Palabras clave
python
redes híbridas
series temporales
Cómo citar
Resumen
Dada la volatilidad de los precios de los lácteos, la necesidad de decisiones estratégicas por parte de los productores de leche genera demanda de herramientas de pronóstico para mejorar la gestión. En este contexto, este trabajo tiene como objetivo proponer el uso de la red híbrida Attention-BiLSTM-CNN para pronosticar el precio promedio pagado a los productores de leche (R$/litro) en el estado de Paraná. La base de datos, proporcionada por el Instituto de Investigación Económica Aplicada (IPEA), presenta una serie histórica del precio promedio pagado a los productores que abarca el período de enero de 2000 a julio de 2025. Los modelos de pronóstico Attention-BiLSTM-CNN, BiLSTM-CNN, BiLSTM y SARIMA se implementaron en el lenguaje de programación Python. Los resultados de pronóstico de los cuatro modelos se compararon utilizando las métricas: MAE, RMSE y MAPE. Para un horizonte de 12 meses, el modelo propuesto mostró el mejor desempeño de pronóstico (MAE=0,086 R$/litro, RMSE=0,108 R$/litro y MAPE=3%).
Citas
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.
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Derechos de autor 2026 José Airton Azevedo dos Santos