Nhóm sinh viên Trường Đại Học RMIT Việt Nam đã thực hiện một dự án nghiên cứu về ứng dụng trí tuệ nhân tạo (AI) để phát triển mô hình dự báo giá cafe Robusta. Nghiên cứu tập trung vào việc tận dụng các nguồn dữ liệu như lịch sử giá cafe, giá xăng dầu, nhiệt độ và lượng mưa để xây dựng một hệ thống dự đoán chính xác.

Mô hình RF dự báo giá cafe Robusta

Việt Nam, với vị thế là quốc gia xuất khẩu cafe lớn thứ hai trên thế giới, đóng góp đáng kể vào nguồn cung cấp Robusta toàn cầu. Tuy nhiên, giá cả của các mặt hàng nông sản, đặc biệt là hạt cafe, thường xuyên biến động mạnh, ảnh hưởng nặng nề đến thu nhập của nông dân và gây thiệt hại cho nền kinh tế nước nhà. Do vậy, đây là lĩnh vực mà nhóm sinh viên Trường Đại Học RMIT Việt Nam quan tâm. Họ là sinh viên năm cuối ngành Công nghệ thông tin tại Khoa Khoa học, Kỹ thuật và Công nghệ, đã đặt ra mục tiêu phát triển một mô hình máy học có thể giúp dự báo giá cafe Robusta. Giảng viên hướng dẫn đã chịu trách nhiệm huấn luyện và đánh giá sáu mô hình khác nhau, bao gồm LSTM, GRU, ARIMA, SARIMA, SVM và RF.

Theo Nguyễn Hải Minh Trang, thành viên trong nhóm nghiên cứu, mô hình Random Forest (RF) đã cho thấy hiệu suất tốt nhất. Điều này được giải thích bởi khả năng của RF kết hợp một lượng lớn dữ liệu và xử lý hiệu quả mối quan hệ phi tuyến. Đặc biệt, giá nhiên liệu được xác định là yếu tố quan trọng nhất và vượt trội so với tất cả các tính năng khác.

Nhóm nghiên cứu tin rằng mô hình của họ có tiềm năng tiếp tục được cải thiện bằng cách nghiên cứu và tích hợp thêm các yếu tố như năng suất cây trồng, xu hướng thị trường và các sự kiện địa chính trị. Kết quả của nghiên cứu đã được trình bày tại Hội nghị quốc tế IEEE/ACIS về Dữ liệu lớn, Điện toán đám mây và Kỹ thuật khoa học dữ liệu (BCD 2023) tại TP Hồ Chí Minh. Nhóm đang nâng cao độ chính xác và khả năng áp dụng của mô hình. Đồng thời, nhóm có kế hoạch mở rộng nghiên cứu sâu hơn vào các kỹ thuật tiên tiến và phương pháp mới để củng cố kết quả nghiên cứu.

Ứng dụng AI trong dự báo giá cà phê mang lại nhiều lợi ích, từ việc cải thiện độ chính xác của dự báo đến việc hỗ trợ người nông dân và doanh nghiệp trong quản lý rủi ro và quyết định chiến lược. Dưới đây là một số cách mà AI có thể được tích hợp vào quá trình dự báo giá cà phê:

Phân tích Dữ liệu lớn (Big Data): AI có khả năng xử lý lượng lớn dữ liệu từ các nguồn khác nhau như lịch sử giá cà phê, dữ liệu thời tiết, giá năng lượng, và các yếu tố thị trường khác. Điều này giúp tăng cường khả năng dự đoán dựa trên sự phức tạp và đa chiều của các biến số.

Mô hình Học máy (Machine Learning): Sử dụng các mô hình học máy như Random Forest, Support Vector Machines, Long Short-Term Memory (LSTM), hoặc Gated Recurrent Unit (GRU) để phân tích mối quan hệ phức tạp giữa giá cà phê và các yếu tố ảnh hưởng như giá năng lượng, thời tiết, và nguồn cung cầu.

Dự báo thời tiết và thị trường: Các mô hình AI có thể tích hợp thông tin thời tiết và dự báo thị trường hàng hóa để đánh giá ảnh hưởng của các yếu tố này đến giá cà phê. Sự kết hợp của dữ liệu thời tiết và dự báo thị trường cung cầu có thể giúp dự đoán những biến động ngắn hạn và dài hạn.

Tối ưu hóa kế hoạch nông nghiệp: AI có thể hỗ trợ nông dân trong việc lên kế hoạch cho mùa vụ tốt nhất dựa trên dự báo giá cà phê. Điều này bao gồm quyết định về thời điểm trồng, chăm sóc cây trồng, và thời điểm thu hoạch để tối đa hóa lợi nhuận.

Đánh giá rủi ro và quản lý chiến lược: AI có thể phân tích rủi ro liên quan đến biến động giá cà phê và đề xuất các chiến lược quản lý rủi ro. Điều này giúp doanh nghiệp và nông dân thích ứng linh hoạt với thị trường biến động.

Tích hợp dữ liệu đa nguồn: AI có thể tự động cập nhật thông tin từ nhiều nguồn khác nhau, giúp dự báo trở nên linh hoạt và độ chính xác cao hơn.

Các mô hình AI có thể được cập nhật liên tục dựa trên dữ liệu mới và phản hồi từ thị trường, giúp nâng cao khả năng dự đoán theo thời gian. Sự tích hợp chặt chẽ của AI vào quá trình dự báo giá cà phê không chỉ mang lại những kết quả chính xác hơn mà còn tạo ra cơ hội quản lý rủi ro và tối ưu hóa quyết định kinh doanh trong ngành nông nghiệp cà phê.

P.A.T (Tổng hợp)