설명가능한 인공지능을 활용한 컨테이너 운임 예측 모형 연구
A Study on Container Freight Forecasting Model Using eXplainable Artificial Intelligence
0
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
컨테이너 운임은 대외 수출 비중이 높은 우리나라 산업의 물류비용을 결정하는 중요한 요인 중 하나이며, 산업 및 물가에 직접적인 영향을 미치는 중요한 경제 지표 중 하나이다. COVID-19 발생 이후 강한 충격에 급격히 상승한 운임에 대해 관련 영향 요인을 파악하고, 이를 정확히 예측하는 모델의 필요성이 대두되었다. 본 연구에서는 컨테이너 운임 지수 중 하나인 SCFI에 대한 정확한 예측을 목표로 하는 딥러닝 모델 기반의 프레임워크를 제안하고, 설명할 수 있는 인공지능 방법론 중 하나인 SHAP을 이용하여 사후 분석을 수행하였다. GRU, LSTM, RNN 모형 중 GRU 모형이 가장 좋은 예측 성능을 보였으며, 1주, 4주 예측 시 90%이상의 높은 예측 정확도를 보였으나, 12주 예측 시 80%이상의 예측 정확도를 보였다. 또한 SHAP 분석을 통해 변수 별 중요도를 바탕으로 구성한 변수 조합으로 실험 시 예측 성능이 개선되는 것을 확인하였다. 이를 통해 딥러닝 방법론이 가지고 있던 고질적인 한계점인 설명력 문제를 일부 해소하고, 예측력 개선에서도 활용할 수 있을 것이라 기대된다.
Abstract
Container freight rates play a crucial role in determining logistics costs for maritime industries that heavily rely on exports. Furthermore, these rates serve as important economic indicators that directly impact industry and pricing. The outbreak of COVID-19 has resulted in a sharp increase in freight rates, highlighting the need for a model that accurately predicts and identifies relevant influencing factors. In this study, we propose a deep learning-based framework that accurately predicts the SCFI container freight index. Moreover, our approach employs SHAP, an eXplainable artificial intelligence methodology, to offer multiple interpretations of prediction results and provide features insights and explanations. By providing stakeholders with accurate predictive models and explanatory power, our framework enables them to make informed decisions and develop relevant supporting policies.
참고문헌 (27)
- 김경환, "순환신경망을 활용한 벙커유가 예측에 관한 연구", 한국컴퓨터정보학회논문지, 26(10), pp.179~184 (2021), 한국컴퓨터정보학회[DOI]
- 김도희, "딥러닝을 활용한 건화물선 운임 지수 예측", 대한산업공학회지, 45(2), pp.111~116 (2019), 대한산업공학회[DOI]
- 김도연, "XAI기반 악성코드 그룹분류 결과 해석 연구", 정보보호학회논문지, 31(4), pp.559~571 (2021), 한국정보보호학회[DOI]
- 김치열, "A Comparison Study of Forecasting Performance of Time-Series Models for Container Freight Rates", 국제상학, 32(4), pp.415~428 (2017), 한국국제상학회
- 신승환, "10여년 만의 호황, 2021년 컨테이너 운임은 왜 올랐나 – 운임 초강세 국면 속 글로벌 상위권 선사들의 동향과 시사점", 나이스신용평가. (나이스신용평가), ~ (2021)
- 심재희, "계량기법을 이용한 발틱건화물선운임의 예측― 단변량모형, 다변량모형, HP 필터링 기법 ―", 해운물류연구, (58), pp.1~18 (2008), 한국해운물류학회[DOI]
- 안영균, "컨테이너 운임에 미치는 영향요인 분석", 무역학회지, 43(5), pp.159~177 (2018), 한국무역학회
- 원종관, "신용 데이터의 이미지 변환을 활용한 합성곱 신경망과 설명 가능한 인공지능(XAI)을 이용한 개인신용평가", 정보시스템연구, 30(4), pp.203~226 (2021), 한국정보시스템학회
- 오형록, "SHAP을 활용한 산업재해 예측 모델링 및 분석", 디지털콘텐츠학회논문지, 22(7), pp.1115~1123 (2021), 한국디지털콘텐츠학회[DOI]
- 유상록, "인공신경망과 시계열 분석을 이용한 해상교통량 예측", 해양환경안전학회지, 20(1), pp.33~41 (2014), 해양환경안전학회[DOI]
- 윤관식, "시스템 다이내믹스를 활용한 상하이컨테이너운임지수 미주서안 노선의 예측에 관한 연구", 로지스틱스연구, 30(4), pp.67~78 (2022), 한국로지스틱스학회[DOI]
- 이상재, "컨테이너 운임 지수 예측 요인 연구: 코로나 19 이전과 이후 비교", 대한산업공학회 춘계공동학술대회 논문집, pp.2145~2155 (2022)
- 인공지능·빅데이터 기반의 컨테이너운임 예측모형 개발 및 산업 영향도 분석, "이호춘", 경제·인문사회연구회, 42~44 (2022)
- 임상섭, "케이프선 시장 운임의 결정요인 및 운임예측 모형 분석", 한국항해항만학회지, 42(6), pp.539~545 (2018), 한국항해항만학회[DOI]
- 임종관, "벡터자기회귀모형을 이용한 건화물선 시장 분석", 해운물류연구, 26(1), pp.17~35 (2010), 한국해운물류학회[DOI]
- 전준우, "COVID-19 상황을 고려한 Shanghai Containerized Freight Index 예측", 해운물류연구, 37(3), pp.517~536 (2021), 한국해운물류학회[DOI]
- 전찬영, "인공신경망모형의 항만물동량 예측 적용에 관한 연구", 해운물류연구, (53), pp.65~82 (2007), 한국해운물류학회[DOI]
- 최건우, "감성분석을 활용한 컨테이너 시장 예측", 해양정책연구, 34(2), pp.273~288 (2019), 한국해양수산개발원[DOI]
- Cho, K., "Learning phrase representations using RNN encoder-decoder for statistical machine translation", ~ (2014)
- Hochreiter, S., "Long short-term memory", Neural computation, 9(8), pp.1735~1780 (1997)
- Hyunjae Lee, "Ensemble method for feature selection in time-series prediction based on image similarity" (2023), ICIC Express Letters Part B: Applications
- Jeon, J.W., "Modelling cyclic container freight index using system dynamics", Maritime Policy & Management, 47(3), pp.287~303 (2020)
- Kamal IM, "DERN: Deep Ensemble Learning Model for Short- and Long-Term Prediction of Baltic Dry Index", Applied Sciences, 10(4), pp.1504~ (2020)
- Koyuncu, K., "Forecasting Shanghai Containerized Freight Index by Using Time Series Models", Marine Science and Technology Bulletin, 10(4), pp.426~434 (2021)
- Rumelhart, D. E., "Learning representations by back-propagating errors", nature, 323(6088), pp.533~536 (1986)
- Vu, H. L., "Time-lagged effects of weekly climatic and socio-economic factors on ANN municipal yard waste prediction models", Waste Management, 84, pp.129~140 (2019)
- Y.Yang, "“Explaining Therapy Predictions with Layer-Wise Relevance Propagation in Neural Networks", 2018 IEEE International Conference on Healthcare Informatics(ICHI), pp.152~162 (2018)