Predicción de precios del mercado agrícola en Colombia : aplicación de modelos de aprendizaje automático y minería de datos para la toma de decisiones en la agricultura

Abstract

La presente investigación se centra en la aplicación de modelos de aprendizaje automático y minería de datos para la toma de decisiones en la agricultura colombiana, con un enfoque particular en la predicción de precios del mercado agrícola. En un contexto donde la agricultura enfrenta desafíos significativos debido a la variabilidad climática, fluctuaciones de mercado y cambios en las políticas, el uso de técnicas avanzadas de análisis se vuelve crucial para optimizar la producción y maximizar los ingresos de los agricultores. El estudio comienza con una revisión exhaustiva del marco teórico relacionado con el aprendizaje automático, incluyendo modelos de regresión lineal y no lineal, así como técnicas de aprendizaje supervisado y no supervisado. Se exploran diferentes algoritmos de machine learning, tales como redes neuronales, árboles de decisión y modelos basados en soporte vectorial. La investigación también aborda la importancia del análisis exploratorio de datos (EDA) y el preprocesamiento de datos, elementos esenciales para asegurar la calidad y relevancia de los modelos predictivos. A través de un diseño metodológico riguroso, se seleccionaron herramientas y tecnologías adecuadas para el análisis. Se caracterizó una base de datos que incluye variables climáticas, económicas y geográficas relevantes para el sector agrícola. El modelo predictivo propuesto se validó mediante comparaciones con otros enfoques existentes, demostrando su eficacia en términos de precisión y escalabilidad. Los resultados obtenidos indican que los modelos basados en técnicas avanzadas no solo mejoran la precisión en la predicción de precios, sino que también ofrecen a los agricultores información valiosa para la toma de decisiones estratégicas. Este trabajo contribuye significativamente al campo de la inteligencia artificial aplicada a la agricultura, proporcionando un marco útil para futuras investigaciones y aplicaciones prácticas. Finalmente, se discuten las limitaciones del estudio y se sugieren direcciones para investigaciones futuras que podrían incluir el uso de datos en tiempo real y el desarrollo de sistemas más integrados que consideren diversas variables que afectan al sector agrícola. (Tomado de la fuente)

This research focuses on the application of machine learning models and data mining techniques for decision-making in Colombian agriculture, particularly in predicting agricultural market prices. In a context where agriculture faces significant challenges due to climate variability, market fluctuations, and policy changes, the use of advanced analytical techniques becomes crucial for optimizing production and maximizing farmers' incomes. This study begins with a comprehensive review of the theoretical framework related to machine learning, including linear and nonlinear regression models, as well as supervised and unsupervised learning techniques. Various machine learning algorithms, such as neural networks, decision trees, and support vector-based models, are explored. The importance of exploratory data analysis (EDA) and data preprocessing is also addressed, since these elements are essential to ensure the quality and relevance of predictive models. Through a rigorous methodological design, appropriate tools and technologies for analysis were selected. A dataset was characterized that includes relevant climatic, economic, and geographical variables for the agricultural sector. The proposed predictive model was validated through comparisons with existing approaches, demonstrating its effectiveness in terms of accuracy and scalability. The results indicate that models based on advanced techniques not only improve price prediction accuracy but also provide farmers with valuable information for strategic decision-making. This work significantly contributes to the field of artificial intelligence applied to agriculture, providing a useful framework for future research and practical applications. Finally, the study discusses its limitations and suggests directions for future research that could include the use of real-time data and the development of more integrated systems that consider various factors affecting the agricultural sector.