Main Article Content

Resumo

Atualmente, o setor agrícola enfrenta o desafio de crescer, de modo competitivo, para atender a demanda interna e manter o espaço conquistado no mercado externo. Produtores, no mercado competitivo da soja, precisam de ferramentas de previsão de preço. As previsões de preço incorporam informações cruciais no momento da comercialização da safra. Neste contexto, este trabalho tem como objetivo aplicar modelos, baseados em redes neurais artificiais, para previsão do preço da saca de soja no estado do Paraná. A base de dados, disponibilizada pelo Centro de Estudos Avançados em Economia Aplicada (CEPEA), apresenta uma série de preços mensal compreendida ente Janeiro/2000 e Agosto/2020. Modelos de previsão, baseados em Redes Neurais LSTM e BLSTM, foram implementados na linguagem Python. Os resultados obtidos, para um horizonte de curto prazo, mostram que os dois modelos de previsão fornecem estimativas confiáveis para o preço da saca de soja.

Palavras-chave

LSTM BLSTM previsão de preço

Article Details

Biografia do Autor

José Airton Azevedo dos Santos, Universidade Tecnológica Federal do Paraná

Coordenação de Engenharia de Produção

Jandrei Sartori Spancerski, Universidade Tecnológica Federal do Paraná (UTFPR)

PPTGCA: Programa de Pós-Graduação em Tecnologias Computacionais para o Agronegócio

Como Citar
dos Santos, J. A. A., & Sartori Spancerski, J. (2021). Redes neurais aplicadas na predição do preço da soja no estado do Paraná. Exatas & Engenharias, 11(32), 19-32. https://doi.org/10.25242/885X113220212282

Referências

  1. ABRAHAM, B. Statistical methods for forecasting. New York: Wiley & Sons, 2019.
  2. APROSOJA. Associação Brasileira de Produtores de Soja. A Soja. Disponível em: . Acesso em: 2 mar. 2020.
  3. BASTIANI, Miliano et al. Application of data mining algorithms in the management of the broiler production. Revista GEINTEC-Gestão, Inovação e Tecnologias, v. 8, n. 4, p. 4574-4587, 2018.
  4. CANKURT, S.;SUBASI, A. Comparasion of linear regression and neural network models forecasting tourist arrivals to turkey. Eurasian Journal of Science & Engineering, 2015.
  5. CASTRO, Nicole Rennó et al. Modelos univariados e multivariados aplicados à previsão de valores de exportação: uma análise comparativa para o complexo soja. Revista ESPACIOS. v. 27, n. 3, 2016.
  6. CENTRO DE ESTUDOS AVANÇADOS EM ECONOMIA APLICADA (CEPEA). Preço do frango CEPEA/ESALQ - Estado SP. Disponível em: . Acesso em: 19 mar. 2020.
  7. CHEVALIER, G. The Long Short-Term Memory (LSTM) cell can process data sequentially and keep its hidden state through time. CC-BY-SA-4.0, Disponível em: < https://commons.wikimedia.org/wiki/File:The_LSTM_Cell.svg >. Acesso em: 2 fev. 2021.
  8. EMBRAPA. Empresa Brasileira de Pesquisa Agropecuária (EMBRAPA). Soja. Disponível em: . Acesso em: 2 mar. 2020.
  9. FABRIS, S. R.; FABRIS, J. P.; DULLIUS, A.I.S. Análise da Produção da Cultura do Soja no Brasil Através dos Modelos ARIMA. Revista GEINTEC-Gestão, Inovação e Tecnologias, v. 1, n. 2, p. 49-56, 2011.
  10. FEE. O preço da soja nos últimos 10 anos. Disponível em: < http://panoramainternacional.fee.tche.br/article/o-preco-da-soja-no-ultimo-decenio/ >. Acesso em: 2 jun. 2020.
  11. FELICIANI, A. V.; SOUZA, A. M.; SOUZA, F. M. Modelos estocásticos de previsão dos preços da soja no Brasil. Custos e agronegócio online, v. 11, n. 1, p. 263-280, 2015.
  12. GIL, A. C. Como elaborar projetos de pesquisa. 6 ed. São Paulo: Atlas, 2017.
  13. GRAVES, A.; JAITLY, N. Towards end-to-end speech recognition with recurrent neural networks. In: International conference on machine learning. PMLR, 2014. p. 1764-1772.
  14. HAYKIN, S. Neural networks: a comprehensive foundation. New Delhi: Pearson Prentice Hall, 2001.
  15. HUANG, Zhiheng; XU, Wei; YU, Kai. Bidirectional LSTM-CRF models for sequence tagging. arXiv preprint arXiv:1508.01991, 2015.
  16. MORETTIN, P. A.; TOLOI, C. M. C. Análise de series de temporais. São Paulo: Edgard Blucher, 2004.
  17. NELSON, M. Q.; PEREIRA, A C. M.; OLIVEIRA R. A. Stock market’s price prediction with LSTM neural networks. In: International Joint Conference of Neural Networks (IJCNN). Anchorage, Alaska, 2017.
  18. QINGNAN, S., JANKOVIC, M. V., BALLY, L. Predicting Blood Glucose with an LSTM and Bi-LSTM Based Deep Neural Network. arXiv:1809.03817, Cornel University, 2018.
  19. RUCHS, E. L. Modelo Matemático para tomada de decisões no processo produtivo e de esmagamento da soja. Dissertação de Mestrado – UNIJUÍ. Ijuí: 2010.
  20. SEBASTIAN, Sumam. Performance evaluation by artificial neural network using WEKA. International Research Journal of Engineering and Technology, v. 3, n. 3, p. 1459-1464, 2016.
  21. SILVA, W. Comparação entre os métodos de previsão univariados para o preço médio da soja no Brasil. In: XXII Encontro Nacional de Engenharia de Produção. Curitiba, 2002.
  22. TUBINO, D. F. Planejamento e controle da produção-Teoria e Prática. São Paulo: Atlas, 2009
  23. ZHAO, Z. et al. LSTM network: a deep learning approach for short-term traffic forecast. IET Intelligent Transport Systems, v. 11, n. 2, p. 68-75, 2017.