Previsão do preço do arroz no Brasil usando modelos de aprendizado de máquina e dados de oferta e demanda (2024)
- Authors:
- Autor USP: MIELKE, LUCAS VALLE - ICMC
- Unidade: ICMC
- Sigla do Departamento: SME
- DOI: 10.11606/D.55.2024.tde-13052024-163432
- Subjects: APRENDIZADO COMPUTACIONAL; ARROZ; BOLSA DE MERCADORIAS; REGRESSÃO LINEAR
- Keywords: Commodity; Commodity; Machine learning; Previsão da preço; Price forecast; Rice
- Language: Português
- Abstract: O arroz é um cereal essencial consumido por cerca de 2,5 bilhões de pessoas no mundo, e o Brasil se destaca entre os dez maiores produtores. A produção brasileira é reconhecida por sua produtividade, tecnologia e fiscalização, se concentrando no Rio Grande do Sul que contribui com cerca de 70% da produção total. Assim como qualquer commodity agrícola, o preço do arroz está sujeito às leis de mercado, sendo afetado por diversos fatores, como condições climáticas e preços dos insumos, além da demanda, refletida pelo poder de compra da população. Essa oscilação dos preços pode ser prejudicial tanto para os consumidores quanto produtores, especialmente considerando o tempo de 5 meses entre o plantio e a colheita. Diante dessas questões, o objetivo principal deste trabalho é desenvolver modelos de aprendizagem de máquina capazes de prever o preço dessa commodity, considerando um horizonte de 5 meses e utilizando variáveis representativas da oferta e da demanda. Embora existam pesquisas que buscam prever o preço do arroz e de outras commodities agrícolas utilizando diferentes modelos de aprendizagem de máquina, não foram encontrados estudos abordando especificamente a previsão com a mesma antecedência deste trabalho, nem utilizando variáveis representativas da oferta e da demanda. Portanto, este projeto preenche essa lacuna. Para a realização desta pesquisa, foram adotados diversos modelos de aprendizagem de máquina que foram aplicados com e sem a técnica de Eliminação Recursivade Variáveis (RFE), utilizando subconjuntos de dados de treinamento e teste com diferentes períodos. Além disso, dois procedimentos de ajuste na base de dados foram realizados para prever com 5 meses de antecedência: um por meio de defasagem direta e outro utilizando variáveis independentes simuladas, como explicado no capítulo de Materiais e Métodos. Os resultados revelaram que foi possível desenvolver tais modelos, os quais apresentaram uma média de erro de aproximadamente 17%, notando-se erro mais elevado em períodos específicos, especialmente na segunda metade de 2020. O modelo de melhor desempenho na previsão com 5 meses de antecedência foi o Extreme Gradient Boosting com a técnica RFE no procedimento de defasagem direta, alcançando um MAPE de 10%.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2024
- Data da defesa: 15.03.2024
- Status:
- Artigo publicado em periódico de acesso aberto (Gold Open Access)
- Versão do Documento:
- Versão publicada (Published version)
- Acessar versão aberta:
-
ABNT
MIELKE, Lucas Valle. Previsão do preço do arroz no Brasil usando modelos de aprendizado de máquina e dados de oferta e demanda. 2024. Mestrado Profissionalizante – Universidade de São Paulo, São Carlos, 2024. Disponível em: https://teses.usp.br/teses/disponiveis/55/55137/tde-13052024-163432/. Acesso em: 31 mar. 2026. -
APA
Mielke, L. V. (2024). Previsão do preço do arroz no Brasil usando modelos de aprendizado de máquina e dados de oferta e demanda (Mestrado Profissionalizante). Universidade de São Paulo, São Carlos. Recuperado de https://teses.usp.br/teses/disponiveis/55/55137/tde-13052024-163432/ -
NLM
Mielke LV. Previsão do preço do arroz no Brasil usando modelos de aprendizado de máquina e dados de oferta e demanda [Internet]. 2024 ;[citado 2026 mar. 31 ] Available from: https://teses.usp.br/teses/disponiveis/55/55137/tde-13052024-163432/ -
Vancouver
Mielke LV. Previsão do preço do arroz no Brasil usando modelos de aprendizado de máquina e dados de oferta e demanda [Internet]. 2024 ;[citado 2026 mar. 31 ] Available from: https://teses.usp.br/teses/disponiveis/55/55137/tde-13052024-163432/ - Despesas administrativas em empresas brasileiras: benchmarking e impactos da pandemia
- Estimativa do preço de mandioca na região de Assis-SP através de dados de insumos e fatores climáticos com aplicaçãao de modelos lineares generalizados
- Uso de modelos de decomposição em componentes não observáveis para predição de séries temporais não estacionárias de commodities agrícolas
- Aprendizado de máquina aplicado à predição do preço do arroz utilizando dados climatológicos e econômicos
- Influências socioeconômicas e geográficas no desempenho do ENEM 2023: um estudo estatístico e de aprendizado de máquina
- Previsão do preço do arroz: um estudo com modelos econométricos e variáveis exógenas
- Transformando ameaça em oportunidade: um estudo de caso do marketing sobre o Jacu Bird Coffee
- Classificação de defeito em lotes numa indústria farmacêutica: uma abordagem prática com aprendizado de máquina em processos de qualidade
Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
Por se tratar de integração com serviço externo, podem existir diferentes versões do trabalho (como preprints ou postprints), que podem diferir da versão publicada.
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
