Você está na página 1de 14

Analise do artigo: APLICAÇÃO DE REDES

NEURAIS ARTIFICIAIS À PREVISÃO DE VENDAS


DE MÁQUINAS AGRÍCOLAS.

Segundo o autor do artigo a previsão de vendas para implementos


agrícolas é, complexa por causa das mais diversas variáveis que podem
afetar um modelo. Além disso, diferentes modelos de implementos
requerem modelos de previsão diferentes. Sendo assim, a empresa
escolhida foi AGCO do Brasil Ltda. e o modelo de trator MF 275, da
marca Massey Ferguson, para realizar este estudo e obter as previsões.

Para a análise da série de vendas, obtida da Associação Nacional


dos Fabricantes de Veículos Automotores (ANFAVEA) foi aplicado
a modelagem de redes neurais artificiais com enfoque na análise de
séries temporais. O modelo final de redes neurais artificiais, obtido
foi comparado ao usado pela empresa e segundo o autor mostrou
melhor quanto aos erros de previsão. O modelo final apresentado
se destaca, também, porque não depende de variáveis externas,
pois o modelo utiliza apenas a própria série para as previsões.
Introdução

No caso do ramo de máquinas e implementos agrícolas a previsão de


demanda é complexa. Essa complexidade pode ser atribuída tanto ao fato de
existirem as mais diversas variáveis que podem afetar as vendas deste tipo
de produto, ou talvez, pela natureza do comportamento de algumas variáveis,
como o clima, por exemplo, segundo o autor. Por isto é importante
identificar, junto a especialistas de outras áreas, informações capazes de
auxiliar na construção de um modelo de previsão.

Material e Métodos
Para a construção do modelo de previsão, o autor utilizou uma série
temporal discreta das vendas, obtida junto a AGCO e verificados junto a
Associação Nacional dos Fabricantes de Veículos Automotores
(ANFAVEA), que possui dados sobre vendas de periodicidade mensal
desde janeiro de 1999 até julho de 2006. Quanto à coleta de dados das
variáveis que possam influenciar o modelo, a busca foi feita em bancos de
dados governamentais, como o Instituto Brasileiro de Geografia e
Estatística (IBGE). O modelo a ser utilizado é o de Redes Neurais
Artificiais (RNA).
Redes Neurais Artificiais

O autor do artigo usou o modelo de rede neural chamado de TLFN,


formada por uma linha de atraso de ordem P e uma perceptron
multicamadas. A escolha desse tipo de rede neural, se deve porque as suas
entradas e saídas dependem da valores presentes e passados.

onde se assume que o neurônio de saída na TLFN focada é linear; os pesos

sinápticos do neurônio de saída são representados pelo conjunto ,


onde m1 é o tamanho da camada oculta e é a função de ativação do
neurônio j.

Segundo o autor ,nesta forma uma rede neural pode ser utilizada para
captar as variações temporais existentes num sistema dinâmico, ou seja,
num sistema que se altera ao longo do tempo. A função utilizada na
modelagem de séries temporais por redes neurais costuma ser a função
logística:

Descrição do modelo proposto pelo o autor

Para as variáveis de entrada foram usadas 6 diferentes configurações:

a) Apenas o mês imediatamente anterior (X(t-1));


b) O mês imediatamente anterior e variáveis indicadoras do mês em
questão (X(t-1) e mais ind.);
c) O mesmo mês, só que do ano anterior ( X(t-12));
d) O mês imediatamente anterior, o mesmo mês no ano anterior e ainda o
mês imediatamente anterior no ano anterior (X(t-1), X(t-12), e X (t-13) );
e) O mês imediatamente anterior e o mesmo mês no ano anterior ( X(t-1) e
X(t-12);
f) E finalmente um modelo com o mês imediatamente anterior, o mesmo
mês no ano anterior e mais as variáveis indicadoras do mês anterior ( X (t-
1) , X(t-12) e ind.).

Segundo o autor ,os modelos foram obtidos junto a análises empíricas


realizadas na série ,por meio de ajustes dos modelos SARIMA E ARIMA,
pois as redes neurais não possuem modelos ou algoritmos definidos.

Apresentação da série de vendas

A Tabela 1 e a Figura 1, apresentam a série de vendas do trator MF 275,


modelo 4x2, segundo dados da Associação Nacional de Fabricantes de
Veículos Automotores (ANFAVEA). Estes dados foram obtidos no site da
associação (www.anfavea.com.br).
Aplicação da técnica de RNA à série

Devido a falta de métodos específicos para calcular o número de neurônios


ideais na camada oculta, o autor do artigo propõe utilizar os métodos AIC
(Akaike information criteria,) e BIC (Bayesian information criteria).
aonde SSE é a soma quadrático do erro, T é o tamanho da série utilizada, m
é o número de parâmetros do modelo, i y é o valor original da série e i yˆ o
valor estimado pelo modelo.

O número de parâmetros é dado por essa equação


m kp 21

onde k é o número de neurônios na camada oculta e p o número de


neurônios na camada de entrada.

Foram feitos com quatro diferentes configurações, propostas pelo autor em


relação a quantidade de neurônios na camada oculta, totalizando 24
modelos feitos. A Tabela 2 e a tabela 3 apresentam os valores obtidos pelos
critérios AIC1 e BIC3, respectivamente, para seleção de modelos.

Segundo o autor, os menores valores de AIC e BIC, não é suficiente para


escolher o modelo ,pois segundo ele, modelos com AIC (ou BIC) muito
baixos podem sofrer de super treinamento, ou seja, a série é muito bem
modelada, mas perde poder de previsão. Para evitar esse problema, o
autor sugere usar entre 60% e 80% da amostra para treino. Para a amostra
de treino o autor do artigo selecionou 65 valores dentre os 86 disponíveis,
algo em torno de 75,5% dos dados disponíveis.
Logo , para a escolha do modelo, segundo o autor que ele deve
contemplar tanto o critério de seleção baixo (AIC e BIC) ,além de possuir
que possua boas estimativas. Segundo o autor dois modelos que
preencheram estes requisitos foram os modelos X(t-1) com três neurônios
e X(t-1), X(t-12) com seis neurônios.

Resultados e Discussões

Segundo o autor a Tabela 4 apresenta as previsões com dois passos a


frente de cada um dos dois melhores modelos resultantes após diversas
análises. Depois vem a Tabela 5 apresentando os critérios AIC, BIC e SSE
(soma do erro quadrático, do original em inglês, Sum Square Error) de
cada um dos modelos.
O autor do artigo escolheu o modelo X(t-1) com três neurônios na camada
oculta, devido a do a soma do erro quadrático médio ser menor do que o
outro modelo, além disso o autor afirma que o modelo X(t-1 é semelhante
ao modelo AR(1),devido a variável usada no neurônio da camada de
entrada.

Conclusão

O artigo analisado teve como objetivo obter um modelo capaz de realizar


previsões de vendas para um trator da marca Massey Ferguson, modelo
MF275.

O modelo escolhido foi superior ao adotado pela empresa pois ele possuía
um baixo erro absoluto percentual, se comparado ao que a empresa obtinha
cujo erro absoluto percentual era de 50%.

Segundo o autor o modelo escolhido X(t-1) com três neurônios é o mais


simples, ele não se utiliza de variáveis externas à série (como custeio de
produção, preço, demanda, entre outras), que poderiam tornar demasiado
pesado e complexo para seu uso junto à empresa. Para ele a modelagem via
RNA foi eficiente, por não exigir variáveis externas a série.
Referencia

http://www.abepro.org.br/biblioteca/enegep2007_tr620
466_9360.pdf