App Emplacamentos

Este repositório contém arquivos e dados de um aplicativo Shiny de simulação preditiva para o Total de Emplacamentos de Caminhões no Brasil, conforme a ANFAVEA.

Detalhes técnicos

O aplicativo/modelo preditivo foi desenvolvindo de acordo com a metodologia CRISP-DM, seguindo as seguintes etapas:

• Definição do problema: a tarefa era construir um modelo preditivo para o total de emplacamentos de caminhões, integrando o mesmo em uma dashboard interativa para permitir simulações de cenários.
• Coleta de dados: identificou-se as fontes de dados ANFAVEA, IBGE e BCB e estruturou-se uma base de dados de frequência mensal, contemplando indicadores macroeconômicos, para uso em modelos.
• Análise de Dados: investigou-se as principais características, padrões e relações da variável dependente, encontrando-se estrutura autoregressiva e forte relação com indicadores macroeconômicos.
• Modelagem e Previsão: implementou-se a técnica de validação cruzadda de séries temporais para investigar a generalização de modelos candidatos estatísticos (ARIMA, ETS) e de machine learning (Random Forest, XGBoost), assim como um modelo de base comparativa (Random Walk) e um modelo de meta-aprendizagem (Ensemble).
• Validação: identificou-se que o modelo Ensemble, combinação ponderada dos demais, se generaliza melhor com base em métricas como ME e RMSE, mesmo após avaliar com horizontes preditivos (meses).
• Implantação: desenvolveu-se uma dashboard Shiny interativa para visualizar os indicadores do modelo, personalizar o cenário para variáveis exógenas e produzir previsões para a variável dependente, incluindo previsão média e intervalos de previsão.

Detalhes de acurácia dos modelos:

Todo o processo primou pela automação de rotinas.

O código da aplicação está estruturado da seguinte forma:

.
├── .devcontainer                        # Docker container para reprodução online
├── dados                                # arquivos de dados brutos e saídas de código
├── imgs                                 # arquivos de imagem
├── Python                               # arquivos para dashboard Shiny
│   ├── www                              # arquivos estáticos (estilos)
│   ├── app.py                           # dashboard Shiny
├── R                                    # arquivos de estruturação de dados e de modelagem preditiva
│   ├── 00_dependencias.R                # script para instalação de pacotes R
│   ├── 01_base_de_dados.R               # script para estruturar base de dado
│   ├── 02_analise_selecao_variaveis.R   # script para análise exploratória de variáveis
│   ├── 03_validacao_cruzada.R           # script para validação cruzada de séries temporais
│   ├── 04_cenarios.R                    # script para automatizar cenários de exógenas
│   ├── 05_modelo.R                      # script para inferência de parâmetros do modelo final
│   ├── 06_previsao.R                    # script para produzir previsões
├── README.md                            # documentação
├── requirements.txt                     # fixação de dependências Python

Instalação

Siga as etapas abaixo para instalação de softwares necessários para a aplicação:

1. No repositório GitHub, clique em Code > Codespaces > Create codespace on main
2. No VS Code, instale as dependências: a. Navegue até o arquivo em R/00_dependencias.R e execute o código de instalação (CTRL+A + CTRL+ENTER) b. Abra um Terminal bash (CTRL+SHIFT+C) e rode o comando: pip install -r requirements.txt

Execução

No VS Code, primeiro rode os scripts R de 01 a 06 e, então, inicie a dashboard com o comando no Terminal bash (CTRL+SHIFT+C):

shiny run --reload --launch-browser Python/app.py

Encerre a aplicação com CTRL+C no Terminal. Ao final, delete o Codespace criado em sua conta GitHub.

Limitações

• Coleta de dados online: o código utiliza APIs/links para dados em fontes online, não havendo garantias de disponibilidade ininterrupta.
• Modelo: os algoritmos foram limitados à restrição de dados do projeto, podendo ser aprimorado com mais dados e com aprofundamento na engenharia de variáveis.
• Dashboard: a UI é simples e está longe do ideal, havendo necessidade de testes e personalização.