Modèle hybride profond entraîné avec les prix du carburant pour prévoir les prix du ragi

Pourquoi les prix des céréales et du carburant nous concernent tous

Les prix des aliments façonnent le quotidien, en particulier pour les familles qui dépendent des céréales de base. Dans le sud de l’Inde, le ragi (ou millet doigt) est une céréale bon marché, très nutritive et qui se conserve pendant des années. Si les agriculteurs peuvent anticiper l’évolution de son prix, ils peuvent choisir le meilleur moment pour vendre leur récolte et améliorer leurs revenus. Cette étude examine comment des modèles informatiques modernes, combinés à des informations sur les coûts du carburant, peuvent aider à prévoir plus précisément les prix du ragi, avec des bénéfices potentiels pour les agriculteurs, les commerçants et les décideurs.

Une céréale rustique dont la demande augmente

Le ragi est depuis longtemps un aliment de base rural en Asie et en Afrique, apprécié pour son faible coût, son pouvoir rassasiant et sa facilité de stockage. Ces dernières années, il est devenu populaire dans les villes en raison de ses bienfaits pour la santé, notamment pour le contrôle du poids, la gestion du cholestérol et la solidité osseuse. Il se vend sous forme de farine, de mélanges prêts à consommer et d’autres produits transformés. Parce que le grain se conserve en toute sécurité pendant des années, les agriculteurs n’ont pas besoin de vendre immédiatement après la récolte. Ils peuvent attendre un prix de marché favorable—s’ils disposent d’indications sur la direction des prix.

Des tendances simples à des prévisions plus intelligentes

Les tentatives antérieures pour prédire les prix du ragi reposaient principalement sur l’analyse des prix passés et des quantités arrivant sur les marchés. Ces approches, utiles, négligeaient d’autres facteurs concrets qui influencent le prix payé par les consommateurs. Les auteurs se sont particulièrement intéressés au rôle des coûts du carburant. Le prix du diesel influence le coût du transport du grain des exploitations vers les marchés, ce qui peut faire fluctuer les prix alimentaires. Pour capturer ces liens, les chercheurs ont conçu un système de prévision qui combine plusieurs flux d’information : les volumes de ragi arrivés sur le marché, les prix observés et l’évolution des prix du diesel au fil du temps.

Comment fonctionne le moteur de prédiction hybride

L’équipe a combiné plusieurs méthodes avancées couramment utilisées pour analyser des données temporelles. Ils ont testé trois modèles d’apprentissage profond—GRU, 1D-CNN et LSTM—aux côtés d’une méthode statistique traditionnelle appelée vector autoregression, bien adaptée pour examiner l’influence réciproque de plusieurs séries temporelles. Sur cette base, ils ont proposé un modèle hybride qui applique d’abord la méthode statistique puis alimente sa sortie dans un réseau LSTM empilé. Cette architecture permet au modèle de saisir à la fois des motifs simples et des dynamiques plus complexes dans les données, comme les changements brusques observés pendant les années de la pandémie de COVID‑19.

Ce que les données révèlent sur le carburant et les prix alimentaires

Les chercheurs ont rassemblé des enregistrements mensuels de six districts majeurs producteurs de millet au Karnataka, en Inde. Ils ont utilisé des rapports de marché gouvernementaux pour obtenir les données sur les arrivages et les prix du ragi, et un portail en ligne pour suivre les prix du diesel. Ils ont examiné deux fenêtres temporelles : des blocs de trois ans et des blocs de cinq ans de données passées utilisés pour prévoir les prix en 2019 et 2022. La précision de chaque modèle a été évaluée par l’écart entre ses prévisions et les prix réels. Dans de nombreux tests, le modèle hybride combinant l’étape statistique et les couches LSTM empilées a fourni les prévisions les plus stables et les plus précises. En particulier, lorsqu’il s’appuyait sur trois ans d’informations sur le diesel et les prix, son erreur typique dans certaines régions était d’environ un pour cent. Un outil d’interprétabilité distinct a montré que les prix du diesel, conjointement avec les prix récents du ragi, étaient les facteurs les plus influents dans les décisions du modèle, tandis que les fluctuations des volumes arrivant sur les marchés étaient plus erratiques et moins informatives.

Comment de meilleures prévisions peuvent aider les agriculteurs

Concrètement, ce travail suggère que les coûts du carburant sont un levier puissant derrière ce que payent finalement les agriculteurs et les consommateurs pour le ragi. En combinant les prix du carburant avec les données de marché récentes dans un moteur de prédiction bien conçu, les auteurs ont pu prévoir les prix mensuels du ragi avec une grande précision, même pendant des années turbulentes. Un tel système, s’il était transformé en un outil mobile simple, pourrait fournir aux agriculteurs des conseils opportuns pour décider s’il vaut mieux vendre ce mois‑ci ou attendre, les aidant à obtenir de meilleurs revenus tout en offrant aux décideurs une vision plus claire de la manière dont les coûts de l’énergie se répercutent sur le système alimentaire.

Citation: Chaitra, B., Meena, K. Fuel-driven hybrid deep learning model for forecasting finger millet prices. Sci Rep 16, 7821 (2026). https://doi.org/10.1038/s41598-025-34947-8

Mots-clés: prix du ragi, coûts du carburant et de l’alimentation, prévisions par apprentissage profond, marchés agricoles, modélisation des séries temporelles