LIGHTGBM APLICADO PARA PREVISÃO DE SÉRIES TEMPORAIS DE COMMODITIES DO AGRONEGÓCIO

INTRODUÇÃO: A previsão de séries temporais é uma área crucial em ciência de dados, com aplicações em diversos ramos industriais. O foco principal dessa abordagem é desenvolver modelos matemáticos precisos que descrevam o comportamento das séries temporais que serão abordadas a partir de dados históricos, permitindo prever tendências futuras para tomadas de decisão. OBJETIVOS: O objetivo deste projeto é avaliar a aplicação do modelo LightGBM (do inglês Light Gradient Boosting Machine) para a previsão de séries temporais de commodities no setor do agronegócio. O agronegócio tem um papel fundamental na economia global, e a estimativa dos preços das commodities são essenciais para a tomada de decisão no setor. MATERIAIS E MÉTODO: O LightGBM é um algoritmo baseado em gradient boosting e árvores de decisão e ganhou destaque por sua eficiência no custo computacional e capacidade de lidar com grandes volumes de dados. Neste estudo, ele é aplicado para modelar e prever as séries temporais de diferentes commodities do agronegócio, tais como grãos, carnes e produtos lácteos. O processo de modelagem envolve a preparação dos dados, seleção de variáveis relevantes, ajuste dos hiperparâmetros do LightGBM e o treinamento dos modelos. O desempenho dos modelos foi avaliado para o caso de previsão de séries temporais do frango congelado (por quilo em São Paulo), um item relevante do setor de agronegócios, oriunda do CEPEA (Centro de Estudos Avançados em Economia Aplicada) utilizando métricas de avaliação de previsão, como erro médio absoluto (MAE) e erro quadrático médio (RMSE). RESULTADOS: Concluiu-se que todos os modelos avaliados se mostraram promissores, com baixas taxas do sinal de erro, com destaque para o modelo de previsão denominado SARIMAX (do inglês Seasonal Autoregressive Integrated Moving-Average with eXogenous regressors). Porém, enquanto o SARIMAX é uma abordagem clássica matemática e robusta, o LightGBM se destacou por sua eficiência computacional e capacidade de lidar com maiores volumes de dados. Também é importante ressaltar que a escolha do método mais adequado dependerá do contexto específico de cada aplicação e das características dos dados em questão, portanto a seleção do modelo deve ser cuidadosa, levando em consideração as necessidades e objetivos do problema em análise. CONSIDERAÇÕES FINAIS: Em geral, os modelos de previsão desenvolvidos apresentam um desempenho promissor, capturando padrões sazonais e tendências com precisão para o estudo de caso do frango congelado.

PALAVRAS-CHAVE: Previsão de séries temporais; Regressão; Agronegócios; Modelo de previsão LightGBM.