Métodos clássicos e baseados em aprendizado de máquina para previsão de preço de tomate in natura
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da UEPG |
Texto Completo: | http://tede2.uepg.br/jspui/handle/prefix/4094 |
Resumo: | Prever os preços agrícolas é crucial para a tomada de decisões e impacta a renda dos agricultores, os preços dos alimentos e a economia como um todo. O tomate é uma das principais olerícolas produzidas e comercializadas no Brasil, com um mercado dinâmico afetado por fatores como variações climáticas e sazonalidade. Este estudo tem como objetivo comparar o desempenho de diferentes métodos clássicos e baseados em aprendizado de máquina na previsão dos preços do tomate nos mercados atacadistas Ceagesp e Ceasa/PR. Os métodos de previsão ARIMA, SARIMA, ARIMAX, SVR, LSTM e CNN foram utilizados, e dados de séries temporais sobre os preços do tomate e outras variáveis correlacionadas foram coletados entre 2010 e 2021. O teste ADF foi utilizado para determinar a ordem de diferenciação necessária para tornar a série estacionária. A análise de componentes principais foi usada para reduzir a dimensionalidade dos dados, extraindo um número menor de componentes que representam a maior parte da variação observada nos dados. O teste de Ljung-Box foi aplicado para analisar os resíduos e verificar a adequação do modelo aos dados observados. O desempenho dos diferentes modelos foi analisado utilizando as métricas RMSE e MAPE. A análise da importância das variáveis é uma etapa importante nos modelos de aprendizado de máquina e foi aplicada para identificar as variáveis preditoras mais influentes sobre a variável de resposta. O teste estatístico não paramétrico de Wilcoxon foi usado para avaliar a diferença entre os modelos candidatos. Os resultados mostraram que algumas variáveis estavam altamente correlacionadas entre si. Este estudo concluiu que o modelo SVR teve uma precisão maior em comparação com outros modelos. A escolha do método mais adequado pode variar de acordo com o objetivo da previsão, o período, a disponibilidade e a qualidade dos dados, entre outros fatores. |
id |
UEPG_a6011265d8062d597b4219af6724e912 |
---|---|
oai_identifier_str |
oai:tede2.uepg.br:prefix/4094 |
network_acronym_str |
UEPG |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UEPG |
repository_id_str |
|
spelling |
Guimarães, Alaine Margaretehttps://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4705808J5&tokenCaptchar=03AFcWeA5pI_iYZmlwkp-Y2nYEnN25ik3tgJeOeaMTxc5PIDbcLEJRYjavRTbdVW7qqkfHh4RtopmwQtgwLYrbtHOWlEHQnjHqDwi8VR6C3cVlIfJgJQSoB0sAk3jk_gDTXiKtPJ9RTiAetpsK92vovq39F091D5h1Vzo3psfNFFe3iP7Ckt39_4Yv-SY55JP5fq4FZnzr5CblNePKb_7ga2Eo0E4FdVHDfHeUD8llKbXMGN-41ey74pVG9nY4JYuDBCltshDytnz3nzPmD7PUDRcGzbASukr85jbMtbvXRiZ78FjOxRwcAMj2UpXQc54hFRbJucknv7TdDCSSVP7_xD9_xqzIeF8bxSaCaPbYQitc798lvQyFW-ZRzCBl1Bk-uWmKxjzPjw4iiGD3aqLw6o6-1sZdOAbv2SBPbKKeUAhp5z2LFxTg-Bug-fc9G7Dk81gnihdlLpA8uqnzPVpkOsTWIHiwVyqltOAdpEkveOC8EkdVUCQbjLiQ8VmWF6tg0Dade9AiFp-yL57r0mtzrQ-ujJSrUG_TGPdFXpJZ-STbxgs6m1Uai7r1IxZLMYKuzCgBbffbc1GGCAb8BZvDg0710BNSVcI1ugCaires, Eduardo Fáverohttps://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4796865P7&tokenCaptchar=03AFcWeA6ETljzWa9eulnzBzqe6IaobTb16fZcYFXVAkbeGhae4L2H0mAsCNWPbL-cmT8rVw8EN8YgnPyiXIwEv_K5n-rldTcfHs3cqSr_cQnIMiLVl0EUCbkiFIwjM2CBiN-D8f3D1EUDKcTkOYbsdjsOELEvMHvsD0j8u6SvPmFZKhf6r_hTtUS2dW15nlI5HkY_JaTAWYYobnr6Eqx-jwPyIspWK-vHw6aFup8iBl3DBDPyywaq87eHNNxh8Z8AMN852NZhRuNnnW5iCAilr9Uocx87kX1kOgH7D8tbZQuAo7B_bgb6pF-CL601BcHoozV4jLHs0cRDYxKxumJzGP_LrWX-x6J5sg4AIP-MAsBF4YNXeVZT7YDlMqKxR-tS8v3XCFkBDL7TCNSgkDz829-ljiRVJUDzYvrgicmTazi9__BRR9t84YUpXmJgHYviOy9TtdW--DzTuKp7jd-4_7vP8nK0MBaS8mxOzKzHd-6rKvtx5R2AOAHUFc29JGJhSVl6cozhrapXc3K221vUcdn5h3fnKukDNYMkqU9G02xXFWY_aorDY4ZtqXzq6xni1v5PyYdiIRBFqV5JEWCkz53Iokg7tghqywCampos Júnior, Arion dehttps://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4708079Y6&tokenCaptchar=03AFcWeA6L81oEVr-FlotZKSjm3p0iME8FhFJqHYtMidiNthiCUmxTruSuCHtcFkk-tSbkEjkXsRXVF4wijzcgD7iMjlJUDkoFL8Qg0Yh5ouAC3TA5XM4bZwynQvy-rqtpxud5raW_Kem2VqGDCZ2W11pG__hqdDeKU_BUdOBB8OeZhegn1r4C_j0jQ-GLj7Xis6EBvgrR8g_IcHkKFs57XXmMvZVSdLXqLSn3tKvMIdb97dNKSNg5gh_f-aT3V5adZeWz-FzfukZSf9m9MJaphFl0e0hNxnmSJkGAs6uJ3-y3V4XRxbaM8f8o2SVHn9h5O8qU1ZR8K6Ysyj9YmmaqXV0CKAXj__vbArO1umrmGjeNXtFQ9KwCwcYRFjYzVDA8RQZm-djBYvCv_vyNf-jwY4S7imBqqaf16aEuwGuvg59NCw6TJcgwW5XL7rzr7JHQbQcO-PCQIbdpqFcUgKDWpzEBQ3hAeryLTeKhD5hPEaN7vl4njZaLDPpzu2D5GfgJSTEpnLDzrpbIWLpQKR0JAMPOTwqH2Q53V8fEz5asH_8evrVXa34fU_axxYpiyGREt73qrli6bJPZPellini, Tiagohttps://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4761749Y9&tokenCaptchar=03AFcWeA6QHHfgMkrWDEAfnKN18bg6X_RKgAKScWKvR6AjDTp7QRKIHme0ZsdLQTn7C7zxU4wAhm_pxTdhgf7tQBp_DseiMx-Hp5-TDD8C6azQt4x8v0tSM8nv_8Txcb2Cw3ay6ymej7W3BdGrv04m5bjdv2OnrepTKzQ3gUXnvGBrox0pGmaFHoNQgv1cHRSk8ud56SjYk4GHKnjFuv3UGgBd4cPKYmKxAn3rkW_MEB6wPaJgGjiwM6R9nH5I-JvG9l0cBs3ckPtjLJ2gGPSDH7TPikIhNi9xrNoi08bk2i8T9H5CXrbzNcPpnlJnpb15SzXosKXm1H80YOBbvVgi___lLZWb5nuudQMdsJ23JqXS9AHtWHW8W7-m0FKJm2CCgWH3O1IIan8dx58i_LfuDq9vHmrg1WW4C5QE4svwwH45FELlBjaeSDTwPwlLq-4v-1r3lJtEwGkEvkBjUSVm5BRMin9BAQi7RJN6drQKwNIzdEBc8XX7L0T5cmuJpm1_PDZq6JBQXSRHCNvMHSj8iFFJF5pqjNrnlQpVroDFbS7lDbSLqyjR5W5cQrWRmhBYxDWPjDsb85GYlattes.com.brAlmeida, João Paulo Mendes de2023-12-07T16:18:13Z2023-12-072023-12-07T16:18:13Z2023-09-28ALMEIDA, João Paulo Mendes de. Métodos clássicos e baseados em aprendizado de máquina para previsão de preço de tomate in natura. 2023. Dissertação (Mestrado em Computação Aplicada) - Universidade Estadual de Ponta Grossa, Ponta Grossa, 2023.http://tede2.uepg.br/jspui/handle/prefix/4094Prever os preços agrícolas é crucial para a tomada de decisões e impacta a renda dos agricultores, os preços dos alimentos e a economia como um todo. O tomate é uma das principais olerícolas produzidas e comercializadas no Brasil, com um mercado dinâmico afetado por fatores como variações climáticas e sazonalidade. Este estudo tem como objetivo comparar o desempenho de diferentes métodos clássicos e baseados em aprendizado de máquina na previsão dos preços do tomate nos mercados atacadistas Ceagesp e Ceasa/PR. Os métodos de previsão ARIMA, SARIMA, ARIMAX, SVR, LSTM e CNN foram utilizados, e dados de séries temporais sobre os preços do tomate e outras variáveis correlacionadas foram coletados entre 2010 e 2021. O teste ADF foi utilizado para determinar a ordem de diferenciação necessária para tornar a série estacionária. A análise de componentes principais foi usada para reduzir a dimensionalidade dos dados, extraindo um número menor de componentes que representam a maior parte da variação observada nos dados. O teste de Ljung-Box foi aplicado para analisar os resíduos e verificar a adequação do modelo aos dados observados. O desempenho dos diferentes modelos foi analisado utilizando as métricas RMSE e MAPE. A análise da importância das variáveis é uma etapa importante nos modelos de aprendizado de máquina e foi aplicada para identificar as variáveis preditoras mais influentes sobre a variável de resposta. O teste estatístico não paramétrico de Wilcoxon foi usado para avaliar a diferença entre os modelos candidatos. Os resultados mostraram que algumas variáveis estavam altamente correlacionadas entre si. Este estudo concluiu que o modelo SVR teve uma precisão maior em comparação com outros modelos. A escolha do método mais adequado pode variar de acordo com o objetivo da previsão, o período, a disponibilidade e a qualidade dos dados, entre outros fatores.Predicting agricultural prices is crucial for decision-making in the agribusiness sector, impacting farmers’ income, food prices, and the economy as a whole. Tomatoes are one of the main vegetables produced and traded in Brazil, with a dynamic market affected by factors such as climatic variations and seasonality. This study aims to compare the performance of different classical and machine learning-based methods in predicting tomato prices in the Ceagesp and Ceasa/PR wholesale markets. The ARIMA, SARIMA, ARIMAX, SVR, LSTM, and CNN forecasting methods were used, and time series data on tomato prices and other correlated variables were collected between 2010 and 2021. The ADF test was used to determine the order of difference required to make the series stationary. Principal component analysis was used to reduce data dimensionality by extracting a smaller number of components that represent most of the variation observed in the data. The Ljung-Box test was applied to analyze residuals and verify model adequacy to observed data. The performance of different models was analyzed using RMSE and MAPE metrics. Variable importance analysis is an important step in machine learning models and was applied to identify the most influential predictor variables on the response variable. The non-parametric Wilcoxon statistical test was used to evaluate the difference between candidate models. Results showed that some variables were highly correlated with each other. This study concluded that the SVR model had higher accuracy compared to other models. The choice of the most suitable method may vary according to the objective of the forecast, period, availability, and quality of data, among other factors.Submitted by Angela Maria de Oliveira (amolivei@uepg.br) on 2023-12-07T16:18:13Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) João Paulo Mendes de Almeida.pdf: 1930617 bytes, checksum: c68efceb40e491a5e4ce5ab027103d09 (MD5)Made available in DSpace on 2023-12-07T16:18:13Z (GMT). No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) João Paulo Mendes de Almeida.pdf: 1930617 bytes, checksum: c68efceb40e491a5e4ce5ab027103d09 (MD5) Previous issue date: 2023-09-28porUniversidade Estadual de Ponta GrossaPrograma de Pós Graduação Computação AplicadaUEPGBrasilDepartamento de InformáticaAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOagriculturamercado atacadistavariáveis preditorasanálise de variáveisagriculturewholesale marketpredictor variablesvariable analysisMétodos clássicos e baseados em aprendizado de máquina para previsão de preço de tomate in naturainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Biblioteca Digital de Teses e Dissertações da UEPGinstname:Universidade Estadual de Ponta Grossa (UEPG)instacron:UEPGLICENSElicense.txtlicense.txttext/plain; charset=utf-81866http://tede2.uepg.br/jspui/bitstream/prefix/4094/3/license.txt43cd690d6a359e86c1fe3d5b7cba0c9bMD53CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811http://tede2.uepg.br/jspui/bitstream/prefix/4094/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52ORIGINALJoão Paulo Mendes de Almeida.pdfJoão Paulo Mendes de Almeida.pdfdissertação completa em pdfapplication/pdf1930617http://tede2.uepg.br/jspui/bitstream/prefix/4094/1/Jo%c3%a3o%20Paulo%20Mendes%20de%20Almeida.pdfc68efceb40e491a5e4ce5ab027103d09MD51prefix/40942023-12-07 14:18:13.387oai:tede2.uepg.br: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 Digital de Teses e Dissertaçõeshttps://tede2.uepg.br/jspui/PUBhttp://tede2.uepg.br/oai/requestbicen@uepg.br||mv_fidelis@yahoo.com.bropendoar:2023-12-07T16:18:13Biblioteca Digital de Teses e Dissertações da UEPG - Universidade Estadual de Ponta Grossa (UEPG)false |
dc.title.pt_BR.fl_str_mv |
Métodos clássicos e baseados em aprendizado de máquina para previsão de preço de tomate in natura |
title |
Métodos clássicos e baseados em aprendizado de máquina para previsão de preço de tomate in natura |
spellingShingle |
Métodos clássicos e baseados em aprendizado de máquina para previsão de preço de tomate in natura Almeida, João Paulo Mendes de CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO agricultura mercado atacadista variáveis preditoras análise de variáveis agriculture wholesale market predictor variables variable analysis |
title_short |
Métodos clássicos e baseados em aprendizado de máquina para previsão de preço de tomate in natura |
title_full |
Métodos clássicos e baseados em aprendizado de máquina para previsão de preço de tomate in natura |
title_fullStr |
Métodos clássicos e baseados em aprendizado de máquina para previsão de preço de tomate in natura |
title_full_unstemmed |
Métodos clássicos e baseados em aprendizado de máquina para previsão de preço de tomate in natura |
title_sort |
Métodos clássicos e baseados em aprendizado de máquina para previsão de preço de tomate in natura |
author |
Almeida, João Paulo Mendes de |
author_facet |
Almeida, João Paulo Mendes de |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Guimarães, Alaine Margarete |
dc.contributor.advisor1Lattes.fl_str_mv |
https://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4705808J5&tokenCaptchar=03AFcWeA5pI_iYZmlwkp-Y2nYEnN25ik3tgJeOeaMTxc5PIDbcLEJRYjavRTbdVW7qqkfHh4RtopmwQtgwLYrbtHOWlEHQnjHqDwi8VR6C3cVlIfJgJQSoB0sAk3jk_gDTXiKtPJ9RTiAetpsK92vovq39F091D5h1Vzo3psfNFFe3iP7Ckt39_4Yv-SY55JP5fq4FZnzr5CblNePKb_7ga2Eo0E4FdVHDfHeUD8llKbXMGN-41ey74pVG9nY4JYuDBCltshDytnz3nzPmD7PUDRcGzbASukr85jbMtbvXRiZ78FjOxRwcAMj2UpXQc54hFRbJucknv7TdDCSSVP7_xD9_xqzIeF8bxSaCaPbYQitc798lvQyFW-ZRzCBl1Bk-uWmKxjzPjw4iiGD3aqLw6o6-1sZdOAbv2SBPbKKeUAhp5z2LFxTg-Bug-fc9G7Dk81gnihdlLpA8uqnzPVpkOsTWIHiwVyqltOAdpEkveOC8EkdVUCQbjLiQ8VmWF6tg0Dade9AiFp-yL57r0mtzrQ-ujJSrUG_TGPdFXpJZ-STbxgs6m1Uai7r1IxZLMYKuzCgBbffbc1GGCAb8BZvDg0710BNSVcI1ug |
dc.contributor.advisor-co1.fl_str_mv |
Caires, Eduardo Fávero |
dc.contributor.advisor-co1Lattes.fl_str_mv |
https://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4796865P7&tokenCaptchar=03AFcWeA6ETljzWa9eulnzBzqe6IaobTb16fZcYFXVAkbeGhae4L2H0mAsCNWPbL-cmT8rVw8EN8YgnPyiXIwEv_K5n-rldTcfHs3cqSr_cQnIMiLVl0EUCbkiFIwjM2CBiN-D8f3D1EUDKcTkOYbsdjsOELEvMHvsD0j8u6SvPmFZKhf6r_hTtUS2dW15nlI5HkY_JaTAWYYobnr6Eqx-jwPyIspWK-vHw6aFup8iBl3DBDPyywaq87eHNNxh8Z8AMN852NZhRuNnnW5iCAilr9Uocx87kX1kOgH7D8tbZQuAo7B_bgb6pF-CL601BcHoozV4jLHs0cRDYxKxumJzGP_LrWX-x6J5sg4AIP-MAsBF4YNXeVZT7YDlMqKxR-tS8v3XCFkBDL7TCNSgkDz829-ljiRVJUDzYvrgicmTazi9__BRR9t84YUpXmJgHYviOy9TtdW--DzTuKp7jd-4_7vP8nK0MBaS8mxOzKzHd-6rKvtx5R2AOAHUFc29JGJhSVl6cozhrapXc3K221vUcdn5h3fnKukDNYMkqU9G02xXFWY_aorDY4ZtqXzq6xni1v5PyYdiIRBFqV5JEWCkz53Iokg7tghqyw |
dc.contributor.referee1.fl_str_mv |
Campos Júnior, Arion de |
dc.contributor.referee1Lattes.fl_str_mv |
https://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4708079Y6&tokenCaptchar=03AFcWeA6L81oEVr-FlotZKSjm3p0iME8FhFJqHYtMidiNthiCUmxTruSuCHtcFkk-tSbkEjkXsRXVF4wijzcgD7iMjlJUDkoFL8Qg0Yh5ouAC3TA5XM4bZwynQvy-rqtpxud5raW_Kem2VqGDCZ2W11pG__hqdDeKU_BUdOBB8OeZhegn1r4C_j0jQ-GLj7Xis6EBvgrR8g_IcHkKFs57XXmMvZVSdLXqLSn3tKvMIdb97dNKSNg5gh_f-aT3V5adZeWz-FzfukZSf9m9MJaphFl0e0hNxnmSJkGAs6uJ3-y3V4XRxbaM8f8o2SVHn9h5O8qU1ZR8K6Ysyj9YmmaqXV0CKAXj__vbArO1umrmGjeNXtFQ9KwCwcYRFjYzVDA8RQZm-djBYvCv_vyNf-jwY4S7imBqqaf16aEuwGuvg59NCw6TJcgwW5XL7rzr7JHQbQcO-PCQIbdpqFcUgKDWpzEBQ3hAeryLTeKhD5hPEaN7vl4njZaLDPpzu2D5GfgJSTEpnLDzrpbIWLpQKR0JAMPOTwqH2Q53V8fEz5asH_8evrVXa34fU_axxYpiyGREt73qrli6bJPZ |
dc.contributor.referee2.fl_str_mv |
Pellini, Tiago |
dc.contributor.referee2Lattes.fl_str_mv |
https://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4761749Y9&tokenCaptchar=03AFcWeA6QHHfgMkrWDEAfnKN18bg6X_RKgAKScWKvR6AjDTp7QRKIHme0ZsdLQTn7C7zxU4wAhm_pxTdhgf7tQBp_DseiMx-Hp5-TDD8C6azQt4x8v0tSM8nv_8Txcb2Cw3ay6ymej7W3BdGrv04m5bjdv2OnrepTKzQ3gUXnvGBrox0pGmaFHoNQgv1cHRSk8ud56SjYk4GHKnjFuv3UGgBd4cPKYmKxAn3rkW_MEB6wPaJgGjiwM6R9nH5I-JvG9l0cBs3ckPtjLJ2gGPSDH7TPikIhNi9xrNoi08bk2i8T9H5CXrbzNcPpnlJnpb15SzXosKXm1H80YOBbvVgi___lLZWb5nuudQMdsJ23JqXS9AHtWHW8W7-m0FKJm2CCgWH3O1IIan8dx58i_LfuDq9vHmrg1WW4C5QE4svwwH45FELlBjaeSDTwPwlLq-4v-1r3lJtEwGkEvkBjUSVm5BRMin9BAQi7RJN6drQKwNIzdEBc8XX7L0T5cmuJpm1_PDZq6JBQXSRHCNvMHSj8iFFJF5pqjNrnlQpVroDFbS7lDbSLqyjR5W5cQrWRmhBYxDWPjDsb85GY |
dc.contributor.authorLattes.fl_str_mv |
lattes.com.br |
dc.contributor.author.fl_str_mv |
Almeida, João Paulo Mendes de |
contributor_str_mv |
Guimarães, Alaine Margarete Caires, Eduardo Fávero Campos Júnior, Arion de Pellini, Tiago |
dc.subject.cnpq.fl_str_mv |
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
topic |
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO agricultura mercado atacadista variáveis preditoras análise de variáveis agriculture wholesale market predictor variables variable analysis |
dc.subject.por.fl_str_mv |
agricultura mercado atacadista variáveis preditoras análise de variáveis agriculture wholesale market predictor variables variable analysis |
description |
Prever os preços agrícolas é crucial para a tomada de decisões e impacta a renda dos agricultores, os preços dos alimentos e a economia como um todo. O tomate é uma das principais olerícolas produzidas e comercializadas no Brasil, com um mercado dinâmico afetado por fatores como variações climáticas e sazonalidade. Este estudo tem como objetivo comparar o desempenho de diferentes métodos clássicos e baseados em aprendizado de máquina na previsão dos preços do tomate nos mercados atacadistas Ceagesp e Ceasa/PR. Os métodos de previsão ARIMA, SARIMA, ARIMAX, SVR, LSTM e CNN foram utilizados, e dados de séries temporais sobre os preços do tomate e outras variáveis correlacionadas foram coletados entre 2010 e 2021. O teste ADF foi utilizado para determinar a ordem de diferenciação necessária para tornar a série estacionária. A análise de componentes principais foi usada para reduzir a dimensionalidade dos dados, extraindo um número menor de componentes que representam a maior parte da variação observada nos dados. O teste de Ljung-Box foi aplicado para analisar os resíduos e verificar a adequação do modelo aos dados observados. O desempenho dos diferentes modelos foi analisado utilizando as métricas RMSE e MAPE. A análise da importância das variáveis é uma etapa importante nos modelos de aprendizado de máquina e foi aplicada para identificar as variáveis preditoras mais influentes sobre a variável de resposta. O teste estatístico não paramétrico de Wilcoxon foi usado para avaliar a diferença entre os modelos candidatos. Os resultados mostraram que algumas variáveis estavam altamente correlacionadas entre si. Este estudo concluiu que o modelo SVR teve uma precisão maior em comparação com outros modelos. A escolha do método mais adequado pode variar de acordo com o objetivo da previsão, o período, a disponibilidade e a qualidade dos dados, entre outros fatores. |
publishDate |
2023 |
dc.date.accessioned.fl_str_mv |
2023-12-07T16:18:13Z |
dc.date.available.fl_str_mv |
2023-12-07 2023-12-07T16:18:13Z |
dc.date.issued.fl_str_mv |
2023-09-28 |
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.citation.fl_str_mv |
ALMEIDA, João Paulo Mendes de. Métodos clássicos e baseados em aprendizado de máquina para previsão de preço de tomate in natura. 2023. Dissertação (Mestrado em Computação Aplicada) - Universidade Estadual de Ponta Grossa, Ponta Grossa, 2023. |
dc.identifier.uri.fl_str_mv |
http://tede2.uepg.br/jspui/handle/prefix/4094 |
identifier_str_mv |
ALMEIDA, João Paulo Mendes de. Métodos clássicos e baseados em aprendizado de máquina para previsão de preço de tomate in natura. 2023. Dissertação (Mestrado em Computação Aplicada) - Universidade Estadual de Ponta Grossa, Ponta Grossa, 2023. |
url |
http://tede2.uepg.br/jspui/handle/prefix/4094 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Estadual de Ponta Grossa |
dc.publisher.program.fl_str_mv |
Programa de Pós Graduação Computação Aplicada |
dc.publisher.initials.fl_str_mv |
UEPG |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Departamento de Informática |
publisher.none.fl_str_mv |
Universidade Estadual de Ponta Grossa |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UEPG instname:Universidade Estadual de Ponta Grossa (UEPG) instacron:UEPG |
instname_str |
Universidade Estadual de Ponta Grossa (UEPG) |
instacron_str |
UEPG |
institution |
UEPG |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UEPG |
collection |
Biblioteca Digital de Teses e Dissertações da UEPG |
bitstream.url.fl_str_mv |
http://tede2.uepg.br/jspui/bitstream/prefix/4094/3/license.txt http://tede2.uepg.br/jspui/bitstream/prefix/4094/2/license_rdf http://tede2.uepg.br/jspui/bitstream/prefix/4094/1/Jo%c3%a3o%20Paulo%20Mendes%20de%20Almeida.pdf |
bitstream.checksum.fl_str_mv |
43cd690d6a359e86c1fe3d5b7cba0c9b e39d27027a6cc9cb039ad269a5db8e34 c68efceb40e491a5e4ce5ab027103d09 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UEPG - Universidade Estadual de Ponta Grossa (UEPG) |
repository.mail.fl_str_mv |
bicen@uepg.br||mv_fidelis@yahoo.com.br |
_version_ |
1800232829048586240 |