Resumo: O custo de escoamento das safras agrícolas é um dos principais entraves à competitividade do Brasil no cenário internacional. O sistema rodoviário é o principal modal utilizado para o transporte de cargas agrícolas; e muitas vezes, a única opção para movimentação desse tipo de produto. Esta dependência pode levar a crises de desabastecimento em momentos de paralisações e greves. O impacto financeiro com o transporte sentido pelos agentes econômicos que atuam nas cadeias agrícolas poderia ser reduzido com a implementação de um sistema de gestão de fretes. Uma alternativa promissora para lidar com esse desafio é o uso de técnicas de mineração de dados, que são capazes de extrair padrões e tendências em grandes volumes de dados, razão pela qual têm sido cada vez mais utilizadas para dar suporte à decisão de gestores de diversas áreas, em detrimento à intuição, e aos métodos baseados em experiência. Isto posto, o principal objetivo deste trabalho é prever o preço de frete de commodities agrícolas através de modelos gerados a partir de Redes Neurais Multicamadas (MLP, Multi Layer Perceptron:) e Máquina de Vetores de Regressão (SVR, Support Vector Regression). A destacada participação do modal rodoviário ao longo do processo logístico de distribuição dos grãos faz com que a determinação dos custos de transporte relacionados a esta etapa seja uma importante ferramenta de gestão e tomada de decisão para os gestores do agronegócio. Os resultados indicaram que ambas as técnicas foram eficientes para estimar os preços fretes rodoviários de grãos agrícolas em termos de R-quadrado e raiz quadrada do erro quadrático médio (RMSE, Root Mean Squared Error). Na comparação das técnicas, a técnica SVR teve um desempenho superior, tendo alcançado uma R-quadrado de 0,8921 e RMSE de 8,0464 para o intervalo das rotas até 600km e 0,8924 e 21,1167 para as rotas mais longas que 600km, fazendo uso de modelos especializados em cada conjunto. Com o MLP as métricas foram inferiores, com R-quadrado 0,8785 e 8,5404 para rotas curtas e 0,8506 e 24,8818 para rotas longas também fazendo uso de modelos especializados. Em termos do uso do modelo geral ou com o particionamento do conjunto de dados em função da distância percorrida na rota de transporte, a utilização de dois modelos individuais especializados na partição do conjunto das rotas em duas faixas de até 600km ou superior, teve um melhor desempenho quando comparado a adoção de um modelo geral para todas as duas faixas de distâncias. Isso confirma a hipótese de que os preços dos fretes rodoviários apresentam comportamento distintos para diferentes faixas de distâncias Ver menos

Abstract: The grain freight cost is one of the biggest obstacles for the Brazil’s competitiveness in international scenario. The road freight still is majority adopted on agricultural products transporting, and not unusual, that is the only choice to carry them. The cost weight, felt by the agribusiness operators, which work with supply chains might be decreased after the adoption of a freight management system. A promising alternative to deal with this challenge is the use of data mining techniques, which are able to extract patterns and trends in large amounts of data, which is why they have been increasingly used to support management decision in different areas, in place of intuition and resolutions based on experience. Thus, the project major goal is to develop and implement an intelligent system for forecasting road freight prices for agricultural grains. Thus, the aim of this research is predicting the freight price of agricultural commodities using models generated from Multi Layer Perceptron (MLP) and Support Vector Regression (SVR). The massive use of freight road in the logistic and grain distribution, reinforces the importance of predicting freight prices, therefore a system that could provide that kind of information to agribusiness managers and decision makers, would be critical on their daily activities. he results indicated that both techniques were efficient in estimating agricultural grain road freight prices in terms of R-squared and root mean square error (RMSE). Comparing the techniques, the SVR technique outperformed achieving an R-squared of 0.8921 and RMSE of 8.0464 for the range of routes up to 600km and 0.8924 and 21.1167 for routes longer than 600km, adopting specialized models for each data partition. In the other hand MLP resulted an R-squared 0.8785 and 8.5404 RMSE for short routes and 0.8506 and 24.8818 for long routes also making use of specialized models. In terms of using the general model or with partitioning the dataset as a function of distance traveled on the transportation route, using two individual models specialized in partitioning the set of routes into two ranges of up to 600km or greater, performed better when compared to adopting a general model for all two ranges of distances. This confirms the hypothesis that road freight prices show different behavior for different distance ranges Ver menos