Food price forecast using the ARIMA method and artificial intelligence
DOI:
https://doi.org/10.14488/1676-1901.v23i1.4869Keywords:
Price Forecast, Carrot, Food, ARIMA, RNAAbstract
The prediction of food prices plays a crucial role in food security management as it enables governments and businesses to plan supply and demand, aiming to prevent market instability and ensure access to food for the population. One effective way of obtaining food price forecasts is through the application of time series analysis methods, such as the Autoregressive Integrated Moving Average (ARIMA) model, along with artificial intelligence techniques. In this article, a forecast of prices paid to producers for the vegetable carrot in the city of Caxias do Sul was conducted, based on the historical quotations from 2016 to 2021. Additionally, a possible relationship between rainfall indices in the region and the variation in vegetable prices was examined using Pearson and Spearman correlation methods. Two methods were used for the forecasts: ARIMA and Artificial Neural Networks (ANN). The accuracy of the forecasts was measured using two error metrics: Mean Absolute Percentage Error (MAPE) and Mean Absolute Error (MAE). In the comparison between the forecasts, the artificial intelligence method ANN proved to be more reliable, with a MAPE of 13.95%, while ARIMA achieved an accuracy of 21.75% in the price forecasts for 2021.
Downloads
References
ALVES, G. R.; TEIXEIRA, I. R.; MELO, F. R.; SOUZA, R. T. G.; SILVA, A. G. Estimating soybean yields with artificial neural networks. Acta Scientiarum. Agronomy, 40.Estimating soybean yields with artificial neural networks. Acta Scientiarum. Agronomy, v. 40, p. e35250, 2018. DOI: https://doi.org/10.4025/actasciagron.v40i1.35250
BRASIL. Ministério da Agricultura, Pecuária e Abastecimento (MAPA). Projeções do Agronegócio: Brasil 2012/2013 a 2022/2023. Ministério da Agricultura, Pecuária e Abastecimento. Assessoria de Gestão Estratégica. Brasília: Mapa/ ACS, 2013. 96 p. Disponível em: https://www.gov.br/agricultura/pt-br/assuntos/politica-agricola/todas-publicacoes-de-politica-agricola/projecoes-do-agronegocio/projecoes-do-agronegocio-brasil-2012-2013-a-2022-2023.pdf/view. Acesso em: 27 maio.2023.
CAMELO, H. D. N.; LUCIO, P. S.; LEAL, J. B. V.; DE CARVALHO, P. C. M. Métodos de previsão de séries temporais e modelagem híbrida ambos aplicados em médias mensais de velocidade do vento para regiões do Nordeste do Brasil. Revista Brasileira de Meteorologia, v. 32, p. 565-574, 2017. DOI. https://doi.org/10.1590/0102-7786324005
CAMPOS, P. A. C.; CLEMENTE, A.; DE CORDEIRO, A. A. L. Aplicação do modelo ARIMA para previsão do preço do frango inteiro resfriado no grande atacado do estado de São Paulo. In: CONGRESSO BRASILEIRO DE CUSTOS, 2006, Belo Horizonte, 12., Anais [...]. Belo Horizonte: Associação Brasileira de Custos, 2006. p. 1-16.
CARDOSO, C. A. V.; CRUZ, G. L. Forecasting Natural Gas Consumption using ARIMA Models and Artificial Neural Networks. Ieee Latin America Transactions, v. 14, n. 5, p. 2233-2238, 2016. Institute of Electrical and Electronics Engineers (IEEE). DOI: http://dx.doi.org/10.1109/tla.2016.7530418.
CONFEDERAÇÃO DA AGRICULTURA E PECUÁRIA DO BRASIL. Boletim do PIB do Agronegócio 2022. Disponível em: https://www.cnabrasil.org.br/publicacoes/apos-alcancar-patamar-recorde-em-2021-pib-do-agronegocio-recua-4-22-em-2022. Acesso em: 25 de abr. 2023.
CONFEDERAÇÃO DA AGRICULTURA E PECUÁRIA DO BRASIL. Pib do agronegócio alcança participação de 26,6% no Pib brasileiro em 2020. [S.I]: Cepea, 2021. 18 p.
SILVA, D. R.; DOMINGUEZ, D. S.; AMBROSIO, P. E.; IGLESIAS, S. M. Método híbrido de redes neurais e modelo ARIMA na previsão do custo da cesta básica na cidade de Ilhéus. Revista Mundi Engenharia, Tecnologia e Gestão, v. 4, n. 3, 2019.
DAL BO, G.; CORSO, L. L. Aplicação de aprendizado de máquina para aumento de precisão de um sistema automatizado de nutrição de suínos. Revista Produção Online, v. 22, n. 1, p. 2428-2451, 2022. DOI: http://dx.doi.org/10.14488/1676-1901.v22i1.4586. Disponível em: https://www.producaoonline.org.br/rpo/article/view/4586. Acesso em: 13 maio. 2023.
ALMEIDA CUNHA, A. R. A.; BELIK, W. A produção agrícola e a atuação das Centrais de Abastecimento no Brasil. Segurança Alimentar e Nutricional, v. 19, n. 1, p. 46-59, 2012.
LIMA, D.; CORSO, L. L. Aplicação de Inteligência Artificial e Modelos Matemáticos para Previsão de Demanda em uma indústria do ramo plástico. Scientia cum Industria, Caxias do Sul, v. 8, n. 2, p. 24-29, 2020.
OLIVEIRA, E. F. T.; ALVES, B. H. Cosseno de Salton, Índice de Jaccard e Correlação de Pearson: comparando índices normalizados e absolutos em análise de cocitação de autores. Em Questão, v. 23, p. 235, 27 jan. 2017. DOI. http://dx.doi.org/10.19132/1808-5245230.235-253
SOUZA, W. M.; RIBEIRO, A. J. A.; DA SILVA, C. A. U. Uma abordagem alternava para obtenção da classificação de solos da AASHTO usando redes neurais arficiais. Transportes, v. 1, n. 1, p. 41-54, abr. 2021. Disponível em: https://www.revistatransportes.org.br/anpet/article/view/2176/877. Acesso em: 03 dez. 2021.
FOOD AND AGRICULTURE ORGANIZATIONS OF THE UNITED NATIONS – FAO DATABASE. Disponível em: https://www.fao.org/documents/card/en/c/eb978434-dac0-4cd0-bcb3-f1f6f01. Acesso em: 13 maio. 2023.
FOOD AND AGRICULTURE ORGANIZATIONS OF THE UNITED NATIONS – FAO DATABASE. Disponível em: http://aguasdobrasil.org/downloads/pdf/Revista-Aguas-do-Brasil-12.pdf. Acesso em: 13 maio. 2023.
FRACALOSSI, M. R. Covid-19 e medidas legais de distanciamento social: tipologia de políticas estaduais e análise do período de 13 a 26 de abril de 2020. Nota Técnica nº18, abril de 2020. Instituto de Pesquisa Econômica Aplicada – IPEA. Disponível em: https://portalantigo.ipea.gov.br/agencia/images/stories/PDFs/nota_tecnica/200429_nt18_covid-19.pdf. Acesso em: 27 maio. 2023.
GOLMOHAMMADI, A.; HASSINI, E. Capacity, pricing and production under supply and demand uncertainties with an application in agriculture. European Journal Of Operational Research, v. 275, n. 3, p. 1037-1049, 2019 . DOI: http://dx.doi.org/10.1016/j.ejor.2018.12.027
KAMILARIS, A.; PRENAFETA-BOLDÚ, F. X. A review of the use of convolutional neural networks in agriculture. The Journal Of Agricultural Science, p. 312-322.
LIMA JUNIOR, J. A.; PEREIRA, G. M.; GEISENHOFF, L. O.; SILVA, W. G. D.; VILAS BOAS, R. C., SOUZA, R. J. D. Desempenho de cultivares de cenoura em função da água no solo. Revista Brasileira de Engenharia Agrícola e Ambiental, v. 16, p. 514-520, 2012.
LUCENA, J.; SOUZA, B. I.; MOURA, M.; DE OLIVEIRA LIMA, J. Análise da variabilidade da precipitação pluviométrica como subsídio para o planejamento agrícola em Caicó/RN. Revista Brasileira de Climatologia, v. 10, n. 8, p. 1-15, jun. 2012.
LUDOVICO, S. N.; SALGADO, R. M.; BEIJO, L. A.; MIGUEL, E. C.; REZENDE, M. L. Agricultural commodity price prediction via machine learning algorithms. Sigmae, v. 11, n. 2, p. 45-69, jan. 2023.
MILANI, C. R. Solidariedade e Interesse: Motivações e Estratégias Na Cooperação Internacional Para o Desenvolvimento. 1 ed. Curitiba, PR: Appris, 2018.
MONTOYA, M. A.; FINAMORE, E. B. Os recursos hídricos no agronegócio brasileiro: uma análise insumo-produto do uso, consumo, eficiência e intensidade. Centro de Pesquisa e Extensão da Feac, Passo Fundo, v. 1, n. 1, p. 1-22, out. 2019.
OLIVEIRA, A. A.; SIQUEIRA, P. H.; NISGOSKI, S.; MUNIZ, G. B. D.; FERREIRA, J. H. Identificação de madeiras utilizando a espectrometria no infravermelho próximo e redes neurais artificiais. TEMA, São Carlos-SP, v. 16, p. 81-95, 2015. DOI: https://dx.doi.org/10.5540/tema.2015.016.02.0081
PARISOTO, G. J.; GUIMARÃES, V. D. A. Análise da cadeia da cenoura: um estudo de caso no estado do paraná. In: CONGRESSO DA SOCIEDADE BRASILEIRA DE ECONOMIA, ADMINISTRAÇÃO E SOCIOLOGIA RURAL, 57., 2019, Ilhéus. Biodiversidade, Meio Ambiente e Desenvolvimento Sustentável. [S.L.]: Editora Conhecimento Livre, 2020. p. 1-19.
PAULUS, D.; MOURA, C. D. A.; SANTIN, A.; DALHEM, A. R.; NAVA, G. A.; RAMOS, C. E. Produção e aceitabilidade de cenoura sob cultivo orgânico no inverno e no verão. Horticultura Brasileira, v. 30, n. 3, p. 446-452, set. 2012. DOI: http://dx.doi.org/10.1590/s0102-05362012000300015
PEROBELLI, F. S.; BETARELLI, A. A.; VALE, V. D. A.; CUNHA, R. G. Impactos Econômicos do Aumento das Exportações Brasileiras de Produtos Agrícolas e Agroindustriais para Diferentes Destinos. Revista de Economia e Sociologia Rural, v. 55, n. 2, p. 343-366, 2017. DOI: http://dx.doi.org/10.1590/1234-56781806-94790550208
PRAVEEN, B.; SHARMA, P. Climate variability and its impacts on agriculture production and future prediction using autoregressive integrated moving average method (ARIMA). Wiley, v. 156, n. 3, p. 1-12, 2019.
PUCHALSKY, W.; RIBEIRO, G. T.; DA VEIGA, C. P.; FREIRE, R. Z.; DOS SANTOS COELHO, L. Agribusiness time series forecasting using Wavelet neural networks and metaheuristic optimization: An analysis of the soybean sack price and perishable products demand. International Journal Of Production Economics, p. 174-189, 2018. Disponível em: www.elsevier.com/locate/ijpe. Acesso em: 14 abr. 2021.
RUBY-FIGUEROA, R.; SAAVEDRA, J.; BAHAMONDE, N.; CASSANO, A. Permeate flux prediction in the ultrafiltration of fruit juices by ARIMA models. Journal Of Membrane Science, v. 524, p. 108-116, fev. 2017. DOI: http://dx.doi.org/10.1016/j.memsci.2016.11.034
SCHABARUM, J. C.; TRICHES, R. M. Aquisição de Produtos da Agricultura Familiar em Municípios Paranaenses: análise dos produtos comercializados e dos preços praticados. Revista de Economia e Sociologia Rural, v. 57, n. 1, p. 49-62.2019. DOI: http://dx.doi.org/10.1590/1234-56781806-94790570103
SINGH, V. K.; RAJANNA, G. A.; PARAMESHA, V.; UPADHYAY, P. K. Agricultural Water Footprint and Precision Management. Sustainable Agriculture Systems and Technologies, p. 251-266, 2022. DOI: https://doi.org/10.1002/9781119808565.ch11
SZNITOWSKI, A. M. Fontes de conhecimento/tecnologia para o agronegócio da soja em Mato Grosso. Revista UNEMAT de Contabilidade, v. 6, n. 11, 2017.
TAYLOR, D. H. Demand management in agri‐food supply chains. The International Journal Of Logistics Management, v. 17, n. 2, p. 163-186, DOI: http://dx.doi.org/10.1108/09574090610689943
THIELE, C. C.; ADAMI, A. G. Previsão de séries temporais financeiras: modelo baseado em redes neurais artificiais. Revista Brasileira de Computação Aplicada, v. 8, n. 2, p. 113, 1, 2016. DOI: http://dx.doi.org/10.5335/rbca.v8i2.5638
ONU. Disponível em: https://brasil.un.org/pt-br/114718-onu-17-de-todos-os-alimentos-dispon%C3%ADveis-para-consumo-s%C3%A3o-desperdi%C3%A7ados. Acesso em: 12 maio. 2023.
VARGAS, V. B.; CORSO, L.; VALLEJOS, R. V. Markov chains to determine the probability of climate change for planting selection in the city of Caxias do Sul. Ciência Rural, v. 52, n. 4, p. 1-7, 2021.
WANG, W.; CHEN, Y.; BECKER, S.; LIU, B. Linear trend detection in serially dependent hydrometeorological data based on a variance correction Spearman rho method. Water, v. 7, n. 12, p. 7045-7065, 2015 DOI: http://dx.doi.org/10.3390/w7126673
WORLD WATER COUNCIL. Disponível em: https://www.worldwatercouncil.org/en/daegu-gyeongbuk-2015. Acesso em: 12 maio. 2023.
Published
How to Cite
Issue
Section
License
Copyright (c) 2023 Revista Produção Online
This work is licensed under a Creative Commons Attribution 4.0 International License.
The Journal reserves the right to make spelling and grammatical changes, aiming to keep a default language, respecting, however, the style of the authors.
The published work is responsibility of the (s) author (s), while the Revista Produção Online is only responsible for the evaluation of the paper. The Revista Produção Online is not responsible for any violations of Law No. 9.610 / 1998, the Copyright Act.
The journal allows the authors to keep the copyright of accepted articles, without restrictions
This work is licensed under a Creative Commons License .
