Análise e previsão de séries temporais da exportação de produtos florestais brasileiros utilizando a metodologia Box-Jenkins e redes neurais artificiais
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | LOCUS Repositório Institucional da UFV |
Texto Completo: | https://locus.ufv.br//handle/123456789/29739 https://doi.org/10.47328/ufvbbt.2021.278 |
Resumo: | O Brasil é um dos principais países exportadores de produtos florestais madeireiros do mundo. Prever o futuro de variáveis associadas as exportações dos produtos florestais são muito importantes para tomada de decisão e um grande desafio. Desse modo, o objetivo do trabalho foi analisar e prever séries temporais das exportações de produtos florestais madeireiros brasileiros utilizando a técnica de Redes Neurais Artificiais (RNA) e a metodologia Box- Jenkins com os modelos ARIMA e ARIMAX. Os dados utilizados foram de históricos mensais das variáveis valor total exportado, em dólares americanos (US$), quantidade exportada, em toneladas (t) e valor unitário de uma tonelada (US$ t -1 ) de dois grupos de produtos florestais madeireiros, com informações desde janeiro do ano 1997 até dezembro do ano 2019. A etapa de análise das séries temporais consistiu na avaliação do comportamento das séries. A etapa de modelagem da previsão das séries temporais foi dividida em pré-processamento dos dados, predição das séries temporais, avaliação das RNA e dos modelos ARIMA e ARIMAX, previsão das séries temporais para os 12 meses do ano de 2019 e seleção da melhor técnica de previsão para as séries de cada grupo de produtos. Após a modelagem para previsão das séries temporais, uma matriz SWOT da utilização das técnicas foi construída. No resultado da previsão das séries temporais, os modelos ARIMA e ARIMAX e as RNA apresentaram boa performance. As RNA de forma individual foram mais precisas do que as RNA de forma generalizada e que os modelos ARIMA e ARIMAX, para cada grupo de produtos. A exceção foi a série valor exportado do grupo SH2-47, em que as RNA gerais obtiveram maior acurácia na previsão em comparação as RNA individuais. As topologias de RNA com a função de ativação exponencial, algoritmo Rprop e número de neurônios entre 16–30 são indicadas para previsão das séries temporais para os dois grupos de produtos florestais madeireiros. Estudos futuros podem ser conduzidos para melhorar a acurácia das previsões, como a utilização dos modelos da família ARIMA de forma hibrida com as RNA ou com outras técnicas de aprendizado de máquina. Palavras-chave: Modelo ARIMA. Modelo ARIMAX. Aprendizado de máquinas. Modelo de previsão. Economia florestal. |
id |
UFV_5cf6c775a8e2cc15a1ab67998c93d29c |
---|---|
oai_identifier_str |
oai:locus.ufv.br:123456789/29739 |
network_acronym_str |
UFV |
network_name_str |
LOCUS Repositório Institucional da UFV |
repository_id_str |
2145 |
spelling |
Souza, Jianne Rafaela Mazzini dehttp://lattes.cnpq.br/1922196027365236Silva, Márcio Lopes da2022-08-19T17:31:08Z2022-08-19T17:31:08Z2021-09-29SOUZA, Jianne Rafaela Mazzini de. Análise e previsão de séries temporais da exportação de produtos florestais brasileiros utilizando a metodologia Box-Jenkins e redes neurais artificiais. 2021. 74 f. Dissertação (Mestrado em Ciência Florestal) - Universidade Federal de Viçosa, Viçosa. 2021.https://locus.ufv.br//handle/123456789/29739https://doi.org/10.47328/ufvbbt.2021.278O Brasil é um dos principais países exportadores de produtos florestais madeireiros do mundo. Prever o futuro de variáveis associadas as exportações dos produtos florestais são muito importantes para tomada de decisão e um grande desafio. Desse modo, o objetivo do trabalho foi analisar e prever séries temporais das exportações de produtos florestais madeireiros brasileiros utilizando a técnica de Redes Neurais Artificiais (RNA) e a metodologia Box- Jenkins com os modelos ARIMA e ARIMAX. Os dados utilizados foram de históricos mensais das variáveis valor total exportado, em dólares americanos (US$), quantidade exportada, em toneladas (t) e valor unitário de uma tonelada (US$ t -1 ) de dois grupos de produtos florestais madeireiros, com informações desde janeiro do ano 1997 até dezembro do ano 2019. A etapa de análise das séries temporais consistiu na avaliação do comportamento das séries. A etapa de modelagem da previsão das séries temporais foi dividida em pré-processamento dos dados, predição das séries temporais, avaliação das RNA e dos modelos ARIMA e ARIMAX, previsão das séries temporais para os 12 meses do ano de 2019 e seleção da melhor técnica de previsão para as séries de cada grupo de produtos. Após a modelagem para previsão das séries temporais, uma matriz SWOT da utilização das técnicas foi construída. No resultado da previsão das séries temporais, os modelos ARIMA e ARIMAX e as RNA apresentaram boa performance. As RNA de forma individual foram mais precisas do que as RNA de forma generalizada e que os modelos ARIMA e ARIMAX, para cada grupo de produtos. A exceção foi a série valor exportado do grupo SH2-47, em que as RNA gerais obtiveram maior acurácia na previsão em comparação as RNA individuais. As topologias de RNA com a função de ativação exponencial, algoritmo Rprop e número de neurônios entre 16–30 são indicadas para previsão das séries temporais para os dois grupos de produtos florestais madeireiros. Estudos futuros podem ser conduzidos para melhorar a acurácia das previsões, como a utilização dos modelos da família ARIMA de forma hibrida com as RNA ou com outras técnicas de aprendizado de máquina. Palavras-chave: Modelo ARIMA. Modelo ARIMAX. Aprendizado de máquinas. Modelo de previsão. Economia florestal.Brazil is one of the main exporting countries of wood forest products in the world. Forecasting the future of variables associated with exports of forest products is very important for decision making and a great challenge. Thus, the objective of the work was to analyze and forecast time series of exports of Brazilian wood forest products using the technique of Artificial Neural Networks (ANN) and the Box-Jenkins methodology with the ARIMA and ARIMAX models. The data used were from monthly histories of the variables total exported value, in US dollars (US$), exported quantity, in tons (t) and unit value of one ton (US$ t -1 ) of two groups of wood forest products, with information from January 1997 to December 2019. The time series analysis stage consisted of evaluating the behavior of the series. The time series forecast modeling step was divided into data pre-processing, time series prediction, ANN evaluation and ARIMA and ARIMAX models, time series forecast for the 12 months of 2019 and selection of the best forecasting technique for the series of each product group. After modeling to forecast the time series, a SWOT matrix of the use of the techniques was built. In the result of the forecast of the time series, the ARIMA and ARIMAX models and the ANN presented good performance. Individual ANN were more accurate than generalized ANN and that the ARIMA and ARIMAX models for each product group. The exception was the exported value series from group SH2-47, in which the general ANN had greater accuracy in forecasting compared to the individual ANN. ANN topologies with exponential activation function, Rprop algorithm and number of neurons between 16–30 are indicated for forecasting the time series for the two groups of wood forest products. Future studies can be conducted to improve the accuracy of forecasting, such as the use of models from the ARIMA family in a hybrid way with ANN or with other machine learning techniques. Keywords: ARIMA model. ARIMAX model. Machine learning. Forecast model. Forest economy.porUniversidade Federal de ViçosaCiência FlorestalBox-Jenkins, MétodoAprendizado do computadorAnálise de séries temporaisEconomia florestalEconomia FlorestalAnálise e previsão de séries temporais da exportação de produtos florestais brasileiros utilizando a metodologia Box-Jenkins e redes neurais artificiaisAnalysis and forecasting of time series of brazilian forest products exports using the Box-Jenkins methodology and artificial neural networksinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal de ViçosaDepartamento de Engenharia FlorestalMestre em Ciência FlorestalViçosa - MG2021-09-29Mestradoinfo:eu-repo/semantics/openAccessreponame:LOCUS Repositório Institucional da UFVinstname:Universidade Federal de Viçosa (UFV)instacron:UFVORIGINALtexto completo.pdftexto completo.pdftexto completoapplication/pdf4487813https://locus.ufv.br//bitstream/123456789/29739/1/texto%20completo.pdf2b7fa1497f5953252fbb7db67d93cc55MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://locus.ufv.br//bitstream/123456789/29739/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52123456789/297392022-10-13 08:49:57.106oai:locus.ufv.br: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Repositório InstitucionalPUBhttps://www.locus.ufv.br/oai/requestfabiojreis@ufv.bropendoar:21452022-10-13T11:49:57LOCUS Repositório Institucional da UFV - Universidade Federal de Viçosa (UFV)false |
dc.title.pt-BR.fl_str_mv |
Análise e previsão de séries temporais da exportação de produtos florestais brasileiros utilizando a metodologia Box-Jenkins e redes neurais artificiais |
dc.title.en.fl_str_mv |
Analysis and forecasting of time series of brazilian forest products exports using the Box-Jenkins methodology and artificial neural networks |
title |
Análise e previsão de séries temporais da exportação de produtos florestais brasileiros utilizando a metodologia Box-Jenkins e redes neurais artificiais |
spellingShingle |
Análise e previsão de séries temporais da exportação de produtos florestais brasileiros utilizando a metodologia Box-Jenkins e redes neurais artificiais Souza, Jianne Rafaela Mazzini de Box-Jenkins, Método Aprendizado do computador Análise de séries temporais Economia florestal Economia Florestal |
title_short |
Análise e previsão de séries temporais da exportação de produtos florestais brasileiros utilizando a metodologia Box-Jenkins e redes neurais artificiais |
title_full |
Análise e previsão de séries temporais da exportação de produtos florestais brasileiros utilizando a metodologia Box-Jenkins e redes neurais artificiais |
title_fullStr |
Análise e previsão de séries temporais da exportação de produtos florestais brasileiros utilizando a metodologia Box-Jenkins e redes neurais artificiais |
title_full_unstemmed |
Análise e previsão de séries temporais da exportação de produtos florestais brasileiros utilizando a metodologia Box-Jenkins e redes neurais artificiais |
title_sort |
Análise e previsão de séries temporais da exportação de produtos florestais brasileiros utilizando a metodologia Box-Jenkins e redes neurais artificiais |
author |
Souza, Jianne Rafaela Mazzini de |
author_facet |
Souza, Jianne Rafaela Mazzini de |
author_role |
author |
dc.contributor.authorLattes.pt-BR.fl_str_mv |
http://lattes.cnpq.br/1922196027365236 |
dc.contributor.author.fl_str_mv |
Souza, Jianne Rafaela Mazzini de |
dc.contributor.advisor1.fl_str_mv |
Silva, Márcio Lopes da |
contributor_str_mv |
Silva, Márcio Lopes da |
dc.subject.pt-BR.fl_str_mv |
Box-Jenkins, Método Aprendizado do computador Análise de séries temporais Economia florestal |
topic |
Box-Jenkins, Método Aprendizado do computador Análise de séries temporais Economia florestal Economia Florestal |
dc.subject.cnpq.fl_str_mv |
Economia Florestal |
description |
O Brasil é um dos principais países exportadores de produtos florestais madeireiros do mundo. Prever o futuro de variáveis associadas as exportações dos produtos florestais são muito importantes para tomada de decisão e um grande desafio. Desse modo, o objetivo do trabalho foi analisar e prever séries temporais das exportações de produtos florestais madeireiros brasileiros utilizando a técnica de Redes Neurais Artificiais (RNA) e a metodologia Box- Jenkins com os modelos ARIMA e ARIMAX. Os dados utilizados foram de históricos mensais das variáveis valor total exportado, em dólares americanos (US$), quantidade exportada, em toneladas (t) e valor unitário de uma tonelada (US$ t -1 ) de dois grupos de produtos florestais madeireiros, com informações desde janeiro do ano 1997 até dezembro do ano 2019. A etapa de análise das séries temporais consistiu na avaliação do comportamento das séries. A etapa de modelagem da previsão das séries temporais foi dividida em pré-processamento dos dados, predição das séries temporais, avaliação das RNA e dos modelos ARIMA e ARIMAX, previsão das séries temporais para os 12 meses do ano de 2019 e seleção da melhor técnica de previsão para as séries de cada grupo de produtos. Após a modelagem para previsão das séries temporais, uma matriz SWOT da utilização das técnicas foi construída. No resultado da previsão das séries temporais, os modelos ARIMA e ARIMAX e as RNA apresentaram boa performance. As RNA de forma individual foram mais precisas do que as RNA de forma generalizada e que os modelos ARIMA e ARIMAX, para cada grupo de produtos. A exceção foi a série valor exportado do grupo SH2-47, em que as RNA gerais obtiveram maior acurácia na previsão em comparação as RNA individuais. As topologias de RNA com a função de ativação exponencial, algoritmo Rprop e número de neurônios entre 16–30 são indicadas para previsão das séries temporais para os dois grupos de produtos florestais madeireiros. Estudos futuros podem ser conduzidos para melhorar a acurácia das previsões, como a utilização dos modelos da família ARIMA de forma hibrida com as RNA ou com outras técnicas de aprendizado de máquina. Palavras-chave: Modelo ARIMA. Modelo ARIMAX. Aprendizado de máquinas. Modelo de previsão. Economia florestal. |
publishDate |
2021 |
dc.date.issued.fl_str_mv |
2021-09-29 |
dc.date.accessioned.fl_str_mv |
2022-08-19T17:31:08Z |
dc.date.available.fl_str_mv |
2022-08-19T17:31:08Z |
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 |
SOUZA, Jianne Rafaela Mazzini de. Análise e previsão de séries temporais da exportação de produtos florestais brasileiros utilizando a metodologia Box-Jenkins e redes neurais artificiais. 2021. 74 f. Dissertação (Mestrado em Ciência Florestal) - Universidade Federal de Viçosa, Viçosa. 2021. |
dc.identifier.uri.fl_str_mv |
https://locus.ufv.br//handle/123456789/29739 |
dc.identifier.doi.pt-BR.fl_str_mv |
https://doi.org/10.47328/ufvbbt.2021.278 |
identifier_str_mv |
SOUZA, Jianne Rafaela Mazzini de. Análise e previsão de séries temporais da exportação de produtos florestais brasileiros utilizando a metodologia Box-Jenkins e redes neurais artificiais. 2021. 74 f. Dissertação (Mestrado em Ciência Florestal) - Universidade Federal de Viçosa, Viçosa. 2021. |
url |
https://locus.ufv.br//handle/123456789/29739 https://doi.org/10.47328/ufvbbt.2021.278 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Viçosa |
dc.publisher.program.fl_str_mv |
Ciência Florestal |
publisher.none.fl_str_mv |
Universidade Federal de Viçosa |
dc.source.none.fl_str_mv |
reponame:LOCUS Repositório Institucional da UFV instname:Universidade Federal de Viçosa (UFV) instacron:UFV |
instname_str |
Universidade Federal de Viçosa (UFV) |
instacron_str |
UFV |
institution |
UFV |
reponame_str |
LOCUS Repositório Institucional da UFV |
collection |
LOCUS Repositório Institucional da UFV |
bitstream.url.fl_str_mv |
https://locus.ufv.br//bitstream/123456789/29739/1/texto%20completo.pdf https://locus.ufv.br//bitstream/123456789/29739/2/license.txt |
bitstream.checksum.fl_str_mv |
2b7fa1497f5953252fbb7db67d93cc55 8a4605be74aa9ea9d79846c1fba20a33 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
LOCUS Repositório Institucional da UFV - Universidade Federal de Viçosa (UFV) |
repository.mail.fl_str_mv |
fabiojreis@ufv.br |
_version_ |
1801213079618322432 |