RESUMO A previsão precisa de preços agrícolas é essencial para um planejamento de produção informado, estabilização do mercado e elaboração de políticas eficazes. Esta revisão examina 773 estudos publicados entre 2006 e 2025 para sintetizar os avanços recentes. Começamos analisando os sistemas de fatores e características estruturais dos dados de preços agrícolas e organizamos as tarefas de previsão por design de entrada-saída, resolução temporal e objetivos de previsão—variando de estimativas pontuais a detecção de tendências e previsão probabilística. As práticas de avaliação são revisadas em várias dimensões, incluindo métricas de erro, alinhamento de tendências, seleção de modelos e estimativa de incerteza. Em seguida, rastreamos a evolução de 15 métodos de previsão desde modelos estatísticos tradicionais até arquiteturas de aprendizado de máquina e redes neurais profundas (RNN, CNN, GNN, Transformer), além de estratégias baseadas em decomposição e ensembles. Esses desenvolvimentos são contextualizados dentro de tendências bibliométricas, destacando mudanças no foco da pesquisa e colaboração global. Evidências empíricas mostram que pipelines híbridos que combinam decomposição, aprendizado de características e técnicas de ensemble tendem a superar modelos independentes, enquanto modelos lineares simples continuam competitivos para previsões de longo prazo ou baixa frequência. Desafios comuns incluem vazamento de dados, horizontes de teste inconsistentes e tratamento insuficiente da incerteza. Olhando para o futuro, a pesquisa deve enfatizar a integração de diversas fontes de dados—como sinais de clima, comércio e política—e a construção de modelos que possam se adaptar a mudanças inesperadas no mercado. Também é igualmente importante entender como a dinâmica de preços responde a ações políticas, melhorar a transferibilidade do modelo entre regiões e commodities e fornecer previsões bem calibradas com estimativas de incerteza interpretáveis para aumentar o valor prático da previsão de preços agrícolas.
Wu et al. (Sat,) estudaram essa questão.