Título
[en] NEURAL NETWORK AND DYNAMIC REGRESSION: A HYBRID MODEL TO FORECAST THE SHORT TERM DEMAND OF PETROL IN BRAZIL
Título
[pt] REDES NEURAIS E REGRESSÃO DINÂMICA: UM MODELO HÍBRIDO PARA PREVISÃO DE CURTO PRAZO DA DEMANDA DE GASOLINA AUTOMOTIVA NO BRASIL
Autor
[pt] ALEXANDRE ZANINI
Vocabulário
[pt] REDE NEURAL
Vocabulário
[pt] MODELOS ESTATISTICOS
Vocabulário
[pt] GASOLINA AUTOMOTIVA
Vocabulário
[pt] PREVISAO DE DEMANDA
Vocabulário
[en] NEURAL NETWORKS
Vocabulário
[en] STATISTICAL MODELS
Vocabulário
[en] PETROL
Vocabulário
[en] DEMAND FORECAST
Resumo
[pt] Nesta dissertação é desenvolvido um modelo para previsão
de curto prazo da demanda mensal de gasolina automotiva
no
Brasil. A metodologia usada consiste em, a partir de uma
análise exploratória dos dados, procurar construir um
modelo usando uma estratégia bottom-up, ou seja, parte-se
de um modelo simples e processa-se seu refinamento até
encontrar um modelo apropriado que mais se adequa à
realidade. Partiu-se então de um modelo autoprojetivo
indo
até uma formulação de Redes Neurais passando por um
modelo
de regressão dinâmica. Os modelos são então comparados
segundo alguns critérios, basicamente no que tange à sua
eficiência preditiva. Conclui-se ao final sobre a
eficiência de se conjugar modelos estatísticos clássicos
(como Box & Jenkins e Regressão Dinâmica) com as chamadas
Redes Neurais que, por sua vez, propiciaram resultados
muito bons em relação à otimização das previsões. Isto é
altamente desejável na modelagem de séries temporais e,
em
particular, neste trabalho, na previsão de curto prazo de
gasolina automotiva.
Resumo
[en] In this dissertation a short term model to forecast
automotive gasoline demand in Brazil is proposed. From the
methodology point of view, data is analyzed and a model
using a bottom-up strategy is developed. In other words, a
simple model is improved step by step until a proper model
that sits well the reality is found. Departuring from a
univariate model it ends up in a neural network
formulation, passing through dynamic regression models.
The models obtained in this scheme are compared
according to some criterion, mainly forecast accuracy. We
conclude, that the efficiency of putting together
classical
statistics models (such as Box & Jenkins and dynamic
regression) and neural networks improve the forecasting
results. This results is highly desirable in modeling time
series and, particularly, to the short term forecast of
automotive gasoline, object of this dissertation.
Orientador(es)
REINALDO CASTRO SOUZA
Banca
CARLOS EDUARDO PEDREIRA
Banca
MONICA BARROS
Banca
REINALDO CASTRO SOUZA
Banca
RAFAEL SCHECHTMAN
Catalogação
2005-11-08
Apresentação
2000-04-28
Tipo
[pt] TEXTO
Formato
application/pdf
Idioma(s)
PORTUGUÊS
Referência [pt]
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7457@1
Referência [en]
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7457@2
Referência DOI
https://doi.org/10.17771/PUCRio.acad.7457
Arquivos do conteúdo
NA ÍNTEGRA PDF