[논문]딥러닝 기반의 기상정보를 반영한 배추 가격 예측

채명수; 정성관

문제 정의

본 연구에서는 농산물 가격 변동이 매우 큰 배추를 대상으로 기상정보를 반영한 순환 뉴럴 네트워크 기반의 가격 예측모형을 수립하여 기존연구 대비 성능의 우수성을 검증하였다. 그 결과, 순환 뉴럴 네트워크 기반의 가격 예측모형이 기존의 다중 뉴럴 네트워크 기반의 가격 예측모형 대비 매우 뛰어난 예측성능을 보이는 것을 확인하였다.
본 연구에서는 이러한 가격변동에 대해 정확한 예측을 하기 위한 예측모형을 제안하였다. 특히, 야외의 노지에서 재배되는 채소류의 경우 기상상황에 따른 생산량의 변동이 심하기 때문에 기상정보를 함께 고려한 농산물 가격 예측모형을 제안하였다.

제안 방법

다양한 연구가 있지만, 기존 연구에서는 가격변동성이 높은 것으로 확인된 배추의 가격 예측 모형에 대한 연구가 부족한 실정이고 최근 예측 및 분류문제에 우수한 성능을 보여 각광받는 딥 러닝 기법을 적용한 연구가 부족하다. 그리하여 본 연구에서는 배추 가격의 예측모형을 딥 러닝 기법 중 시계열 예측에 적합한 순환 뉴럴 네트워크(recurrent neural network: RNN)를 적용하여 수립하고 실험을 통해 그 성능을 검증하였다.
순환 뉴럴 네트워크 등장 이후에 그래디언트 소실 문제(gradient vanishing problem)를 해결한 LSTM(long-shrot term memory)와 GRU(gated recurrent unit) 등이 개발되었으나 본 연구에서는 뉴럴 네트워크의 입출력에 순서를 반영하는 시도 측면에서 순환 뉴럴 네트워크를 적용하였다.
순환 뉴럴 네트워크 수립에 필요한 매개변수인 학습율(learning rate)과 은닉층의 수, 그리고 에폭(epoch)의 수는 실험적으로 결정하였다.
특히, 야외의 노지에서 재배되는 채소류의 경우 기상상황에 따른 생산량의 변동이 심하기 때문에 기상정보를 함께 고려한 농산물 가격 예측모형을 제안하였다. 특히, 기상정보의 영향을 강하게 받는 것으로 기존 연구[5]에서 확인된 배추의 가격 예측모형을 수립하여 그 성능을 기존 예측모형과 비교하여 우수성을 검증하였다. 예측모형은 최근 예측 및 분류문제에서 우수한 성능을 보여 각광받는 기계학습(machine learning) 기법인 딥 러닝(deep learning)을 적용하였다.
본 연구에서는 이러한 가격변동에 대해 정확한 예측을 하기 위한 예측모형을 제안하였다. 특히, 야외의 노지에서 재배되는 채소류의 경우 기상상황에 따른 생산량의 변동이 심하기 때문에 기상정보를 함께 고려한 농산물 가격 예측모형을 제안하였다. 특히, 기상정보의 영향을 강하게 받는 것으로 기존 연구[5]에서 확인된 배추의 가격 예측모형을 수립하여 그 성능을 기존 예측모형과 비교하여 우수성을 검증하였다.

대상 데이터

본 연구에서는 한국농수산식품유통공사에서 제공하는 농산물 유통정보 서비스에서 배추가격 데이터를 수집하였다. 수집기간은 1996년 1월부터 2016년 말까지이고, 수집지역은 서울지역이며, 수집 데이터는 도매시장의 월초, 월중, 월말 평균가격이다.
본 연구에서는 한국농수산식품유통공사에서 제공하는 농산물 유통정보 서비스에서 배추가격 데이터를 수집하였다. 수집기간은 1996년 1월부터 2016년 말까지이고, 수집지역은 서울지역이며, 수집 데이터는 도매시장의 월초, 월중, 월말 평균가격이다. 예측모형에 함께 고려한 기상정보는 기상청 국가기후데이터센터에서 수집하였으며 기존연구에서 배추의 가격에 영향력이 큰 기온과 강수량 정보를 활용하였다.
수집기간은 1996년 1월부터 2016년 말까지이고, 수집지역은 서울지역이며, 수집 데이터는 도매시장의 월초, 월중, 월말 평균가격이다. 예측모형에 함께 고려한 기상정보는 기상청 국가기후데이터센터에서 수집하였으며 기존연구에서 배추의 가격에 영향력이 큰 기온과 강수량 정보를 활용하였다.

데이터처리

예측모형의 학습 및 검증은 k-겹 교차검증(k-fold cross validation) 기법으로 하였고, 학습은 21기간 중 20기간으로, 검증은 나머지 1기간으로 진행하였다. k-겹 교차검증을 적용하여 학습 데이터에의 과적합(overfitting) 문제를 피하였다.
예측모형의 성능지표로는 시계열 예측에 보편적으로 사용되는 평균제곱근오차(root mean square error: RMSE)를 사용하였고, 실험 성능의 우수성을 검증하기 위해 다중 뉴럴 네트워크를 적용했던 기존 연구[9]와 예측 성능을 비교하였다. 표 1을 통해 RMSE 기준으로 순환 뉴럴 네트워크가 기존의 다중 뉴럴 네트워크보다 훨씬 우수한 성능을 보이는 것을 알 수 있다.

이론/모형

본 연구에서는 배추 가격 예측모형 수립에 순환 뉴럴 네트워크 기법을 적용하였다. 이 기법은 기계학습 기법들 중 뉴럴 네트워크 기법의 한 갈래이다.
특히, 기상정보의 영향을 강하게 받는 것으로 기존 연구[5]에서 확인된 배추의 가격 예측모형을 수립하여 그 성능을 기존 예측모형과 비교하여 우수성을 검증하였다. 예측모형은 최근 예측 및 분류문제에서 우수한 성능을 보여 각광받는 기계학습(machine learning) 기법인 딥 러닝(deep learning)을 적용하였다.
예측모형의 학습 및 검증은 k-겹 교차검증(k-fold cross validation) 기법으로 하였고, 학습은 21기간 중 20기간으로, 검증은 나머지 1기간으로 진행하였다. k-겹 교차검증을 적용하여 학습 데이터에의 과적합(overfitting) 문제를 피하였다.

성능/효과

본 연구에서는 농산물 가격 변동이 매우 큰 배추를 대상으로 기상정보를 반영한 순환 뉴럴 네트워크 기반의 가격 예측모형을 수립하여 기존연구 대비 성능의 우수성을 검증하였다. 그 결과, 순환 뉴럴 네트워크 기반의 가격 예측모형이 기존의 다중 뉴럴 네트워크 기반의 가격 예측모형 대비 매우 뛰어난 예측성능을 보이는 것을 확인하였다. 향후에는 앞서 언급했던 LSTM과 GRU등의 적용과 함께 실험적으로 선택했던 매개변수들의 최적화에 대한 추가적인 연구가 필요하다.
예측모형의 성능지표로는 시계열 예측에 보편적으로 사용되는 평균제곱근오차(root mean square error: RMSE)를 사용하였고, 실험 성능의 우수성을 검증하기 위해 다중 뉴럴 네트워크를 적용했던 기존 연구[9]와 예측 성능을 비교하였다. 표 1을 통해 RMSE 기준으로 순환 뉴럴 네트워크가 기존의 다중 뉴럴 네트워크보다 훨씬 우수한 성능을 보이는 것을 알 수 있다. 이를 통해, 순환 뉴럴 네트워크의 시계열에서의 강점을 확인할 수 있다.

후속연구

그 결과, 순환 뉴럴 네트워크 기반의 가격 예측모형이 기존의 다중 뉴럴 네트워크 기반의 가격 예측모형 대비 매우 뛰어난 예측성능을 보이는 것을 확인하였다. 향후에는 앞서 언급했던 LSTM과 GRU등의 적용과 함께 실험적으로 선택했던 매개변수들의 최적화에 대한 추가적인 연구가 필요하다.

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

딥러닝 기반의 기상정보를 반영한 배추 가격 예측
Price Forecasting of a Chinese Cabbage with Meteorological Information using Deep Learning Technique 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

딥러닝 기반의 기상정보를 반영한 배추 가격 예측 Price Forecasting of a Chinese Cabbage with Meteorological Information using Deep Learning Technique 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

딥러닝 기반의 기상정보를 반영한 배추 가격 예측
Price Forecasting of a Chinese Cabbage with Meteorological Information using Deep Learning Technique 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper