Development of a model for predicting agricultural product prices in the province of Carchi using machine learning techniques
DOI:
https://doi.org/10.32645/26028131.1414Keywords:
Machine learning, price prediction, agricultural products, Random Forest, Carchi-EcuadorAbstract
This research developed a price prediction model for agricultural products in the province of Carchi, Ecuador, using machine learning techniques, with the objective of addressing the price volatility that affects farmers' planning. The study integrated several datasets containing historical price data from local markets and government databases, along with contextual variables such as weather conditions and input costs. Following a process of data cleaning, unification, and encoding, four algorithms were evaluated: Linear Regression, Random Forest, XGBoost, and a Neural Network (MLP), using cross-validation and a hold-out test set. The results identified the Random Forest model as the most effective, achieving an R² of 0.9721, an MAE of 2.5284, and a MAPE of 11.58%. It was concluded that the developed model is highly accurate for predicting agricultural prices in the region, demonstrating the feasibility of using machine learning techniques with multi-source data to generate decision-support tools for the local agricultural sector. The implementation of the model and the expansion of the database were recommended to improve its robustness.
Downloads
References
Beltran, S. (2022). Diseño de un modelo predictivo de aprendizaje automático supervisado para determinar precios dinámicos de insumos Agrícolas de la región costa del Ecuador. Guayaquil: Universidad de Guayaquil-Facultad de Ciencias Matemáticas y Físicas-Carrera de Ingeniería Civil.
Breiman, L. (2001). Random Forests. Machine Learning. Springer.
Cristian, H.-S., Octavio, G.-E., & Germán, G.-S. (2024). Integración de la inteligencia artificial y la agricultura de precisión en cultivos de café. Revista UIS Ingenierías, 23(4), 145-157.
Dillon, B., & Barrett, C. B. (2017). Agricultural Price Risk in Emerging Economies. American Journal of Agricultural Economics, 140-160.
Garcia, J., Zambrano, J., Alcivar, R., & Zambrano, W. (2020). Predicción del rendimiento de cultivos agrícolas usando aprendizaje automático. KOINONIA, 2, 144-160.
Guo, Y., Tang, D., Tang, W., Yang, S., Tang, Q., Feng, Y., & Zhang, F. (2022). Agricultural Price Prediction Based on Combined Forecasting Model under Spatial-Temporal Influencing Factors. Sustainability.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer.
Huchet-Bourdon, M. (2011). Agricultural Commodity Price Volatility: An Overview. OECD Food. Agriculture and Fisheries Papers No. 52.
INEC. (2023). Encuesta de Superficie y Producción Agropecuaria Continua (ESPAC).
Lara, S. A. (2022). Aplicación de técnicas de Machine Learning como método de validación para predecir la efectividad de un modelo estadístico de series de tiempo en la producción de fruta fresca en las diferentes provincias del Ecuador. Tesis de Maestría. Universidad de Guayaquil-Facultad de Ciencias Matemáticas y Físicas-Carrera de Ingeniería Civil.
Manrique, L., & Borja, J. (2024). Ciencia de datos para la historia: datificar las fuentes para una historia (predictiva). Historia y Grafía, 97-145.
Molina, C., & Bonilla, F. (2024). Aplicación de la Metodología CRISP-DM en el Análisis de Gases Disueltos en Aceite Dieléctrico de Transformadores Eléctricos del Sector Eléctrico Ecuatoriano. Revista Técnica “energía”., 12-21.
Probst, P., & Boulesteix, A. (2018). To Tune or Not to Tune the Number of Trees in Random Forest? Journal of Machine Learning Research, 1-18.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Juan Soto, Verónica Marisol Obando Quilsimba, Alisson Nicole Oñate Carlozama
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
El autor mantiene los derechos intelectuales y morales de su obra, autorizando a la editorial de la Revista Tierra Infinita la difusión y divulgación de su contenido con fines estrictamente académicos y de investigación, sin fines de lucro.
