Laís Gonçalves de Galiza Duran Damasceno
Análise e Previsão do Mercado Brasileiro de Etanol
e Gasolina
Monografia de Final de Curso
13/02/2020
Monografia apresentada ao Departamento de Engenharia Elétrica da
PUC/Rio como parte dos requisitos para a obtenção do título de
Especialização em Business Intelligence.
2
Dedicatória
À minha família, em especial meu marido e meus pais que sempre me apoiam em todas as etapas da minha vida.
3 Agradecimentos
À Deus por me dar condições de ter chegado até aqui.
Ao meu marido, Vitor Damasceno, e minha família pelo apoio incondicional. A todos os professores da PUC-Rio que pude conhecer e conviver nestes meses de curso, por todo novo conhecimento a mim transmitido e em especial à professora e minha orientadora Manoela Kohler por sua impecável didática e atenção comigo e todos os seus alunos.
4 RESUMO
O Brasil é pioneiro mundial no uso de biocombustíveis e alcançou posição almejada por muitos países que buscam fontes renováveis de energia como alternativas estratégicas ao petróleo. Dentre os principais biocombustíveis líquidos utilizados no Brasil, o etanol vem tomando grande fatia de mercado principalmente após a introdução dos veículos flex-fuel no Brasil em meados de 2004. A crescente relação entre os mercados revendedores de Etanol e Gasolina do Brasil são o centro deste estudo, que visa a análise e previsão através de modelos de redes neurais recorrentes. Poder identificar um modelo capaz de fazer boas previsões é um ganho para o mercado revendedor pois oferece uma ferramenta para que este possa se planejar para possíveis demandas futuras. O melhor modelo para cada mercado foi determinado através do indicador MAPE. Foram utilizados dados de janeiro de 2000 até agosto de 2019, provenientes do banco de dados da ANP. O modelo proposto para os dois mercados foi de redes neurais recorrentes com unidades de Long
5 ABSTRACT
Brazil is a world pioneer in the use of biofuels and achieved desired position for many countries seeking renewable energy sources such as strategic alternatives to oil. Among the main liquid biofuels used in Brazil, ethanol has been taking major market share especially after the introduction of flex-fuel vehicles in Brazil at 2004. The growing relationship between retailers markets of Brazil Ethanol and Gasoline are the center of this study, which aims at analyzing and forecasting through recurrent neural network models. Being able to identify a model capable of making good predictions is a gain for the retail market as it offers a tool so that it can plan for possible future demands. The best model for each market was determined by the indicator MAPE. It was used data from January 2000 until August 2019, from the database of the ANP. The proposed model for both markets was recurrent neural networks with Long Short-Term Memory units, where three hidden layers were used.
6
Sumário
1. INTRODUÇÃO ... 7 1.1 MOTIVAÇÃO ... 8 1.2 OBJETIVOS DO TRABALHO ... 9 1.3 DESCRIÇÃO DO TRABALHO ... 9 1.4 ORGANIZAÇÃO DA MONOGRAFIA ...10 2. DESCRIÇÃO DO PROBLEMA ... 112.1. MERCADO REVENDEDOR DE ETANOL DO BRASIL ...11
2.2. MERCADO REVENDEDOR DE GASOLINA DO BRASIL ...13
3. METODOLOGIAS ... 16
3.1 Introdução a Redes Neurais Artificiais ...16
3.2 Tipos de Arquiteturas ...18
3.2.1 Redes Feedfoward de uma ou múltiplas camadas ...18
3.2.2 Redes Recorrentes ...19
3.2.2.1 Redes Long-Short Term Memory ...19
3.3 Regularizando as Rede Neurais ...21
3.3.1 Dropout ...21
3.3.2 Parada antecipada (Early stopping) ...21
3.3.3 Algoritmo de otimização Adam ...22
4. ARQUITETURA DO SISTEMA PROPOSTO ... 23
5. RESULTADOS ... 25
5.1 Experimentos para a série de vendas de Etanol ...25
5.2 Experimentos para a série de vendas de Gasolina ...26
6. CONCLUSÕES E TRABALHOS FUTUROS ... 28
7
1. INTRODUÇÃO
Biocombustíveis são derivados de biomassa renovável que podem substituir, parcial ou totalmente, combustíveis derivados de petróleo e gás natural em motores a combustão ou em outro tipo de geração de energia.
Os dois principais biocombustíveis líquidos usados no Brasil são o etanol extraído de cana-de-açúcar e, em escala crescente, o biodiesel, que é produzido a partir de óleos vegetais ou de gorduras animais e adicionado ao diesel de petróleo em proporções variáveis. Na Figura 1 pode-se observar a evolução dos biocombustíveis no Brasil segunda a ANP.
Segundo a Agencia Nacional de Petróleo e Gás (ANP, 2012), cerca de 45% da energia e 18% dos combustíveis consumidos no Brasil são renováveis. No resto do mundo, 86% da energia vêm de fontes energéticas não-renováveis. O Brasil é pioneiro mundial no uso de biocombustíveis e alcançou posição almejada por muitos países que buscam fontes renováveis de energia como alternativas estratégicas ao petróleo.
Figura 1 - A evolução dos biocombustíveis no Brasil Fonte: ANP
Nota: B2 é o que se chama a mistura de 2% de biodiesel com 98% de diesel.
B5 é o que se chama a mistura de 5% de biodiesel com 95% de diesel.
8 Por emitirem menos compostos do que os combustíveis fósseis no processo de combustão dos motores, os biocombustíveis poluem menos e seu processo de produção também tende a ser mais limpo, mostra a ANP sobre os biocombustíveis (2012).
A adoção do etanol é considerada um dos principais mecanismos de combate ao aquecimento global segundo a ANP (2012), pois diminui as emissões de gás carbônico (CO2). Parte do CO2 emitido pelos veículos movidos a etanol é reabsorvido pelas plantações de cana-de-açúcar. Isso faz com que as emissões do CO2 sejam parcialmente compensadas.
No campo da produção de petróleo, Guimarães (2011) identificou que o petróleo possui imensurável importância e todo planejamento da nossa sociedade depende de sua disponibilidade no curto, médio e longo prazo. O autor informa que as previsões da produção de petróleo muitas vezes são obtidas através de métodos estatísticos, como a estrapolação das curvas de produção, realizadas com grau de incerteza definido por um especialista para determinar a produção futura. Nesse processo, tem-se um grau de incerteza muito grande e completamente dependente do conhecimento e experiência de um especialista para avaliar o grau de incerteza.
Em sua monografia de final de curso da PUC-Rio sobre “Redes Neurais Artificiais na Análise de Séries Temporais de Produção de Petróleo”, Guimarães propôs reduzir o grau de incerteza nas previsões de produção de petróleo. Para isto, utilizou-se de um modelo redes neurais artificiais para demonstrar que é possível aumentar a confiabilidade das previsões realizadas, possibilitando um melhor planejamento dos recursos. Este modelo se mostra uma importante ferramenta para a tomada de decisões sem ter a dependência de um especialista para avaliar o grau de incerteza mencionado anteriormente.
1.1 MOTIVAÇÃO
Segundo estudo “Evolução de Mercado de Combustíveis e Derivados“ elaborado pela ANP (2013), a grande penetração de veículos flex-fuel, movidos a etanol ou gasolina, no mercado nacional foi o que colaborou para a grande demanda por combustíveis automotivos ser tão sensível aos preços relativos, gerando assim a migração brusca de um combustível para outro, o que resulta em um aumento no nível de estresse logístico em razão do maior grau de imprevisibilidade da demanda.
9 Utilizar uma arquitetura como as redes neurais para fazer análise e previsão destes mercados é uma forma de conseguir antecipar esta demanda de forma mais efetiva.
1.2 OBJETIVOS DO TRABALHO
Os biocombustíveis têm cada vez mais se mostrado importantes como mecanismos no combate ao aquecimento global e o Brasil é pioneiro no uso de biocombustíveis como alternativa ao uso do petróleo.
O etanol está na lista de biocombustíveis mais utilizados no Brasil segundo a ANP (2012), e com a entrada dos veículos flex-fuel no Brasil, o mercado revendedor de gasolina tem sido cada vez mais influenciado pelos preços de venda do etanol.
Diante do cenário de crescente relação entre Etanol e Gasolina, este trabalho abordará a temática “Análise e previsão do mercado brasileiro de etanol e gasolina”, estudando as demandas ao revendedor destes combustíveis.
O estudo consiste em analisar e prever esses dois mercados, implementar a modelagem por redes neurais recorrentes. Prever o comportamento futuro da demanda de combustíveis é importante pois dessa maneira toda a cadeia produtiva pode se planejar de maneira segura sobre o quanto de combustível deverá ser produzido para atender as futuras demandas de maneira eficiente.
1.3 DESCRIÇÃO DO TRABALHO
O desenvolvimento deste trabalho envolveu cinco etapas: Pesquisa bibliográfica, Obtenção de dados históricos, Estudo dos mercados revendedores de etanol e gasolina, Estudo de modelos de redes recorrentes e métodos para regularização de redes neurais a fim de evitar o overfiting, e desenvolvimento de modelo de redes neurais recorrentes para os mercados revendedores de etanol e gasolina. Estas etapas encontram-se descritas a seguir:
Na Pesquisa Bibliográfica foi realizada uma pesquisa de material bibliográfico ligado a assuntos de redes neurais artificiais e redes neurais recorrentes.
Enquanto que, na Obtenção de dados históricos, foram levantadas as séries históricas dos mercados revendedores de etanol e gasolina em metros cúbicos a fim de ter a maior quantidade de informação possível para a etapa de modelagem.
10 Tendo disponíveis os dados históricos, passou-se para a fase de Estudo dos mercados revendedores de etanol e gasolina para entender como as séries se comportam.
Em seguida iniciou-se o Estudo de modelos de redes recorrentes e métodos para regularização de redes neurais a fim de identificar que metodologias que melhor se aplicariam ao problema proposto.
Por fim foram implementados experimentos para testar diferentes modelagens e verificar o que melhor se adequou ao problema.
1.4 ORGANIZAÇÃO DA MONOGRAFIA
Este trabalho está dividido em mais cinco capítulos, descritos a seguir:
O capítulo 2 apresenta a descrição do problema fazendo uma análise exploratória das duas séries históricas dos mercados revendedores de etanol e gasolina.
O capítulo 3 descreve os conceitos de redes neurais utilizados neste trabalho de uma maneira geral.
O capítulo 4 detalha os parâmetros utilizados para obter os resultados com relação ao trabalho proposto.
Os capítulos 5 e 6 aos resultados e conclusões deste trabalho, assim como possíveis trabalhos futuros.
11
2. DESCRIÇÃO DO PROBLEMA
Será feita uma análise das séries temporais dos mercados revendedores de Etanol e de Gasolina do Brasil, para o período janeiro de 2000 até agosto de 2019, período este definido pela disponibilidade de dados do site da ANP.
2.1. MERCADO REVENDEDOR DE ETANOL DO BRASIL
O Mercado Revendedor de Etanol do Brasil apresenta um comportamento crescente até o fim do ano de 2009, e no início do ano de 2010 começa um descrescimento brusco nas vendas de etanol. Na Figura 2, pode-se observar melhor este comportamento através do gráfico de linha da série completa de janeiro de 2000 até agosto de 2019:
Figura 2 – Série de vendas(m³) de Etanol do Brasil Fonte: Elaboração própria com base nos dados obtidos pela ANP
Pode-se observar pela Figura 2, que a série de etanol possui duas quedas bruscas, a primeira no início de 2010 e a segunda no início de 2011.
12 Com a entrada dos veículos flex-fuel em 2004, o mercado revendedor de etanol do Brasil apresentou um forte crescimento, que foi reflexo tanto do aumento da renda e do consumo, quanto da substituição da gasolina pelo etanol.
Porém, segundo o relatório “Evolução do mercado de combustíveis” da ANP (2013), os produtores de cana foram significativamente afetados por uma crise em 2008 e a falta de investimentos no setor, principalmente na renovação dos canaviais, fez com que a produção de etanol não fosse suficiente diante da demanda crescente por etanol. Desta forma, houve uma grande pressão de alta sobre os preços.
Então, o que foi visto na Figura 2 da série de vendas do etanol foi exatamente isto, de 2004 a 2009, a entrada dos veículos flex-fuel e preços competitivos em relação à gasolina faziam com que as vendas de etanol só aumentassem; porém de 2010 a 2012, com a crise nas safras de cana, a produção de etanol não era mais suficiente para suprir o mercado e manter a competitividade do etanol frente a gasolina, ocasionando assim a grande queda no primeiro trimestre de 2010. Baseado em estudo feito pela ANP (2013), a partir de março de 2010, entretanto, a demanda de etanol hidratado apresentou recuperação e em julho do mesmo ano já havia retornado ao patamar observado no final de 2009.
No entanto, segundo o “Boletim Anual de preços da ANP (2012), no primeiro trimestre de 2011, os consumos subitamente apresentaram maior descolamento, com uma forte resposta da demanda de etanol hidratado combustível ao aumento de preços do produto. A queda na demanda deste combustível e o consequente aumento na demanda de gasolina comum fugiram ao padrão histórico, com o consumo de gasolina comum no Brasil, ampliando-se em 22,2%, em um curto espaço de tempo (entre fevereiro de 2011 e março de 2011), o que gerou fortes pressões de demanda sobre a oferta (e os preços) da gasolina comum (ANP, 2012).
Ainda segundo boletim da ANP (2012), existe uma condição de competitividade que é calculada ao dividir-se o preço do etanol pelo preço da gasolina, se esta razão for maior que 0,7, é mais vantajoso abastecer com gasolina do que com etanol, devido ao poder calorífico do etanol em relação à gasolina.
13 Figura 3 - Razão de preços entre Etanol e Gasolina
Fonte: Elaboração própria com base nos dados obtidos pela ANP
Na Figura 3, a linha tracejada em vermelho corresponde a condição de competitividade do etanol com a gasolina. Observa-se que o comportamento crescente das vendas de etanol foi interrompido entre o final de 2009 e o início de 2010, quando a condição de competitividade foi violada, e desde então as vendas de etanol tiveram dificuldade de recuperar sua participação no mercado (ANP, 2013), voltando a demonstrar novo crescimento entre 2015 e 2018.
2.2. MERCADO REVENDEDOR DE GASOLINA DO BRASIL
Segundo o relatório da ANP “Evolução de mercado de combustíveis”(2013), o mercado de gasolina apresentou uma mudança estrutural significativa na última década.
14 Figura 4 – Série de vendas (m³) de Gasolina do Brasil
Fonte: Elaboração própria com base nos dados obtidos pela ANP
Na Figura 4 observa-se que em 2010 houve uma mudança bastante nítida no comportamento da série, esta mudança é explicada pela entrada dos veículos
flex-fuel. Ainda segundo o relatório da ANP “Evolução de mercado de
combustíveis”(2013), após 2010, este crescimento se tornou muito mais visível. Como foi visto na seção anterior, onde foram abordados os pontos de queda brusca na venda de etanol, pode-se observar que onde houve o decrescimento de vendas de etanol foi justamente onde as vendas de gasolina tiveram esta acentuação no crescimento de suas vendas.
Na Figura 5 esta relação está melhor explicitada através de um gráfico que cruza estes dois mercados:
15 Figura 5 - Série de vendas (m³) de Gasolina e de Etanol do Brasil
16
3. METODOLOGIAS
Neste trabalho serão utilizadas as redes neurais recorrentes. Abaixo será descrito conceitos básicos de redes neurais e as técnicas utilizadas para a modelagem dos dados para as duas séries que serão analisadas: vendas em metros cúbicos de etanol e gasolina.
3.1 Introdução a Redes Neurais Artificiais
O trabalho de redes neurais artificiais tem sido motivado desde o começo pelo reconhecimento de que o cérebro humano processa informações de uma forma inteiramente diferente do computador digital convencional. O cérebro é um computador (sistema de processamento de informação) altamente complexo, não-linear e paralelo. Ele tem a capacidade de organizar os seus constituintes estruturais, conhecidos por neurônios, de forma muito mais rapidamente que o mais rápido computador digital hoje existente [HAYKIN, 2001].
As redes neurais artificiais são ferramentas de Inteligência Artificial que possuem a capacidade de se adaptar e de aprender a realizar certa tarefa, ou comportamento, a partir de um conjunto de exemplos dados. [OSÓRIO & BITTENCOURT, 2000].
O sistema nervoso de que o cérebro faz parte, controla as reações rápidas do corpo, como uma contração muscular (função motora) e controla a velocidade e equilibra a taxa de secreção de muitas glândulas endócrinas. Partes do corpo que têm as funções controladas pelo sistema nervoso tem tempo de resposta relativamente rápido. O sistema endócrino, por outro lado, controla muitas funções do metabolismo do corpo e sua atuação é mais lenta [BARRETO, 2002].
Existem dois tipos principais de células no cérebro, os neurônios e a glia. É comum atribuir aos neurônios as principais funções cerebrais já que a função da glia ainda tem muito a ser descoberto. Existem aproximadamente 10¹¹ neurônios no cérebro humano. Eles podem ser de diversos tipos. Um neurônio típico é apresentado na Figura 6. O neurônio tem um corpo celular chamado soma e diversas ramificações. As ramificações conhecidas como dendritos, conduzem sinais das extremidades para o corpo celular. Existe também uma ramificação, geralmente única, chamada axônio, que transmite um sinal do corpo celular para suas extremidades. As extremidades do axônio são conectadas com dendritos de outros neurônios pelas sinapses. Em muitos
17 casos, um axônio é diretamente conectado com outros axônios ou com o corpo de outro neurônio [BARRETO, 2002].
Figura 6 – Neurônio biológico Fonte: Bezerra, 2016
As sinapses têm um papel fundamental na memorização da informação e são principalmente as do córtex cerebral e algumas vezes de partes mais profundas do cérebro que armazenam esta informação. Pode-se imaginar que em cada sinapse, a quantidade de neurotransmissores que podem ser liberados para uma mesma frequência de pulsos do axônio representa a informação armazenada nesta sinapse. [BARRETO, 2002].
Inspirado no neurônio orgânico, o neurônio artificial nada mais é do que uma estrutura lógico-matemática que simula o comportamento e as funções do biológico. Os neurônios artificiais são as unidades da rede neural. Em uma analogia com o biológico foi nomeado de perceptron onde os dendritos foram trocados por entradas. As ligações com o corpo celular artificial são os pesos (simulando as sinapses). Os estímulos recebidos são processados por uma função de soma e o limiar para ativação do neurônio biológico foi substituído pela função de transferência.
18 Figura 7 – Neurônio artificial
Fonte: Elaboração própria
Em resumo no modelo geral de neurônio artificial as entradas têm um peso atribuído e são combinadas usando uma função, para produzir um estado de ativação do neurônio. O neurônio é ativado quando a soma dos impulsos (entradas) que ele recebe é maior que seu limiar de excitação. [SANTOS, 2013].
3.2 Tipos de Arquiteturas
As redes neurais são divididas em três tipos de arquiteturas: redes feedfoward de uma camada ou múltiplas camadas e redes recorrentes.
3.2.1 Redes Feedfoward de uma ou múltiplas camadas
As redes em que os neurônios são organizados em forma de camadas, aonde os nós da camada de entrada se comunicam diretamente com a camada de saída (nós computacionais), são chamadas de redes de uma camada.
Já as redes de múltiplas camadas distinguem-se da anterior por apresentar uma ou mais camadas escondidas. A função dos neurônios escondidos é intervir entre a camada de entrada e a de saída da rede de alguma maneira útil. Pela adição de uma ou mais camadas, a rede passa a melhor mapear problemas mais complexos.
19 A arquitetura do tipo feedforward em camadas apresenta uma organização similar à do córtex humano, onde os neurônios se dispõem em camadas paralelas e consecutivas, e os axônios se estendem sempre no mesmo sentido, isto é, a informação propaga-se da entrada para a saída, não existindo, portanto, ligações entre os neurônios de uma mesma camada ou com camadas anteriores. [FURTADO, 2019].
Abaixo, pode-se observar na Figura 8 exemplos destas arquiteturas:
Figura 8 – Exemplos de arquitetura de rede: a) camada única b) multicamadas Fonte: FURTADO, 2019
3.2.2 Redes Recorrentes
Este tipo de rede distingue-se das redes neurais do tipo feedforward por permitir a realimentação de uma camada com as informações geradas pela camada posterior, ou ainda por fazer uma realimentação do neurônio com a sua própria saída (self-feedback).
Para permitir essa realimentação, um dispositivo de atraso é introduzido, guardando as informações de saída de um instante anterior, até que ela possa ser fornecida como entrada do instante atual. [FURTADO, 2019]
Tal como ocorre em redes alimentadas à frente, a rede recorrente pode ter uma única camada ou pode ter camadas ocultas (rede recorrente de múltiplas camadas).
3.2.2.1 Redes Long-Short Term Memory
Em meados dos anos 90, a proposta dos pesquisadores alemães Sepp Hochreiter e Juergen Schmidhuber apresentou uma variação da rede recorrente com as chamadas unidades de Long Short-Term Memory, como uma solução para o
20 problema do desaparecimento de gradiente, comum em redes neurais recorrentes. [Deep Learning Book, 2019].
Elas o fazem ao manter o fluxo do erro constante através de unidades especiais chamadas “portões” (gates), que permitem ajustes de pesos da mesma forma que o truncamento da sequência quando a informação não é necessária, simbolizando um esquecimento.
O diagrama abaixo, Figura 9, ilustra como os dados fluem através de uma célula de memória e são controlados por seus portões.
Figura 9 – Redes Long-Short Term Memory Fonte: Deep Learning Book, 2019 Existem três portões:
Forget Gate: As informações que não são mais úteis no estado da célula são
removidas com o forget gate. Se para um determinado estado de célula a saída for 0, a informação é esquecida e para a saída 1, a informação é retida para uso futuro.
Input Gate: A adição de informações úteis ao estado da célula é feita pelo input gate.
Output Gate: A tarefa de extrair informações úteis do estado da célula atual
para ser apresentadas como uma saída é feita pelo output gate. [Deep Learning Book, 2019].
Esse tipo de rede tem sido amplamente usado e sido capaz de alcançar alguns dos melhores resultados quando colocados em comparação com outros métodos [Graves, 2012].
21
3.3 Regularizando as Rede Neurais
Alguns métodos são utilizados para regularizar as redes neurais, ou seja, evitar o overfiting. A seguir serão citados os métodos utilizados neste trabalho.
3.3.1 Dropout
O dropout é uma técnica que aborda dois tipos de soluções: evita o overfitting e fornece uma maneira de combinar de forma exponencial outras topologias de redes neurais diferentes de forma eficaz. O termo "dropout" se refere ao abandono dos neurônios escondidos e visíveis em modelos de redes neurais. Ao referenciar o abandono desses neurônios, o intuito é removê-los temporariamente da rede, juntamente com todas as suas conexões de entradas e saídas. A escolha de quais neurônios serão removidos (desativadas) é aleatória. [BUZUTI, 2018].
Abaixo, na Figura 10 pode-se observar um exemplo de rede aonde o dropout foi utilizado.
Figura 10: a) Modelo de rede neurais padrão, b) Modelo após droppout Fonte: Srivastava, 2014.
3.3.2 Parada antecipada (Early stopping)
Ao treinar redes neurais, várias decisões precisam ser tomadas em relação às configurações (hiperparâmetros) usadas, a fim de obter um bom desempenho. Um desses hiperparâmetros é o número de épocas de treinamento: ou seja, quantas passagens completas do conjunto de dados (épocas) devem ser usadas? Se usarmos poucas épocas, poderemos ter problemas de underfitting (ou seja, não aprender tudo o que pudermos com os dados de treinamento); se usarmos muitas épocas, podemos
22 ter o problema oposto, overfitting (“aprender demais”, ou seja, ajustar o “ruído” nos dados de treinamento, e não o sinal).
Usamos o Early Stopping (“Parada Antecipada”) exatamente para tentar definir manualmente esse valor. Usar Early Stopping significa que, no final de cada época, devemos calcular a precisão da classificação nos dados de validação. Quando a precisão parar de melhorar, terminamos o treinamento. [Deep Learning Book, 2019].
3.3.3 Algoritmo de otimização Adam
O algoritmo Adam, proposto por Kingma e Ba (2015), é um método de otimização de funções objetivo estocásticas a partir de gradientes de primeira ordem, baseado na estimação adaptativa de momentos de ordem inferior. O seu nome se deriva de “adaptive moment estimation”, isto é, estimação de momento adaptativo. O método combina as vantagens de outros dois métodos (AdaGrad e o RMSprop). Ele calcula as taxas de aprendizado adaptativas individuais para diferentes parâmetros a partir da estimativa dos momentos de primeira e segunda ordem dos gradientes.
23
4. ARQUITETURA DO SISTEMA PROPOSTO
As arquiteturas utilizadas neste trabalho consideraram as redes neurais recorrentes com unidades de Long Short-Term Memory.
Foram utilizadas três camadas escondidas variando-se o número de neurônios destas.
Foi utilizado o método de regularização dropout com taxa de perda de 20% e também se utilizou o algoritmo de otimização de Adam e Early Stopping.
O número de observações utilizado para os treinamentos variou em cada experimento de acordo com a necessidade.
A seguir pode-se observar na Figura 11, o modelo utilizado neste trabalho para uma das modelagens de etanol, utilizando 10 janelas. A imagem foi criada em python com os frameworks tensorflow e keras.
Figura 11: Modelo utilizado e suas camadas Fonte: Elaboração própria
A seguir pode-se observar na Figura 12, outro modelo utilizado neste trabalho para uma das modelagens de gasolina, utilizando 5 janelas. Esta imagem também foi criada em python com os frameworks tensor flow e keras.
24 Figura 12: Modelo utilizado e suas camadas
Fonte: Elaboração própria
Experimentos foram implementados e comparados variando-se o número de épocas e janelas de treinamento. Estes poderão ser vistos no próximo capítulo.
25
5. RESULTADOS
5.1 Experimentos para a série de vendas de Etanol
Foram realizados 7 experimentos para a série de etanol a fim de detectar o menor MAPE. Os resultados e parâmetros utilizados encontram-se na Tabela 1 abaixo:
Tabela 1: Experimentos para a série de vendas de etanol
Experimentos Janelas Épocas MAPE Nº Observações
1 5 1000 10,55 115,00 2 5 200 12,40 115,00 3 10 1000 11,43 65,00 4 10 500 10,83 65,00 5 10 2000 8,57 65,00 6 20 1000 26,31 64,00 7 10 2000 8,78 120,00
Fonte: Elaboração própria
No primeiro e segundo experimentos foram utilizadas 5 janelas e 115 observações, variando-se apenas o número de épocas. Para estes experimentos foram obtidos MAPEs de 10,55 e 12,40 respectivamente.
No terceiro, quarto e quinto experimentos foram utilizadas 10 janelas e 65 observações, variando-se apenas o número de épocas. O menor MAPE obtido foi o do 5º experimento, 8,57. Este quinto experimento, no entanto, pelo early stopping chegou a 220 épocas.
No sexto experimento foram utilizadas 20 janelas, 1000 épocas e 64 observações. O MAPE obtido foi muito alto, 26,31, e, portanto, não foram feitos mais experimentos com 20 janelas.
No sétimo experimento, retornou-se às 10 janelas e 2000 épocas, porém alterou-se o número de obalterou-servações a fim de verificar alterou-se o resultado melhoraria. O MAPE obtido foi bem similar, 8,78.
A seguir pode-se observar na Figura 13 o ajuste da série para os experimentos de menor MAPE:
26 Figura 13: a) Ajuste experimento 5; b) Ajuste experimento 7
Fonte: Elaboração própria
5.2 Experimentos para a série de vendas de Gasolina
Foram realizados 7 experimentos para a série de gasolina a fim de detectar o menor MAPE. Os resultados e parâmetros utilizados encontram-se na Tabela 2 abaixo:
Tabela 2: Experimentos para a série de vendas de gasolina
Experimentos Janelas Épocas MAPE Observações
1 10 50 11,57 65,00 2 10 1000 4,20 120,00 3 10 100 4,44 120,00 4 5 1000 4,13 115,00 5 5 250 6,76 115,00 6 5 50 3,36 115,00 7 10 150 3,73 208,00
Fonte: Elaboração própria
No primeiro experimento foram utilizadas 10 janelas, 65 observações e 50 épocas. Para este experimento foi obtido MAPE de 113,57.
No segundo e terceiro experimentos foram utilizadas 10 janelas e 120 observações, variando-se apenas o número de épocas. Para estes experimentos foram obtidos MAPEs de 4,20 e 4,44 respectivamente.
No quarto, quinto e sexto experimentos foram utilizadas 5 janelas e 115 observações, variando-se apenas o número de épocas. O menor MAPE obtido foi o do 6º experimento, 3,36. Este sexto experimento completou as 50 épocas mesmo com o early stopping.
No sétimo experimento, retornou-se às 10 janelas, testando agora 150 épocas e 208 observações a fim de verificar se o resultado melhoraria. O MAPE obtido foi bem similar, ao sexto experimento, 3,73.
A seguir pode-se observar na Figura 14 o ajuste da série para os experimentos de menor MAPE:
27 Figura 14: a) Ajuste experimento 6; b) Ajuste experimento 7
Fonte: Elaboração própria
Embora o MAPE tenha ficado melhor do que o observado nos experimentos da série de etanol, pelas imagens pode-se observar que o ajuste não ficou tão aderente às diversas variações que a série possui. Percebe-se que as curvas de previsões ficaram muito suaves quando comparadas às curvas reais e que apesar disso, a previsão está capturando bem os movimentos marcos de alta e baixa. Um trabalho futuro para tentativa de melhoria nesta inferência, poderia envolver a análise dos parâmetros adequados de early stopping, a modelagem da rede neural, e também a melhor análise dos dados de entrada para cada input da LSTM.
28
6. CONCLUSÕES E TRABALHOS FUTUROS
Os resultados mostraram que é possível encontrar modelos de redes neurais recorrentes que se ajustem as séries dos mercados revendedores de etanol e gasolina do Brasil. Foi observado que o melhor modelo de etanol utilizou 10 janelas, 65 observações e chegou a um MAPE de 8,57. Já o melhor modelo de gasolina utilizou 5 janelas, 115 observações e chegou a um MAPE de 3,36.
Com relação ao modelo ajustado para o mercado revendedor de etanol, pelo gráfico observado na Figura 13, nota-se um bom ajuste embora o MAPE esteja em 8,57. Já com relação ao modelo ajustado para o mercado revendedor de gasolina, acontece o contrário. O gráfico, Figura 14, indica um ajuste não tão aderente, porém um MAPE melhor que chega em 3,36.
Pode-se concluir que os modelos se mostram capazes de fazer boas previsões pois conseguem se ajustar de forma eficiente às séries históricas e assim serem considerados ferramentas importantes para que o mercado revendedor possa se planejar para as possíveis demandas futuras.
Com o objetivo de melhorar o desempenho da rede, trabalhos futuros devem tentar identificar outras modelagens ou arquiteturas que consigam captar melhor a sazonalidade e variações destas séries, em especial a de gasolina.
29
Referências Bibliográficas
ANP, Agência Nacional do Petróleo, Gás Natural e Biocombustíveis. - Evolução do mercado de combustíveis e derivados: 2000 – 2012. Rio de Janeiro, 2013. Disponível em <http://www.anp.gov.br/images/central-de-conteudo/notas-estudos-tecnicos/estudos-tecnicos/estudo-tematico-1-2013-spd.pdf>. Acessado em 27 de dezembro de 2019.
ANP, Agência Nacional do Petróleo, Gás Natural e Biocombustíveis. Boletim Anual de Preços 2012: preços do petróleo, gás natural e combustíveis nos mercados nacional e internacional. Rio de Janeiro, 2012 . Disponível em < http://www.anp.gov.br/images/Boletim-Anual/Boletim-2012.pdf>. Acessado em 27 de dezembro de 2019.
ANP, Agência Nacional do Petróleo, Gás Natural e Biocombustíveis. Boletim Anual de Preços 2016: preços do petróleo, gás natural e combustíveis nos mercados nacional e internacional. Rio de Janeiro, 2016 . Disponível em < http://www.anp.gov.br/images/Boletim-Anual/Boletim-2016.pdf>. Acessado em 27 de dezembro de 2019.
ANP, Agência Nacional do Petróleo, Gás Natural e Biocombustíveis. Série histórica do levantamento de preços e de margens de comercialização de combustíveis -
serie semanal, 2019 . Disponível em
<http://www.anp.gov.br/images/Precos/Semanal2013/SEMANAL_BRASIL-DESDE_2013.xlsx>. Acessado em 27 de dezembro de 2019.
BARRETO, J. M. Introdução as Redes Neurais Artificiais. [s.l.] Universidade Federal de Santa Catarina, 2002.
BEZERRA, SABRINA. (2016). Reservoir Computing com Hierarquia para Previsão
de Vazões Médias Diárias. Disponível em
<https://www.researchgate.net/publication/307578398_Reservoir_Computing_com_ Hierarquia_para_Previsao_de_Vazoes_Medias_Diarias>
BUZUTI, L. F.; THOMAZ, C. E. RECONHECIMENTO DE FACES POR APRENDIZADO PROFUNDO : DROPOUT EM AUTOENCODERS. p. 2–3, 2018. Data Science Academy. Deep Learning Book, 2019. Disponível em: <http://www.deeplearningbook.com.br/>. Acesso em: 23 de dezembro de 2019. FURTADO, MARIA INÊS VASCONCELLOS. Redes neurais artificiais [recurso eletrônico] : uma abordagem para sala de aula. – Ponta Grossa (PR): Atena Editora, 2019.
GRAVES, A. (2012). Supervised Sequence Labelling with Recurrent Neural Networks, volume 385 of Studies in Computational Intelligence. Springer. ISBN 978-3-642-24796-5.
GUIMARÃES, ROBERTO. Redes Neurais Artificiais na Análise de Séries Temporais de Produção de Petróleo. [s.l: s.n.].
30 HAYKIN, S. Redes Neurais Princípios e prática. Tradução de Paulo Martins Engel. 2ª. ed. Porto Alegre: Bookman, 2001. ISBN 85-7307-718-2
KINGMA, D. P.; BA, J. L. Adam: A Method for Stochastic Optimization. International Conference for Learning Representations. Anais...2015
OSÓRIO, F.; BITTENCOURT, J. R. Sistemas Inteligentes baseados em Redes Neurais Artificiais aplicados ao Processamento de Imagens. I Workshop De Inteligência Artificial. Anais...2000Disponível em: <http://www.researchgate.net/publication/228588719_Sistemas_Inteligentes_basead os_em_redes_neurais_artificiais_aplicados_ao_processamento_de_imagens/file/d91 2f51001cc71ad2b.pdf>
SANTOS, C. S. S. DOS. Previsão da Incidência de Dengue no Estado do Rio de Janeiro através de Redes Neurais Artificiais. [s.l: s.n.].
SRIVASTAVA, N. et al. Dropout: A Simple Way to Prevent Neural Networks from Overfitting. Journal of Machine Learning Research, v. 15, p. 1929–1958, 2014.
