Palavras-chave
python
redes híbridas
séries temporais
Como Citar
Resumo
A necessidade de decisões estratégicas por parte do produtor de leite, dada a volatilidade do preço do produto, gera demanda por ferramentas de previsão que aprimorem a gestão. Neste contexto, este trabalho tem como objetivo propor a utilização da rede híbrida Attention-BiLSTM-CNN para previsão, no estado do Paraná, do preço médio pago ao produtor de leite (R$/litro). A base de dados, disponibilizada pelo Instituto de Pesquisa Econômica Aplicada (Ipea), apresenta uma série histórica do preço médio pago ao produtor, abrangendo o período de janeiro de 2000 a julho de 2025. Modelos de previsão Attention-BiLSTM-CNN, BiLSTM-CNN, BiLSTM e SARIMA foram implementados na linguagem de programação Python. Os resultados de previsão dos quatro modelos foram comparados com base nas métricas MAE, RMSE e MAPE. Verificou-se, para um horizonte de 12 meses, que o modelo proposto apresentou o melhor desempenho de previsão (MAE=0.086 R$/litro, RMSE=0.108 R$/litro e MAPE=3%).
Referências
ALZUBAIDI, L. et al. Review of deep learning: concepts, CNN architectures, challenges, applications, future directions. Journal of Big Data, [s.l.], v. 8, 2021.
BEZERRA NETO, J. A. Predição do preço do leite utilizando dados de cooperativas. 2022. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) – Centro de Engenharia Elétrica e Informática, Universidade Federal de Campina Grande (UFCG). Disponível em: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/37739. Acesso em: 10 mai. 2025.
CANKURT, S.; SUBASI, A. Comparasion of linear regression and neural network models forecasting tourist arrivals to Turkey. Eurasian Journal of Science & Engineering, [s.l.], v. 1, n. 1, 2015.
DANELUZ, M.; BATISTA, H.; CANEVER, M.; MENEZES, G. Previsão do preço e produção do leite utilizando um Modelo SARIMA: um estudo de caso. In: ENCONTRO DE ECONOMIA GAÚCHA, 9., 2018, Porto Alegre. Anais [...]. Porto Alegre: PUCRS, 2018. Disponível em: https://editora.pucrs.br/edipucrs/acessolivre/anais/encontro-de-economia-gaucha/assets/edicoes/2018/arquivos/86.pdf. Acesso em: 10 maio 2025.
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, [s.l.], v. 12, 2024. DOI: https://doi.org/10.3389/fenrg.2024.1369606
GU, Y. H.; JIN, D.; YIN, H.; ZHENG, R.; PIAO, X.; YOO, S. J. Forecasting agricultural commodity prices using dual input attention LSTM. Agriculture, [s.l.], v. 12, n. 2, 2022.
INSTITUTO DE PESQUISA ECONÔMICA APLICADA [IPEA]. Preço médio recebido pelo agricultor: leite (litro - Paraná). Ipeadata, Brasília, 2025. Disponível em: https://http://www.ipeadata.gov.br/Default.aspx. Acesso em: 10 out. 2025.
KRESOVA, S.; HESS, S. Identifying the determinants of regional raw milk prices in Russia using machine learning. Agriculture, [s.l.], v. 12, n. 7, 2022. DOI: https://doi.org/10.3390/agriculture12071006
LI, P.; ABDEL-ATY, M.; YUAN, J. Real-time crash risk prediction on arterials based on LSTM-CNN. Accident Analysis and Prevention, [s.l.], v. 135, 2019.
LIVIERIS, I. E.; PINTELAS, E.; PINTELAS, P. A CNN–LSTM model for gold price time-series forecasting. Neural Computing and Applications, [s.l.], v. 32, 2020.
LU, W.; LI, J.; LI, Y.; SUN, A.; WANG, J. A CNN‐LSTM‐based model to forecast stock prices. Complexity, [s.l.], 2020.
MALINGTAN, N. Attention mechanism in deep learning. Scaler Topics, [S.l.], 2023. Disponível em: https://www.scaler.com/topics/deep-learning/attention-mechanism-deep-learning/. Acesso em: 6 dez. 2023.
OLIVEIRA, L.; SANTOS, J. A. A. Previsão do preço futuro do óleo de girassol: uma abordagem baseada no modelo CNN-Attention. CEREUS, Gurupi, v. 16, n. 2, 2024.
ROSCHEL, M. S.; SIMÕES, A. R. P.; GODOY, A. P. J. Análise e previsão do preço do leite pago aos produtores de leite no Brasil. In: Workshop de Pós-Graduação em Zootecnia e Ciência Animal do Estado de Mato Grosso do Sul, 7., 2023, Campo Grande. Anais [...]. Campo Grande: UFGD; UFMS; UEMS; UCDB, 2023. Disponível em: https://ocs.ufgd.edu.br/index.php?conference=pgzootecnia&schedConf=viiworkshop&page=paper&op=view&path%5B%5D=2212. Acesso em: 10 mai. 2025.
SAADI, M. N.; BOUTRAA, N.; READJATI, A.; MOHAMED, B. A novel method for bearing fault diagnosis based on BiLSTM neural networks. The International Journal of Advanced Manufacturing Technology, v. 125, n. 3-4, 2023.
SANTOS, J. A. A.; POLO, A. N. B.; SANTOS, C. O. Análise Comparativa de Modelos LSTM e GRU Para Previsão da Velocidade do Vento. Revista FSA, Teresina, v. 21, n. 5, 2024.
SANTOS, J. A. Previsão do preço do café arábica: uma aplicação de redes neurais CNN-BLSTM. Research, Society and Development, [s.l.], v. 11, n. 3, e3511326101, 2022.
SILVA, G. B.; OLIVEIRA, L.; SANTOS, J. A. A. BiLSTM-CNN network applied to the forecast of electricity consumption in agroindustry of the southwest region of Goiás. Revista CEREUS, Gurupi, v. 15, n. 3, 2023.
VILELA, E. H. P.; PENEDO, A. S. T. Previsão do comportamento dos preços do leite usando modelos ARIMA e SARIMA. Revista Estação Científica, Juiz de Fora, v. 18, n. 31, 2024. DOI: https://doi.org/10.5281/zenodo.13625559
YIN, H.; JIN, D.; GU, Y. H.; PARK, C. J.; HAN, S. K.; YOO, S. J. STL-ATTLSTM: vegetable price forecasting using STL and attention mechanism-based LSTM. Agriculture, [s.l.], v. 10, n. 12, 2020.
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Copyright (c) 2026 José Airton Azevedo dos Santos