Avaliação de métodos baseados em aprendizado de máquina para previsão de preços de produtos agrícolas em mercados atacadistas

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Mota, Tiago Oliveira
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Commodities agrícolas
Agricultural commodities
Aprendizado de máquina
Machine learning
Previsão de preços
Price forecasting
Séries temporais
Time series
Link de acesso: https://www.teses.usp.br/teses/disponiveis/96/96131/tde-12092024-135746/
Resumo: Este estudo aborda a modelagem preditiva de preços em mercados agrícolas atacadistas, com o objetivo de superar desafios impostos pela natureza volátil e pela complexa dinâmica de oferta e demanda desses mercados. A pesquisa compara a aplicação de diferentes métodos não estruturais para prever os preços de commodities agrícolas comercializadas na Ceasaminas em Belo Horizonte. As técnicas empregadas e comparadas incluem ARIMA, XGBoost, LightGBM e redes neurais recorrentes como LSTM e GRU. Atestou-se que os métodos de aprendizado de máquina demonstraram capacidade de captar padrões complexos e não lineares dos dados. A análise foi realizada utilizando uma vasta base de dados da Companhia Nacional de Abastecimento (Conab), cobrindo diversas commodities. Os resultados indicam que os modelos XGBoost e LightGBM, apresentaram desempenho superior em termos de precisão preditiva e escalabilidade quando comparados aos demais métodos. Este estudo contribui para a literatura econômica ao demonstrar a eficácia de modelos de aprendizado de máquina na previsão de preços agrícolas praticados em mercados atacadistas, oferecendo ferramentas valiosas para produtores e gestores no setor. Além disso, sugere que tais métodos podem ser particularmente úteis para melhorar a acessibilidade e aplicabilidade dos métodos preditivos para pequenos produtores e agentes em mercados locais.
id USP_c326537012ba1b01588701f9ef6e3aa6
oai_identifier_str oai:teses.usp.br:tde-12092024-135746
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str
spelling Avaliação de métodos baseados em aprendizado de máquina para previsão de preços de produtos agrícolas em mercados atacadistasEvaluation of machine learning-based methods for predicting prices of agricultural products in wholesale marketsCommodities agrícolasAgricultural commoditiesAprendizado de máquinaMachine learningPrevisão de preçosPrice forecastingSéries temporaisTime seriesEste estudo aborda a modelagem preditiva de preços em mercados agrícolas atacadistas, com o objetivo de superar desafios impostos pela natureza volátil e pela complexa dinâmica de oferta e demanda desses mercados. A pesquisa compara a aplicação de diferentes métodos não estruturais para prever os preços de commodities agrícolas comercializadas na Ceasaminas em Belo Horizonte. As técnicas empregadas e comparadas incluem ARIMA, XGBoost, LightGBM e redes neurais recorrentes como LSTM e GRU. Atestou-se que os métodos de aprendizado de máquina demonstraram capacidade de captar padrões complexos e não lineares dos dados. A análise foi realizada utilizando uma vasta base de dados da Companhia Nacional de Abastecimento (Conab), cobrindo diversas commodities. Os resultados indicam que os modelos XGBoost e LightGBM, apresentaram desempenho superior em termos de precisão preditiva e escalabilidade quando comparados aos demais métodos. Este estudo contribui para a literatura econômica ao demonstrar a eficácia de modelos de aprendizado de máquina na previsão de preços agrícolas praticados em mercados atacadistas, oferecendo ferramentas valiosas para produtores e gestores no setor. Além disso, sugere que tais métodos podem ser particularmente úteis para melhorar a acessibilidade e aplicabilidade dos métodos preditivos para pequenos produtores e agentes em mercados locais.This study addresses predictive modeling of prices in wholesale agricultural markets, aiming to overcome challenges imposed by the volatile nature and complex supply and demand dynamics of these markets. The research compares the application of various nonstructural methods to predict the prices of agricultural commodities traded at Ceasaminas in Belo Horizonte. The techniques employed and compared include ARIMA, XGBoost, LightGBM, and recurrent neural networks such as LSTM and GRU. It was confirmed that machine learning methods demonstrated the ability to capture complex and nonlinear patterns of the data. The analysis was conducted using an extensive database from the National Supply Company (Conab), covering various commodities. The results indicate that the XGBoost and LightGBM models exhibited superior performance in terms of predictive accuracy and scalability when compared to other methods. This study contributes to the economic literature by demonstrating the efficacy of machine learning models in predicting agricultural prices practiced in wholesale markets, providing valuable tools for producers and managers in the sector. Additionally, it suggests that such methods may be particularly useful for improving the accessibility and applicability of predictive methods for small producers and agents in local markets.Biblioteca Digitais de Teses e Dissertações da USPLaurini, Marcio PolettiMota, Tiago Oliveira2024-07-12info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/96/96131/tde-12092024-135746/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2024-10-08T19:38:02Zoai:teses.usp.br:tde-12092024-135746Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212024-10-08T19:38:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Avaliação de métodos baseados em aprendizado de máquina para previsão de preços de produtos agrícolas em mercados atacadistas
Evaluation of machine learning-based methods for predicting prices of agricultural products in wholesale markets
title Avaliação de métodos baseados em aprendizado de máquina para previsão de preços de produtos agrícolas em mercados atacadistas
spellingShingle Avaliação de métodos baseados em aprendizado de máquina para previsão de preços de produtos agrícolas em mercados atacadistas
Mota, Tiago Oliveira
Commodities agrícolas
Agricultural commodities
Aprendizado de máquina
Machine learning
Previsão de preços
Price forecasting
Séries temporais
Time series
title_short Avaliação de métodos baseados em aprendizado de máquina para previsão de preços de produtos agrícolas em mercados atacadistas
title_full Avaliação de métodos baseados em aprendizado de máquina para previsão de preços de produtos agrícolas em mercados atacadistas
title_fullStr Avaliação de métodos baseados em aprendizado de máquina para previsão de preços de produtos agrícolas em mercados atacadistas
title_full_unstemmed Avaliação de métodos baseados em aprendizado de máquina para previsão de preços de produtos agrícolas em mercados atacadistas
title_sort Avaliação de métodos baseados em aprendizado de máquina para previsão de preços de produtos agrícolas em mercados atacadistas
author Mota, Tiago Oliveira
author_facet Mota, Tiago Oliveira
author_role author
dc.contributor.none.fl_str_mv Laurini, Marcio Poletti
dc.contributor.author.fl_str_mv Mota, Tiago Oliveira
dc.subject.por.fl_str_mv Commodities agrícolas
Agricultural commodities
Aprendizado de máquina
Machine learning
Previsão de preços
Price forecasting
Séries temporais
Time series
topic Commodities agrícolas
Agricultural commodities
Aprendizado de máquina
Machine learning
Previsão de preços
Price forecasting
Séries temporais
Time series
description Este estudo aborda a modelagem preditiva de preços em mercados agrícolas atacadistas, com o objetivo de superar desafios impostos pela natureza volátil e pela complexa dinâmica de oferta e demanda desses mercados. A pesquisa compara a aplicação de diferentes métodos não estruturais para prever os preços de commodities agrícolas comercializadas na Ceasaminas em Belo Horizonte. As técnicas empregadas e comparadas incluem ARIMA, XGBoost, LightGBM e redes neurais recorrentes como LSTM e GRU. Atestou-se que os métodos de aprendizado de máquina demonstraram capacidade de captar padrões complexos e não lineares dos dados. A análise foi realizada utilizando uma vasta base de dados da Companhia Nacional de Abastecimento (Conab), cobrindo diversas commodities. Os resultados indicam que os modelos XGBoost e LightGBM, apresentaram desempenho superior em termos de precisão preditiva e escalabilidade quando comparados aos demais métodos. Este estudo contribui para a literatura econômica ao demonstrar a eficácia de modelos de aprendizado de máquina na previsão de preços agrícolas praticados em mercados atacadistas, oferecendo ferramentas valiosas para produtores e gestores no setor. Além disso, sugere que tais métodos podem ser particularmente úteis para melhorar a acessibilidade e aplicabilidade dos métodos preditivos para pequenos produtores e agentes em mercados locais.
publishDate 2024
dc.date.none.fl_str_mv 2024-07-12
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.teses.usp.br/teses/disponiveis/96/96131/tde-12092024-135746/
url https://www.teses.usp.br/teses/disponiveis/96/96131/tde-12092024-135746/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1818279191795204096

Registros relacionados