Este trabalho foi publicado pelo Galoá e tem um DOI depositado. Para citar este trabalho, use um dos padrões abaixo:
Caso você seja um dos co-autores e queira cadastrar esse trabalho no seu Currículo Lattes, use o seguinte código: doi > 10.59254/sbpo-2024-193665
Se você NUNCA registrou um DOI no seu Lattes, veja nosso tutorial!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.
Com ~200 mil publicações revisadas por pesquisadores do mundo todo, o Galoá impulsiona cientistas na descoberta de pesquisas de ponta por meio de nossa plataforma indexada.
Confira nossos produtos e como podemos ajudá-lo a dar mais alcance para sua pesquisa:
Esse proceedings é identificado por um DOI , para usar em citações ou referências bibliográficas. Atenção: este não é um DOI para o jornal e, como tal, não pode ser usado em Lattes para identificar um trabalho específico.
Verifique o link "Como citar" na página do trabalho, para ver como citar corretamente o artigo