Previsão do Abate de Frangos: Uma Investigação Comparativa da Aplicação de Redes Neurais / Broiler Slaughter Prediction: A Comparative Investigation of the Application of Neural Networks

Leandro de Oliveira, Andressa Rustick, José Airton Azevedo dos Santos

Resumen


O presente trabalho tem como objetivo comparar modelos, baseados em redes neurais recorrentes, para a previsão da quantidade de frangos abatidos no Brasil. A base de dados, disponibilizada pelo Instituto de Pesquisa Econômica Aplicada (IPEA), apresenta uma série histórica do abate de frangos, no período entre 2005 e 2022. Modelos de previsão, baseados em Redes Neurais LSTM (Long Short-Term Memory) e GRU (Gated Recurrent Unit), foram implementados, na linguagem Python, utilizando a biblioteca PyTorch. Resultados obtidos, dos dois modelos, foram comparados por meio da métrica MAPE (Mean Absolute Percent Error). Verificou-se, para um horizonte de cinco meses, que o modelo GRU apresentou um melhor desempenho que o modelo LSTM.

 

Palavras-chave: MAPE. Python. Redes LSTM. Redes GRU.

 

ABSTRACT

 

The present work aims to evaluate models, based on recurrent neural networks, to predict the amount of broiler slaughtered in Brazil. The database, made available by the Institute for Applied Economic Research (IPEA), presents a historical series of broiler slaughter, in the period between 2005 and 2022. Forecast models, based on LSTM Neural Networks (Long Short-Term Memory) and GRU (Gated Recurrent Unit), were implemented, in the Python language, using the PyTorch library. Results obtained from the two models were compared using the MAPE (Mean Absolute Percent Error) metric. It was verified, for a horizon of five months, that the GRU model presented a better performance than the LSTM model.

 

Keywords: MAPE. Python. LSTM networks. GRU networks.

 


Referencias


ABPA (Associação Brasileira de Proteína Animal). Relatório anual 2020. Disponível em: < http://abpa-br.org/wp-content/uploads/2020/05/abpa_relatorio_anual_2020_portugues_web.pdf>. Acesso em: 26 de jun. 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.

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.

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

IBGE - Instituto Brasileiro de Geografia e Estatística. Abate de bovinos cai e de frangos é recorde no primeiro trimestre. Disponível em: < https://agenciadenoticias.ibge.gov.br/agencia-noticias/2012-agencia-de-noticias/noticias/30872-abate-de-bovinos-cai-e-de-frangos-e-recorde-no-primeiro-trimestre>. Acesso em: 17 jul. de 2021.

IPEA - Instituto de Pesquisa Econômica Aplicada. Abate de frango. Disponível em: http://www.ipeadata.gov.br/Default.aspx. Acesso em: 22 de des. 2022.

JIA, P.; LIU, H.; WANG, P. Research on a Mine Gas Concentration Forecasting Model Based on a GRU Network. IEEE Acess, 2020.

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.

MAGAGNIN, G. Modelo para a previsão da demanda internacional de carne de frango produzida no Brasil. Dissertação (Mestrado) – Universidade Federal de Santa Catarina, Florianópolis, 2008.

OLIVEIRA, L.; SANTOS, J. A. A. As Redes Neurais Aplicadas à Previsão de Corrente Elétrica de um Sistema Fotovoltaico. Revista FSA, vol. 19, 2022.

PAIVA, D. A.; HERVAL, A. C. F.; SÁFADI, T. Metodologia de Séries Temporais como ferramenta de análise na produção de frangos no Brasil. Sigmae, vol. 8, 2019.

PIACENTI, A. A.; LIMA, J. F.; ALVES, L. R.; PIFFER, M. O preço do frango de corte: evolução e tendências no Brasil. Cadernos de Economia, vol. 11, 2007.

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.

SANTOS, J. A. A. Aplicação de Redes Neurais na Previsão de Custos de Produção de Frangos de Corte no Estado do Paraná. Revista FSA, vol. 18, 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.; SPANCERSKI, J. S. Previsão da produtividade de arroz: uma aplicação de redes neurais LSTM. Revista CEREUS, v. 13, n. 1, 2021.

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, vol. 11, 2021.

VASCO, L. P. Um Estudo de Redes Neurais Recorrentes no Contexto de Previsões no Mercado Financeiro. Dissertação (Mestrado) - Universidade Federal de São Carlos, São Carlos, 2020.




DOI: http://dx.doi.org/10.12819/2023.20.2.10

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)