선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 볼 수 있듯이 성능이 전반적으로 좋아진다. 따라서 본 연구에서는 오차가 큰 샘플을 일부 제거하고 성능을 분석하였다.
- 본 연구에서는 스마트 돈사에서 수집된 환경데이터와 개체생체데이터를 이용하여 환경데이터와 일당증체의 연관성모델을 구축하고 Weka를 이용하여 개발된 연관성모델의 성능을 분석하였다. 이를 위해서 기계학습의 M5P tree 알고리즘을 적용하였다.
제안 방법
- 특히 미국이나 유럽 등 축산선 진국에는 많은 농장에 이미 적용되어있다. IoT기술을 이용하여 데이터를 수집하면서 자동으로 많은 양의 데이터(빅 데이터)를 수집 할 수 있게 되었고, 자연히 이러한 빅 데이터를 활용한 기계학습 분석으로 이어졌다.
- 하지만 실제 양돈농가에서는 일당증체가 돼지의 생산성을 나타내므로 일당증체의 분석이 중요하다. 따라서 본 연구에서는 기계학습기법인 의사결정트리(Decision Tree)를 이용하여 돈사 환경데이터와 일당 증체간의 연관성모델을 개발하고 예측 정확도를 분석한다. 본 논문의 2장은 데이터 수집방법을 설명하고 3장에서는 적용 알고리즘을 알아보고 연구 방법을 자세히 제시하고, 4장에서는 비교 분석된 결과를 알아본다.
- 이를 위해서 기계학습의 M5P tree 알고리즘을 적용하였다. 또한 환경데이터를 속성으로 설정하고 개체생체데이터를 클래스로 설정해서 분류했다. 성능분석을 통해 큰 오차를 보이는 샘플을 제거하여 최대 10%의 상대오차수치를 보이는 것을 확인했다.
- 본 결과에서도 오차를 제거하면 성능이 좋아지는 것을 확인할 수 있고 본 논문에는 나타내지는 않았지만 클래스에 최대풍속과 평균 풍속의 영향이 크고 16개의 leaf node를 가지는 모델트리를 구성하였다.
- 본 논문에서는 의사결정트리를 적용하여 데이터를 분석했다. 의사결정트리는 결과를 쉽게 이해할 수 있고 다양한 데이터에 적용할 수 있으며 데이터의 분류에 많이 사용된다.
- 값이 0에 가까울수록 좋다. 본 연구에서는 Correlation Coefficient, Mean Absolute Error, Root Mean Square Error, Relative Absolute Error, Root Relative Squared Error 그리고 사용한 샘플 개수를 비교하였다[10].
- 본 연구에서는 똑같은 속성데이터 조건으로 일당증체와 두 가지 Threshold기반을 모두 분석하였다.
- 스마트 돈사에서는 센서 네트워크를 이용하여 많은 양의 데이터가 수집된다. 본 연구에서는 효율적인 데이터 수집을 위하여 돈사에 다양한 센서를 설치했다. 그림 1은 실제 설치된 센서장비를 보여준다.
- 본 장에서는 클래스의 일당증체와 Threshold를 이용한 일당증체간의 비교 분석을 하고 마지막으로 각각 Threshold의 모든 샘플을 이용한 성능과 에러 분석을 통한 오차를 제거하여 나온 성능을 비교한다.
- 본 논문에서는 육성돈을 바탕으로 2015년 4월 16일부터 2015년 7월 12일까지의 날짜별 기간 동안 실험돈사 환경데이터와 3개체의 생체데이터(몸무게)를 수집하고 종합한 264샘플을 사용했다. 실험돈사에서 수집된 환경데이터와 생체데이터의 연관성을 찾기 위해 각 개체의 일당증체를 기준으로 영향을 끼치는 환경데이터와 개체데이터의 몸무게를 속성으로 설정했다. 사용된 환경데이터는 최고온도, 최소온도, 평균온도, 최고습도, 최소습도, 평균습도, 최고CO2발생량, 최소CO2발생량, 평균CO2발생량, 최대풍속, 최소풍속, 평균풍속이며 Threshold는 클래스를 나타낸다.
- 사용된 환경데이터는 최고온도, 최소온도, 평균온도, 최고습도, 최소습도, 평균습도, 최고CO2발생량, 최소CO2발생량, 평균CO2발생량, 최대풍속, 최소풍속, 평균풍속이며 Threshold는 클래스를 나타낸다. 첫 번째 Threshold는 일당증체가 0.6kg이하는 0(저성장)으로 0.7kg이상이면 1(고성장)로 설정했다. 두 번째는 0.
대상 데이터
- 본 논문에서는 육성돈을 바탕으로 2015년 4월 16일부터 2015년 7월 12일까지의 날짜별 기간 동안 실험돈사 환경데이터와 3개체의 생체데이터(몸무게)를 수집하고 종합한 264샘플을 사용했다. 실험돈사에서 수집된 환경데이터와 생체데이터의 연관성을 찾기 위해 각 개체의 일당증체를 기준으로 영향을 끼치는 환경데이터와 개체데이터의 몸무게를 속성으로 설정했다.
- 실험돈사에서 수집된 환경데이터와 생체데이터의 연관성을 찾기 위해 각 개체의 일당증체를 기준으로 영향을 끼치는 환경데이터와 개체데이터의 몸무게를 속성으로 설정했다. 사용된 환경데이터는 최고온도, 최소온도, 평균온도, 최고습도, 최소습도, 평균습도, 최고CO2발생량, 최소CO2발생량, 평균CO2발생량, 최대풍속, 최소풍속, 평균풍속이며 Threshold는 클래스를 나타낸다. 첫 번째 Threshold는 일당증체가 0.
- 그림 1은 실제 설치된 센서장비를 보여준다. 설치 후 하루 동안 장치가 설치된 스마트 돈사의 환경과 개체의 변화를 일정한 주기로 측정하여 데이터를 수집하였다.
- 표 5는 조건에 따른 0, 1, 2 클래스로 설정하여 큰 오차를 하나씩 제거해서 나온 성능 분석 수치이다. 전반적인 성능의 상승폭이 작으나 이전 결과에 비해 더 많은 샘플을 사용했다. 본 결과에서도 오차를 제거하면 성능이 좋아지는 것을 확인할 수 있고 본 논문에는 나타내지는 않았지만 클래스에 최대풍속과 평균 풍속의 영향이 크고 16개의 leaf node를 가지는 모델트리를 구성하였다.
데이터처리
- 마지막으로, MAE와 RMSE를 이용하여 각각의 값과 평균을 계산하여 예측한 수치와의 비율을 나타내는 각각의 Relative Absolute Error와 Root Relative Squared Error를 나타낸다. 값이 0에 가까울수록 좋다.
- 다음으로는 전체 데이터에서 오차분석을 한다. 본 논문에선 Correlation Coefficient, MAE, RMSE를 이용하여 성능지표로 사용하였다. Correlation Coefficient는 예상한 값과 실제 수치와의 연관성을 나타내는 값이다.
이론/모형
- 기계학습 알고리즘을 적용하기 위해서 Waikito대학에서 Java를 기반으로 하여 개발한 Weka 기계학습 툴을 사용한다. 본 논문에서는 Weka툴에 의사결정트리의 M5P tree를 적용한다.
- 단계는 뿌리노드(Root Node), 잎 노드(Leaf Node), 내부 노드(Internal Node)3가지로 나뉜다. 데이터를 분류할때 엔트로피(Entropy)공식을 사용하여 각 노드로 분류한다[9]. 엔트로피 공식은 다음과 같다.
- 두 번째, MAE(Mean Absolute Error)는 예상 값 (PYj)과 실제 값(Yj)을 빼고 절대 값으로 만들어서 평균을 구하는 계산 방식을 사용한다. 예측이 정확할수록 값이 0에 가까워진다[10].
- 기계학습 알고리즘을 적용하기 위해서 Waikito대학에서 Java를 기반으로 하여 개발한 Weka 기계학습 툴을 사용한다. 본 논문에서는 Weka툴에 의사결정트리의 M5P tree를 적용한다. M5P tree는 데이터 샘플의 엔트로피를 사용하여 회귀트리를 구성한다.
- 본 연구에서는 스마트 돈사에서 수집된 환경데이터와 개체생체데이터를 이용하여 환경데이터와 일당증체의 연관성모델을 구축하고 Weka를 이용하여 개발된 연관성모델의 성능을 분석하였다. 이를 위해서 기계학습의 M5P tree 알고리즘을 적용하였다. 또한 환경데이터를 속성으로 설정하고 개체생체데이터를 클래스로 설정해서 분류했다.
성능/효과
- 성능분석을 통해 큰 오차를 보이는 샘플을 제거하여 최대 10%의 상대오차수치를 보이는 것을 확인했다. 또한 돈사의 최대풍속이 개체의 일당증체의 큰 영향을 주는 요소임을 확인하였고 이러한 정보는 스마트돈사구축에 유용하게 활용 할 수 있다. 다만 현재 분석한 데이터의 경우 데이터양이 적고 일부 측정 오차가 존재하여 예측정확도가 매우 높지는 않다.
- 또한 환경데이터를 속성으로 설정하고 개체생체데이터를 클래스로 설정해서 분류했다. 성능분석을 통해 큰 오차를 보이는 샘플을 제거하여 최대 10%의 상대오차수치를 보이는 것을 확인했다. 또한 돈사의 최대풍속이 개체의 일당증체의 큰 영향을 주는 요소임을 확인하였고 이러한 정보는 스마트돈사구축에 유용하게 활용 할 수 있다.
- 그림 5는 X축을 최대풍속(범위 : 최솟값, 최댓값), Y축을 평균풍속(범위 : 최솟값, 최댓값)으로 하며, Z축은 예측된 일당증체 보여주는 그래프이다. 최대풍속이 낮고 평균풍속이 올라갈수록 개체가 고성장하는 것을 확인할 수 있다.
후속연구
- 다만 현재 분석한 데이터의 경우 데이터양이 적고 일부 측정 오차가 존재하여 예측정확도가 매우 높지는 않다. 따라서 현재 더 정확하고 더 많은 환경 및 생체데이터를 수집하여 분석하는 후속연구를 진행 중에 있다. 이를 통해 연관성모델의 정확도를 향상시킬 수 있을 것이고, 또한 더 정확한 개체성장 예측 및 정밀한 돈사제어가 가능할 것이다.
- 따라서 현재 더 정확하고 더 많은 환경 및 생체데이터를 수집하여 분석하는 후속연구를 진행 중에 있다. 이를 통해 연관성모델의 정확도를 향상시킬 수 있을 것이고, 또한 더 정확한 개체성장 예측 및 정밀한 돈사제어가 가능할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.