Forecast of the volume of sales index in the Brazilian petroleum sector using artificial neural networks
Journal of Engineering and Technology for Industrial Applications
Forecast of the volume of sales index in the Brazilian petroleum sector using artificial neural networks
Autor Correspondente: Lucas Lira Souza | [email protected]
Palavras-chave: artificial neural networks, prediction, sale of fuel
Resumos Cadastrados
Resumo Português:
Este trabalho trata de uma aplicação de redes neuronais na previsão do índice de vendas de combustíveis. As redes neuronais, através de sua capacidade de aprendizado, podem compreender a variabilidade de parâmetros e a partir desta, inferir sobre seu comportamento futuro. A maioria das previsões das vendas realizadas pela ANP (Agência Nacional de Petróleo, Gás Natural e Biocombustíveis) é baseada no consumo de combustível, onde neste trabalho, este índice foi desconsiderado e utilizou-se outros indicadores que foram julgados relevantes no processo de predição. A melhor rede consiste em uma perceptron de múltiplas camadas, treinada com o algoritmo backpropagation, sendo composta por cinco neurônios nas camadas de entrada e intermediária e com apenas um na de saída. Esta apresenta um erro quadrático médio relativo de 27% para os valores previstos das vendas. Os resultados gerados mostraram-se satisfatórios para as variáveis escolhidas.
Resumo Inglês:
This paper deals with the application of neural networks in predicting the fuel sales index. Neural networks, through their learning ability, can understand the variability of parameters and from this, infer about their future behavior. Most of the sales forecasts made by ANP (National Agency of Petroleum, Natural Gas and Biofuels) are based on fuel consumption, where in this work this index was disregarded and other indicators that were considered relevant in the prediction process were used. The best network consists of a multilayered perceptron, trained with the backpropagation algorithm, consisting of five neurons in the input and intermediate layers and with only one output node. This presents a relative mean square error of 27% for the expected sales figures. The results generated were satisfactory for the chosen variables.
