Modelagem híbrida sarima-autoformer para previsão de demanda no varejo
Loading...
Date
Authors
Advisor
Co-advisors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
A previsão de demanda desempenha papel estratégico na gestão do varejo, ao influenciar
decisões relacionadas à gestão de estoques e ao planejamento operacional. Contudo,
a elevada variabilidade das séries de vendas, marcada por sazonalidades, tendências e
comportamentos não lineares, impõe limitações aos modelos estatísticos tradicionais. Nesse
contexto, a literatura tem avançado na proposição de modelos híbridos, que combinam
abordagens clássicas e técnicas de aprendizado de máquina. Este estudo tem como objetivo
avaliar em que medida a modelagem dos resíduos do modelo Sazonal Auto-Regressivo
Integrado de Médias Móveis (SARIMA) por meio da arquitetura Autoformer contribui para
a melhoria do desempenho preditivo e para a redução da incerteza associada à tomada de
decisão no varejo. Como referência metodológica, adota-se a abordagem de decomposição
proposta por Zhang (2003), na qual o modelo estatístico captura os componentes lineares
da série, enquanto modelos não lineares são empregados na modelagem dos resíduos.
A proposta é comparada a estratégias recorrentes na literatura, baseadas na utilização
de Long Short-Term Memory (LSTM) e Random Forest (RF). A pesquisa utiliza séries
temporais univariadas de vendas da rede varejista equatoriana La Favorita, considerando
diferentes famílias de produtos. A avaliação é realizada por meio das métricas Root Mean
Squared Error (RMSE), Mean Absolute Percentage Error (MAPE) e U de Theil, além do
teste estatístico de Diebold-Mariano (DM). Os resultados indicam que o modelo híbrido
SARIMA–Autoformer apresenta desempenho competitivo e, em diversos cenários, superior
às abordagens baseadas em Long Short-Term Memory (LSTM) e Random Forest (RF),
especialmente na captura de padrões sazonais e dependências de longo prazo. Como
contribuição, o estudo amplia a literatura ao incorporar o Autoformer como estratégia de
modelagem residual aplicada à previsão de demanda no varejo.
Abstract in another language
Demand forecasting plays a strategic role in retail management, as it influences decisions
related to inventory management and operational planning. However, the high variability
of sales time series, characterized by seasonality, trends, and nonlinear behaviors, imposes
limitations on traditional statistical models. In this context, the literature has advanced
toward the development of hybrid models that combine classical approaches with machine
learning techniques. This study aims to evaluate to what extent residual modeling of the
SARIMA model using the Autoformer architecture contributes to improving predictive
performance and reducing uncertainty associated with retail decision-making. As a
methodological reference, the decomposition approach proposed by Zhang (2003) is adopted,
in which the statistical model captures the linear components of the series, while nonlinear
models are employed to model the residuals. The proposed approach is compared with
recurrent strategies in the literature based on Long Short-Term Memory (LSTM) and
Random Forest (RF). The study uses univariate sales time series from the Ecuadorian retail
chain La Favorita, considering different product families. Model performance is evaluated
using the RMSE, MAPE, and Theil’s U metrics, in addition to the DM statistical test.
The results indicate that the hybrid SARIMA–Autoformer model presents competitive
performance and, in several scenarios, outperforms approaches based on LSTM and RF,
particularly in capturing seasonal patterns and long-term dependencies. As a contribution,
this study extends the literature by incorporating the Autoformer as a residual modeling
strategy applied to retail demand forecasting
Keywords
Previsão de demanda, Séries temporais, Modelos híbridos, Autoformer, Varejo
Área do conhecimento
Ciências Sociais Aplicadas
Citation
MARQUES, Sergio Gledson de Lima Marques. Modelagem híbrido sarima-autoformer para previsão de demanda no varejo. 2026. Dissertação (Mestrado Acadêmico em Administração) - Universidade Federal do Cariri, Juazeiro do Norte, 2026.