Please use this identifier to cite or link to this item:
http://hdl.handle.net/10773/32749
Title: | Previsão de vendas de peças de substituição para otimização da gestão de stock |
Other Titles: | Forecasting of spare parts components for storage optimization |
Author: | Sousa, Martim Afonso Gouveia |
Advisor: | Lopes, Maria João Rocha, Eugénio Alexandre Miguel |
Keywords: | Previsão do número de vendas de peças de substituição Aprendizagem profunda em séries temporais Aprendizagem de máquina em séries temporais Previsão em séries temporais Holt-Winters FBProphet Support vector machines Multilayer perceptron Convolutional neural network XGBoost Long short-term memory |
Defense Date: | 19-Jul-2021 |
Abstract: | Este projeto tem como intuito prever o número de vendas de peças de substituição,
associadas a equipamentos de termotecnologia, das próximas três semanas
para a empresa Bosch Termotecnologia-Aveiro. Desta forma, a Bosch pode otimizar
o planeamento de produção e stocks garantindo a satisfação do cliente
final.
A nossa abordagem ao problema consiste no estudo das séries temporais de vendas
destas peças de substituição, construindo modelos matemáticos capazes de
captar os padrões existentes nos dados. Os modelos utilizados cobrem um largo
espetro de metodologias, por forma a acomodar diferentes tipos de séries temporais.
Concretamente, utilizámos metodologias clássicas como o Autoregressive
integrated moving average (ARIMA) e Holt-Winters, mas também métodos
de aprendizagem supervisionada como o Support vector regression (SVR) e Extreme
gradient boosting (XGBoost) e ainda modelos de redes neuronais, nomeadamente
Multilayer perceptron (MLP), Convolutional neural network (CNN) e
Long short-term memory (LSTM). This project aims to forecast the number of sales of spare parts, linked to thermotechnology equipment, in the next three weeks for the company Bosch Thermotechnology-Aveiro. In this way, Bosch can optimize production planning, reducing production and storage costs. Our approach to the problem consists of studying the sales time series of these spare parts, in order to build mathematical models capable of capturing the patterns underlying in the data. The models used cover a wide spectrum of methodologies, with the purpose of fitting different types of time series. Specifically, we used classical methodologies such as ARIMA and Holt-Winters, but also supervised learning methods such as SVR and XGBoost and also deep learning approaches, namely MLP, CNN and LSTM. |
URI: | http://hdl.handle.net/10773/32749 |
Appears in Collections: | UA - Dissertações de mestrado DMat - Dissertações de mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Documento_Martim_Sousa.pdf | 5.33 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.