

Representa o termo constante da srie

So os parmetros de mdias mveis

Bias, parmetro de entrada que ajusta a funo radial

Srie temporal estacionria

O layout da rea de picking assim como o seu dimensionamento so atividades de

Existe uma grande tendncia, para os prximos anos, no crescimento das

armazenagem e a rea de picking de cada produto podem levar em conta a

1.1 OBJETIVOS DO TRABALHO

O objetivo principal deste trabalho determinar o tamanho do espao utilizado

1.1.2 Objetivos Especficos

Os objetivos especficos desse trabalho so:

Treinar e validar vrias topologias possveis de Redes Neurais artificiais de

Fazer as previses dessas mesmas sries temporais, baseadas em modelos

1.2 JUSTIFICATIVA DO TRABALHO

Os custos de armazenagem representam cerca de 15% do custo total de uma

1.3 ESTRUTURA DO TRABALHO

Este trabalho constitudo, alm dessa introduo, de uma reviso literatura no

Os primeiros conceitos de mquinas baseadas no comportamento das clulas

o livro de Marvin Minsky e Seymour Papert chamado "Perceptrons", onde eles

1992), conservao de energia (PARK, 1994) e previses de sries temporais, em

2.1 REDES NEURAIS ARTIFICIAIS

Tcnicas de programao elaboradas como as de Inteligncia Artificial, vem

2.1.1 Neurnio Biolgico e Artificial

Uma Rede Neural Artificial um modelo computacional que compartilha

A experincia a fonte do conhecimento adquirido

FIGURA 2.1 NEURNIO BIOLGICO: OS CONSTITUINTES DA CLULA.

Tal comunicao ou interao chamada sinapse e caracterizada por um

FIGURA 2.2 NEURNIO ARTIFICIAL.

fonte: HAYKIN, 2001