Aplicação de Redes Neurais na Previsão de Custos de Produção de Frangos de Corte no Estado do Paraná / Application of Neural Networks to Forecast Broiler Production Cost in the State of Paraná

José Airton Azevedo dos Santos

Resumen


A avicultura é um dos principais componentes do agronegócio paranaense. A produção de frangos de corte contribui significativamente para a economia estadual. O produtor paranaense, na gestão da produção de frangos de corte, leva em conta os dados de desempenho, a forma de renumeração dos lotes e os custos de produção. Os custos de produção refletem diretamente na rentabilidade do seu negócio. Neste contexto, este trabalho tem como objetivo avaliar a eficácia de modelos de redes neurais artificiais, para previsão dos custos de produção de frangos de corte no estado do Paraná. A base de dados disponibilizada pela Empresa Brasileira de Pesquisa Agropecuária (EMBRAPA), apresenta uma série de custos mensal compreendida entre Janeiro/2010 e Novembro/2020. Modelos de previsão, baseados em Redes Neurais MLP (Multilayer Perception) e LSTM (Long Short-Term Memory) foram implementados, na linguagem Python, utilizando o framework Keras. Os resultados obtidos para um horizonte de onze meses, mostram que o modelo LSTM apresentou, na previsão dos custos de produção, um melhor desempenho.

 

Palavras-chave: Avicultura. Redes Neurais. Paraná.

 

ABSTRACT

 

Broiler sector is one of the main components of agribusiness in Paraná. The production of broiler chickens contributes significantly to the state economy. The producer from Paraná, when managing the production of broiler chickens, takes into account the performance data, the form of renumbering the lots and the production costs. Production costs directly reflect the profitability of your business. In this context, this work aims to evaluate the effectiveness of models, of artificial neural networks, for forecasting the production costs of broilers in the state of Paraná. The database, made available by the Brazilian Agricultural Research Corporation (EMBRAPA), presents a series of monthly costs between January/2010 and November/2020. Prediction models, based on MLP (Multilayer Perception) and LSTM (Long Short-Term Memory) Neural Networks were implemented, in the Python language, using the Keras framework. The results obtained, for an eleven-month horizon, show that the LSTM model presented, in the forecast of production costs, a better performance.

 

Keywords: Broiler sector. Neural Networks. Paraná.

 


Referencias


AMRAEL, S.; MEHDIZADEH, S. A.; SALARI, S. Broiler weight estimation based in machine vision an artificial neural network. British Poultry Science, vol. 58, 2017.

ABPA. Associação Brasileira de Proteína Animal. Relatório Anual Completo. Disponível em:< http://abpa-br.com.br/files/ RelatorioAnual_ UBABEF_2015_DIGITAL.pdf>. Acesso em: 12 jul. 2020.

AviSite. Frango: o VBP de 2019 segundo os estados produtores. Disponível em: . Acesso em: 22 abr. 2020.

BASTIANI, M.; SANTOS, J. A. A.; SCHMIDT, C. A P.; SEPULVEDA, G. P. L. Application of data mining algorithms in the management of the broiler production. Geintec, vol. 8, 2018.

CANKURT, S.;SUBASI, A. Comparasion of linear regression and neural network models forecasting tourist arrivals to turkey. Eurasian Journal of Science & Engineering, 2015.

CHEVALIER, G. The Long Short-Term Memory (LSTM) cell can process data sequentially and keep its hidden state through time. Disponível em: . Acesso em: 10 mai. 2020.

EMBRAPA. Empresa Brasileira de Pesquisa Agropecuária (EMBRAPA). Suínos e aves. Disponível em: . Acesso em: 2 mar. 2020.

GOMES, D. T. Redes neurais recorrentes para previsão de series temporais de memórias curta e longa. Dissertação (Mestrado em Estatística). Universidade Estadual de Campinas, Campinas, 2005.

GRAVES A. Towards end-to-end speech recognition with recurrent neural networks. In… Proceedings of the 31st International Conference on Machine Learning (ICML-14), Beijing, China, 2014.

GIL, A. C. Como elaborar projetos de pesquisa. 4 ed. São Paulo: Atlas, 2002.

HAYKIN, S. Neural networks: a comprehensive foundation. New Delhi: Pearson Prentice Hall, 2001.

JOHASEN, S. V.; BENDTSEN, J. D.; MOGENSEN, J. Broiler slaughter weight forecasting using dynamic neural network models. In… IEEE 6th International Conference (ICIEA), Tokio JP, 2019.

JÚNIOR, J. G.; BENTO, E. F.; SOUZA, A. F. Diagnóstico da realidade dos criatórios de aves na comunidade base física - Ipanguaçu/RN. Revista Holos, vol. 4, 2009.

LIMA, F. G.; PERERA, L. C. S.; KIMURA, H.; FILHO, A. C. S. Aplicações de redes neurais na análise e concessão de crédito ao consumidor. Revista de Administração – RAUSP, vol. 44, 2009.

MESQUITA, C. M.; OLIVEIRA, R.; PEREIRA, A. C. M. Utilização de uma rede neural LSTM e teste da razão de variância para previsões em séries de ativos da Bovespa. Disponível em: . Acesso em: 11 abr. 2020.

MUNTASER, J. G.; SILVA, P. S.; PENEDO, A. S. APLICAÇÃO DE REDES NEURAIS NA PREVISÃO DE AÇÕES DO SETOR DE PETRÓLEO E GÁS DA BM&FBOVESPA. Revista FSA, vol. 14, 2017.

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.

PIMENTEL, F. Curso de estatística experimental. Piracicaba: ESALQ, 2009.

PINHEIRO, T. C.; SANTOS, J. A. A.; PASA, L. A. Gestão da produção de frangos de corte por meio de redes neurais artificiais. Revista Holos, vol. 2, 2020.

PROCÓPIO, D. P; LIMA, H. J. Avaliação conjuntural da avicultura no Brasil. Research, Society and Development, vol. 9, 2020.

SANDI, A. J.; MIELE, M. Análise comparativa dos custos de produção de frangos de corte em SC e GO. Guia Gessulli da Avicultura & Suinocultura Industrial, 2012.

SEBASTIAN, S. Performance evaluation by artificial neural network using WEKA. International Research Journal of Engineering and Technology, vol. 3, 2016.

ZAO, Z. (2017) LSTM network: a deep learning approach for short-term traffic forecast. IET Intelligent Transport Systems, vol. 11, 2017.




DOI: http://dx.doi.org/10.12819/2021.18.6.9

Enlaces refback

  • No hay ningún enlace refback.


Licencia de Creative Commons
Este obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

Ficheiro:Cc-by-nc-nd icon.svg

Atribuição (BY): Os licenciados têm o direito de copiar, distribuir, exibir e executar a obra e fazer trabalhos derivados dela, conquanto que deem créditos devidos ao autor ou licenciador, na maneira especificada por estes.
Não Comercial (NC): Os licenciados podem copiar, distribuir, exibir e executar a obra e fazer trabalhos derivados dela, desde que sejam para fins não-comerciais
Sem Derivações (ND): Os licenciados podem copiar, distribuir, exibir e executar apenas cópias exatas da obra, não podendo criar derivações da mesma.

 


ISSN 1806-6356 (Impresso) e 2317-2983 (Eletrônico)