Bayesian and Machine Learning Approaches for Improved Fertilizer Demand Prediction in Canada
Canada, as a key player in the global fertilizer market, has a vested interest in the efficient management and utilization of fertilizers, given its substantial contribution to both the national economy and global food security. This study presents a comparative analysis for predicting fertilizer consumption in Canada using annual data from 1966 to 2022, highlighting the importance of accurate predictions for sustainable agriculture and resource management. We employ Long Short-Term Memory (LSTM) networks and Extreme Gradient Boosting (XGBoost) to capture complex patterns and temporal dependencies in the data and compare their performance with Random Forest Regression (RFR), which has previously demonstrated efficacy in Canadian fertilizer consumption studies. Additionally, we introduce a Bayesian model that accounts for the mean-drifting nature of the fertilizer consumption time series, offering a robust probabilistic framework.
Approches bayésiennes et d’apprentissage automatique pour une meilleure prévision de la demande d’engrais au Canada
Le Canada, en tant qu’acteur clé du marché mondial des engrais, a tout intérêt à gérer et à utiliser efficacement les engrais, étant donné sa contribution substantielle à l’économie nationale et à la sécurité alimentaire mondiale. Cette étude présente une analyse comparative pour prédire la consommation d’engrais au Canada en utilisant des données annuelles de 1966 à 2022, soulignant l’importance de prévisions précises pour l’agriculture durable et la gestion des ressources. Nous utilisons des réseaux de mémoire à long terme (LSTM) et l’amplification extrême de gradient (XGBoost) pour capturer des modèles complexes et des dépendances temporelles dans les données et nous comparons leur performance avec la régression de forêts d’arbres décisionnels (RFR), qui a précédemment démontré son efficacité dans les études sur la consommation d’engrais au Canada. En outre, nous introduisons un modèle bayésien qui tient compte de la nature de la dérive moyenne des séries chronologiques de la consommation d’engrais, offrant ainsi un cadre probabiliste robuste.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais