Anticipar el precio futuro de frutas y verduras permitiría a las cooperativas y agricultores comercializar su producción de una manera más eficiente y recibir una remuneración justa, evitando el desperdicio alimentario que supera el 14 % de la producción de las frutas y verduras a nivel mundial. Sin embargo, conocer de antemano cómo van a evolucionar los precios en el sector no siempre es fácil y de ahí la importancia de contar con herramientas de Inteligencia Artificial para ello.
En busca de un instrumento que realmente permita anticiparse a esas situaciones, un equipo de investigadores de la Universidad Politécnica de Madrid (UPM) y la start-up AGrowingData han analizado el potencial del algoritmo de machine learning Reservoir Computing de cara a anticipar la evolución de los precios en el sector agroalimentario y con ello, prevenir o al menos adelantarse a posibles crisis.
“Anticipar crisis de precios en el mercado agroalimentario es fundamental para garantizar la sostenibilidad del sector y la seguridad alimentaria, ambos objetivos de la ONU para la Agenda 2030. Sin embargo, esta no es tarea fácil, ya que el problema implica analizar series temporales con pocos datos, muy volátiles y que están influenciadas por factores externos como la producción y demanda, las exportaciones o el clima”, explica Mar Grande, investigadora de la Escuela Técnica Superior de Ingeniería Agronómica, Alimentaria y de Biosistemas (ETSIAAB) de la UPM y de AGrowingData y una de las autoras del trabajo.
Para afrontar este problema, los investigadores de la UPM analizaron el rendimiento del algoritmo de Reservoir Computing para predecir series temporales de precios. Además, desarrollaron una arquitectura óptima, basada en la descomposición de la serie temporal, para anticipar la evolución del mercado agroalimentario. En el estudio participaron también la empresa AgrowingData y la Universidad Autónoma de Madrid.
El trabajo pone de manifiesto el potencial de dicho algoritmo a la hora de predecir la evolución de los precios. Además, supera en rendimiento a otros modelos utilizados hasta el momento como los modelos econométricos (SARIMA) o las redes neuronales como LSTM, reduciendo el error absoluto medio y, lo que es más importante, aumentado la precisión al predecir la dirección del mercado.
“Anticipar el precio futuro de dichos productos permitirá a las cooperativas y agricultores del país comercializar su producción de una manera más eficiente y recibir una remuneración justa. Además, conocer con la suficiente anticipación los periodos de precios mínimos en los que la producción se tira porque no es rentable su venta, permitiría a gobiernos y ONGs destinar dicha producción a las poblaciones vulnerables”.
Referencias
1. Domingo, M. Grande, F. Borondo y J. Borondo, Anticipating food price crises by reservoir computing, Chaos, Solitons and Fractals 174 (2023) 113854.
2. Domingo, M. Grande, G. Carlo, F. Borondo y J. Borondo, Optimal quantum reservoir computing for market forecasting: An application to fight food crises (en revisión).
Más información
