Comitê de Máquinas Heterogêneas e Redes Transformers na Previsão de Preços de Commodities: Evidências Empíricas

Vol 56, 2024 - 309604
Trabalho completo (Oral)
Favoritar este trabalho
Como citar esse trabalho?
Resumo

A avaliação da precisão dos métodos de aprendizado de máquina na previsão de preços de commodities agrícolas desempenha um papel importante na pesquisa acadêmica. Desenvolver modelos robustos é fundamental, e a combinação de Comitês de Máquinas e Redes Transformers emerge como uma abordagem promissora. Este estudo visa, empiricamente, comparar a capacidade preditiva de Comitês de Máquinas Heterogêneas e modelos Transformers com outras abordagens, como DCNN, Bagging e Boosting, especialmente na previsão de preços da soja no contexto do agronegócio. Os resultados mostram que o Comitê-LSTM tem o melhor desempenho na previsão de curto prazo, enquanto a rede Transformer mostra um declínio gradual em seu desempenho ao longo do tempo, medido pelo NSE, em comparação com os outros modelos.

Compartilhe suas ideias ou dúvidas com os autores!

Sabia que o maior estímulo no desenvolvimento científico e cultural é a curiosidade? Deixe seus questionamentos ou sugestões para o autor!

Faça login para interagir

Tem uma dúvida ou sugestão? Compartilhe seu feedback com os autores!

Instituições
  • 1 Faculdade de Engenharia Elétrica e de Computação, Universidade Estadual de Campinas (UNICAMP)
Eixo Temático
  • 11. IC – Inteligência Computacional
Palavras-chave
Comitê Heterogêneo
Redes Transformers
Previsão de Séries Temporais
Preços da Soja