Please use this identifier to cite or link to this item: http://repositorio.ufersa.edu.br/handle/prefix/6327
metadata.dc.type: Trabalho de Conclusão de Curso
Title: Modelo de previsão de bolsas de sangue baseado em aprendizado de máquina
metadata.dc.creator: Silva, Jonathan Santos Soares e
metadata.dc.contributor.advisor1: Carmo, Breno Barros Telles do
metadata.dc.contributor.referee1: Rocha, Miriam Karla
metadata.dc.contributor.referee2: Yamashita, Gabrielli
metadata.dc.contributor.referee3: Gonçalo, Thomas Edson Espínola
metadata.dc.description.resumo: A previsão demanda de bolsas de sangue tem o propósito de contribuir para uma gestão mais eficiente dos hemocentros, direcionando campanhas de coleta mais efetivas e, consequentemente, enfrentando os problemas de rupturas de estoques que ameaçam a qualidade do serviço prestado. O problema, então, está na eficiência na gestão de bolsas de sangue, uma vez que não se tem um direcionamento ou previsão demanda desses itens em hemocentros da região. O método proposto está organizado em cinco fases: (i) extração dos conjuntos de dados através de bancos de dados relacionais, (ii) organização do banco de dados, (iii) verificação da consistência da base de dados, (iv) aplicação do método ARIMA para previsão de bolsas de sangue e (v) análise do desempenho do modelo de previsão. Foram obtidos os conjuntos de dados com visualização de suas respectivas séries temporais. Posteriormente os dados foram tratados para aplicação do método ARIMA em seguida, onde foram identificados dados discrepantes nos tipos sanguíneos AB+, AB-, B+, B- e A-. Estes tipos sanguíneos foram tratados por meio dos testes de normalidade de Shapiro-Wilk e os valores discrepantes foram substituídos pela média. De acordo com a representação de autocorrelações, autocorrelações parciais e testes de estacionariedade de Adfuller, foi feito a configuração dos parâmetros usados pelo modelo de previsão. Também foi implementado um algoritmo automático (auto.ARIMA) de detecção dos melhores parâmetros a serem usados. Após a separação dos conjuntos de dados em treino e teste, foi verificado o desempenho do modelo para os tipos sanguíneos, e dois deles (A+ e O+) apresentaram menores erros proporcionais uma vez que estes possuem seus valores de bolsas de sangue mais elevados. O modelo também apresentou indicativos de previsão de acordo com a demanda real, sejam elas negativas ou positivas. O tipo sanguíneo AB- obteve maior erro, tornando seu uso em casos práticos não indicado. Foi constatado também que os conjuntos de dados possuem grande aleatoriedade nos dados, podendo ser interessante a análise multivariada de séries temporais que abranjam períodos festivos, cirurgias eletivas, dentre outros.
Abstract: The demand forecast for blood bags has the purpose of contributing to a more efficient management of blood centers, directing more effective collection campaigns and, consequently, facing the problems of stockouts that threaten the quality of the service provided. The problem, then, lies in the efficiency in the management of blood bags, since there is no targeting or forecast demand for these items in blood centers in the region. The proposed method is organized in five phases: (i) extraction of data sets through relational databases, (ii) organization of the database, (iii) verification of the consistency of the database, (iv) application of the method ARIMA for forecasting blood bags and (v) analyzing the performance of the forecasting model. Data sets were obtained with visualization of their respective time series. Subsequently, the data were treated for application of the ARIMA method afterwards, where discrepant data were identified in blood types AB +, AB-, B +, B- and A-. These blood types were treated using Shapiro-Wilk's normality tests and outliers were replaced by the mean. According to Adfuller's representation of autocorrelations, partial autocorrelations and stationarity tests, the parameters used by the forecast model were configured. An automatic algorithm (auto.ARIMA) was also implemented to detect the best parameters to be used. After separating the data sets in training and testing, the performance of the model for blood types was verified, and two of them (A + and O +) showed lower proportional errors since they have their highest blood bag values. The model also presented forecast indicators according to real demand, whether negative or positive. The blood type AB- obtained a greater error, making its use in practical cases not indicated. It was also found that the data sets have great randomness in the data, and the multivariate analysis of time series that cover festive periods, elective surgeries, among others, may be interesting.
Keywords: ARIMA
Séries temporais
Aprendizagem de máquina
Previsão de bolsas de sangue
Time series
Machine Learning
Blood bags forecast
metadata.dc.subject.cnpq: CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO
metadata.dc.language: por
metadata.dc.publisher.country: Brasil
Publisher: Universidade Federal Rural do Semi-Árido
metadata.dc.publisher.initials: UFERSA
metadata.dc.publisher.department: Centro de Engenharias - CE
Citation: Silva (2020) (SILVA, 2020)
metadata.dc.rights: Acesso Aberto
URI: http://repositorio.ufersa.edu.br/handle/prefix/6327
Issue Date: 11-Dec-2020
Appears in Collections:Engenharia de Produção

Files in This Item:
File Description SizeFormat 
JonathanSSS_MONO.pdf1.36 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.