Previsão do preço do café arábica: uma aplicação de redes neurais CNN-BLSTM
DOI:
https://doi.org/10.33448/rsd-v11i3.26101Palavras-chave:
Redes neurais artificiais; Café arábica; Keras; Python.Resumo
Este trabalho propõe a utilização da rede neural CNN-BLSTM como ferramenta de previsão do preço do café arábica. A base de dados disponibilizada pelo CEPEA (Centro de Estudos Avançados em Economia Aplicada) apresenta uma série histórica, do preço do café arábica, no período entre janeiro de 1997 e dezembro de 2021. Modelos de previsão baseados em redes neurais LSTM, BLSTM, CNN e CNN-BLSTM foram implementados, na linguagem Python, utilizando o framework Keras. Resultados obtidos, dos quatro modelos, foram comparados por meio das métricas MAE, RMSE e MAPE. Verificou-se, para um horizonte de 6 meses, que o modelo CNN-BLSTM apresentou melhor desempenho.
Referências
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.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 José Airton Azevedo dos Santos
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
