Predicción del precio del café arábica: una aplicación de red neuronal CNN-BLSTM
DOI:
https://doi.org/10.33448/rsd-v11i3.26101Palabras clave:
Redes neuronales artificiales; Café arábica; Keras; Python.Resumen
Este trabajo propone el uso de la red neuronal CNN-BLSTM como herramienta para predecir el precio del café arábica. La base de datos proporcionada por CEPEA (Centro de Estudios Avanzados en Economía Aplicada) presenta una serie histórica del precio del café arábica, en el período comprendido entre enero de 1997 y diciembre de 2021. Modelos de pronóstico basados en redes neuronales LSTM, BLSTM, CNN y CNN-BLSTM fueron implementados, en lenguaje Python, usando el framework Keras. Los resultados obtenidos, de los cuatro modelos, se compararon utilizando métricas MAE, RMSE y MAPE. Se verificó, para un horizonte de 6 meses, que el modelo CNN-BLSTM presentó mejor desempeño.
Citas
Aurigliett, L. M. M. & Tonin, J. M. (2021). Relação entre base, volatilidade e liquidez: evidências para o mercado futuro de café no Brasil. Revista AE&S, 2(1), 1-4. https://doi.org/10.22167/2675-20210003.
Althelaya, K. A. (2018). Evaluation of bidirectional LSTM for short and long term stock market prediction. In: International Conference on Information as Communication System (ICICS), Irbid, Jordan.
Ayyanathan, N. & Kannammal, A. (2014). Share price time series forecasting for effective supply chain information Exchange. International Journal of Logistics Systems and Management, 18(1). https://doi.org/10.1504/IJLSM.2014.062125.
Barros, D. (2021). Dados sobre Café no Brasil: Consumo, Produção e Exportação. Disponível em: https://reviewcafe.com.br/dicas-e-receitas/dados-sobre-cafe-no-brasil/. Acesso em: 15 jan. 2022.
Bastiani, M., Santos, J. A. A., Schmidt, C. A P. & Sepulveda, G. P. L. (2018). Application of data mining algorithms in the management of the broiler production. Geintec. 8(4), 4574-4587. https://doi.org/10.7198/geintec.v8i4.1275.
Cankurt, S. & Subasi, A. (2015). Comparasion of linear regression and neural network models forecasting tourist arrivals to turkey. Eurasian Journal of Science &Engineering.
CEPEA (2022). Indicador do café arábica. https://www.cepea.esalq.usp.br/br/indicador/cafe.aspx.
Deina, C. et al. (2021). A methodology for coffee price forecasting based on extreme learning machines. Information Processing in Agriculture. https://doi.org/10.1016/j.inpa.2021.07.003.
Faria, T. A. (2011). Mercado future do café: um estudo de caso. Revista de Estudos Sociais, 13(26), 138-156.
Faria, A. C. S. & Manolescu, F. M. K. (2004) A produção de café no Brasil. <http://www.inicepg.univap.br/cd/INIC_2004/trabalhos/inic/pdf/IC6-8.pdf>.
Fazard, A. & Gulliver, T. A. (2019). Log message anomaly detection and classification using Auto-B/LSTM and Auto-GRU. ResearchGate.
Gazzola, M. G. (2017). Um método para avaliação automática da qualidade de recursos educacionais abertos usando deep learning. < http://www.br-ie.org/pub/index.php/sbie/article/view/7678/5473>.
Graves A. & Jaitly, N. (2014). Towards end-to-end speech recognition with recurrent neural networks. < http://proceedings.mlr.press/v32/graves14.pdf>.
Graves, A. & Schmidhuber, J. (2009). Offline handwriting recognition with multidimensional recurrent neural networks. Advances in Neural Information Processing Systems, 545–552.
Haykin, S. (2005). Neural networks: a comprehensive foundation. New Delhi: Pearson Prentice Hall.
Lawal, A. (2021). Wind speed prediction using hybrid 1D CNN and BLSTM network. IEEE Acess, 9(1). https://doi.org/10.1109/ACCESS.2021.3129883.
Lopes, L. P. (2018). Predição do preço do café naturais brasileiro por meio de modelos de statistical machine learning. Sigmae, 7(1), 1-16.
Lu, W., Li, J., Li, Y., Sun, A. & Wang, J. (2020). A CNN-LSTM-based model to forecast stock prices. Complexity. https://doi.org/10.1155/2020/6622927.
Martins, L. S. F. (2021). Análise da previsão do cenário de produção e cultivo do café arábica no Brasil. Trabalho de Conclusão de Curso. Medianeira, PR, UTFPR.
Marujo, L. (2021). Estudo comparativo entre métodos estatísticos e de inteligência artificial para previsão do preço do café no Brasil. Dissertação de mestrado. Medianeira, PR, UTFPR.
Mousa, A. E. & Schuller, B. (2016). Deep bidirectional long short-term memory recurrent neural etworks for grapheme-to-phoneme conversion utilizing complex many-to-many alignments. In: Interspeech 2016, San Francisco, USA.
Nelson, M. Q., Pereira, A C. M. & Oliveira R. A. (2017). Stock market’s price prediction with LSTM neural networks. In: International Joint Conference of Neural Networks (IJCNN), Anchorage, Alaska.
Novanda R. R. et al. (2018). A comparison of various forecasting techniques for coffee prices. https://iopscience.iop.org/article/10.1088/1742-6596/1114/1/012119/pdf.
Pacheco, A. G. C. (2016). Classificação de espécies de peixe utilizando redes neurais convolucional. https://arxiv.org/pdf/1905.03642.pdf.
Pinheiro, T. C., Santos, J. A. A. & Pasa, L. A. (2020). Gestão da produção de frangos de corte por meio de redes neurais. Revista Holos, 2(1), 1-15. https://doi.org/10.15628/holos.2020.9043.
Santos, J. A. A. (2021). Aplicação de redes neurais artificiais na previsão do preço do milho no estado do Paraná. Revista Engenharia e Tecnologia, 13(2), 124-134.
Santos, J. A. A. & Chaucoski, Y. (2020). Previsão do consumo de energia elétrica na região sudeste: um estudo de caso usando SARIMA e LSTM. Revista CEREUS, 12(1). https://doi.org/10.18605/2175-7275/cereus.v12n4p93-104.
Santos, J. A. A. & Spancerski, J. S. (2021). Previsão da produtividade de arroz: uma aplicação de redes neurais recorrentes LSTM. Revista CEREUS, 13(2), 163-175. https://doi.org/10.18605/2175-7275/cereus.v13n2p163-175.
Silva, C. A. G. (2018). Previsão do preço da commodity café arábica: Uma aplicação da Metodologia Box-Jenkins. Revista Espacios, 30(4).
SINDICAFÉ-MG (2022). O café no mundo. http://sindicafe-mg.com.br/cafe-no-mundo.
Sun, Q., Jankovic, M. V. & Bally, L. (2018). Predicting blood glucose with an LSTM and Bi-LSTM based deep neural network. https://arxiv.org/abs/1809.03817. Acesso em: 25 set. 2021.
.
Tatagiba, S. D., Pezzopane, J. E. & Reis, E. F. (2010). Crescimento vegetativo de mudas de café arábica submetidas a diferentes níveis de sombreamento. Coffee Science, 5(3): 251-261.
Zao, Z. (2017). LSTM network: a deep learning approach for short-term traffic forecast. IET Intelligent Transport Systems. 11(2), 68-75. https://doi.org/10.1049/iet-its.2016.0208.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 José Airton Azevedo dos Santos
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
