What question did this study set out to answer?

The aim is to study and develop machine learning methodologies for forecasting agricultural commodity prices, focusing on grains.

May 29, 2026Open Access

AI-Driven Agricultural Commodity Price Forecasting with Hybrid Models and Scalable Data Infrastructure

ΑΘΑστέριος Α. Θεοφίλου

Key Points

The aim is to study and develop machine learning methodologies for forecasting agricultural commodity prices, focusing on grains.
Conducted a systematic review of international literature on forecasting techniques in agriculture.
Designed a scalable data warehouse architecture using big data technologies to manage large volumes of agricultural data.
Compared different forecasting algorithms for accuracy, scalability, and generalization ability on real-time data.
Demonstrated the effectiveness of advanced machine learning techniques in improving agricultural price forecasting.
Highlight the importance of scalable data infrastructure for decision support in agriculture.

Abstract

Σκοπός της παρούσας διδακτορικής διατριβής ήταν η μελέτη και ανάπτυξη μεθοδολογιών μηχανικής μάθησης για την πρόβλεψη των τιμών αγροτικών εμπορευμάτων, με έμφαση στα σιτηρά και ιδιαίτερα στο καλαμπόκι, το σιτάρι και το ρύζι. Αρχικά πραγματοποιήθηκε συστηματική βιβλιογραφική ανασκόπηση της διεθνούς επιστημονικής βιβλιογραφίας με στόχο την καταγραφή και αξιολόγηση των τεχνικών πρόβλεψης που χρησιμοποιούνται στην αγροτική οικονομία, όπως παραδοσιακά στατιστικά μοντέλα, μέθοδοι μηχανικής μάθησης, ensemble learning και τεχνικές βαθιάς μάθησης. Στη συνέχεια εξετάστηκαν οι κυριότερες πηγές δεδομένων που μπορούν να επηρεάσουν τις τιμές των αγροτικών προϊόντων, όπως ιστορικά δεδομένα τιμών, μετεωρολογικά δεδομένα, δεδομένα παραγωγής, ειδησεογραφικό και κοινωνικό συναίσθημα, καθώς και μακροοικονομικοί δείκτες. Παράλληλα σχεδιάστηκε και υλοποιήθηκε μία επεκτάσιμη αρχιτεκτονική αποθήκης δεδομένων για τη διαχείριση μεγάλου όγκου αγροτικών δεδομένων με χρήση τεχνολογιών big data και υποδομών κατανεμημένης επεξεργασίας. Η έρευνα επικεντρώθηκε επίσης στη σύγκριση διαφορετικών αλγορίθμων πρόβλεψης ως προς την ακρίβεια, την επεκτασιμότητα και την ικανότητα γενίκευσης σε πραγματικά δεδομένα χρονοσειρών. Επιπλέον αναλύθηκαν ζητήματα προεπεξεργασίας δεδομένων, επιλογής χαρακτηριστικών και αξιολόγησης μοντέλων, με στόχο τη δημιουργία αξιόπιστων συστημάτων πρόβλεψης για την υποστήριξη αποφάσεων στον αγροτικό τομέα. Τα αποτελέσματα της διατριβής αναδεικνύουν τη σημασία της αξιοποίησης προηγμένων τεχνικών μηχανικής μάθησης και ολοκληρωμένων υποδομών δεδομένων για τη βελτίωση της πρόβλεψης των αγροτικών τιμών και την ενίσχυση της αγροτικής οικονομικής ανάλυσης.

Ask AI

Helpful

Bookmark

View Full Paper