Previsão da produção de ovos com séries temporais multivariadas a partir de dados de granjas comerciais

A avicultura de postura, ou a produção de ovos, é um grande vetor na segurança alimentar global, pois é uma fonte proteica acessível, sendo o Brasil um dos maiores produtores do mundo. A curva de produção de ovos é uma série temporal não linear influenciada por fatores genéticos, ambientais (como temperatura) e de manejo (como nutrição), e ferramentas preditivas podem otimizar o manejo zootécnico e a rentabilidade da granja. O objetivo deste trabalho é o de avaliar o impacto do tamanho da janela deslizante na previsão da produtividade diária de ovos, utilizando séries temporais multivariadas e modelos de Aprendizado de Máquina (AM). O estudo empregou dados reais do condomínio avícola da cooperativa Nater Coop, situada em Santa Maria de Jetibá, abrangendo o período de 2016 a 2023 e três linhagens comerciais (Bovans, Hy-Line e Novogen). A metodologia testou janelas de 1, 2, 3, 4, 5, 7 e 14 dias, além de comparar dois pontos de partida da curva de postura (Semanas 20 e 22) e avaliar modelos supervisionados (Ridge, Floresta Aleatória - FA, XGBoost, MLP, LSTM e GRU) contra o Modelo Compartimental modificado e o modelo estatístico ARIMA. A avaliação na fase inicial da postura (Semana 20–85) demonstrou que esse período de rápida ascensão e alta variabilidade gerou erros altos principalmente para a linhagem Novogen. O melhor desempenho da Bovans atingiu MAPE = 6, 30% da FA com janela de 14 dias e o da Hy-Line atingiu MAPE = 5, 53% com janela de 7 dias (XGBoost). Notavelmente, na linhagem Novogen, o Modelo Compartimental Modificado (MAPE = 14, 76%) superou os modelos de AM, sugerindo que a aproximação média da função matemática ofereceu maior estabilidade sob ruído excessivo. No regime de produção estável (Semanas 22–85), modelos baseados em árvores apresentaram erros médios percentuais inferiores a 4% nas três linhagens. A linhagem Bovans atingiu o menor MAPE de 3, 21% com o modelo FA e janela de 4 dias; a Novogen alcançou MAPE de 3, 24% com o modelo Ridge e janela de 7 dias; e a Hy-Line registrou MAPE de 3, 84% com o modelo FA e janela de 7 dias. A análise SHAP (SHapley Additive exPlanations) revelou distinções na hierarquia de influência entre as linhagens. Em todas, o histórico de produção e a idade das aves são os fatores mais impactantes, reforçando a natureza temporal e fisiológica do ciclo de postura. A Bovans demonstrou alta sensibilidade térmica: a produção e a idade exerceram a maior influência, e temperaturas elevadas Máxima e Mínima confirmaram o impacto negativo do estresse térmico na produtividade. Na HyLine, o histórico de produção e a idade também dominaram, com a Temperatura Máxima associada a reduções na postura. Em contraste, a Novogen revelou um padrão diferente, onde o modelo linear utilizado (Ridge) concentrou-se na idade das aves, minimizando a influência dos fatores ambientais, nutricionais e da dependência autorregressiva.

Layer poultry farming, or egg production, is a major driver of global food security, as it provides an accessible protein source, with Brazil being one of the largest producers in the world. The egg production curve is a nonlinear time series influenced by genetic, environmental (such as temperature), and management factors (such as nutrition), and predictive tools can optimize zootechnical management and farm profitability. The objective of this study is to evaluate the impact of sliding window size on the prediction of daily egg productivity using multivariate time series and Machine Learning (ML) models. The study employed real data from the poultry condominium of the Nater Coop cooperative, located in Santa Maria de Jetibá, covering the period from 2016 to 2023 and three commercial strains (Bovans, Hy-Line, and Novogen). The methodology tested sliding windows of 1, 2, 3, 4, 5, 7, and 14 days, compared two starting points of the laying curve (Weeks 20 and 22), and evaluated supervised models (Ridge, Random Forest – RF, XGBoost, MLP, LSTM, and GRU) against the Modified Compartmental Model and the statistical ARIMA model. The evaluation during the early laying phase (Weeks 20–85) showed that this period of rapid rise and high variability generated large errors, mainly for the Novogen strain. The best performance for Bovans reached MAPE = 6.30% with RF using a 14-day window, and Hy-Line reached MAPE = 5.53% with a 7-day window (XGBoost). Notably, for the Novogen strain, the Compartmental Model (MAPE = 14.76%) outperformed the ML models, suggesting that the average approximation of the mathematical function provided greater stability under excessive noise. In the stable production regime (Weeks 22–85), tree-based models presented mean percentage errors below 4% for all three strains. The Bovans strain achieved the lowest MAPE of 3.21% with the RF model and a 4-day window; Novogen achieved MAPE of 3.24% with the Ridge model and a 7-day window; and Hy-Line recorded MAPE of 3.84% with the RF model and a 7-day window. The SHAP (SHapley Additive exPlanations) analysis revealed distinctions in the hierarchy of influence among the strains. In all of them, production history and bird age were the most impactful factors, reinforcing the temporal and physiological nature of the laying cycle. Bovans showed high thermal sensitivity: production and age exerted the greatest influence, and high Maximum and Minimum temperatures confirmed the negative impact of heat stress on productivity. In Hy-Line, production history and age also dominated, with Maximum Temperature associated with reductions in egg laying. In contrast, Novogen revealed a different pattern, where the linear model used (Ridge) focused primarily on bird age, minimizing the influence of environmental and nutritional factors and the autoregressive dependence.