Escolar Documentos
Profissional Documentos
Cultura Documentos
ISSNCONCEIO
Heder Saito NUNES / Las Rodrigues 1516-6503
eISSN 2316-3402
FACEF Pesquisa: Desenvolvimento e Gesto, v.17, n.3 - p.259-272 - set/out/nov/dez 2014 259
UTILIZAO DE REDES NEURAIS ARTIFICIAIS PARA PREVISO DE
PREOS DE FRUTAS E HORTALIAS
260 FACEF Pesquisa: Desenvolvimento e Gesto, v.17, n.3 - p.259-272 - set/out/nov/dez 2014
Celso Correia de SOUZA / Jos Francisco REIS NETO / Leandro Oliveira ARAUJO
Heder Saito NUNES / Las Rodrigues CONCEIO
FACEF Pesquisa: Desenvolvimento e Gesto, v.17, n.3 - p.259-272 - set/out/nov/dez 2014 261
UTILIZAO DE REDES NEURAIS ARTIFICIAIS PARA PREVISO DE
PREOS DE FRUTAS E HORTALIAS
(1) X x1 , x2 ,, xn T , pode ser representada,
O valor de u cresce at atingir o limiar de de seu modo mais simples, por uma funo
excitao (threshold), produzindo a sada degrau, equao (2), funo essa que representa
262 FACEF Pesquisa: Desenvolvimento e Gesto, v.17, n.3 - p.259-272 - set/out/nov/dez 2014
Celso Correia de SOUZA / Jos Francisco REIS NETO / Leandro Oliveira ARAUJO
Heder Saito NUNES / Las Rodrigues CONCEIO
Segundo Haykin (2001), Rosemblat, em 1950, Caso contrrio, duas possibilidades devem ser
criou o primeiro modelo de RNAs, que consistia consideradas pelo algoritmo: i) y d 1 e yi 0
de uma rede de mltiplos neurnios artificiais
dispostos em trs camadas, denominadas de e; ii) y d 0 e yi 1 .
perceptron ou discriminador linear.
Em ambos os casos o algoritmo precisa ajustar os
Os perceptrons so organizados em camadas de pesos do perceptron para que a sada do mesmo
entrada e sada, onde os pesos das conexes so se iguale sada desejada. Nos dois casos os
adaptados a fim de se atingir a eficincia pesos reajustados so dados pela equao (3),
sinptica, e pode ser usada no reconhecimento
wi 1 wi wi
de caracteres, uma das vrias aplicaes de RNAs.
(3)
Um perceptron pode aprender conceitos atravs
onde wi ei xi , sendo um escalar positivo,
de exemplos e a responder, quando apresentado
a ele novo exemplo, se o mesmo verdadeiro, tambm, conhecido como taxa de aprendizagem
com 1, ou falso, com 0, baseado nos exemplos do perceptron, que indica o quanto o vetor de
apresentados inicialmente. pesos ser modificado na direo e sentido do
FACEF Pesquisa: Desenvolvimento e Gesto, v.17, n.3 - p.259-272 - set/out/nov/dez 2014 263
UTILIZAO DE REDES NEURAIS ARTIFICIAIS PARA PREVISO DE
PREOS DE FRUTAS E HORTALIAS
problemas no linearmente separveis passa pelo neurnios de sada, que se comunicam com o
uso de redes com uma ou mais camadas exterior.
intermediarias, ou escondidas. Uma rede com
A forma de arranjar os perceptrons em camadas
uma camada intermediaria pode implementar
denominada Multilayer Perceptron (MLP). O MLP
qualquer funo contnua. A utilizao de duas
foi concebido para resolver problemas mais
camadas intermedirias permite a aproximao
complexos, os quais no poderiam ser resolvidos
de qualquer funo.
pelo modelo de rede utilizando um neurnio
Existiam duas limitaes dos perceptrons que somente.
fizeram com que fossem interrompidas as
Utilizou-se nesse trabalho a rede neural artificial
pesquisas sobre o tema durante as dcadas de
do tipo MLP com o treinamento com
1960 a 1970: a primeira que os valores de sada
retropopagao (back-propagation), Figura 3.
de um perceptron s pode ser verdadeiro ou falso
(1 ou 0); e segundo, que o perceptron s pode As RNAs se aplicam basicamente a problemas em
classificar grupos de vetores se eles forem que existem dados experimentais ou gerados por
linearmente separveis (VIEIRA e ROISENBER, meio de modelos, dos quais a rede adaptar os
2010). seus pesos visando execuo de uma
determinada tarefa. No entanto, a forma mais
Com a publicao dos trabalhos do fsico e
comum de utilizao das RNAs o aprendizado
bilogo Hopfield em 1982 relatando a utilizao
por meio de um conjunto de exemplos de
de redes binrias simtricas para otimizao
entrada.
atravs de um algoritmo de aprendizagem, com
realimentao, que estabilizava essa rede, as As tarefas principais das RNAs so: classificao
pesquisas na rea foram retomadas e Rumelhart, de dados, categorizao de variveis,
Hinton e Williams, em 1986, introduziram o aproximao de funes, previso sobre sries
poderoso mtodo de treinamento de RNAs temporais e otimizao de modelos matemticos
denominado Back-Propagation (BP) (HAYKIN, (TATIBANA e KAETSU, 2010).
2001).
As RNAs so constitudas de um sistema de 3 MATERIAL E MTODOS
neurnios artificiais ligados por conexes
sinpticas e divididos em neurnios de entrada, Essa pesquisa deve ser classificada como
que recebem estmulos do meio externo, bibliogrfica, pois, inicialmente, foi feito um
neurnios internos ou hidden (ocultos) e
264 FACEF Pesquisa: Desenvolvimento e Gesto, v.17, n.3 - p.259-272 - set/out/nov/dez 2014
Celso Correia de SOUZA / Jos Francisco REIS NETO / Leandro Oliveira ARAUJO
Heder Saito NUNES / Las Rodrigues CONCEIO
levantamento bibliogrfico dos assuntos que A funo de ativao mais utilizada a sigmoidal
envolvem o tema em estudo; em seguida, uma logstica cuja orientao determinada pela
reviso bibliogrfica desses assuntos para a direo do vetor de pesos
fixao dos conceitos que foram utilizados.
W w1 , w2 ,, wn T . O valor do termo de
Tambm, deve ser classificada como exploratria
descritiva, pois, procurou-se, atravs de dados de polarizao corresponde ao peso w0 , que
preos de verduras, hortalias e frutas, descobrir determina a localizao da funo sigmoidal, ou
e observar fenmenos, procurando descrev-los, seja, define a posio da funo sigmoidal com
classific-los e interpret-los, ao mesmo tempo relao ao eixo das ordenadas.
em que procurou explorar, no problema de
pesquisa, os motivos das grandes variaes
3.2 FUNCIONALIDADE
sazonais e climticas de preos desses alimentos.
Os dados utilizados nesta pesquisa foram os Em uma rede multicamadas o processamento
preos praticados no varejo de Campo Grande, realizado por cada neurnio definido pela
MS de verduras, hortalias e frutas, do banco de combinao dos processamentos pelos neurnios
dados do Ncleo de Estudos e Pesquisas da camada anterior que esto conectados a ele.
Econmicos e Sociais NEPES da Universidade
Quando se move da primeira camada
Anhanguera Uniderp, responsvel pelo clculo
intermediaria em direo a camada de sada, as
mensal da inflao desta cidade.
funes implementadas se tornam cada vez mais
Utilizou-se, nesta pesquisa, o modelo de RNAs complexas. Estas funes definem como
(MLP) para a previso de preos de hortalias, realizada a diviso do espao de deciso.
frutas e verduras ao longo do tempo rede esta
Deve ser observado, contudo, que em alguns
treinada com o algoritmo de aprendizagem com
casos a utilizao de duas ou mais camadas
retropropagao dos erros.
intermediarias pode facilitar o treinamento da
rede.
3.1 REDES NEURAIS ARTIFICIAIS MULTICAMADAS A utilizao de um grande nmero de camadas
(MULTILAYER PERCEPTRON - MLP) intermedirias no recomendada. No entanto,
cada vez que o erro medido durante o
Redes MLP apresentam uma poder
treinamento propagado para a camada anterior,
computacional muito maior do que aquele
ele se torna menos til ou preciso.
apresentado pelas redes sem camadas
intermedirias, ao contrrio destas, redes MLPs A nica camada que tem uma noo precisa do
podem tratar com dados que no so erro cometido pela rede a camada de sada. A
linearmente separveis (RAUBER, 2012). ltima camada intermediaria recebe apenas uma
estimativa sobre o erro. A penltima camada
As funes de sadas dessas redes precisam ser
intermediaria uma estimativa da estimativa, e
diferenciveis para que o gradiente possa ser
assim por diante (RAUBER, 2012).
calculado, direcionando o ajuste dos pesos. O
objetivo do algoritmo de treinamento minimizar
o erro quadrtico mdio (MSE) entre a sada de
rede e a sada desejada.
FACEF Pesquisa: Desenvolvimento e Gesto, v.17, n.3 - p.259-272 - set/out/nov/dez 2014 265
UTILIZAO DE REDES NEURAIS ARTIFICIAIS PARA PREVISO DE
PREOS DE FRUTAS E HORTALIAS
E
1
2
yid yi
2
j
E E y j
u j y j u j
(5)
(9)
com
onde y i representa a resposta do perceptron ao
y j f (u )
f ' (u j )
i-simo padro de treinamento e y d o valor u j u
desejado como resposta para esse mesmo (11)
padro.
E
A regra delta sugere que a variao dos pesos seja J o clculo de , que utiliza o erro, vai
y j
definida de acordo com o gradiente descendente
do erro com relao ao peso, ou seja, que a depender da camada onde o neurnio j se
variao do peso para um dado padro seja encontra. Se o neurnio estiver na ltima camada
definida pela equao (6). o seu erro pode ser facilmente definido utilizando
a Equao (12).
266 FACEF Pesquisa: Desenvolvimento e Gesto, v.17, n.3 - p.259-272 - set/out/nov/dez 2014
Celso Correia de SOUZA / Jos Francisco REIS NETO / Leandro Oliveira ARAUJO
Heder Saito NUNES / Las Rodrigues CONCEIO
w ji n j xi
1 n
(17)
xi w ji
E y d y
2 i 1 Ou
y j y j
j j
w ji (t 1) w ji (t ) n j (t ) xi (t )
(12) (18)
Que a mesma frmula da regra delta original. Se o neurnio for de sada, o erro ser definido
Substituindo-se as expresses (11) e (12) em (10), pela equao (13) , caso contrrio, ser dado
obtm-se a equao (13) pela equao (16).
Como j citado, o objetivo do treinamento da
j y y j f (u j )
d
j
' rede ajustar os pesos, de modo que a aplicao
de um conjunto de entradas produza um
(13)
conjunto de sadas desejadas. Antes de se iniciar
o processo de treinamento, todos os pesos
Caso o neurnio j seja um neurnio devem ser inicializados randomicamente com
intermedirio, utiliza-se a regra da cadeia para valores pequenos, garantindo dessa forma que a
escrever a equao (14). rede no ficar saturada com grandes valores de
pesos e prevenindo-se contra certas patologias de
n
wil yi treinamento.
E M E u l M E M
E
i 1
w jl O treinamento pode ser dividido em passos da
y j l 1 u l y j l 1 u l y j l 1 u l seguinte forma (ABELM, 1994):
(14)
1- Selecionar o prximo par do conjunto de
onde: treinamento e aplicar o vetor de entrada rede;
M
E M 2.Calcular a sada da rede; 3 Calcular o erro entre
u w jl l w jl a sada da rede e a sada-alvo; 4- Ajustar os pesos
l 1 l l 1
da rede de maneira a minimizar o erro; e 5-
(15)
Repetir o passo 1 at o passo 4 para cada vetor
Substituindo mais uma vez os dois termos do lado do conjunto de treinamento, at o erro se tornar
direito da equao (13) obtm-se que, para os aceitavelmente baixo para o conjunto inteiro.
neurnios das camadas intermediarias o erro
Pode-se observar que os passos 1 e 2 constituem
definido pela equao (16).
a etapa de propagao para frente, em que o
M sinal de entrada transmitido atravs da rede da
j f ' (u j ) l wlj entrada at a sada.
l 1
(16) Os passos 3 e 4, por sua vez, constituem-se na
Pode se assim generalizar a frmula de ajuste de etapa de retropropagao, na qual o erro
pesos proposta na equao (9) para a equao calculado propagado de volta atravs da rede
(17). para ajustar os pesos.
FACEF Pesquisa: Desenvolvimento e Gesto, v.17, n.3 - p.259-272 - set/out/nov/dez 2014 267
UTILIZAO DE REDES NEURAIS ARTIFICIAIS PARA PREVISO DE
PREOS DE FRUTAS E HORTALIAS
Apesar do grande sucesso das aplicaes do Utilizou-se a rede neural do tipo MLP para fazer
algoritmo de retropropagao e da sua enorme previses dos preos de hortalias, frutas e
popularidade, alguns problemas ainda o verduras, utilizando-se no treinamento da rede as
acompanham, entre os quais citamos: o longo informaes contidas no banco de dados do
perodo de treinamento, principalmente para NEPES sobre os preos desses hortifrutis, no
problemas complexos, em que no h garantias perodo de 2006 a 2011. A srie do Quadro 1 se
de que, depois deste tempo, o treinamento tenha refere aos preos mdios mensais da alface lisa
sido feito com sucesso; mnimos locais, j que a no mercado varejista de Campo Grande, no
superfcie do erro geralmente cheia de vales e perodo de 2006 a 2011.
desnveis e o algoritmo emprega um tipo de
De acordo com NEPES (2012), no perodo de
gradiente descendente, existindo sempre a
janeiro de 2006 a dezembro de 2011 houve uma
possibilidade de ficar preso em um mnimo local;
inflao acumulada de 30% no comrcio varejista
paralisia da rede, pois durante o treinamento os
da cidade de Campo Grande, o que levou a
pesos podem ser ajustados para valores muito
realizar o deflacionamento os valores, pois ao
grandes, os quais vo levar a derivada da funo
eliminar o efeito da inflao no perodo se
de ativao a zero (no caso de funes
aproxima mais da realidade do que ocorreu no
squashing), impedindo a rede de aprender o
comrcio varejista neste perodo, tendo como
conjunto de treinamento.
base 31 de dezembro de 2011.
Devido s deficincias do algoritmo de
O Quadro 2 apresenta os valores do Quadro 1,
retropropagao, inmeras variaes tm sido
eliminando-se os efeitos da inflao acumulada
propostas nos ltimos anos, embora, at agora,
nos valores da alface lisa, bem como as mdias
nenhuma tenha solucionado de forma definitiva e
aritmticas mensais dos preos dessa hortalia
confivel os problemas do "Backpropagation.
(GUJARATI, 2006).
Quadro 1: Preos mdios mensais da alface lisa no comrcio varejista de Campo Grande, no perodo de
2006 a 2011
JAN FEV MAR ABR MAI JUN JUL AGO SET OUT NOV DEZ
2006 1,57 1,74 2,27 2,06 1,27 1,11 1,20 1,62 1,16 1,23 1,43 1,52
2007 1,96 2,18 1,74 1,89 1,88 1,78 1,10 1,65 1,16 1,22 1,32 1,47
2008 1,61 1,52 1,81 1,83 1,82 1,71 1,73 1,53 1,28 1,61 1,92 1,80
2009 2,48 2,59 2,79 2,21 2,15 2,06 2,36 2,25 2,09 2,43 2,28 2,47
2010 2,50 2,71 2,78 2,69 2,64 2,70 1,90 2,23 2,48 2,49 2,21 2,32
2011 2,44 2,39 2,91 2,79 2,51 2,64 2,71 2,42 1,78 2,24 1,81 2,10
268 FACEF Pesquisa: Desenvolvimento e Gesto, v.17, n.3 - p.259-272 - set/out/nov/dez 2014
Celso Correia de SOUZA / Jos Francisco REIS NETO / Leandro Oliveira ARAUJO
Heder Saito NUNES / Las Rodrigues CONCEIO
Quadro 2: Preos mdios mensais deflacionados, base dezembro de 2011, da alface lisa no mercado
varejista da cidade de Campo Grande, no perodo de 2006 a 2011
JAN FEV MAR ABR MAI JUN JUL AGO SET OUT NOV DEZ
2006 2,04 2,24 2,93 2,66 1,63 1,43 1,55 2,09 1,49 1,58 1,84 1,94
2007 2,49 2,74 2,19 2,37 2,35 2,22 1,37 2,06 1,44 1,51 1,63 1,80
2008 1,97 1,85 2,21 2,22 2,20 2,06 2,06 1,82 1,52 1,91 2,27 2,12
2009 2,90 3,02 3,24 2,56 2,48 2,37 2,71 2,58 2,39 2,77 2,59 2,80
2010 2,83 3,03 3,10 2,98 2,91 2,97 2,09 2,45 2,72 2,72 2,39 2,49
2011 2,60 2,51 3,04 2,90 2,57 2,70 2,77 2,47 1,81 2,27 1,83 2,11
Mdia 2,47 2,57 2,78 2,62 2,36 2,29 2,09 2,25 1,89 2,13 2,09 2,21
DP 0,39 0,46 0,46 0,30 0,43 0,54 0,58 0,30 0,54 0,55 0,38 0,37
CV(%) 15,84 18,07 16,66 11,29 18,20 23,37 27,53 13,27 28,36 25,86 18,07 16,76
Para a consecuo do objetivo da pesquisa, aos rede aps 966 pocas e preciso menor do que
dados deflacionados foram aplicados dois 10-5.
mtodos para a previso de preos dessa
O vetor de sada, aps a rede treinada, dada por
hortalia: treinamento de uma rede neural
SAIDA_RN=[2,4663 2,5722 2,7816 2,6171 2,364
artificial e uma anlise de regresso mltipla
2,2876 2,0861 2,2567 1,8896 2,1297 2,0877
(HOFFMAN e VIEIRA, 2006).
2,2112] e o veto erro ERRO =[0,0037472 -
0,0022058 -0,0016467 0,0029056 -0,004046
TREINAMENTO DA REDE NEURAL ARTIFICIAL 0,00242 0,003947 -0,0067155 0,00038908
0,00025569 0,0022615 -0,0012483], mostrando
Considerou-se como matriz de entrada a matriz uma tima convergncia.
formada pelos valores mdios mensais dos preos
da alface lisa no comrcio varejista de Campo
ANLISE DE REGRESSO LINEAR MLTIPLA
Grande, MS, no perodo de 2006 2011 e, como
objetivo, o vetor formado pelas mdias
Na anlise de regresso linear mltipla,
aritmticas mensais dos preos desta hortalia,
considerou-se com variveis independentes os
no referido perodo.
anos, e como varivel dependente a mdia
A rede MLP utilizada foi constituda de 6 aritmtica.
neurnios na camada de entrada, 18 neurnios
O Quadro 3 apresenta as correlaes de Pearson
na camada intermediria e um neurnio na
entre todas as variveis.
camada de sada.
A rede foi treinada utilizando-se o toolbox do
software Matbab, que apresentou, aps realizado
o treinamento o grfico da convergncia dessa
FACEF Pesquisa: Desenvolvimento e Gesto, v.17, n.3 - p.259-272 - set/out/nov/dez 2014 269
UTILIZAO DE REDES NEURAIS ARTIFICIAIS PARA PREVISO DE
PREOS DE FRUTAS E HORTALIAS
Figura 4: Trajetria de convergncia apresentada pela rede neural artificial no treinamento dos preos
mdios da alface lisa
MDIA _ RLM 0.014 0.168 Ano _ 06 0.173 Ano _ 07 0.165 Ano _ 08 0.163 Ano _ 09
0.161Ano _ 10 0.167 Ano _ 11
(19)
270 FACEF Pesquisa: Desenvolvimento e Gesto, v.17, n.3 - p.259-272 - set/out/nov/dez 2014
Celso Correia de SOUZA / Jos Francisco REIS NETO / Leandro Oliveira ARAUJO
Heder Saito NUNES / Las Rodrigues CONCEIO
Quadro 4: Valores da mdia aritmtica, da sada das redes neurais artificiais e da regresso linear mltipla
dos preos mdios mensais da alface lisa, de 2006 a 2011
JAN FEV MAR ABR MAI JUN JUL AGO SET OUT NOV DEZ
MEDIA 2,473 2,566 2,785 2,616 2,358 2,290 2,093 2,245 1,895 2,128 2,091 2,209
SAIDA_RN 2,466 2,572 2,782 2,617 2,364 2,288 2,086 2,257 1,890 2,130 2,088 2,211
MEDIA_RLM 2,475 2,569 2,783 2,618 2,360 2,291 2,092 2,248 1,893 2,124 2,091 2,209
Figura 5: Representaes grficas das variveis MDIA, SAIDA_RN e MDIA_RLM preos mdios mensais
de alface lisa, no perodo de 2006 a 2011
2.80
2.70
2.60
2.50
2.40
( R$ )
2.30
2.20
2.10
2.00
1.90
1.80
jan fev mar abr mai jun jul ago set out nov
FACEF Pesquisa: Desenvolvimento e Gesto, v.17, n.3 - p.259-272 - set/out/nov/dez 2014 271
UTILIZAO DE REDES NEURAIS ARTIFICIAIS PARA PREVISO DE
PREOS DE FRUTAS E HORTALIAS
272 FACEF Pesquisa: Desenvolvimento e Gesto, v.17, n.3 - p.259-272 - set/out/nov/dez 2014