Uma atividade de importância para os operadores logísticos e transportadoras é a previsão de demanda por transportes, que permite tomar decisões relacionadas às suas operações, infraestrutura, gestão e planejamento do uso de recursos. Na década de 2010 foi observado um aumento do uso de modelos de aprendizagem de máquina para previsões nas cadeias de suprimentos, destacando-se a implementação de redes neurais profundas. O objetivo deste trabalho foi realizar um estudo de caso na previsão de demandas agregadas de transportes das unidades expedidoras de uma transportadora brasileira. Os métodos de simulação computacional e estudo de caso foram aplicados, explorando as características dos conjuntos de dados, nos quais foram aplicados os modelos Autoregressive Integrated Moving Average e suas variações, e também as redes neurais profundas Long Short-Term Memory networks. Nove cenários foram explorados, considerando-se diferentes técnicas para detecção e tratamento de dados, avaliando os respectivos reflexos nas previsões e a influências de variáveis exógenas. Além disso, foram realizadas divisões entre conjuntos de dados de treino e teste durante a validação cruzada, e avaliação dos hiperparâmetros relevantes para cada modelo. Observou-se que redes neurais Long Short-Term Memory, obtiveram previsões mais assertivas que os modelos estatísticos em noventa e quatro por cento das unidades expedidoras entre os cenários avaliados, enquanto os modelos Autoregressive Integrated Moving Average em apenas os cinco por cento restantes.

An activity of importance for logistics operators and carriers is the transportation demand forecast, leveraging business operation decisions, infrastructure, management and resource planning. In 2010s years, an increase in the use of machine learning models in supply chain has been observed, remarking Deep neural networks implementation. The objective of this work was to perform a case study of aggregated transportation demand forecasts in distribution centers of a Brazilian carrier. The computational simulation and case study methods were applied, exploring the characteristics of the datasets, applied through Autoregressive Integrated Moving Average (ARIMA) and its variations and a deep neural network, Long Short-Term Memory, known as LSTM. Nine scenarios were explored, considering different data preprocessing, evaluating how the outliers and exogenous variables can affect the demands forecasts. Moreover, splitting training and testing datasets during cross-validation, and relevant hyperparameters for each model. It was observed that the long short-term memory networks outperformed the statistics methods in ninety four percent of the dispatching units over the evaluated scenarios, while the Autoregressive Integrated Moving Average models the remaining five percent.