대파 도매가격 예측모형 고도화 방안
Methods for Advancing the Wholesale Price Prediction Model for Green Onions
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
본 연구에서는 대파의 가락시장 도매가격을 이용하여 기존 시계열 모형인 ARIMA 모형, 홀트-윈터스 평활법과 대표적인 기계학습 방법인랜덤 포레스트(Random forest) 분석 기법의 가격 예측력을 비교하였다. 세 모형의 예측력을 분석한 결과는 다음과 같다. 가장 예측력이 높게나타난 모형은 3년(36개월)을 주기로 설정한 ARIMA 모형이었다. 또한 ARIMA 모형과 홀트-윈터스 평활법은 일별 데이터보다 월별 데이터를이용한 예측 결과의 정확도가 더 높아 훈련 데이터에 대한 과적합(overfitting)이 오히려 예측력을 낮추는 현상을 보였다. 반면, 랜덤 포레스트는월별 데이터 보다 일별 데이터를 사용한 모형의 예측력이 더 높았다. 이는 학습량이 많을수록 높은 예측력을 보여주는 기계학습의 특징을 보여주었다. 그러나 기계학습 방법을 활용한 가격 예측에는 가격에 영향을 주는 설명변수를 찾고, 양질의 훈련 데이터 축적이 필요하다는 것을 알 수 있었다. 향후 연구에서는 다양한 설명변수와 기계학습 및 딥러닝 기법을 적용한다면 농축산물 가격 예측력을 높이는데 도움이 될 것으로 판단된다.
Abstract
The purpose of this study is to compare the price forecasting of green onion through ARIMA, Holt-Winters, and Random forest. Afteranalyzing three forecasting models, ARIMA, consisting three year period (36months), shows the highest forecasting result. Also, ARIMAand Holt-Winters using daily data shows higher forecasting result rather than monthly data, because over-fitted from the daily data decreasethe forecasting result. On the other hand, Random forest using daily data show higher forecasting results than monthly data, meaningthat the more it learned from the data, the higher forecasting result it has. Therefore, it could be desirable to find certain variables affectingthe forecasting of machine learning, and accumulate reasonable test data. The result gives some implications that adapting the reasonablevariable to machine learning and Deep learning will be able to show higher forecasting results for other agriculture product price.
참고문헌 (14)
- Cleveland RB, "STL: A seasonal-trend decomposition procedure based on loess", J. of Official Statistics, 6, pp.3~73 (1990)
- Cowpertwait PSP, "Introductory time series with R", pp.55~63 (2009), Springer
- 하지희, "양파와 마늘가격 예측모형의 예측력 고도화 방안", 농촌계획, 25(4), pp.109~117 (2019), 한국농촌계획학회[DOI]
- Hong SM, "A study on price stabilization of domestic onion", Master, pp.2022
- James G, "An introduction to statistical learning with applications in R", pp.303~324 (2013), Springer
- 좌민혜, "다중 선형 회귀 모델을 적용한 채소 가격 예측 시스템 : 기상 변인 중심으로", 한국IT정책경영학회 논문지, 13(1), pp.2223~2228 (2021), 한국IT정책경영학회
- 김재휘, "앙상블 학습과 온도 변수를 이용한 A 호텔의 전력소모량 예측", 응용통계연구, 32(2), pp.319~330 (2019), 한국통계학회
- Kwiatkowski D, "Testing the null hypothesis of stationarity against the alternative of a unit root", J. of Econometrics, 54(1-3), pp.159~178 (1992)
- 이호민, "통계기반 트랙터 연료 소비량 예측 머신러닝 모델", 농업생명과학연구, 57(1), pp.133~142 (2023), 농업생명과학연구원
- Moritz S, "imputeTS: Time series missing value imputation in R", The R J, 9, pp.207~218 (2017)
- 오승원, "Prophet 모형을 이용한 마늘 가격의 장기 예측 및 트렌드 분석", Journal of The Korean Data Analysis Society, 22(6), pp.2325~2336 (2020), 한국자료분석학회[DOI]
- ETS, "Time series forecasting and practice: Using SAS", pp.2017, Son YS
- Yeom KS, "A study on agricultural price determination in wholesale markets using artificial intelligence:Focusing on deep learning-based time series analysis", pp.2022
- 유도일, "기상변인을 고려한 채소가격 예측모형 개발", 농업경제연구, 57(1), pp.1~24 (2016), 한국농업경제학회