• 지능정보연구
• /
• 제28권1호
• /
• pp.69-88
• /
• 2022

최근 코로나19 팬데믹으로 인해 전 세계 경제와 외교 상황에 급격한 변화가 일어나고 있으며, 수출 의존도가 높은 한국은 이러한 변화에 큰 영향을 받고 있다. 본 연구에서는 기업의 수출전략 수립 및 의사결정 지원을 위해 차년도 수출액 예측 모델을 구축하고, 모델의 예측 결과를 바탕으로 수출 유망국가 추천 방식을 제안한다. 본 연구에서는 모델이 다양한 정보를 학습할 수 있도록 국가별, 품목별, 거시경제 변수 등 선행 연구에서 중요하게 사용된 변수를 다방면으로 수집하였다. 수집한 데이터를 분석한 결과, 국가와 품목에 따라서 수출액의 분포가 매우 비대칭적인 것을 확인할 수 있었다. 따라서, 모델의 예측 성능을 향상시키고 설명력을 확보하기 위해서 분리학습 방식을 사용하였다. 분리학습은 전체 데이터를 동질적인 하위 그룹으로 분리하고 개별 모델을 구축하는 방식으로, 본 연구에서는 수출액을 기준으로 5개 구간으로 데이터를 분리하였다. 모델 학습 과정에서 구간별 특성을 반영하여 구간1부터 구간4까지는 LightGBM을 사용하고, 구간5는 지수이동평균을 사용하였으며 이를 통해 모델의 예측 성능을 향상시킬 수 있었다. 모델의 설명력 확보를 위해서 추가로 구간별 모델의 SHAP-value를 계산하고 중요도가 높은 변수를 제시했다. 또한, 본 연구에서는 예측 모델을 기반으로 2단계 수출 유망국가 추천 방식을 제안했다. 효율적인 수출 전략 수립을 위해서 BCG 매트릭스와 국가별 점수 산출 방식을 사용하였고, 품목별 유망 국가 순위와 수출 관련 주요 정보들을 제공하였다. 본 연구는 다양한 정보를 학습한 머신러닝 모델로 여러 국가와 품목에 대한 예측을 실시하고, 이 과정에서 분리학습 방식으로 예측 성능을 향상시켰다는 점에서 의의가 있다. 또한, 현재 무역 관련 서비스들이 과거 데이터에 기반한 정보를 제공하고 있음을 고려할 때, 본 연구에서 제안한 예측 모델과 유망국가 추천 방식은 기업들의 미래 수출 전략 수립 및 동향 파악에 유용하게 사용될 수 있을 것으로 기대된다.

• Asian-Australasian Journal of Animal Sciences
• /
• 제33권10호
• /
• pp.1544-1557
• /
• 2020

Objective: Genomic selection (GS) is becoming popular in animals' genetic development. We, therefore, investigated the single-step genomic best linear unbiased prediction (ssGBLUP) as tool for GS, and compared its efficacy with the traditional pedigree BLUP (pedBLUP) method. Methods: A total of 9,952 males born between 1997 and 2018 under Hanwoo proven-bull selection program was studied. We analyzed body weight at 12 months and carcass weight (kg), backfat thickness, eye muscle area, and marbling score traits. About 7,387 bulls were genotyped using Illumina 50K BeadChip Arrays. Multiple-trait animal model analyses were performed using BLUPF90 software programs. Breeding value accuracy was calculated using two methods: i) Pearson's correlation of genomic estimated breeding value (GEBV) with EBV of all animals (r_M1) and ii) correlation using inverse of coefficient matrix from the mixed-model equations (r_M2). Then, we compared these accuracies by overall population, info-type (PHEN, phenotyped-only; GEN, genotyped-only; and PH+GEN, phenotyped and genotyped), and bull-types (YBULL, young male calves; CBULL, young candidate bulls; and PBULL, proven bulls). Results: The r_M1 estimates in the study were between 0.90 and 0.96 among five traits. The r_M1 estimates varied slightly by population and info-type, but noticeably by bull-type for traits. Generally average r_M2 estimates were much smaller than r_M1 (pedBLUP, 0.40 to0.44; ssGBLUP, 0.41 to 0.45) at population level. However, r_M2 from both BLUP models varied noticeably across info-types and bull-types. The ssGBLUP estimates of r_M2 in PHEN, GEN, and PH+ GEN ranged between 0.51 and 0.63, 0.66 and 0.70, and 0.68 and 0.73, respectively. In YBULL, CBULL, and PBULL, the r_M2 estimates ranged between 0.54 and 0.57, 0.55 and 0.62, and 0.70 and 0.74, respectively. The pedBLUP based r_M2 estimates were also relatively lower than ssGBLUP estimates. At the population level, we found an increase in accuracy by 2.0% to 4.5% among traits. Traits in PHEN were least influenced by ssGBLUP (0% to 2.0%), whereas the highest positive changes were in GEN (8.1% to 10.7%). PH+GEN also showed 6.5% to 8.5% increase in accuracy by ssGBLUP. However, the highest improvements were found in bull-types (YBULL, 21% to 35.7%; CBULL, 3.3% to 9.3%; PBULL, 2.8% to 6.1%). Conclusion: A noticeable improvement by ssGBLUP was observed in this study. Findings of differential responses to ssGBLUP by various bulls could assist in better selection decision making as well. We, therefore, suggest that ssGBLUP could be used for GS in Hanwoo proven-bull evaluation program.