Predictive Management of Swine Feed Costs Using CNN-LSTM Hybrid Neural Networks
|
Aldino Normelio Brun Polo |
Mestrando do Programa de Programa de Pós-Graduação em Tecnologias
Computacionais para o Agronegócio – PPGTCA. Universidade Tecnológica Federal do
Paraná (UTFPR) – Brasil. aldinopolo@alunos.utfpr.edu.br |
|
José Airton Azevedo dos
Santos |
Doutor em Engenharia
Elétrica. Universidade Tecnológica Federal do Paraná (UTFPR) – Brasil.
airton@utfpr.edu.br |
RESUMO
O custo com alimentação é o fator que mais influencia o custo total de produção de suínos. Para o produtor, na gestão do seu negócio, a previsão desse custo é fundamental. Neste contexto, este trabalho propõe a utilização da rede CNN-LSTM (Convolutional Neural Network - Long Short Term Memory) multivariada para previsão do custo da ração para alimentação de suínos no estado do Paraná. A base de dados é formada, no período de janeiro/2007 a maio/2024, por séries mensais do custo da ração, do preço do farelo de soja e do preço do milho. Modelos de previsão univariados e multivariados foram implementados, na linguagem Python, utilizando o framework Keras. Resultados de modelos de previsão CNN-LSTM e LSTM, em suas versões univariada e multivariada, foram comparados por meio das métricas MAE (Mean Absolute Error), RMSE (Root Mean Squared Error) e MAPE (Mean Absolute Percentage Error). Verificou-se, para um horizonte de 12 meses, que o modelo CNN-LSTM multivariado apresentou o melhor desempenho (MAE=0,1 R$/kg, RMSE=0,13 R$/kg e MAPE=2,45%).
Palavras-chave: redes híbridas; séries
temporais; Keras; Python.
ABSTRACT
The cost of feeding is the factor
that most influences the total cost of swine production. For the producer, in
the management of their business, forecasting this cost is fundamental. In this
context, this work proposes the use of the multivariate CNN-LSTM (Convolutional
Neural Network - Long Short Term Memory) network for forecasting the cost of
feed for swine feeding in the state of Paraná. The dataset is formed, in the
period from January/2007 to May/2024, by monthly series of feed cost, soybean
meal price, and corn price. Univariate and multivariate forecasting models were
implemented, in the Python language, using the Keras framework. Results of
CNN-LSTM and LSTM forecasting models, in their univariate and multivariate
versions, were compared through the metrics MAE (Mean Absolute Error), RMSE
(Root Mean Squared Error), and MAPE (Mean Absolute Percentage Error). It was
verified, for a 12-month horizon, that the multivariate CNN-LSTM model
presented the best performance (MAE=0,1 R$/kg, RMSE=0,13 R$/kg, and
MAPE=2,45%).
Keywords: hybrid networks; time series; Keras; Python.
Recebido em 02/12/2024. Aprovado em 02/06/2026. Avaliado pelo sistema double blind peer review. Publicado conforme normas da ABNT.
https://doi.org/10.22279/navus.v18.2060
1
INTRODUÇÃO
O Brasil, segundo a Associação Brasileira de
Proteína Animal, é o quarto maior produtor mundial de carne suína, produzindo
cerca de 5,156 milhões de toneladas em 2023, e o quarto maior exportador
mundial, com 1,230 milhão de toneladas exportadas (ABPA, 2024). Além disso, a
suinocultura apresenta funções sociais de grande relevância como: fornecimento
de carne para a população, geração de empregos, entre outras (Portes et al.,
2019). Somente a suinocultura gera mais de 1,5 milhões de empregos, diretos e
indiretos (Brandt, 2023).
O fator que mais influencia os custos de produção
de suínos é a alimentação. Os custos de alimentação podem atingir cerca de 70%
a 80% do custo total de produção de suínos. O milho e o farelo de soja são os
principais ingredientes da ração utilizada na alimentação suína (Portes et al.,
2019; Summit Agro, 2021). Existe uma parcela de utilização de sorgo, aveia,
centeio e arroz, na dieta dos suínos, mas ainda com baixa representatividade
(Brandt, 2023).
O custo da alimentação de suínos, devido a
oscilações no preço da soja e do milho, pode muitas vezes inviabilizar a
presença do produtor no mercado. Portanto, a previsão do custo, por meio de
redes neurais artificiais, pode fornecer informações importantes e subsídios,
para os suinocultores, nos processos de tomada de decisão.
Dentre as técnicas de previsão de redes
neurais artificiais têm-se as redes CNN e LSTM. As redes CNN são redes neurais
artificiais adequadas para extração de características espaciais e temporais de
um conjunto de dados. Já as redes LSTM são redes capazes de identificar
sequências de curto e longo prazo, obtendo informações relevantes para
previsões futuras (XU et al., 2020; Yao, 2018).
Diversos estudos utilizaram redes CNN-LSTM
na previsão de séries temporais. Dentre eles, podem-se citar os trabalhos de
Santos et al. (2022), que utilizaram a rede CNN-LSTM pra realizar a previsão do
consumo de energia elétrica de uma agroindústria. Verificaram, para um
horizonte de 24 horas, que a rede CNN-LSTM obteve um bom desempenho. Zha et al.
(2022) utilizaram a rede CNN-LSTM para prever a produção mensal de um campo de
gás. Resultados de previsão do modelo CNN-LSTM foram comparados com resultados
obtidos dos modelos ARIMA (Autoregressive
Integrated Moving Average) e SVM (Support
Vector Machine). Concluíram que, para a previsão mensal do campo, o modelo
CNN-LSTM apresentou o melhor desempenho. Khorram e Jehbez (2023) utilizaram a
rede CNN-LSTM para prever a vazão mensal de um reservatório. Compararam os
resultados do modelo CNN-LSTM com os modelos CNN, LSTM, SVM e ARIMA.
Verificaram que o modelo CNN-LSTM obteve os melhores resultados. Já Kim e Cho
(2019) utilizaram o modelo CNN-LSTM para prever o consumo de energia elétrica
residencial. Constataram, comparando os resultados de previsão dos modelos
CNN-LSTM, LSTM e de Regressão Linear, que o modelo CNN-LSTM também obteve o
melhor desempenho.
Neste contexto, este trabalho tem como
objetivo propor a utilização da rede CNN-LSTM (Convolutional Neural Network - Long Short Term Memory)
multivariada para previsão do custo da ração para alimentação de suínos no
estado do Paraná.
2 REDE CNN-LSTM
A rede CNN, proposta por Lecun et al. (1998), é muito utilizada em
tarefas de classificação e visão computacional. Sua versão 1D é caracterizada
por sua capacidade de extrair conhecimento útil e apreender a representação
interna de dados de séries temporais. Basicamente a rede CNN é composta por uma
camada convolucional (Convolution Layer) e uma camada de pooling
(Pooling Layer). Na camada de convolução, são extraídas informações
importantes dos dados. A camada de pooling tem como objetivo principal
reduzir o número de informações extraídas (Li et al., 2020).
A rede LSTM, proposta por Hochreiter e Schmidhuber (1997), é uma rede
recorrente muito eficaz para identificar sequências de curto e longo prazo.
Células de memória compõem a topologia de uma rede LSTM (Figura 1). A
informação, neste tipo de rede neural, é transmitida entre as células da camada
oculta, por meio de portas. Cada célula contém três portas: uma porta de
entrada (input gate - it), uma porta de esquecimento (forget
gate – ft) e uma porta de saída (output gate – Ot).
Estas portas determinam os dados que devem entrar (it), os que devem
sair (Ot) e os que devem ser esquecidos (ft) (Santos, 2022; Livieris et al., 2020, Lu et
al., 2020).
Figura 1 – Célula de memória
Fonte: Adaptado
de Jia et al. (2020).
As equações da rede
neural LSTM são apresentadas a seguir (Shewalkar et al., 2019):
|
|
1 |
|
|
2 |
|
|
3 |
|
|
4 |
|
|
5 |
|
|
6 |
Onde
A combinação dos
modelos CNN e LSTM (CNN-LSTM) potencializa as vantagens dos dois modelos,
contribuindo para maior precisão na previsão dos custos de alimentação de
suínos. A arquitetura da rede CNN-LSTM, apresentada na Figura 2, é baseada na
combinação destas redes.
Figura 2 – Estrutura da CNN-LSTM
A rede CNN-LSTM usa a
camada CNN para extrair características entre as variáveis que afetam a
previsão dos custos de alimentação de suínos. A saída da camada CNN é usada como
entrada da camada LSTM. Na camada LSTM são realizadas as previsões dos custos
de alimentação dos suínos (Kim; Cho, 2019).
3 METODOLOGIA
3.1 Etapas do trabalho
Inicialmente, na primeira etapa do trabalho, realizou-se a coleta e a análise exploratória dos dados. Em seguida, na segunda etapa, os modelos de redes neurais LSTM e CNN-LSTM foram desenvolvidos. Nesta etapa, foram escolhidos os modelos com melhor desempenho no conjunto de dados de validação. Na última etapa, a etapa de teste, a acurácia dos modelos foi analisada por meio das métricas MAE, RMSE e MAPE.
3.2 Base de dados
A base de dados para
previsão dos custos de alimentação de suínos, é formada por três séries
temporais: Feed (Custos de
alimentação de suínos - Paraná (R$/kg) - (EMBRAPA, 2024)), Soy (preço médio do farelo de soja – Paraná (R$/kg) – (IPEA, 2024a))
e Corn (Preço médio do milho – Paraná
(R$/kg) - (IPEA, 2024b)). As três séries apresentam, no período de janeiro de
2007 a maio de 2024, 222 observações cada. Os Boxplots dos dados, das três séries temporais, são apresentados na
Figura 3.
Figura 3 – Boxplots das séries temporais.
A série histórica,
dos custos de alimentação de suínos (Feed),
é apresentada na Figura 4.
Figura 4 – Série histórica dos custos de alimentação de suínos
Na Tabela 1 apresentam-se
os cinco primeiros registros das séries temporais (Feed
(Custos de alimentação de suínos), Soy
(preço médio do farelo de soja) e Corn
(Preço médio do milho)).
Tabela 1 – Cinco primeiros registros das três séries (R$/kg)
|
Date |
Feed |
Soy |
Corn |
|
01/01/2007 |
1,11 |
0,517363 |
0,321760 |
|
01/02/2007 |
1,14 |
0,541924 |
0,309282 |
|
01/03/2007 |
1,14 |
0,508328 |
0,305125 |
|
01/04/2007 |
1,11 |
0,468929 |
0,285740 |
|
01/05/2007 |
1,08 |
0,431543 |
0,277835 |
Inicialmente, com os
dados fornecidos pela EMBRAPA para o estado do Paraná, formou-se o conjunto de teste
com 12 observações (12 meses). Na sequência, construíram-se os conjuntos de
treinamento e validação. O Conjunto de treino ficou com 147 observações (70%) e
o Conjunto de validação com 63 observações (30%).
Neste trabalho, para
otimizar e treinar os modelos, foi necessário normalizar os dados por meio da
função MinMax (Arunkumar et al., 2022)
(Equação 1).
|
|
1 |
Onde: x é o dado da série temporal; xn é o dado normalizado; xmin e xmax são os valores mínimo e máximo da série temporal.
A correlação entre as
variáveis Feed, Soy e Corn é
apresentada na Figura 5. Observa-se, dos coeficientes de correlação, que as
variáveis preços do farelo de soja (Soy)
e do milho (Corn) têm praticamente o
mesmo impacto no custo de alimentação dos suínos (Feed) (0,98 e 0,97).
Figura 5 – Correlação entre as variáveis
.
3.3 Métricas
As métricas MAE, RMSE e MAPE,
apresentadas na Tabela 2, foram utilizadas para avaliar, de acordo com os
custos previstos e observados, o desempenho dos modelos CNN-LSTM e LSTM
univariados e multivariados (Oliveira; Santos, 2024; Oliveira et al., 2023):
Tabela 2 – Equações das métricas MAE, RMSE e MAPE
|
Métrica |
Equação |
|
Mean Absolute Error (MAE) |
|
|
Root Mean Squared Error (RMSE) |
|
|
Mean Absolute Percentage Error (MAPE) |
|
Onde:
4 RESULTADOS
Inicialmente, neste
estudo, realizou-se uma análise descritiva dos dados dos custos de alimentação (Tabela
3). Observou-se, nesta análise descritiva dos dados, um custo mensal médio de
alimentação de 2,6799 R$/kg e um desvio padrão de 1,4456 R$/kg. Obteve-se um
alto coeficiente de variação (53,94%), o que indicou variabilidade dos dados.
Tabela 3 – Análise descritiva dos dados
|
Descrição |
FEED |
|
Média (R$/kg) |
2,679952 |
|
Valor mínimo
(R$/kg) |
1,04000 |
|
Valor máximo
(R$/kg) |
6,37000 |
|
Desvio padrão
(R$/kg) |
1,445623 |
|
Coeficiente de
variação (%) |
53,94 |
Os custos mensais
mínimos e máximos de alimentação de suínos são apresentados na Figura 6.
Observou-se, dos resultados apresentados na figura, o maior custo máximo mensal
para o mês de março (6,37 R$/kg) e o menor custo mínimo mensal para o mês de
julho (1,04 R$/kg).
Figura 6 – Custos de alimentação mínimos e
máximos mensais
4.1 Treinamento e validação
Na etapa de treinamento e validação, com o objetivo de
encontrar os melhores modelos de previsão, vários hiperparâmetros foram
otimizados. Na Tabela 4 apresentam-se os parâmetros da rede CNN-LSTM
multivariada utilizados para previsão dos custos de alimentação dos suínos.
Tabela 4 – Parâmetros da rede CNN-LSTM
|
Parâmetros |
Valores |
|
Time steps |
6 |
|
Learning rate |
0,0011 |
|
Epochs |
175 |
|
Batch |
40 |
|
Convolution layer
filters |
16 |
|
Convolution layer
kernel size |
6 |
|
Convolution layer
activation function |
relu |
|
Convolution layer
padding |
Same |
|
Pooling layer pool
size |
2 |
|
Pooling layer
padding |
Same |
|
Pooling layer
activation function |
relu |
|
Numbers of
hidden units in LSTM layer |
32 |
|
Dropout |
0,001 |
|
LSTM activation
function |
tanh |
|
Dense units |
1 |
|
Optimizer |
Adam |
Na Figura 7 apresenta-se a estrutura
básica do modelo CNN-LSTM multivariado.
Figura 7 – Estrutura do modelo CNN-LSTM
Na camada InputLayer, tem-se um vetor (None,6,3),
onde 6 é o passo de tempo e 3 a dimensão da entrada (Feed, Soy e Corn). Na sequência, os dados são
enviados para a camada Conv1D. Nessa
camada, os recursos são extraídos, sendo produzido o vetor (None,6,16), onde 16 é o tamanho dos
filtros da camada de convolução. Em seguida, o vetor passa pela camada MaxPooling1D e é enviado para
treinamento na camada LSTM. O vetor
de saída (None,32), onde 32 é o
número de unidades ocultas, é enviado para a camada Dense.
Os resultados dos indicadores de
desempenho MAE, RMSE e MAPE, para o Conjunto de Validação, são apresentados na
Tabela 5.
Tabela 5 – Resultados das métricas – Conjunto
de Validação
|
MODELO |
MAE (R$/kg) |
RMSE (R$/kg) |
MAPE (%) |
|
CNN-LSTM – Mult. |
0,31 |
0,42 |
7,25 |
|
LSTM – Mult. |
0,37 |
0,51 |
8,75 |
|
CNN-LSTM – Uni. |
0,43 |
0,57 |
8,99 |
|
LSTM – Uni. |
0,60 |
0,72 |
12,42 |
Os resultados das previsões do Conjunto
de Validação para os quatro modelos (63 observações), são apresentados na
Figura 8.
Figura 8 – Resultados das previsões – Conjunto
de Validação
Pode-se observar, dos resultados dos indicadores
apresentados na Tabela 5, que o modelo CNN-LSTM multivariado apresentou as
melhores métricas (MAE=0,31 R$/kg, RMSE=0,42 R$/kg e MAPE=7,25%) seguido pelo
modelo LSTM multivariado (MAE=0,37 R$/kg, RMSE=0,51 R$/kg e MAPE=8,75%). A
curva estimada pelo modelo CNN-LSTM multivariado, como se observa na Figura 8, é
a que melhor acompanha a trajetória dos valores observados (Embrapa) no
conjunto de validação. Ao contrário dos demais modelos, essa arquitetura
consegue capturar com maior fidelidade os picos e as flutuações do custo da
ração ao longo dos meses.
4.2 Teste
Os valores observados e previstos para o Conjunto
de Teste (12 meses – jun/2023 a mai/2024) são apresentados na Tabela 6.
Tabela 6 – Valores observados e previstos – Conjunto de Teste
|
DATA |
EMBRAPA |
LSTM_Uni |
LSTM_Mult |
CNN-LSTM_Uni |
CNN-STM_Mult |
|
2023-06 |
4,03 |
4,493312 |
4,1475806 |
4,527812 |
3,9867969 |
|
2023-07 |
4,08 |
4,26688 |
4,107914 |
4,506483 |
4,0258536 |
|
2023-08 |
4,05 |
4,146584 |
4,1092362 |
4,426118 |
4,094895 |
|
2023-09 |
4 |
3,992144 |
4,128312 |
4,34881 |
4,1253443 |
|
2023-10 |
4,04 |
3,832477 |
4,1732535 |
4,325698 |
4,1422257 |
|
2023-11 |
4,26 |
3,704997 |
4,219956 |
4,275109 |
4,1459484 |
|
2023-12 |
4,3 |
3,63898 |
4,2688103 |
4,235404 |
4,1739492 |
|
2024-01 |
4,2 |
3,525726 |
4,3140545 |
4,191974 |
4,204284 |
|
2024-02 |
4,1 |
3,429132 |
4,340961 |
4,150679 |
4,1941357 |
|
2024-03 |
3,88 |
3,333026 |
4,3440223 |
4,10834 |
4,183093 |
|
2024-04 |
3,93 |
3,243929 |
4,3243694 |
4,068211 |
4,1062937 |
|
2024-05 |
4,03 |
3,164728 |
4,3013124 |
4,028096 |
4,061487 |
Na Figura 9 são apresentados os resultados das métricas MAE,
RMSE e MAPE para o Conjunto de Teste.
Figura 9 – Resultados das métricas – Conjunto
de Teste
Na Figura 10 apresentam-se, na forma gráfica, os valores
observados e preditos, dos custos de alimentação de suínos, para os 12 meses do
Conjunto de Teste.
Figura 10 – Curvas dos dados
observados e previstos – Conjunto de Teste.
Nota-se, dos dados apresentados na Figura 9, que o modelo
CNN-LSTM multivariado apresentou, para o Conjunto de Teste, o melhor
desempenho, isto é, menores valores de MAE, RMSE e MAPE (MAE=0,1 R$/kg, RMSE=0,13
R$/kg e MAPE=2,45%). Observa-se também, do gráfico apresentado na Figura 10,
que a curva do modelo CNN-LSTM multivariado se ajustou melhor, que a curva dos
outros três modelos, a curva dos dados observados (EMBRAPA).
5 CONCLUSÃO
Este trabalho teve como
objetivo propor, para previsão dos custos de alimentação de suínos, a
utilização do modelo CNN-LSTM multivariado. Para realização deste objetivo,
utilizaram-se dados, para treinamento, validação e teste, disponibilizados pela
EMBRAPA e pelo IPEA.
Resultados de previsão,
do modelo proposto CNN-LSTM no Conjunto de Teste, foram comparados, por meio
das métricas MAE, RMSE e MAPE, com resultados obtidos dos modelos LSTM
multivariado, LSTM univariado e CNN-LSTM univariado. Observou-se, por meio
desta comparação, que o modelo CNN-LSTM multivariado, em relação aos outros
três modelos, apresentou um melhor desempenho preditivo (menores valores de
MAE, RMSE e MAPE).
Por fim, conclui-se que
o modelo CNN-LSTM multivariado apresentou resultados promissores e pode
contribuir como apoio em processos de tomada de decisão e planejamentos futuros
na suinocultura. No entanto, é importante destacar que o estudo foi conduzido
apenas com dados do estado do Paraná e considerando um único horizonte de
previsão. Assim, recomenda-se cautela quanto à generalização dos resultados,
sendo necessária, para confirmar sua aplicabilidade como ferramenta de gestão,
a validação do modelo em diferentes regiões e cenários produtivos.
REFERÊNCIAS
ABPA, Associação Brasileira de Proteína Animal. Relatório anual. Disponível em: < https://abpa-br.org/wp-content/uploads/2024/04/ABPA-Relatorio-Anual-2024_capa_frango.pdf>. Acesso em: 11 jul. 2024.
ARUNKUMAR, K. E.; KALAG, D. V.; KUMAR, C. M. S; KAWAJI, M.; BRENZA, M. Comparative analysis of Gated Recurrent Units (GRU), long Short-Term memory (LSTM) cells, autoregressive Integrated moving average (ARIMA), seasonal autoregressive Integrated moving average (SARIMA) for forecasting COVID-19 trends. Alexandria Engineering Journal, 2022. https://doi.org/10.1016/j.aej.2022.01.011
BRANDT, G. Produção Brasileira de Suínos: Como se formam os custos de produção? 2023. Disponível em: < https://www.3tres3.com.br/artigos/produc%C3%A3o-brasileira-de-suinos-como-se-formam-os-custos-de-produc%C3%A3o_3367/>. Acesso em: 10 mai. 2024.
EMBRAPA. Custos de produção de suínos por estado. Disponível em: < https://www.embrapa.br/suinos-e-aves/cias/custos/icpsuino>. Acesso em: 10 mai. 2024.
FURTUOSO, G. D. V.; SANTOS, M.; QUINTAL, R. S. Aplicação de redes neurais recorrentes na previsão de séries temporais: um estudo de preços de ações na bolsa de valores. Revista Gestão em Análise, 2022. https://doi.org/10.12662/2359-618xregea.v11i2.p25-36.2022
HOCHREITER, S.; SCHMIDHUBER, J. Long short-term memory. Neural Computation, v. 9, n. 8, p.
1735-1780, 1997. https://doi.org/10.1162/neco.1997.9.8.1735.
KHORRAM, S.; JEHBEZ, N. A hybrid CNN-LSTM approach for monthly reservoir inflow forecasting. Water Resources Management, 2023. https://doi.org/10.1007/s11269-023-03541-w
IPEA. Preço médio no atacado: soja em farelo. Disponível em: < https://www.ipeadata.gov.br/Default.aspx. Acesso em: 10 mai. 2024a.
IPEA. Preço médio no atacado: milho. Disponível em: < https://www.ipeadata.gov.br/Default.aspx. Acesso em: 10 mai. 2024b.
JIA, P.; LIU, H.; WANG, P. Research on a Mine Gas Concentration
Forecasting Model Based on a GRU Network. IEEE
Acess, 2020. https://doi.org/10.1109/ACCESS.2020.2975257
KIM, T. Y.; CHO, S. B. Predicting residential energy consuption using
CNN-LSTM neural networks. Energy, v.
182, 2019. https://doi.org/10.1016/j.energy.2019.05.230
LECUN, Y.; BOTTOU, L.; BENGIO, Y.; HAFFENR, P. Gradient-Based Learning
Applied to Document Recognition. Proceedings
of the IEEE, V. 86, 1998. https://doi.org/10.1109/5.726791
LI, T.; HUA, M.; WU, X. A Hybrid CNN-LSTM Model for Forecasting
Particulate Matter (PM2.5). IEEE Acess,
v. 8, 2020. https://doi.org/10.1109/ACCESS.2020.2971348
LIVIERIS, I. E.; PINTELAS, E.; PINTELAS, P. A CNN–LSTM model for gold
price time-series forecasting. Neural
Computing and Applications, 2020.
https://doi.org/10.1007/s00521-020-04867-x
LU, W.; LI, J.; SUN, A. A CNN‐LSTM‐based
model to forecast stock prices. Complexity, 2020.
https://doi.org/10.1155/2020/6622927
OLIVEIRA, L.; SANTOS; J. A. A. Previsão do preço futuro do óleo de girassol:uma abordagem baseada no modelo CNN-Attention. Revista Cereus, 2024. https://doi.org/10.18605/2175-7275/cereus.v16n2p70-82
OLIVEIRA, L.; RUSTICK, A.; SANTOS, J. A. A. Previsão do Abate de Frangos: Uma Investigação Comparativa da Aplicação de Redes Neurais. Revista FSA, v. 20, 2023.
http://dx.doi.org/10.12819/2023.20.2.10
PORTES, J. V,; LACERD, V, V.; NETO, J. B.; SOUZA, A. R. L. Análise dos custos da cadeia produtiva de suínos no Sul do Brasil. Custos e @gronegócio on line, 2019.
SANTOS, J. A. A. Previsão do preço do café arábica: uma aplicação de redes neurais CNN-BLSTM. Research, Society and Development, v. 11, 2022. http://dx.doi.org/10.33448/rsd-v11i3.26101
SANTOS, J. A. A., ANTONIOLLI, E. A.; GUEDES, A. L. PASA, L. A. Previsão do consumo de energia elétrica em uma agroindústria: um estudo de caso usando redes LSTM e CNN-LSTM. Revista Cereus, v. 14, 2022. http://dx.doi.org/10.18605/2175-7275/cereus.v14n1p63-76
SHEWALKAR, A.; NYAVANANDI, D.; LUDWIG, S. A. Performance evaluation of deep neural networks applied to speech recognition; RNN, LSTM and GRU. JAICR, 2019. http://dx.doi.org/10.2478/jaiscr-2019-0006
SUMMIT AGRO. Qual é o impacto dos preços do milho e da soja na criação de aves e suínos? 2021. Disponível em: <https://summitagro.estadao.com.br/noticias-do-campo/qual-e-o-impacto-dos-precos-do-milho-e-da-soja-na-criacao-de-aves-e-suinos/ >. Acesso em: 10 mai. 2024.
XU, W.; JIANG, Y.; ZHANG, X.; ZHANG, R. Using long short-term memory
networks for river flow prediction. Hydrology
Research. v. 51, 2020. https://doi.org/10.2166/nh.2020.026
YAO, H. et al. Convolutional neural networks for time series
classification. Journal of System Engineering and Electronics. v. 29, 2018.
ZHA, W. et al. Forecasting monthly gas field production based on the CNN-LSTM model. Energy, 2022. http://dx.doi.org/10.1016/j.energy.2022.124889