Verwendung von Deep-Learning-Modellen und exogenen Produktionsvariablen zur Preisprognose im brasilianischen Zuckerrohrsektor

Diese Studie entwickelte Preisprognosemodelle für die CEPEA/ESALQ White Crystal Sugar- und Hydrous Ethanol Fuel-Indikatoren, wobei Variablen berücksichtigt wurden, die mit der Zuckerrohrversorgung und klimatischen Bedingungen zusammenhängen. Maschinelles Lernen-Modelle wie Long Short-Term Memory (LSTM), Transformer und Multilayer Perceptron (MLP) wurden zusammen mit dem statistischen Autoregressive Integrated Moving Average (ARIMA)-Modell verwendet, alle unter Einbeziehung exogener Variablen. Zu diesen Variablen gehören Schätzungen des Modularen Agronomischen Simulators für Zuckerrohr (SAMUCA), Daten der Nationalen Versorgungsanstalt (Conab), tatsächliche Produktionszahlen und ein Klimaindikator, der aus Temperatur-, Niederschlags- und Solarstrahlungsdaten erstellt wurde, die von NASA POWER bereitgestellt werden. Die Ergebnisse zeigen, dass Modelle, die die SAMUCA-Produktionsschätzung verwenden, eine Genauigkeit aufweisen, die mit der auf historischen Produktionsdaten basiert (als Benchmark verwendet), vergleichbar ist, wobei nur geringfügige Abweichungen in den Fehlermessgrößen bestehen. Das MLP-Modell erzielte die beste Leistung bei Zucker (MAPE von 3,84%), während LSTM für Ethanol am effektivsten war (MAPE von 1,87%). Maschinelles Lernen-Techniken übertrafen traditionelle Methoden bei der Erfassung saisonaler, klimatischer und nichtlinearer Muster. Der vorgeschlagene Ansatz ermöglicht eine Preisprognose vor der Ernte und ermöglicht monatliche Aktualisierungen, was ein strategisches Werkzeug für Marktteilnehmer darstellt. Das Modell ist auch anpassbar an andere Pflanzen und Regionen mit begrenzter Verfügbarkeit von Produktionsdaten.