Gestão preditiva dos custos de alimentação de suínos utilizando redes neurais híbridas CNN-LSTM
DOI:
https://doi.org/10.22279/navus.v18.2060Abstract
Feed cost is the factor that most influences the total cost of pig production. For the producer, its forecast is fundamental in managing his business. In this context, this work proposes using the multivariate CNN-LSTM (Long Short Term Memory - Convolutional Neural Network) network to forecast the feed cost for pig feeding in the state of Paraná. The database is formed, in the period from January/2007 to May/2024, by monthly series of the cost of feed, the price of soybean meal and the price of corn. Univariate and multivariate forecasting models were implemented in Python using the Keras framework. Results of CNN-LSTM and LSTM forecasting models, in their univariate and multivariate versions, were compared using the MAE (Mean Absolute Percent Error), RMSE (Root Mean Squared Error), and MAPE (Mean Absolute Percent Error) metrics. It was found that the multivariate CNN-LSTM model, for a 12-month horizon, presented the best performance (MAE=0.068, RMSE=0.011 and MAPE=1.70).
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Aldino Normelio Brun Polo, José Airton Azevedo dos Santos
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
O conteúdo da revista é de acesso público e gratuito, podendo ser compartilhado de acordo com os termos da Creative Commons Atribuição-Uso não-comercial-Vedada a criação de obras derivadas 4.0 Brasil. Você tem a liberdade de compartilhar — copiar, distribuir e transmitir a obra, sob as seguintes condições:
a) Atribuição — a atribuição deve ser feita quando alguém compartilhar um de seus artigos e deve sempre citar o nome da revista e o endereço do conteúdo compartilhado.
b) Uso não-comercial — você não pode usar esta obra para fins comerciais.
c) Vedada à criação de obras derivadas — você não pode alterar, transformar ou criar em cima desta obra.
Ficando claro que:
Renúncia — qualquer das condições acima pode ser renunciada se você obtiver permissão do titular dos direitos autorais. Domínio Público — onde a obra ou qualquer de seus elementos estiver em domínio público sob o direito aplicável, esta condição não é, de maneira alguma, afetada pela licença.
Outros Direitos — os seguintes direitos não são, de maneira alguma, afetados pela licença:
- Limitações e exceções aos direitos autorais ou quaisquer usos livres aplicáveis;
- os direitos morais do autor;
- direitos que outras pessoas podem ter sobre a obra ou sobre a utilização da obra, tais como direitos de imagem ou privacidade.
Aviso — para qualquer reutilização ou distribuição, você deve deixar claro a terceiros os termos da licença a que se encontra submetida esta obra.
A revista se reserva o direito de efetuar, nos originais, alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da língua, respeitando, porém, o estilo dos autores.
Os trabalhos publicados passam a ser propriedade da revista Navus: Revista de Gestão e Tecnologia que deve ser consignada a fonte de publicação original. Os originais não serão devolvidos aos autores.
As opiniões emitidas pelos autores nos artigos são de sua exclusiva responsabilidade.
Esta obra está licenciada sob uma Creative Commons Atribuição-Uso não-comercial-Vedada a criação de obras derivadas 4.0 Brasil.
