Escolar Documentos
Profissional Documentos
Cultura Documentos
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.
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
LISTA DE TABELAS
LISTA DE QUADROS
10
LISTA DE FIGURAS
11
LISTA DE GRFICOS
12
13
LISTA DE SIGLAS
AR
Auto-regressivo
ARIMA
ARMA
B&J
CD
Centro de Distribuio
Erro
Gb
Giga Byte
GHz
Giga Hertz
MA
Mdias Mveis
MRE
MSE
RAM
RBF
RMSE
SARIMA -
SSE
14
at
Ct
Dt
Demanda
Funo de ativao
ng
Grupos de treinamento
npad -
Nmero de parada
Quantidade de parmetros AR
St
Sazonalidade
Tt
Tendncia
wk
xi
yk
Sada do neurnio
Yt
Zj
zj
15
RESUMO
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
19
20
21
22
2 REVISO LITERATURA
23
24
25
26
27
Bias
bk
x1
wk1
x2
wk2
.
.
.
Entradas
xn
Funo de
Ativao
.
.
.
( .)
Somador
yk
Sada
wkn
yk =
i =1
x i w ki
2 .1
28
y= f
( x w )
i
2 .2
ji
f (x ) = ax
2.3
1
f (x ) =
0
se x > 0
2.4
se x 0
f (x ) =
1
1 + e x
2 .5
2 .6
29
(b)REDE MULTICAMADAS
30
Camada de Sada
31
As redes
so
32
33
Fl(l)
11
zl
y1
yl
ym
l1
x
Fj(j)
1j
zj
1k
Fk(k)
zk
mk
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
z j ( x ) = exp
2
2 .9
|| x j ||
z j ( x) = 1+ exp
j
2
2.10
35
1
z j (x) =
2
2
|| x j || + j
1
2
2.11
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:
37
j =
1
nv j
x p S j
2.12
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
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.
2j =
1
|| j p ||2
nv xpj
2.14
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
2j =
1
|| j x p || 2
na x p S j
2.16
SSE =
npad
|| y ( ) y ( ) ||
i
d
i =1
i
0
2.17
1
MSE =
npad
npad
|| y ( ) y ( ) ||
i
d
i =1
i
0
2.18
2.19
MRE =
1
npad
npad
i =1
y d(i ) y0(i )
2.20
40
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
(WETTSCHERECK;
DIETERICH,
1992).
Em
tarefas
difceis
de
42
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:
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.
45
Z t = + 1 Z t 1 + 2 Z t 2 +...+ p Z t p + at ,
2.25
onde:
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 = + 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
BZt = Zt-1
2.28
E, ento tem-se:
t = Zt Z t-1 = Zt B Zt = (1 B)Zt = Zt
2.29
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:
2.32
onde:
49
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
2.3.1 Armazenagem
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
52
Armazm
fabril
Fbr.
Cliente
Armazm
Distribuio
Cliente
Fbrica
Armazm
Local
Fbrica
53
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).
54
55
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
57
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
2.3.6.1 A-Frame
59
2.3.6.2 Carrossel
60
61
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
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.
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
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.
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.
67
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
69
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
ARMA(1,0) SARIMA(1,0),
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
3.3 MATERIAL
72
73
74
Macarro Candies
38
38
38
35
30
21
238
75
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
76
25 % Biscoito
30 % Recheados
22 % Wafers
18 % Roscas
15 % Tradicionais
9 % Sortidos
6 % Diversos
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
77
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
78
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
15 % Chocolates
79
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
12 % Refrescos
80
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
7 % Cereais
81
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
3 % Panetones
82
3.4 MTODOS
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.
83
4 IMPLEMENTAES E RESULTADOS
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
85
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.
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
87
Adiante segue o grfico da tabela 4.1 acima, ou seja, o grfico que representa a
validao do modelo ajustado para a previso.
Consumo Real
Previso B&J
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
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
dois anos efetuada, comparada com o consumo real, medindo o RMSE.
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
Consumo Real
Previso RBF
91
92
A tabela 4.3 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.
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
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
Adiante segue o grfico 4.6 da tabela 4.3 acima, ou seja, o grfico que
representa a validao do modelo ajustado para a previso.
Consumo Real
Previso B&J
Para o ajuste dos parmetros abaixo foi utilizado 5 (cinco) primeiros anos de
histrico de consumo da serie temporal.
eg = 0.1600;
sc = 1.1500;
numEntrada = 10;
94
Consumo Real
Treinamento RBF
95
A tabela 4.4 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.
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
Consumo Real
Previso RBF
97
98
A tabela 4.5 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.
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
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
Adiante segue o grfico 4.10 da tabela 4.5 acima, ou seja, o grfico que
representa a validao do modelo ajustado para a previso.
Consumo Real
Previso B&J
Para o ajuste dos parmetros abaixo foi utilizado 5 (cinco) primeiros anos de
histrico de consumo da serie temporal.
eg = 0.5800;
sc = 0.9100;
numEntrada = 10;
100
Consumo Real
Treinamento RBF
101
A tabela 4.6 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.
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
Adiante segue o grfico 4.12 da tabela 4.6 acima, ou seja, o grfico que
representa a validao do modelo ajustado para a previso.
Consumo Real
Previso RBF
103
104
A tabela 4.7 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.
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
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
Adiante segue o grfico 4.14 da tabela 4.7 acima, ou seja, o grfico que
representa a validao do modelo ajustado para a previso.
Consumo Real
Previso B&J
Para o ajuste dos parmetros abaixo foi utilizado 5 (cinco) primeiros anos de
histrico de consumo da srie temporal.
eg = 0.0400;
sc = 0.7000;
numEntrada = 10;
106
Consumo Real
Treinamento RBF
107
A tabela 4.8 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.
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.
Consumo Real
Previso RBF
109
Modelo que melhor de adequou a previso: ARMA (4,3) SARIMA (4,3) com
sazonalidade de 6 meses.
110
A tabela 4.9 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.
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
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.
Consumo Real
Previso B&J
Para o ajuste dos parmetros abaixo foi utilizado 5 (cinco) primeiros anos de
histrico de consumo da serie temporal.
eg = 1.2700;
sc = 4.1200;
numEntrada = 9;
112
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.
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
Adiante segue o grfico 4.20 da tabela 4.10 acima, ou seja, o grfico que
representa a validao do modelo ajustado para a previso.
Consumo Real
Previso RBF
115
116
A tabela 4.11 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.
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
Adiante segue o grfico 4.22 da tabela 4.11 acima, ou seja, o grfico que
representa a validao do modelo ajustado para a previso.
Consumo Real
Previso B&J
Para o ajuste dos parmetros abaixo foi utilizado 5 (cinco) primeiros anos de
histrico de consumo da serie temporal.
eg = 0.3400;
sc = 2.5900;
numEntrada = 10;
118
Consumo Real
Treinamento RBF
119
A tabela 4.12 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.
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
Adiante segue o grfico 4.24 da tabela 4.12 acima, ou seja, o grfico que
representa a validao do modelo ajustado para a previso.
120
Consumo Real
Previso RBF
121
122
A tabela 4.13 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.
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
representa a validao do modelo ajustado para a previso.
Consumo Real
Previso B&J
Para o ajuste dos parmetros abaixo foi utilizado 5 (cinco) primeiros anos de
histrico de consumo da serie temporal.
eg = 1.0000;
sc = 0.8800;
numEntrada = 10;
124
Consumo Real
Treinamento RBF
125
A tabela 4.14 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.
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
Adiante segue o grfico 4.28 da tabela 4.14 acima, ou seja, o grfico que
representa a validao do modelo ajustado para a previso.
Consumo Real
Previso RBF
127
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
129
130
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.
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
132
A tabela 4.18 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.
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
134
A tabela 4.20 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.
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
136
A tabela 4.22 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.
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
138
A tabela 4.24 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.
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
140
A tabela 4.26 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.
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
142
A tabela 4.28 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.
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
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
146
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.
LANDI, L.; BARUCCI, E. Artificial neural network for treasury bills rate
LAPEDES A.; FABER R. How Neural Nets Work. Neural Information Processing
Systems. Denver, 1987.
148
149
150
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
151
WERBOS, P. J. Beyond regression: new tools for prediction and analysis in the
behavioral Science. Havard University, 1974. Tese de PhD.
152
153
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,
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));
veterror_sc(contaux) = rmse;
vetor_sc(contaux) = sc;
contaux = contaux + 1;
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 ,
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 = numsc;
eg = numeg; % sum-squared error goal
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);
156
vetor_ent(contaux) = numEntrada;
contaux = contaux + 1;
if rmse < menorerro_ent ,
menorerro_ent = rmse ;
nument = numEntrada;
end
numEntrada = numEntrada + 1;
end
sc = numsc;
eg = numeg; % sum-squared error goal
numEntrada = nument;
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 );
net = newrb(p,t,eg,sc);
an = sim(net,p);
[a] = postmnmx(an,minaux,maxaux);
cont = (numEntrada+1):(totalOcorrencia - numTeste);
plot(cont,a,cont,aux((numEntrada+1):(totalOcorrencia numTeste)),cont,a,'o',cont,aux((numEntrada+1):(totalOcorrencia - numTeste)),'+');
pause
157
cont2=1:numTeste;
testen = sim(net,p1);
[teste] = postmnmx(testen,minaux,maxaux);
%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),'+');
erro = aux( (totalOcorrencia - numTeste + 1) : totalOcorrencia ) - teste;
rmse = sqrt(mse(erro))
158