[논문]농산물 AI 가격 예측을 통한 전자거래 비즈니스 모델 설계

한남규; 김봉현

doi:10.15207/jkcs.2021.12.12.083

농산물 AI 가격 예측을 통한 전자거래 비즈니스 모델 설계
Design of e-commerce business model through AI price prediction of agricultural products 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.12 no.12, 2021년, pp.83 - 91

한남규 (워싱턴주립대학교 컴퓨터과학과) , 김봉현 (서원대학교 컴퓨터공학과)

초록
AI-Helper

농산물은 기상, 기후 등의 변화로 인해 공급이 불규칙하고, 공급량이 10% 하락하면 가격이 50% 상승하는 가격 탄력성이 매우 높다. 이러한 농산물 가격의 변동으로 인해 소상인의 경매를 통해 생산자에게 대금의 안전성을 보장하고 있다. 그러나, 과잉생산으로 가격이 폭락할 경우, 생산자에 대한 보호 조치는 미비한 실정이다. 따라서, 본 논문에서는 농산물에 대한 가격을 인공지능 알고리즘으로 예측하여 전자거래 시스템에 활용할 수 있는 비즈니스 모델을 설계하였다. 이를 위해, 학습 패턴 쌍으로 모델을 학습시키고, ARIMA, SARIMA, RNN, CNN을 적용하여 예측 모델을 설계하였다. 최종적으로, 농산물 예측가격 데이터를 단기예측과 중기예측으로 분류하여 검증하였다. 검증 결과, 2018년 데이터를 기반으로 실제 가격과 예측 가격이 91.08%의 정확도를 나타냈다.

Abstract ▼ AI-Helper

For agricultural products, supply is irregular due to changes in meteorological conditions, and it has high price elasticity. For example, if the supply decreases by 10%, the price increases by 50%. Due to these fluctuations in the prices of agricultural products, the Korean government guarantees the safety of prices to producers through small merchants' auctions. However, when prices plummet due to overproduction, protection measures for producers are insufficient. Therefore, in this paper, we designed a business model that can be used in the electronic transaction system by predicting the price of agricultural products with an artificial intelligence algorithm. To this end, the trained model with the training pattern pairs and a predictive model was designed by applying ARIMA, SARIMA, RNN, and CNN. Finally, the agricultural product forecast price data was classified into short-term forecast and medium-term forecast and verified. As a result of verification, based on 2018 data, the actual price and predicted price showed an accuracy of 91.08%.

주제어

표/그림 (7)

그림 Fig. 1. Changes in the agricultural food distribution environment and challenges
그림 Fig. 2. Interaction between agent and environment
그림 Fig. 3. AI algorithm applied price comparison business model
그림 Fig. 4. Data application steps
그림 Fig. 5. Data preprocessing steps
그림 Fig. 6. AI analytic model-applied price prediction business model
그림 Fig. 7. Agricultural price AI prediction model

참고문헌 (16)

K. Suh, J. J. Lee, T. G. Kim & H. J. Yi. (2005). System Simulation of Agricultural Marketing Based on GASS. Journal of The Korean Society of Agricultural Engineers, 47(4), 3-12.

원문보기 상세보기
W. M. Gal, K. T. Kwon, W. S. Lee, E. M. Choi, L. S. Kwon, S. H. Seong & W. T. Kwon. (2018). A Study on Improvement of Distribution Facility in Wholesale Agricultural Products Market. Journal of Distribution Science, 16(2), 53-65.

원문보기 상세보기
S. J. Hong & Y. J. Cho. (2014). Prediction Methodology of Damage to Traditional Market from Opening Large-Scale Retailer. Korea Real Estate Academy, 58(August), 45-59.
H. M. Jang, S. S. Choi & J. H. Ha. (2016). Comparison of single-stage thermophilic and mesophilic anaerobic sewage sludge digestion, Applied Chemistry for Engineering, 27(5), 532-536.

원문보기 상세보기
H. O. Kim, I. G. Lee & S. K. Kwon. (2010). Study on Odorants from Two-Phase Anaerobic Digestion System, Journal of the Korean Society for Environmental Analysis, 13(2), 40-44.
J. H. Nam, S. W. Kim & D. H. Lee. (2012). Microbial Diversity in Three-Stage Methane Production Process Using Food Waste. Korean Journal of Microbiology, 48(2), 125-133.

원문보기 상세보기
Y. H. Choe. (2020). A study on how to maintain the freshness of agricultural products distribution. The Journal of the Convergence on Culture Technology, 6(3), 377-380.

원문보기 상세보기
K. H. Lee, Y. J. Yoon, H. W. Kwon, B. Lee & H. G. Kim. (2018). Quality changes of chicken breast meat by slow-released CIO2 gas gel-pack during storage. Korean Food Nutr, 31, 127-134.
R. Vafashoar & M. R. Meybodi. (2019). Reinforcement learning in learning automata and cellular learning automata via multiple reinforcement signals. Knowledge-Based Systems, 169(1), 1-27.

상세보기
K. G. Vamvoudakis, Y. Wan & F. L. Lewis. (2019). Workshop on Distributed Reinforcement Learning and Reinforcement-Learning Games. IEEE Control Systems, 39(6), 122-124.

상세보기
K. T. Aung & T. Fuchida. (2012). A comparison of learning performance in two-dimensional Q-learning by the difference of Q-values alignment. Artificial Life and Robotics, 16(4), 473-477.

상세보기
Y. H. Wang, T. H. S. Li & C. J. Lin. (2013). Backward Q-learning: The combination of Sarsa algorithm and Q-learning. Engineering Applications of Artificial Intelligence, 26(9), 2184-2193.

상세보기
K. H. Kwon & H. B. Lee. (2018). Multi Behavior Learning of Lamp Robot based on Q-learning. Journal of Digital Contents Society, 19(1), 35-41.

원문보기 상세보기
Liu, Jun. Zhang, Tong. Han, Guangjie & Gou, Yu. (2018). TD-LSTM: Temporal Dependence-Based LSTM Networks for Marine Temperature Prediction. Sensors (Basel, Switzerland), 18(11), 3797.

상세보기
S. H. Shin, M. K. Lee & S. K. Song. (2018). A Prediction Model for Agricultural Products Price with LSTM Network. The Journal of the Korea Contents Association, 18(11), 416-429.

원문보기 상세보기
A. Galanis, L. A. Goldberg & K. Yang. (2021). Approximating partition functions of bounded-degree Boolean counting Constraint Satisfaction Problems. Journal of computer and system sciences, 115, 187-213.

상세보기

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증