Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/28132| Título: | Modelos LSTM para predição do preço da soja com base em dados climáticos brasileiros |
| Título(s) alternativo(s): | LSTM models for prediction of soybeans price, based on brasilian climate data |
| Autor(es): | Martelli, Otávio Pigozzo |
| Orientador(es): | Oliva, Jefferson Tales |
| Palavras-chave: | Inteligência artificial Aprendizado de máquinas Controle preditivo Redes neurais (Computação) Análise de séries temporais Artificial intelligence Machine learning Predictive control Neural networks (Computer science) Time-series analysis |
| Data do documento: | 17-Ago-2021 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Pato Branco |
| Citação: | MARTELLI, Otávio Pigozzo. Modelos LSTM para predição do preço da soja com base em dados climáticos Brasileiros. 2021. Trabalho de Conclusão de Curso (Engenharia de Computação) - Universidade Tecnológica Federal do Paraná (UTFPR), Pato Branco, 2021. |
| Resumo: | A importância do Brasil no cenário agrícola é inquestionável, sendo um dos maiores produtores de soja do mundo. Com uma crescente produtividade, o Brasil tem alcançado cada vez mais destaque no âmbito mundial. O clima influencia de forma ativa na produção de soja, entretanto, vale lembrar que o Brasil é um pais continental. Por essa razão, os dados climáticos se diferenciam de uma região a outra. O objetivo deste trabalho é realizar uma análise preditiva do preço da soja usando dados climáticos brasileiro e identificar a influência que o clima do Brasil tem sobre o preço internacional de soja. Para isso, foi obtida uma base de dados climáticos e dados complementares, tais como, o valor do dólar, a inflação e a produção anual de soja. Esses dados foram coletados no período de 2000 a 2020 de todo o território brasileiro. Para a avaliação experimental, foram escolhidos os dados climáticos dos estados com maior produção de soja, sendo eles o Mato Grosso, Mato Grosso do Sul, Goiás, Paraná e Rio Grande do Sul. Após o pré-processamento desses dados, modelos preditivos foram construídos utilizando o método Long Short Term Memory (LSTM). De forma que, o método foi aplicado para cada estado e duas configurações diferentes (uma com dados climáticos e outra sem dados climáticos), ao total foram construídos dez modelos. Na avaliação de desempenho, foram calculados o Root Mean Squared Error (RMSE) e o Mean Absolute Error (MAE) para cada modelo. Neste caso, os modelos construídos utilizando os dados do Paraná atingiu os melhores resultados para ambas configurações nas duas métricas. Após isso, testes estatísticos de hipótese foram aplicados e nenhum deles demonstrou diferença estatisticamente significativa entre os modelos, ou seja, a utilização de dados climáticos brasileiros não influenciam significativamente no preço internacional da soja. Por mais que os resultados tenham demonstrado que dados climáticos brasileiros não tiveram influência no preço do soja na avaliação experimental, este trabalho teve diversas contribuições, tais como a criação de uma base de dados climática para utilização em outros trabalhos e a análise preditiva do preço da soja, possibilitando auxílio aos agricultores em tomadas de decisão. |
| Abstract: | The importance of Brazil in the agricultural scenario is unquestionable, being one of the largest soy producers in the world. With a growing productivity, Brazil has achieved more and more prominence in the world scope. The climate actively influences soy production, however, it is worth remembering that Brazil is a continental country. For this reason, climate data differ from one region to another. The objective of this work is to carry out a predictive analysis of soybean prices using Brazilian climate data and to identify the influence that Brazil’s climate has on the international price of soybeans. For this, a climate database and complementary data were obtained, such as the value of the dollar, inflation and the annual production of soy. These data were collected from 2000 to 2020 from the entire Brazilian territory. For the experimental evaluation, climate data from the states with the highest soy production were chosen, namely Mato Grosso, Mato Grosso do Sul, Goiás, Paraná and Rio Grande do Sul. After the pre-processing of these data, predictive models were built using the Long Short Term Memory (LSTM) method. So, the method was applied to each state and two different configurations (one with climate data and the other without climate data), in total ten models were built. In the performance evaluation, the Root Mean Squared Error (RMSE) and the Mean Absolute Error (MAE) were calculated for each model. In this case, the models built using Paraná data achieved the best results for both configurations in the two metrics. After that, statistical hypothesis tests were applied and none of them showed a statistically significant difference between the models, that is, the use of Brazilian climate data does not significantly influence the international price of soy. As much as the results have shown that Brazilian climate data had no influence on the price of soybeans in the experimental evaluation, this work had several contributions, such as the creation of a climate database for use in other studies and the predictive analysis of the price of soybeans, enabling help for producers in decision-making. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/28132 |
| Aparece nas coleções: | PB - Engenharia de Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| modelospreditivosprecosoja.pdf | 757,75 kB | Adobe PDF |  Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.