O mercado de commodities agrícolas é conhecido por sua volatilidade e complexidade, onde fatores como condições climáticas, demanda global, políticas governamentais e eventos geopolíticos exercem uma influência significativa sobre as decisões dos especialistas e os preços nos mercados. Nos últimos anos, tem havido um crescente interesse em aplicações baseadas em aprendizado de máquina no agronegócio, visando minimizar os desafios impostos pelo cenário caótico e complexo do mercado financeiro. Essas aplicações exploram avanços tecnológicos para aprimorar a previsão de preços e tendências, fornecendo percepções estratégicas aos especialistas do domínio. Recentemente, estudos têm sido desenvolvidos utilizando técnicas de processamento de linguagem natural e dados de séries temporais em diversas estratégias de fusão, gerando representações multimodais alternativas para modelos de previsão. A integração de dados de múltiplas fontes visa proporcionar previsões que considerem fatores não explícitos em dados de séries temporais. No entanto, propor modelos e representações multimodais é desafiador devido ao alinhamento temporal entre dados de textos e séries temporais. Além disso, a disponibilidade de documentos rotulados para o domínio do agronegócio é escassa, o que dificulta a aplicação direta de modelos multimodais. Diante desse cenário, esta tese busca desenvolver e avaliar representações de séries temporais integradas com representações semânticas de textos, explorando abordagens inovadoras para aprimorar previsões de séries temporais enriquecidas com textos e classificações automáticas de notícias com padrões extraídos das séries temporais. As abordagens propostas consideram estratégias que podem ser aplicadas em cenários reais de mercado. Os resultados demonstram que as abordagens propostas podem ser uma alternativa real para melhorar a precisão das previsões em mercados complexos e voláteis, oferecendo uma perspectiva inovadora na integração de dados textuais e séries temporais no contexto do agronegócio.

The agricultural commodities market is known for its volatility and complexity, where factors such as weather conditions, global demand, government policies, and geopolitical events significantly influence experts decisions and prices in the markets. In recent years, there has been a growing interest in machine learning applications in agribusiness, aiming to minimize the challenges posed by the chaotic and complex landscape of the financial market. These applications explore technological advances to improve price and trend forecasting, providing strategic insights to domain experts. Recently, studies have been developed using natural language processing techniques and time series data in various fusion strategies, generating alternative multimodal representations for prediction models. Integrating data from multiple sources aims to provide forecasts considering factors not explicitly present in time series data. However, proposing multimodal models and representations is challenging due to the temporal alignment between text data and time series. Additionally, the availability of labeled documents for the agribusiness domain is scarce, making the direct application of multimodal models difficult. Given this scenario, this thesis aims to develop and evaluate time series representations integrated with semantic text representations, exploring innovative approaches to enhance time series predictions enriched with texts and automatic news classifications with patterns extracted from time series. The proposed approaches consider strategies that can be applied in real market scenarios. The results demonstrate that the proposed approaches can be an alternative to improve forecast accuracy in complex and volatile markets, offering an innovative perspective on integrating textual data and time series in the context of agribusiness.