Previsão do Preço do Milho Baseado na Otimização de Hiperparâmetros Optuna e na Rede Neural Cnn-Lstm / Maize Price Forecasting Based on Optuna Hyperparameter Optimization and Cnn-Lstm Neural Network
Resumo
RESUMO:
Este trabalho tem como objetivo propor, para previsão do preço do milho no estado do Paraná, um modelo que combina a rede híbrida CNN-LSTM (Convolutional Neural Network - Long Short-Term Memory) com a otimização de hiperparâmetros por meio da biblioteca Optuna. A base de dados, disponibilizada pela Empresa Brasileira de Pesquisa Agropecuária (EMBRAPA), apresenta uma série histórica do preço do milho, no estado do Paraná, no período entre jan/2014 e jul/2024. Modelos de previsão CNN-LSTM e SARIMA (Seasonal Autoregressive Integrated Moving Average) foram implementados na linguagem de programação Python. Resultados de previsão, dos dois modelos, foram comparados por meio das métricas: MAE, RMSE e MAPE. Verificou-se, para um horizonte de 6 meses, que o modelo, proposto neste trabalho, apresentou o melhor desempenho de previsão (MAE (R$) =1.67, RMSE (R$)=2.06 e MAPE (%)=2.95).
Palavras-chave: Redes Híbridas. Séries Temporais. Keras. Python.
ABSTRACT
This work aims to propose, for corn price forecasting in the state of Paraná, a model that combines the hybrid CNN-LSTM (Convolutional Neural Network - Long Short-Term Memory) network with hyperparameter optimization through Optuna. The database, made available by the Brazilian Agricultural Research Corporation (EMBRAPA), presents a historical series of corn prices in the state of Paraná, from Jan/2014 to Jul/2024. CNN-LSTM and SARIMA (Seasonal Autoregressive Integrated Moving Average) forecasting models were implemented in the Python programming language. Forecasting results of the two models were compared using the metrics: MAE, RMSE and MAPE. It was found, for a 6-month horizon, that the model proposed in this work presented the best forecasting performance (MAE (R$) =1.67, RMSE (R$)=2.06 e MAPE (%)=2.95).
Keywords: Hybrid Networks. Time Series. Keras. Python.
Referências
ALMEIDA, J, W. R. Previsão do preço do milho para o Estado do Ceará. [Dissetação]. 2018. Disponível em: https://repositorio.ufc.br/handle/riufc/47153 > Acesso em: 6 set. 2024.
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.
ARUNKUMAR, K. E.; KALAG, D. V.; KUMAR, C. M. S; KAWAJI, M.; BRENZA, M. Comparative analysis of Gated Recurrent Units (GRU), long Short-Term memory (LSTM) cells, autoregressive Integrated moving average (ARIMA), seasonal autoregressive Integrated moving average (SARIMA) for forecasting COVID-19 trends. Alexandria Engineering Journal, 2022.
BOSHIERO, B. N. Quem são e quanto produzem os 5 maiores produtores de milho do mundo? Disponível em: < https://agroadvance.com.br/blog-5-maiores-produtores-de-milho-do-mundo/ > Acesso em: 6 set. 2024.
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. Revista Gepros, v. 13, n. 1, 2018.
DENG, Z.; ZHOU, D.; KANG, Z.; DONG, H. Deep learning-based dynamic forecasting method and application for ultra-deep fractured reservoir production. Frontiers in Energy Research, 2024.
HOCHREITER, S.; SCHMIDHUBER, J. Long short-term memory. MIT press, v. 9, 1997.
LECUN, Y.; BOTTOU L.; BENGIO Y.; HAFFNER P. Gradient-based learning applied to document recognition., Proc. IEEE , v. 86, 1998.
LIVIERIS, I. E.; PINTELAS, E.; PINTELAS, P. A CNN–LSTM model for gold price time-series forecasting. Neural Computing and Applications, 2020.
LU, W.; LI, J.; SUN, A. A CNN‐LSTM‐based model to forecast stock prices. Complexity, 2020.
MEDEIROS, M. M. Modelos de previsão de vazão afluente da UHE-Tucuruí: uma abordagem com redes neurais LSTM e CNN. Disponível em: Acesso em: 6 set. 2024.
MONTGOMERY, D. C.; JENNINGS, C. L.; KULAHCI, M. Introduction to time series analysis and forecasting. New Jersey: John Wiley& Sons. Inc, 2008.
OLIVEIRA, L.; SANTOS; J. A. A. Previsão do preço futuro do óleo de girassol:uma abordagem baseada no modelo CNN-Attention. Revista Cereus, 2024.
OPAS. OMS declara fim da Emergência de Saúde Pública de Importância Internacional referente à COVID-19. Site Institucional. Disponível em: . Acesso em: 15 jan. 2024.
POLO, A. N. B.; SANTOS, J. A. A.; SANDMANN, A. Previsão do consume de eletricidade da região sudeste: um estudo comparative utilizando modelos univariado e multivariado. RETEC. vol. 12, 2024.
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. Previsão do preço do café arábica: uma aplicação de redes neurais CNN-BLSTM. Research, Society and Development, v. 11, 2022.
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. 4, 2020.
SANTOS, J. A. A.; SANDMANN, A.; HLENKA, V.; HELLMANN, L.; HALLAL, R.; SANTOS, C. O. Previsão do preço do milho: uma comparação entre os modelos SARIMA e LSTM. Peer Review, v. 5, 2023.
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. vol. 11, 2013.
ZHA, W.; LIU, Y.; WAN, Y. Forecasting monthly gas field production based on the CNN-LSTM model. Energy, 2022.
DOI: http://dx.doi.org/10.12819/2026.23.1.5
Apontamentos
- Não há apontamentos.
Este obra está licenciado com uma Licença Creative Commons Atribuição-NãoComercial-SemDerivações 4.0 Internacional.
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)