Aplicação de redes neurais recorrentes na previsão de demanda de materiais: comparação entre modelos de aprendizado profundo

Abstract

A otimização da gestão de estoque em ambientes fabris é crucial para a continuidade operacional e depende de previsões acuradas de consumo. Visando otimizar este processo, este trabalho investiga a aplicabilidade de redes neurais recorrentes (Recurrent Neural Network - RNN) na previsão de demanda de materiais. Foram desenvolvidos, treinados e comparados cinco modelos de aprendizado profundo: RNN simples, RNN com Batch Normalization, RNN com Layer Normalization, Long Short-Term Memory (LSTM) e Gated Recurrent Unit (GRU). Utilizou-se um conjunto de dados real de uma indústria de carrocerias, composto por dez séries temporais de consumo semanal com 100 amostras cada. A metodologia adotada envolveu a normalização dos dados, a criação de janelas deslizantes de 15 semanas para treino, validação e teste, e a avaliação do desempenho dos modelos com base em métricas MAE (Mean Absolute Error), RMSE (Root Mean Square Error) e MAPE (Mean Absolute Percentage Error), bem como, com base em previsões recursivas de 20 semanas. Os modelos foram treinados com o otimizador Adam, função de perda MSE (Mean Square Error) e o mecanismo de EarlyStopping para prevenção de sobreajuste. Os resultados demonstraram que o modelo RNN simples obteve o melhor desempenho, com um MAPE de 1,785%, superando as arquiteturas mais complexas LSTM, GRU e as variantes de RNN com normalização. Concluiu-se que, para o volume e as características dos dados analisados, a menor complexidade da RNN Simples proporcionou uma melhor capacidade de generalização. Além disso, apontou-se que a utilização de séries temporais mais longas ou a inclusão de variáveis exógenas pode contribuir para o aprimoramento das previsões futuras.

Optimizing inventory management in manufacturing environments is crucial for operational continuity and relies on accurate consumption forecasting. Aiming to enhance this process, this study investigates the applicability of Recurrent Neural Networks (RNNs) in material demand forecasting. Five deep learning models were developed, trained, and compared: Simple RNN, RNN with Batch Normalization, RNN with Layer Normalization, Long Short-Term Memory (LSTM), and Gated Recurrent Unit (GRU). A real-world dataset from a bus body manufacturing company was used, consisting of ten weekly consumption time series with 100 samples each. The adopted methodology included data normalization, the creation of 15-week sliding windows for training, validation, and testing, and performance evaluation based on MAE (Mean Absolute Error), RMSE (Root Mean Square Error), and MAPE (Mean Absolute Percentage Error) metrics, using 20-week recursive forecasts. The models were trained using the Adam optimizer, Mean Square Error (MSE) loss function, and the EarlyStopping mechanism to prevent overfitting. Results demonstrated that the simple RNN model achieved the best performance, with a MAPE of 1.785%, outperforming the more complex LSTM, GRU, and the RNN variants with normalization. It was concluded that, for the volume and characteristics of the analyzed data, the lower complexity of the simple RNN provided superior generalization capacity. Furthermore, it was suggested that the use of longer time series or the inclusion of exogenous variables may contribute to the enhancement of future forecasts.