Análise preditiva de emplacamentos de implementos rodoviários usando modelos de séries temporais e redes neurais : estudo de caso comdados da ANFIR(2013-2024)
Data
2025-06-10Autor
Dondé, Maicol Mauricio Souza
Orientador
Corso, Leandro Luis
Metadata
Mostrar registro completoResumo
Esta dissertação propôs o desenvolvimento de um modelo preditivo para os emplacamentos de implementos rodoviários no Brasil, com base em dados históricos disponibilizados pela ANFIR, no período de 2013 a 2024. A pesquisa adotou uma abordagem híbrida, combinando técnicas estatísticas tradicionais de séries temporais, como ARIMA e SARIMA, com métodos contemporâneos de aprendizado de máquina e inteligência artificial, incluindo Redes Neurais Artificiais (RNA), Deep Learning, Naive Bayes, Random Forest, Regressão Linear Múltipla (RLM), Regressão Linear Simples (RLS), Suavização Exponencial e XGBoost. O principal objetivo foi identificar padrões sazonais, tendências históricas e relações não lineares entre múltiplas variáveis que influenciam o comportamento do mercado de implementos. A análise foi conduzida com base em séries históricas de emplacamentos de Reboques/Semirreboques e Carrocerias Sobre Chassis, com uma avaliação inicial do período completo de 2013 a 2023. Essa primeira segmentação permitiu uma compreensão abrangente da evolução dos emplacamentos, considerando eventos econômicos relevantes como a recessão de 2014-2016, marcada por retrações do PIB de -3,5% e -3,3% (IBGE), e a pandemia da COVID-19 em 2020, que afetou diretamente a produção e as vendas do setor. Diante desses eventos disruptivos, os dados foram segmentados adicionalmente em dois recortes: de 2018 a 2023, visando capturar tendências recentes, e de 2021 a 2023, para isolar os efeitos da pandemia. As previsões geradas pelos modelos foram comparadas aos dados reais de 2024, utilizando métricas como Erro
Percentual Absoluto Médio (MAPE), Erro Absoluto Médio (MAE) e Raiz do Erro Quadrático Médio (RMSE). No recorte completo (2013-2023), o modelo RLS destacou-se na previsão de semirreboques (MAPE = 5,93%; MAE = 437,33; RMSE = 494,60), sendo eficaz em contextos com sazonalidade regular. Em seguida, a Suavização Exponencial também teve bom desempenho (MAPE = 6,57%), aproveitando tendências lineares nos dados. No período pós-pandemia (2021-2023), a RLS novamente se mostrou superior (MAPE = 5,21%; MAE =370,30; RMSE = 472,55), refletindo a dominância de uma tendência linear. O modelo Deep Learning também teve desempenho satisfatório (MAPE = 5,36%), embora seu alto custo computacional limite a aplicabilidade prática. Com base nesses resultados, recomenda-se o uso da RLS para previsões de longo prazo de semirreboques, com apoio da Suavização Exponencial para capturar variações sazonais. Para períodos mais recentes, sugere-se a RLS se houver tendência linear; caso contrário, o modelo Deep Learning se mostrou mais eficaz. No caso de carrocerias sobre chassis, modelos como ARIMA (2013-2023, MAPE = 14,96%), RLM (2018-2023, MAPE = 9,37%) e Deep Learning (2021-2023, MAPE = 13,75%) apresentaram melhor adequação à variabilidade desses dados. Por fim, destaca-se a importância do monitoramento contínuo e da recalibração periódica dos modelos, uma vez que eventos inesperados, como crises econômicas ou pandemias, podem alterar significativamente os padrões históricos e comprometer a precisão preditiva.[resumo fornecido pelo autor]