UTILIZAÇÃO DE REDES NEURAIS RECORRENTES NA PREVISÃO DE DEMANDA DE ÁGUA EM UMA EMPRESA REGIONAL

Resumo

Este trabalho tem como objetivo melhorar a acurácia de previsão de demanda por água mineral de uma indústria de refrigerantes da região do Vale do Taquari. Uma previsão de demanda acertada otimiza custos de produção, evita estoques excessivos e incrementa a competitividade da indústria. Para atender a crescente demanda do mercado de água engarrafada, torna-se necessário otimizar os processos logísticos e de produção. Para isto, os processos atualmente utilizados, mostram acurácia abaixo do esperado, portanto, aprimorá-lo é o objetivo, a fim de tentar prever com maior precisão a ser produzida produzida. Pois esta previsão permite que as garrafas sejam entregues adiante do período de tempo desejado a certos pontos de entrega. Desta maneira, é possível reduzir gastos com produção e estocagem de água reduzindo o desperdício de materiais e danos ambientais provenientes da sua extração. Este trabalho visa aplicar redes neurais recorrentes a previsões de demanda de água engarrafada, devido ao sistema atual ser inadequado ao propósito, ocasionando em previsões incorretas. O ato de prever demanda consiste em adquirir grandes volumes de dados e processá-los com uma série de técnicas estatísticas, tais como regressão linear e regressão analítica. Estas técnicas permitem encontrar padrões a serem relacionados a eventos, possibilitando a previsão de eventos futuros sobre um período de tempo desejado, e atuando sobre esta previsão. Redes neurais artificiais (RNA) são sistemas computacionais fortemente inspirados pelo conhecimento humano sobre o funcionamento de cérebros, que consiste em modelar neurônios e suas sinapses. Optou-se por utilizar RNA de classe recorrente, pois é adequada para a análise de sequências temporais. Esta classe é caracterizada pela retroalimentação dos dados, os neurônios de saída da rede são conectados aos neurônios de entrada. Para a modelagem desta rede neural, utilizou-se a linguagem de programação Python, uma linguagem comum em projetos de ciência de dados. Além disso, foram utilizadas as bibliotecas: Tensorflow, desenvolvida pela Google para trabalhar com o aprendizado de máquina utilizando deep learning, que é uma categoria de algoritmos de aprendizado muito utilizada no campo para desenvolvimento de redes neurais; e Keras, que possibilita rápida experimentação para desenvolvimento de redes neurais ao implementar blocos para montar diversos tipos de redes. Os experimentos foram realizados utilizando dados históricos (3 anos): dados pluviométricos, amplitude térmica e a demanda de água do dia. A partir destes dados, utilizaram-se amostras de seis meses para treinamento de uma rede neural recorrente. Após conclusão, foram utilizadas amostras de dados de um mês para realizar testes de previsão de demanda. Não foi possível perceber uma melhoria na qualidade das previsões com os dados fornecidos pela empresa. O estágio atual da pesquisa está na descoberta de outras variáveis influenciadoras na demanda e que atualmente estão na expertise dos gestores. O viés da pesquisa está na direção da sistematização do conhecimento empírico dos gestores.