Previsão do preço do milho: uma comparação entre os modelos SARIMA e LSTM
DOI:
https://doi.org/10.53660/952.prw2533Palavras-chave:
Previsão, Modelo, Python, Séries temporaisResumo
O presente trabalho tem como objetivo comparar modelos de séries temporais, na sua forma univariada, na previsão do preço do milho. A base de dados, disponibilizada pela Empresa Brasileira de Pesquisa Agropecuária (EMBRAPA), apresenta uma série histórica do preço do milho, no estado do Rio Grande do Sul, no período entre 2011 e 2021. Modelos de previsão, baseados em Redes Neurais LSTM (Long Short-Term Memory) e SARIMA (Seasonal Autoregressive Integrated Moving Average), foram implementados na linguagem Python. Resultados obtidos, dos modelos de previsão, foram comparados por meio da métrica MAPE (Mean Absolute Percent Error). Verificou-se, para um horizonte de seis meses, que o modelo LSTM apresentou melhor desempenho.
Downloads
Referências
REFERÊNCIAS
ATLAS, S. E. O Rio Grande do Sul é atualmente o sexto maior produtor de milho em grãos do Brasil. Disponível em: < https://atlassocioeconomico.rs.gov.br/milho>. Acesso em: 28 jul. 2021.
BOX, G. E. P.; JENKINS, G. M. Time series analysis forecasting and control. San Francisco: Holden-Day, 1976.
CANKURT, S.; SUBASI, A. Comparasion of linear regression and neural network models forecasting tourist arrivals to turkey. Eurasian Journal of Science & Engineering, 2015.
CAS, C. G Aplicação do modelo arima para previsão do preço da commodity milho. GEPROS, n. 1, p. 263-279, 2018.
CHEN, Y; KANG, Y; WANG, Z. Probabilistic forecasting with temporal convolutional neural network. Neurocomputing, v. 399, 2020.
EMBRAPA. Empresa Brasileira de Pesquisa Agropecuária (EMBRAPA). Milho. Disponível em: <https://www.embrapa.br/suinos-e-aves/cias/precos>. Acesso em: 05 abr. 2021.
FARUK, D. O. A hybrid neural network and ARIMA model for water quality time series prediction. Engineering Applications of Artificial Intelligence, V. 23, 2010.
GRAVES, A. Towards end-to-end speech recognition with recurrent neural networks. Proceedings […]. 31st International Conference on Machine Learning (ICML-14), Beijing, China, 2014.
HAYKIN, S. Neural networks: a comprehensive foundation. New Delhi: Pearson Prentice Hall, 2001.
JIA, P.; LIU, H.; WANG, P. Research on a Mine Gas Concentration Forecasting Model Based on a GRU Network. IEEE Acess, 2020.
MARCHEZAN, A.; SOUZA A. M. Previsão do preço dos principais grãos produzidos no Rio Grande do sul. Ciência Rural, v 40, n. 11, 2010.
MARTINS, V. L. M.; WERNER, L. Comparação de previsões individuais e suas combinações: um estudo com séries industriais. Production, v. 24, 2014.
MONTGOMERY, D. C.; JENNINGS, C. L.; KULAHCI, M. Introduction to time series analysis and forecasting. New Jersey: John Wiley& Sons, 2008.
SANTOS, J. A. A. Aplicação de redes neurais artificiais na previsão do preço do milho no estado do Paraná. Revista de Engenharia e Tecnologia, v. 13, p. 124-134, 2021.
SANTOS, J. A. A.; CHAUCOSKI, Y. Previsão do consumo de energia elétrica na região sudeste: um estudo de caso usando SARIMA e LSTM. Revista CEREUS, v. 12, 2020.
SANTOS, J. A. A.; CHAUCOSKI, Y. Previsão de preço de ovos, no estado do Paraná, por meio de modelos SARIMA e PROPHET. . Revista CEREUS, v. 14, 2022.
SANTOS, J. A. A.; SPANCERSKI. J. S. Previsão da produtividade de arroz: uma aplicação de redes neurais recorrentes. Revista CEREUS, v. 13, p. 163-175, 2021.
SARMENTO, S. Milho: Palmeira e o maio produtor do RS. Disponível em: <https://www.folhadonoroeste.com.br/noticias/lista/autor/?autor=5 >. Acesso em: 27 jul. 2021.
SPANCERSKI. J. S.; SANTOS, J. A. A. Aplicação de redes neurais recorrentes na previsão da geração eólica. Revista CEREUS, v. 13, p. 217-229, 2021.
STENGHELE, G. ; SANTOS, J. A. A.; MIURA, F. S.; PASA, L. A.; SCHMIDT, C. A. Previsão do consumo de energia elétrica na região sudeste: um estudo de caso usando SARIMA. Revista FSA, v. 17, 2020.
TIBULO, C.; CARLI, V. Previsão do preço do milho, através de series temporais. Scientia Plena, v. 10, n. 10, 2014.
WALTER, O. M. F. C.; HENNING, E.; MORO, G., SAMOHYL, R. W. Aplicação de um modelo SARIMA na previsão de vendas de motocicletas. Exacta – EP, v. 11, 2013.
WERNER, L.; BINOGNIN, C. ARAUJO, C. W. Análise de técnicas de previsão: um estudo de caso para o volume de ações da Petrobras. Brazilian Journal of Development, v. 6, n. 1, p.1103-1115, 2020
