Seleção de hiperparâmetros para uma rede Multi-Layer Perceptron aplicada na predição do preço da soja

Autores

  • Luiz Felipe Morillas Brunetto LABICON, Instituto Federal de Santa Catarina (IFSC)
  • Carise Elisane Schmidt LABICON, Instituto Federal de Educação de Santa Catarina (IFSC)
  • Alexandre Dalla'Rosa Instituto Federal de Santa Catarina (IFSC)

DOI:

https://doi.org/10.56762/tecnia.v8i2.255

Palavras-chave:

Inteligência artificial, Séries temporais., Commodities.

Resumo

O agronegócio brasileiro representa uma parcela significativa do Produto Interno Bruto (PIB), além de ser um setor de produção  essencial, por garantir o fornecimento de alimentos para a população. Contudo, o principal desafio enfrentado pelo setor é manter a rentabilidade, ante um cenário de alta dos custos de insumos. Diante disso, destaca-se a importância de avaliar ferramentas que possam auxiliar na tomada de decisão, com foco no aumento da rentabilidade. A proposta deste trabalho foi selecionar um conjunto de hiperparâmetros para uma rede neural Multi-Layer Perceptron (MLP), por meio da análise do Erro Médio Quadrático (EMQ), visando a sua utilização na predição do preço da soja. Para isso, um histórico de dados de preço do grão e da taxa de câmbio do dólar (2006 - 2022) foram utilizados como entrada do modelo matemático. Fazendo uso de simulações computacionais, o preço predito da soja foi avaliado, visando identificar o conjunto de hiperparâmetros que gera o menor EMQ. Entre as configurações avaliadas, o menor EMQ encontrado quando o modelo foi testado na série histórica teve valor igual a 1,2936. Esse resultado mostra que a configuração de hiperparâmetros selecionada é capaz de realizar a previsão do preço futuro da soja, acompanhando a tendência de preços do grão, no período em que ele foi avaliado.

Biografia do Autor

Luiz Felipe Morillas Brunetto, LABICON, Instituto Federal de Santa Catarina (IFSC)

http://lattes.cnpq.br/0225456810968776

Carise Elisane Schmidt, LABICON, Instituto Federal de Educação de Santa Catarina (IFSC)

http://lattes.cnpq.br/7888830128804858

Alexandre Dalla'Rosa, Instituto Federal de Santa Catarina (IFSC)

http://lattes.cnpq.br/0596224519125364

Referências

CEPEA (Centro de Estudos Avançados em Economia Aplicada). Série histórica do preço da soja. Disponível em: https://www.cepea.esalq.usp.br/br. Acesso em: 15 abr. 2022.

CNA (Confederação da Agricultura e Pecuária do Brasil). PIB do Agronegócio: Relatório técnico, Jun. 2022. Disponível em: https://www.cepea.esalq.usp.br/upload/kceditor/files/Cepea_CNA_PIB-do-Agronegocio-20junho22(1).pdf. Acesso em: 23 ago. 2022.

DISCONZI, C. M. D. G. Previsão dos preços de commodities agrícolas brasileiras no mercado futuro utilizando redes neurais artificiais. 2018. 95f. Dissertação (Mestrado em Administração), Universidade Federal do Pampa, Santana do Livramento, 2018. Disponível em: https://repositorio.unipampa.edu.br/jspui/handle/riu/2967

EMBRAPA (Empresa Brasileira de Pesquisa Agropecuária). Soja em números (safra 2020/2021). Disponível em: https://www.embrapa.br/soja/cultivos/soja1/dados-economicos. Acesso em: 23 ago. 2022.

FANG, Y.; GUAN, B.; WU, S.; HERAVI, S. Optimal forecast combination based on ensemble empirical mode decomposition for agricultural commodity futures prices. Journal of Forecasting, v. 39, n. 6, p. 877-886, 2020. Disponível em: https://onlinelibrary.wiley.com/doi/abs/10.1002/for.2665

FERREIRA, L; MOURA, G.L.; BORENSTEIN, D.; FISCHMANN, A.A. Utilização de redes neurais artificiais como estratégia de previsão de preços no contexto de agronegócio. Revista de Administração e Inovação, v. 8, n. 4, p.6-26, 2011. Disponível em: https://www.revistas.usp.br/rai/article/view/79235

GE, W.; LALBAKHSH, P.; ISAI, L.; LENSKIY, A.; SUOMINEN, H. Neural Network–Based Financial Volatility Forecasting: A Systematic Review. ACM Computing Surveys, v. 55, n. 1(14) p. 1-30, 2022. Disponível em: https://dl.acm.org/doi/pdf/10.1145/3483596

GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep Learning. Massachusetts: The Mit Press, 2016.

HAYKIN, S. Neural Networks and Learning Machines. 3 ed. Ontario: Prentice Hall, 2008.

IMEA (Instituto Mato-grossense de Economia Agropecuária). Margem Bruta Pressionada. Boletim Semanal Soja, 22 Out. 2022, n. 273. Disponível em: https://imea.com.br/imea-site/arquivo-externo?categoria=relatorio-de-mercado&arquivo=bs-soja&numeropublicacao=723. Acesso em: 15 abr. 2023.

JHA, G.K.; SINHA, K. Agricultural price forecasting using neural network model: An innovative information delivery system. Agricultural Economics Research Review, v. 26, n. 2, p.229-239, 2013. Disponível em: https://ideas.repec.org/a/ags/aerrae/162150.html

LUDOVICO, S. N. Previsão de indicadores diários de preço no mercado futuro de commodities agrícolas utilizando aprendizagem de máquina. 2020. 155f. Dissertação (Mestrado em Estatística Aplicada e Biometria). Universidade Federal de Alfenas, Alfenas, 2020. Disponível em: https://bdtd.unifal-mg.edu.br:8443/handle/tede/1762

MENHAJ, M.; KAVOOSI-KALASHAMI, M. Developing a hybrid forescating system for agricultural commodity prices (case study: Thailand rice free on board price). Ciência Rural, Santa Maria, v. 52, n.8, p. 1-11, 2022. Disponível em: https://www.scielo.br/j/cr/a/mcdxrp7wjNdgBTZGbNZTJsh/?lang=en

PINHEIRO, C.; SENNA, V. Multivariate analysis and neural networks application to price forecasting in the Brazilian agricultural market. Ciência Rural, v.47, n.1, p. 1-7, 2017. Disponível em: https://www.scielo.br/j/cr/a/bcB64kH4hY4Htpc7KhqG6Wg/abstract/?lang=en

RIBEIRO, C.O.; SOSNOSKI, A.A.K.B.; OLIVEIRA, S.M. Um modelo hierárquico para previsão de preços de commodities agrícolas. Revista Produção Online, v.10, n. 4, p. 719-733, 2010. Disponível em: https://producaoonline.org.br/rpo/article/view/225

RIBEIRO, M. H. D. M.; COELHO, L S. Ensemble approach based on bagging, boosting and stacking for short-term prediction in agribusiness time series. Applied Soft Computing, v. 86, 105837, 2020. Disponível em: https://www.sciencedirect.com/science/article/abs/pii/S1568494619306180

ROSOLEN, D.; ARAÚJO, M. V.; LYRIO, M. Previsão dos preços de commodities por meio das taxas de câmbio. Estudo Econômico, vol. 43, n. 4, p. 813-830, 2013. Disponível em: https://www.scielo.br/j/ee/a/kFF88txxLpqQ88npY8c7snN/?lang=pt

SOBREIRO, V.A.; ARAUJO, P.H.S.L.; NAGANO, M.S. Precificação do etanol utilizando técnicas de redes neurais artificiais. RAUSP - Revista de Administração, v. 44, n. 1, p. 46-58, 2009. Disponível em: http://rausp.usp.br/wp-content/uploads/files/v4401046.pdf

SPANCERSKI, J. S.; SANTOS, J. A. A. Redes neurais aplicadas na predição do preço da soja no estado do Paraná. Revista Perspectivas Online: Exatas & Engenharia, v. 11, n. 32, p.19-32, 2021. Disponível em: https://ojs3.perspectivasonline.com.br/exatas_e_engenharia/article/view/2282

SUNARYA, A. HENDERI; TASYRIQAN, I. The Comparison Between Sequential Minimal Optimization and Multilayer Perceptron Neural Network Methods in Predicting the Commodity Prices. In: 2019 Fourth International Conference on Informatics and Computing (ICIC). Semarang, Indonésia, 2019, p. 1-6. Disponível em: https://ieeexplore.ieee.org/document/8985679

WANG, C.; GAO, Q. High and Low Prices Prediction of Soybean Futures with LSTM Neural Network. In: 2018 IEEE 9th International Conference on Software Engineering and Service Science (ICSESS). Beijing, China, 2018, p. 140-143. Disponível em: https://ieeexplore.ieee.org/document/8663896

WANG, J.; WANG, Z.; LI, X.; ZHOU, H. Artificial bee colony-based combination approach to forecasting agricultural commodity prices. International Journal of Forecasting, v. 38, n. 1, p. 21-34, 2022. Disponível em: https://www.sciencedirect.com/science/article/abs/pii/S0169207019302304

YU, Z. Data Analysis and Soybean Price Intelligent Prediction Model Based on LSTM Neural Network. In: 2021 IEEE Conference on Telecommunications, Optics and Computer Science (TOCS). Shenyang, China, 2021, p. 799-801. Disponível em: https://ieeexplore.ieee.org/document/9688705

ZHANG, D.; ZANG, G.; LI, J.; MA, K.; LIU, H. Predction of soubean price in China using QR-RBF neural network model. Computers and Electronic in Agriculture, v. 154, p. 10-17, 2018. Disponível em: https://www.sciencedirect.com/science/article/abs/pii/S0168169918302199

Downloads

Publicado

01.03.2024

Como Citar

Brunetto, L. F. M., Schmidt, C. E., & Dalla’Rosa, A. (2024). Seleção de hiperparâmetros para uma rede Multi-Layer Perceptron aplicada na predição do preço da soja. Revista Tecnia, 8(2), 126–140. https://doi.org/10.56762/tecnia.v8i2.255

Edição

Seção

Ciências Exatas e da Terra

Categorias