Machine learning with continuous training applied to short-term demand forecasting: the case of the university restaurant of the Federal University of Uberlândia

Planning in situations of uncertainty requires the use of information that assists managers in decision making. The analysis of time series with the aim of creating predictions about future events is an important ally in this process. In this context the demand forecast analysis can be defined as a projection of the future on the demand for goods or services offered by an organization. With this information, managers can guide their actions in function of the operational and strategic objectives. Therefore, generating reliable and accurate forecasts is an indispensable activity for any institution focused on the supply of goods or services. This work investigates the application of methods based on machine learning for the generation of short term quantitative forecasts. Given the volatility characteristic of consumer relations influenced by several factors, the relationship between the explanatory variables and the forecast demand may change over time. Thus, forecasting models may show degradation of their accuracy if they are not constantly updated. Thus, this research compares the performance of four machine learning algorithms with continuous training capacity. The dataset used in the experiment consists of the daily demand for meals at the university restaurant of the Federal University of Uberlândia. To train the models, data were collected between January 2015 and April 2018, and the last six months were reserved for the test procedure. The methodology adopted is based on the CRISP-DM process with the use of appropriate practices for machine learning projects. The results indicated that the methodology employed was able to produce models with good quality of fit (uncorrelated residues and residual mean close to zero) and an adequate generalization capacity, measured by RMSE and MAE metrics.Dissertação (Mestrado)Planejar em situações de incerteza requer o uso de informações que auxiliam os gestores na tomada de decisão. A análise de séries temporais com o objetivo de criar previsões sobre eventos futuros é uma importante aliada neste processo. Neste contexto situa-se a análise de previsão de demanda que pode ser definida como uma projeção do futuro sobre a procura por bens ou serviços oferecidos por uma organização. De posse dessa informação os gestores podem orientar suas ações em função dos objetivos operacionais e estratégicos. Portanto, gerar previsões confiáveis e precisas é uma atividade indispensável para qualquer instituição com foco no fornecimento de bens ou serviços. Este trabalho investiga a aplicação de métodos baseados em aprendizado de máquina para a geração de previsões quantitativas de curto prazo. Dada a volatilidade característica das relações de consumo influenciadas por diversos fatores, a relação entre as variáveis explicativas e a demanda prevista podem sofrer alterações ao longo do tempo. Assim, os modelos de previsão podem apresentar degradação da sua acurácia se não forem atualizados constantemente. Dessa forma, esta pesquisa compara o desempenho de quatro algoritmos de aprendizado de máquina com capacidade de treinamento continuado. O dataset utilizado no experimento consiste na demanda diária de refeições do restaurante universitário da Universidade Federal de Uberlândia. Para treinamento dos modelos foram coletados dados compreendidos entre janeiro de 2015 a abril de 2018, sendo que os últimos seis meses foram reservados para o procedimento de teste. A metodologia adotada baseia-se no processo CRISP-DM com utilização de práticas apropriadas a projetos de aprendizado de máquina. Os resultados indicaram que a metodologia empregada foi capaz de produzir modelos com boa qualidade de ajuste (resíduos não correlacionados e média residual próxima de zero) além de uma capacidade de generalização adequada, aferida pelas métricas RMSE e MAE