APLICAÇÃO DE MÉTODOS BASEADOS EM LÓGICA FUZZY E DE APRENDIZADO DE MÁQUINA PARA A PREVISÃO DE PREÇOS DE COMMODITIES
Lógica fuzzy. Aprendizado de máquina. Preço de commodities agrícolas.
O milho e o farelo de soja são duas das principais commodities agrícolas do Brasil, desempenhando um papel estratégico para a economia brasileira. A previsão de seus preços é de suma importância para apoiar a tomada de decisões no setor agroindustrial. Este estudo tem por objetivo aplicar e avaliar a utilização de métodos Fuzzy Time Series (FTS) para previsão dos preços dessas commodities, considerando abordagens univariadas e multivariadas. Esses modelos foram aplicados e comparados a algoritmos de Machine Learning (ML), como Random Forests, XGBoost, LightGBM, entre outros. Este estudo utiliza duas bases de dados de preços de commodities: uma com preços diários do milho em Minas Gerais e outra com preços mensais globais da soja, de outras commodities e de seus derivados. Após o particionamento dos dados em treinamento e teste, os modelos FTS e os algoritmos de aprendizado de máquina foram treinados e avaliados no conjunto de teste. A comparação entre os modelos foi realizada por meio das métricas MAPE, MASE, MDA e RMSE. Os resultados indicam que a lógica fuzzy é uma alternativa eficaz para a previsão de preços de commodities agrícolas, sendo adequada tanto em contextos univariados quanto multivariados e em diferentes escalas temporais.