GESTÃO DA PRODUÇÃO DE FRANGOS DE CORTE POR MEIO DE REDES NEURAIS ARTIFICIAIS

Abstract

In this context, this work aims to use artificial neural network models and multiple linear regression for analysis and prediction of broiler productive variables of an agribusiness of Paraná. In the analysis of the applicability of recurrent neural networks we used a 11-year database provided by the Center for Advanced Studies in Applied Economics (CEPEA). The results show that the forecast models provide reliable estimates for the response variables: Average Weight and Productive Efficiency Ratio and demonstrate the effectiveness of the recurring LSTM predictions for the price of kilo of frozen and chilled chicken for a short term horizon.

Headnote

RESUMO

Atualmente, o ambiente globalizado e altamente competitivo impőe as empresas produtoras de frango dois grandes desafios: a otimizaçio de recursos e a reduçio dos custos. Neste contexto, este trabalho tem por objetivo utilizar redes neurais artificiais e regressio linear múltipla para análise e previsio de variáveis produtivas de frangos de corte de uma agroindústria paranaense. Analisa-se também, a aplicabilidade de redes neurais recorrentes na previsio do preço do quilo do frango congelado e resfriado. A base de dados disponibilizada pela empresa apresenta um histórico de movimentaçio de 2 anos, contendo as principais variáveis de produçio, para 4650 lotes de aves das linhagens Coob, Coob Fast e Coob Slow. Na análise da aplicabilidade de redes neurais, recorrentes utilizou-se um banco de dados de 11 anos fornecido pelo Centro de Estudos Avançado de Economia Aplicada (CEPEA). Os resultados obtidos mostram que os modelos de previsio fornecem estimativas confiáveis para as variáveis de resposta: Peso Médio e Índice de Eficiencia Produtiva e demonstram a eficácia das previsőes, da rede recorrente LSTM, para o preço do quilo do frango congelado e resfriado, para um horizonte de curto prazo.

PALAVRAS-CHAVE: redes neurais artificiais, frangos de corte, agroindústria.

ABSTRACT

Today's globalized and highly competitive environment imposes chicken producers two major challenges: resource optimization and cost reduction. In this context, this work aims to use artificial neural network models and multiple linear regression for analysis and prediction of broiler productive variables of an agribusiness of Paraná. The applicability of recurrent neural networks to predict the price of kilo of frozen and chilled chicken is also analyzed. The database provided by the company has a 2-year history of movement, containing the main production variables, for 4500 batches of Coob, Coob Fast and Coob Slow strains. In the analysis of the applicability of recurrent neural networks we used a 11-year database provided by the Center for Advanced Studies in Applied Economics (CEPEA). The results show that the forecast models provide reliable estimates for the response variables: Average Weight and Productive Efficiency Ratio and demonstrate the effectiveness of the recurring LSTM predictions for the price of kilo of frozen and chilled chicken for a short term horizon.

KEYWORDS: artificial neural network, broiler chikens, agroindustry.

(ProQuest: ... denotes formulae omited.)

1 INTRODUÇAO

Atualmente, a avicultura é uma atividade económica internacionalizada e uniforme, sem fronteiras geográficas de tecnología. No Brasil, está presente em todas as regiôes e tem gerado um efeito positivo na economia da maioria dos estados (UBA, 2008; JÚNIOR et al., 2009).

A avicultura é um dos principais componentes do agronegócio brasileiro. Seu desenvolvimento pode ser considerado como o símbolo do crescimento e modernizaçao do setor. Atualmente, em menos de 50 dias tem-se um lote de frangos pronto para o abate. Segundo a ABPA (2018), há perspectiva de que o país produza em 2019 aproximadamente 11,5 milhóes de toneladas de frango. Desse montante, 3,7 milhóes devem ser exportados. O setor espera um aumento no consumo em torno de 3% nos próximos anos.

A demanda crescente por carne de frango motiva a necessidade de planejamento da produçao de frangos de corte e de ferramentas de tomada de decisao. A tomada de decisao, no meio industrial, é um importante fator para obtençao de vantagens competitivas (AZARIAS, 2009). Nesse sentido, as Redes Neurais Artificiais (RNA) podem ser utilizadas como ferramentas de apoio no processo de tomada de decisao. Sao ferramentas de grande importancia em um sistema de planejamento, pois direcionam a melhor forma de aproveitar todos os recursos disponíveis pela empresa.

Diversos trabalhos utilizaram redes neurais artificiais na gestao da produçao de frangos de corte. Dentre eles podem-se citar os trabalhos de: Bastiani et al. (2018) que estudou a aplicaçao de algoritmos de mineraçao de dados na gestao da produçao de frangos de corte por meio do software WEKA; Johansen et al. (2019) que realizou a previsao do peso de abate de frangos de corte utilizando modelos dinámicos de redes neurais e Amrael et al. (2017) que analisou o peso de frangos de corte com base em redes neurais artificiais e visao de máquina. Já a análise do preço do frango resfriado, no atacado da grande Sao Paulo, foi realizada por Campos (2006), utilizando um modelo auto-regressivo de médias móveis (ARIMA).

Nessa perspectiva, assinala-se que redes neurais artificiais estao sendo aplicadas em várias áreas, tais como Medicina, Engenharia, Física, entre outras. Podem ser aplicadas em problemas de regressao, classificaçao e compactaçao de dados. As redes neurais artificiais processam os dados de maneira muito parecida ao cérebro humano. Utilizam, no processamento de informaç0es, o princípio de organizaçao de neurónios do cérebro. Portanto, pode-se considerar as redes neurais artificiais como um esquema de processamento capaz de armazenar conhecimento e disponibilizá - lo para determinada aplicaçao (HAYKINS, 2005). As redes neurais sao capazes de memorizar, analisar e processar um grande número de dados obtidos de um experimento. É uma técnica de modelagem que pode resolver muitos problemas complexos (SEBASTIAN, 2016).

Neste contexto, este trabalho tem por objetivo utilizar redes neurais artificiais Multilayer Perceptron (MLP) e Regressao Linear Múltipla (LR) para análise e previsao de variáveis produtivas de frangos de corte. Analisa-se também, neste trabalho, a aplicabilidade de redes neurais recorrentes (LSTM) na previsao do preço do quilo do frango (R$/kg), congelado e resfriado, negociado no atacado da regiao da grande Sao Paulo. Observa-se que as oscilaç0es do preço do frango de corte influenciam diretamente no setor primário. O setor primario é o setor envolvido com a produçao de matérias-primas. Segundo Piacenti (2007), na produçao de qualquer bem, em especial no setor primario, a decisao do uso de insumos deve ser feita antes da produçao. Por isso o produtor tem que basear suas decisóes em preços futuros.

2 MATERIAIS E MÉTODOS

A empresa, foco deste estudo, está situada no estado do Paraná, sendo de grande porte e atuaçao no ramo agroindustrial, em especial na produçao de frangos de corte. Possui um frigorífico que realiza o abate diario de aproximadamente 300 mil aves. Atualmente, conta com 6.794 associados e 2.660 funcionarios.

A empresa mede a eficiencia produtiva do avicultor por meio do Indice de Eficiencia Produtiva (IEP). A renumeraçao do produtor também está condicionada ao seu desempenho mensurado através do IEP (SOBRINHO, 2010). O IEP leva em conta a Conversao Alimentar, o Ganho de Peso Diário e a Viabilidade do lote. O IEP é obtido por meio da Equaçao 1:

... (1)

... (2)

... (3)

... (4)

... (5)

Além do IEP, o Peso Médio (PM) é outro índice monitorado pela empresa. Este índice é também importante na adequaçao dos equipamentos automatizados de uma agroindústria de abate de frangos de corte. Portanto, as empresas avícolas buscam uma uniformidade do peso do produto, já que uma baixa uniformidade prejudica o desempenho do processo, a integridade do produto, o comprimento das especificaçöes dos clientes e o aumento de descarte das peças (BASTIANI et al., 2018).

2.1 Tratamento de dados

Inicialmente, realizou-se a limpeza dos dados fornecidos pela empresa. A limpeza dos dados visa detectar e remover anomalias presentes nos dados com o objetivo de aumentar e melhorar sua qualidade. O conjunto de dados fornecido pela empresa continha valores nulos e redundantes. Estes valores foram manualmente retirados do conjunto de dados.

Ao final desta etapa, obteve-se um banco de dados, com 4650 lotes de aves, unificado e livre de inconsistencias, contendo informaçöes sobre os seguintes atributos: Ganho de Peso Diário (GPD), Consumo (CONS), Idade (ID), Conversao Alimentar (CA), Aves Alocadas (ALOC), Aves Abatidas (ABAT), Linhagem (LIN) e o Peso Médio (PM).

Para previsao do preço do quilo do frango congelado e resfriado (R$/kg), utilizaram-se duas bases de dados de 11 anos (2008-2019), 132 meses, obtidas do Centro de Estudos Avançados em Economia (CEPEA, 2019). As séries históricas, do preço do frango congelado e resfriado, sao apresentadas na Figura 1.

Observa-se que os dados obtidos, do preço do quilo de frango (R$/kg) congelado e resfriado, da base de dados do CEPEA já estavam limpos e sem a presença de outliers (CEPEA, 2019).

A normalizaçao dos dados, para o intervalo [-1,1], foi realizada por meio da funçao MinMaxScaler() da biblioteca Scikit-learn do Python.

2.2 Algoritmos de Mineraçao de Dados

Neste trabalho, foram implementados, na linguagem Python, tres algoritmos de mineraçao de dados:

Regressao Linear Múltipla (LR): Modelos baseados em regressao linear sao muito utilizados em mineraçao de dados para realizar previsóes. As regressóes sao chamadas de lineares quando a relaçao entre as variáveis preditoras e a resposta segue um comportamento linear. Esta relaçao pode ser descrita como uma funçao linear: y = w0 + +w2a2 +••• +wkak. Onde po é a classe, a1, a12 +••• +ak sao os valores dos atributos e wt, w12 +••• +wk sao os pesos. Os pesos sao calculados através dos dados de treinamento (HEIDARI, 2019; SING et al., 2017).

Multilayer Perception (MLP): As redes MLPs representam uma classe de redes neurais muito utilizadas em mineraçao de dados. A rede é composta por uma camada de entrada, uma ou mais camadas ocultas de unidades de processamento e uma camada de saída. Por padrao, o seu treinamento é supervisionado e utiliza o algoritmo backpropagation. As redes MLPs podem realizar tanto regressao quanto classificaçao (SANTOS et al., 2013; SEBASTIAN, 2016).

Redes Neurais Recorrentes (RNN): Segundo Braga (2019), a computaçao convencional nao realiza, de forma satisfatória, tarefas de reconhecimento de padrao dinámico, caso das séries temporais. Portanto, necessita-se de estruturas que sejam capazes de representar o tempo e apresentar memória. Dentre essas estruturas tem-se as Redes Neurais Recorrentes (RNNs). A rede Long Short Term Memory (LSTM), dentre as redes recorrentes, foi a que mais teve éxito, porque é capaz de aprender dependéncias de longo prazo, o que nao é possível com redes neurais recorrentes tradicionais (ZAO, 2017). Tal rede se apresenta como uma boa opçao para projeçao de variáveis que envolvam séries temporais, devido as suas características de acumular memória e capturar a estrutura temporal das variáveis. Este fato motivou o desenvolvimento de uma aplicaçao do modelo LSTM para análise dos preços do quilo do frango de corte.

2.3 Recursos

Os algoritmos utilizados, neste trabalho, foram implementados com o suporte do Jupyter Notebook e com a linguagem de programaçao Python. As bibliotecas de aprendizado de máquina: Scikit-learn e keras sao também utilizadas. Scikit-learn é uma biblioteca de aprendizado de máquina, para a linguagem Python, que inclui vários algoritmos de classificaçao, regressao e agrupamento. O framework de Deep Learning Keras, proporciona ferramentas para construçao e treinamento de redes neurais de alto nivel.

2.4 Método de fragmentaçao

Para criar os subconjuntos de dados, de treinamento e teste, foram usados 4500 lotes do banco de dados da empresa. Sendo 1500 da linhagem Coob (CB), 1500 da linhagem Coob Fast (CF) e 1500 da linhagem Coob Slow (CS). Neste trabalho, para a fragmentaçao dos dados (divisao dos dados em treinamento e teste) utilizou-se o método Cross-validation (Validaçao cruzada). Nesta técnica, os dados sao separados em n partiçöes aproximadamente iguais e cada uma delas é utilizada somente uma vez para teste, enquanto as demais sao utilizadas para o treinamento (WITTEN; FRANK, 2005). Para o conjunto de dados de validaçao, foram utilizados 150 lotes do banco de dados da empresa.

Os parámetros referentes ao número de camadas ocultas, o número de neurônios da camada oculta, o número de épocas, funçöes de ativaçao, entre outros, foram alterados empíricamente com a intençao de identificar os modelos com melhores resultados.

2.5 Métricas

Neste trabalho, os modelos obtidos foram avaliados pelas seguintes métricas (CANKURT; SUBASI, 2015):

Coeficiente de Correlaçao: Mede o grau de associaçao linear entre os dados previstos e observados.

Erro Médio Quadrático (MSE): é uma forma de avaliar a diferença entre um estimador e verdadeiro valor da quantidade estimada.

Raiz Quadrada do Erro Médio Quadrático (RMSE): Raiz do erro médio quadrático da diferença entre a prediçao e o valor real.

Erro Médio Absoluto (MAE): Como o RMSE, o MAE possui dimensao igual a dimensao dos valores observados e preditos. Seu valor representa o desvio médio entre observado e predito. Comparando o RMSE e o MAE, o primeiro dá um peso maior para desvios grandes (pois sao elevados ao quadrado), enquanto o MAE dá um peso igual a todos os desvios.

3 RESULTADOS E DISCUSSÄO

Inicialmente, neste trabalho, realizou-se uma análise descritiva dos dados fornecidos pela agroindústria para as linhagens Coob, Coob Fast e Coob Slow (Tabela 1).

Observou-se dos dados, apresentados na Tabela 1, os seguintes pesos medios: 2,81kg para a linhagem CB, 2,82kg para a linhagem CF e 2,84kg para a linhagem CS. Pesos muito próximos para as trés linhagens. Por meio da Equaçao 1, e dados obtidos da Tabela 1, obteve-se um IEP de 361,59 para a Linhagem CB, 360,93 para CF e 363,08 para a CS.

Observa-se também, da Tabela 1, que os dados apresentam bons coeficientes de variaçao. De acordo com Pimentel (2000), se o coeficiente de variaçao for inferior a 10% tem-se um coeficiente de variaçao baixo, de 10 a 20% medio, de 20 a 30% alto e acima de 30% muito alto.

3.1 Seleçao de atributos

A correlaçao é uma técnica popular para selecionar atributos relevantes em um banco de dados. Nessa técnica, pode-se calcular o grau de correlaçao entre cada atributo e a variável de saida e utilizar, do banco de dados, somente os atributos que tem uma correlaçao positiva ou negativa de moderada a alta (próxima a -1 ou 1) e retirar os atributos com baixa correlaçao (próxima a zero) (BASTIANI et al., 2018). Na Tabela 2, apresentam-se os resultados obtidos para as variáveis de resposta: Indice de Eficiéncia Produtiva e Peso Médio.

As variáveis de entrada relevantes para cada uma das variáveis de resposta sao apresentadas na Tabela 3.

3.2 Algoritmos

Utilizando a linguagem Python, implementou-se duas redes neurais seguindo o modelo Multilayer Perceptron com algoritmo de aprendizado por retropropagaçao de erros (MLP). As redes modeladas foram especificadas como: MLP 5-3-1 com 5 neurônios na camada de entrada, 3 neurônios na camada oculta e 1 na camada de saida e MLP 3-2-1 com 3 neurônios na camada de entrada, 2 neurônios na camada oculta e 1 na camada de saida (Figura 2).

As equaçöes de regressao linear obtidas, utilizando a funçao linearregression() da biblioteca Scikit-learn do Python, sao apresentadas nas Equaçöes 6 e 7.

... (6)

... (7)

Na Figura 3, é apresentado, como exemplo, a curva de aprendizagem para a variável IEP. Pode-se observar, por meio da figura, a boa convergencia das curvas de treino e teste.

A Tabela 4 apresenta os resultados obtidos, dos dois algoritmos (LR e MLP), para as variáveis de resposta Índice de Eficiencia Produtiva (IEP) e Peso Médio (PM).

Verifica-se, por meio dos resultados apresentados na Tabela 4, que os dois algoritmos apresentam resultados muito próximos de coeficiente de correlaçao. As análises dos erros permitem verificar que os melhores resultados foram obtidos usando o algoritmo MLP para as variáveis em estudo (IEP e PM).

Na sequencia, avaliou-se a dispersao dos valores preditos pelos dois algoritmos em relaçao aos valores observados para as duas variáveis de resposta (Figura 4).

Para validar os modelos, implementados neste trabalho, compararam-se resultados obtidos dos algoritmos com resultados obtidos de 150 lotes de frangos que nao participaram da fase de teste e treinamento (Figura 5).

Observa-se da Figura 4, que os dados experimentáis apresentam uma boa correlaçao com os dados preditos para as duas variáveis produtivas, já que os pontos estao próximos a linha de ajuste. Pode-se também observar, por meio dos gráficos apresentados, na Figura 5, que existe uma boa aproximaçao entre os resultados reais e os previstos pelos dois algoritmos para o conjunto de dados de validaçao.

ANOVA: A análise de variância (ANOVA de fator único) com nivel de significancia (a) de 5% foi implementada com o objetivo de comparar as amostras do conjunto de dados de validaçao com as amostras preditas pela rede neural, para as duas variáveis em estudo (IEP e PM) (Tabela 5).

Como os p-values sao maiores do que o nivel de significancia especificado (a = 5%) concluise que nao houve diferença significativa entre as amostras

3.3 Preço da carne de frango

Diante da importancia do setor da carne de frango de varejo no Brasil, sobretudo em razao do consumo por grande parte das familias brasileiras, torna-se importante estabelecer uma análise de mercado, no estado maior consumidor nacional de frango, baseada num modelo de previsao que permita observar as tendencias de mercado. Na Tabela 6, apresenta-se a análise descritiva dos dados dos preços do quilo da carne frango congelada e resfriada.

Pode-se observar, da Tabela 6, que os preços médios, para o periodo de 11 anos, ficaram em média de R$ 3,258 para o kg de frango congelado e de R$ 3,238 para o frango resfriado, valores muito próximos. Apresentando também preços minimos e máximos de R$ 2,273 e R$ 4,547 para a carne de frango congelado e R$ 2,202 e R$ 4,614 para a carne de frango resfriada.

Quanto menor o Coeficiente de Variaçao maior será a representatividade da média. Para os dois conjuntos de dados o valor do coeficiente de variaçao é maior que 10%, sendo considerado médio, o que indica uma certa variabilidade dos dados (PIMENTEL, 2000).

Cabe também salientar, que o consumo de carne de frango nao tende a sofrer muitas alteraçöes durante o ano, cabendo a fatores exógenos a responsabilidade pelas alteraçöes no preço. Um desses possíveis fatores sao as variaçöes cambiáis, que podem reduzir, por exemplo, a oferta do produto no mercado externo causando uma reduçao dos preços no mercado interno.

3.4 Redes recorrentes

Nesta seçao, apresentam-se os resultados, das previsóes de curto prazo para o peso do quilo de frango congelado e resfriado, obtidos por meio da rede neural LSTM. Inicialmente, como exemplo, apresenta-se, na Figura 6, os resultados das previsóes para o preço do quilo do frango congelado entre os meses de dezembro/2012 e dezembro/2017, totalizando 60 meses.

Por meio dos resultados apresentados, na Figura 6, pode-se notar que as redes recorrentes tem uma boa capacidade de se ajustar aos problemas de séries temporais. Na sequencia, para validaçao do modelo apresentam-se, na Tabela 7, as previsóes do preço do quilo de frango congelado e resfriado, para os tres primeiros meses de 2019.

Por meio dos resultados apresentados, na tabela 7, conclui-se que os resultados das previsóes estao muito próximos aos do CEPEA. Observou-se também, nestas previsóes, que a rede LSTM obteve um bom desempenho com os dados utilizados (Tabela 8).

Nas Figuras 7 e 8, apresentam-se as evoluçöes das series temporais dos preços do quilo do frango congelado e resfriado para os anos de 2008 a 2020. Sendo que a previsao para os últimos 24 meses (2019 e 2020) sao apresentadas na cor vermelha.

4 CONCLUSOES

Neste trabalho, com as variáveis produtivas obtidas, do banco de dados da empresa, construíram-se modelos de previsao baseados em dois algoritmos de análise de dados: Redes Neurais Artificiáis (MLP) e Regressio Linear (LR). Tais modelos passaram pelas fases de preparaçao de dados, definiçao das estruturas dos modelos, estimativas dos modelos, avaliaçao dos resultados dos modelos e validaçao dos modelos. Os resultados obtidos podem ser considerados relevantes, como demonstrados pela correlaçao entre os dados preditos e observados apresentados anteriormente.

Quando estes modelos, implementados para predizer as variáveis de interesse, Peso Médio e Indice de Eficiencia Produtiva, foram aplicados a um conjunto de validaçao com 150 lotes de frangos, que nao participaram da fase de treinamento e teste, as previsóes foram bem precisas e as diferenças entre valores reais e previstos foram pequenas. Portanto, a proximidade entre valores preditos e reais demonstram a boa capacidade de generalizaçao dos modelos implementados neste trabalho.

Concluiu-se, por meio da técnica de correlaçao entre as variáveis obtidas do banco de dados, fornecido pela empresa, que a linhagem das aves nao teve praticamente influencia sobre as variáveis de resposta (IEP e PM).

Observou-se também que a rede recorrente LSTM obteve, para o conjunto de validaçao (janeiro, fevereiro e março de 2019), uma boa previsao dos valores do preço (R$/kg) do quilo do frango tanto congelado como resfriado. Conclui-se entao, que a rede LSTM pode ser usada, como ferramenta de previsao nas tomadas de decisao, do preço do quilo do frango congelado e resfriado, para um horizonte de curto prazo. No entanto, deve-se levar em conta que a validade da previsao está associada com a qualidade e com o número de instancias dos dados.

Por fim, vale ainda destacar que os modelos de redes neurais, implementados, neste trabalho, podem ser utilizados para gerar resultados que servirao de suporte a tomada de decisóes pelos responsáveis da empresa em estudo. Podendo estes realizar simulaçöes e medir a contribuiçao de cada variável no fenómeno em estudo.

Sidebar

Submetido 30/09/2019 - Aceito 18/02/2020

References

5 REFERENCIAS

AMRAEL, S.; MEHDIZADEH, S. A.; SALARI, S. (2017) Broiler weight estimation based in machine vision an artificial neural network. British Poultry Science. 58(2), 200-205.

ASSOCIAÇÂO BRASILEIRA DE PROTEÍNA ANIMAL (ABPA). (2018) Relatório Anual Completo. Disponível em: http://abpa-br.com.br/files/ RelatórioAnual_ UBABEF_2015_DIGITAL.pdf. Acesso em: 12 nov 2018

AZARIAS, P.; MATOS S. N.; SCANDELARI, L. (2009) Aplicaçao de mineraçao de dados para geraçao do conhecimento: um experimento prático. InAnois...V Congresso Nacional de Excelencia em Gestao. Niterói RJ.

BASTIANI, M.; SANTOS, J. A. A.; SCHMIDT, C. A P.; SEPULVEDA, G. P. L. (2018) Application of data mining algorithms in the management of the broiler production. Geintec. 8(4), 4574-4587.

BRAGA, A. (2019) Aplicando o Algoritmo de Memória de Longo Prazo para Previsualizar a Perda de Capacidade de Termorregulaçao em Colônias de Abelhas. . InAnois...X Workshop de Computaçao Aplicada a Gestao do Meio Ambiente e Recursos Naturais. Porto Alegre RS.

CAMPOS, P. A. C. (2006) Aplicaçao do modelo ARIMA paraprevisao do preço do frangointeiroresfriado no grandeatacado do estado de Sao Paulo. In... XIII CongressoBrasileiro de Custos. Belo Horizonte MG.

CANKURT, S.;SUBASI, A. (2015)Comparasion of linear regression and neural network models forecasting tourist arrivals to turkey.EurasianJournalof Science &Engineering.

CENTRO DE ESTUDOS AVANÇADOS EM ECONOMIA APLICADA (CEPEA). Preço do frango CEPEA/ESALQ - Estado SP. Disponível em: https://www.cepea.esalq.usp.br/br/indicador/frango.aspx. Acesso em: 19 set 2019.

HAYKIN, S. (2005) Neural networks: a comprehensive foundation. New Delhi: Pearson Prentice Hall.

HEIDARI, A. A. (2019) An efficient hybrid multilayer perceptron neural network with grasshopper optimization. Soft Computing. 23(17), 7941-7958.

JOHASEN, S. V.; BENDTSEN, J. D.; MOGENSEN, J. (2019) Broiler slaughter weight forecasting using dynamic neural network models./n...IEEE 6th International Conference (ICIEA), Tokio JP.

JÚNIOR, J. G. G; BENTO, E. F.; SOUZA, A. F. (2009) Diagnóstico da realidade dos criatórios de aves na comunidade base física - Ipanguaçu/RN. RevistaHolos. 4(1), 120-126.

PIACENTI, C. A. (2007) O preço do frango de corte: Evoluçao e tendencias no Brasil. Cadernos de Economia. 21(11), 79-94.

PIMENTEL, F. G. (2000) Curso de estatística experimental. Piracicaba: Degaspari.

SANTOS, R. B.; RUPP, M., BONZI, S. J.; FILETI, A. M. F. (2013)Comparison between multilayer feed forward neural networks and a radial basis function network to detect and locate leaks in pipeles transporting gás. Chemical Enginering Transactions. 32(1), 1375-1380.

SEBASTIAN, S. (2016) Performance evaluation by artificial neural network using WEKA. International Research Journal of Engineering and Technology, 3(3), 1459-1464.

SING, G. P.; KUMAR, R.; SHARMA, A. (2017) QSAR Studies of breast carcinoma using artificial neural network, bayesian classifier and multiple linear regression. InternationalResearchJournalofEngineeringand Technology, 4(5), 1443-1447.

SOBRINHO, R. F. (2010) Competitividade na cadeia de valor da avicultura de corte. Dissertaçao de mestrado. Toledo, PR, UNIOESTE.

UBA, Uniao Brasileira de Avicultura. (2008) Protocolo de Boas Práticas de Produçao de Frangos. Sao Paulo: UBA.

ZAO, Z. (2017) LSTM network: a deep learning approach for short-term traffic forecast. IET Intelligent Transport Systems. 11(2), 68-75.