The Journal of the Korea Contents Association (한국콘텐츠학회논문지)

The Korea Contents Association (한국콘텐츠학회)
권호 표지
DOI QR코드

DOI QR Code

A Prediction Model for Agricultural Products Price with LSTM Network

LSTM 네트워크를 활용한 농산물 가격 예측 모델

  • 신성호 (한국과학기술정보연구원 연구데이터플랫폼센터) ;
  • 이미경 (한국과학기술정보연구원 연구데이터플랫폼센터) ;
  • 송사광 (한국과학기술정보연구원 연구데이터플랫폼센터/과학기술연합대학원대학교 빅데이터과학과)
  • Received : 2018.10.24
  • Accepted : 2018.11.09
  • Published : 2018.11.28
Download PDF
⟨ Previous Next ⟩

Abstract

Typhoons and floods are natural disasters that occur frequently, and the damage resulting from these disasters must be in advance predicted to establish appropriate responses. Direct damages such as building collapse, human casualties, and loss of farms and fields have more attention from people than indirect damages such as increase of consumer prices. But indirect damages also need to be considered for living. The agricultural products are typical consumer items affected by typhoons and floods. Sudden, powerful typhoons are mostly accompanied by heavy rains and damage agricultural products; this increases the retail price of such products. This study analyzes the influence of natural disasters on the price of agricultural products by using a deep learning algorithm. We decided rice, onion, green onion, spinach, and zucchini as target agricultural products, and used data on variables that influence the price of agricultural products to create a model that predicts the price of agricultural products. The result shows that the model's accuracy was about 0.069 measured by RMSE, which means that it could explain the changes in agricultural product prices. The accurate prediction on the price of agricultural products can be utilized by the government to respond natural disasters by controling amount of supplying agricultural products.

태풍, 홍수는 우리에게 빈번하게 닥치는 자연 재해이며, 이와 같은 자연 재해로부터 오는 피해는 사전에 예측되어 대응책이 마련될 필요가 있다. 자연 재해로부터 야기되는 피해에는 건물의 붕괴, 인명 피해, 논/밭의 유실 등 주로 직접적인 피해가 많지만, 소비자 물가 상승과 같은 간접적인 영향에도 관심을 가져야 한다. 태풍, 홍수의 피해로부터 영향을 받는 대표적인 소비재 상품은 농산물이다. 갑작스럽고 강력한 태풍은 많은 비를 동반하면서 농작물에 피해를 주고, 농산물의 가격을 상승시킨다. 본 연구에서는 딥러닝 알고리즘을 활용하여 태풍과 같은 자연 재해가 농산물 가격에 미치는 영향을 예측한다. 우리는 데이터 확보가 가능한 쌀, 양파, 대파, 애호박, 시금치 등을 가격 예측 대상으로 했고, 농산물 가격에 영향을 미치는 변수 데이터들로 학습 모델을 만들고, 그 학습 모델이 농산물 가격을 예측하는 연구를 진행하였다. 연구 결과, 모델에 의한 예측 가격과 실제 가격의 차이를 나타내는 RMSE가 0.069 수준이며, 농산물 가격을 비교적 잘 설명하는 것으로 해석된다. 정확한 농산물 가격 예측은 정부의 농산물 공급 규모 조절 등 자연 재해 대응을 위한 정부의 노력에 활용될 수 있을 것이다.

Keywords

CCTHCV_2018_v18n11_416_f0001.png 이미지

그림 1. 활용된 LSTM 네트워크 구조

CCTHCV_2018_v18n11_416_f0002.png 이미지

그림 2. 학습 데이터 구조

표 1. 농산물 가격 예측 관련 변수

CCTHCV_2018_v18n11_416_t0001.png 이미지

표 2. 농산물 가격 예측을 위한 변수

CCTHCV_2018_v18n11_416_t0002.png 이미지

표 3. 학습 데이터 출처

CCTHCV_2018_v18n11_416_t0003.png 이미지

표 4. 학습 데이터

CCTHCV_2018_v18n11_416_t0004.png 이미지

표 5. 초기 수집 데이터

CCTHCV_2018_v18n11_416_t0005.png 이미지

표 6. 전처리 후 데이터

CCTHCV_2018_v18n11_416_t0006.png 이미지

표 7. 학습/테스트 데이터셋 건수

CCTHCV_2018_v18n11_416_t0007.png 이미지

표 8. hyper-parameters 값

CCTHCV_2018_v18n11_416_t0008.png 이미지

표 9. 도시별/농산물별 가격 예측 정확도

CCTHCV_2018_v18n11_416_t0009.png 이미지

References

  1. M. Fafchamps and B. Minten, "Impact of SMS -Based Agricultural Information on Indian Farmers," In the World Bank Economic Review, Vol. 26, Iss.3, pp. 383-414, 2012. https://doi.org/10.1093/wber/lhr056
  2. A. M. Rather, A. Agarwala, and V. N. Sastryb, "Recurrent Neural Network and a Hybrid Model for Prediction of Stock Returns," In Expert Systems with Applications, Vol. 42, pp. 3234-3241, 2015. https://doi.org/10.1016/j.eswa.2014.12.003
  3. H. Chiroma, S. Abdulkareem, and T. Herawan, "Evolutionary Neural Network Model for West Texas Intermediate Crude Oil Price Prediction," In Applied Energy, Vol. 142, pp. 266-273, 2015. https://doi.org/10.1016/j.apenergy.2014.12.045
  4. J. H. Zhang, F. T. Kong, J. Z. Wu, M. S. Zhu, K. Xu, and J. J. Liu, "Tomato Prices Time Series Prediction Model Based on Wavelet Neural Network," In Applied Mechanics & Materials, Vol. 644-650, pp. 2636-2640, 2014. https://doi.org/10.4028/www.scientific.net/AMM.644-650.2636
  5. C. Wang, A. Zhao, and Y. Zhao, "Design and Implementation of Agricultural Product Prices Short-Term Forecasting System," Proceedings of 2013 World Agricultural Outlook Conference, pp. 15-27, 2013.
  6. 임지연, 시계열 모형을 이용한 중기 농산물가격 예측 분석 : 백다다기오이와 애호박을 중심으로, 중앙대학교, 석사학위논문, 2015.
  7. 남국현, "양파 출하시기 도매가격 예측모형 연구," 농촌지도와 개발, 제22권, 제4호, pp. 423-434, 2015.
  8. 배경태, 인공신경망 기법을 이용한 최적의 농산물 가격 예측모델 개발, 숭실대학교, 석사학위논문, 2017.
  9. P. Vincent, H. Larochelle, I. Lajoie, Y. Bengio, and P. Manzagol, "Stacked Denoising Autoencoders : Learning Useful Representations in a Deep Network with a Local Denoising Criterion," In Journal of Machine Learning Research, Vol. 11, pp. 3371-3408, 2010.
  10. G. E. Hinton, S. Osindero, and Y. Teh, "A Fast Learning Algorithm for Deep Belief Nets," In Neural computation, Vol. 18, No. 7, pp. 1527-1554, 2006. https://doi.org/10.1162/neco.2006.18.7.1527
  11. T. Mikolov, S. Kombrink, and L. Burget, "Extensions of Recurrent Neural Network Language Model," Proceedings of 2011 IEEE International Conference on Acoustics, Speech and Signal Processing, pp. 5528-5531, 2011.
  12. E. Shelhamer, J. Long, and T. Darrell, "Fully Convolutional Networks for Semantic Segmentation," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 39, No. 4, 2017.
  13. F. A. Gers, J. A. Schmidhuber, and F. A. Cummins, "Learning to Forget : Continual Prediction with LSTM," In Neural Computation, Vol. 12, No. 10, pp. 2451-2471, 2000. https://doi.org/10.1162/089976600300015015
  14. J. Chung, C. Gulcehre, K. Cho, and Y. Bengio, "Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling," arXiv : 1412.3555, 2014.
  15. A. Graves, N. Jaitly, and A. Mohamed, "Hybrid Speech Recognition with Deep Bidirectional LSTM," In Automatic Speech Recognition and Understanding, pp. 273-278, 2013.
  16. A. Kumar, O. Irsoy, P. Ondruska, M. Iyyer, J. Bradbury, I. Gulrajani, V. Zhong, R. Paulus, and R. Socher, "Ask Me Anything : Dynamic Memory Networks for Natural Language Processing," 2015. http://arxiv.org/abs/1506.07285