딥러닝 기반 무역 수출 가격 예측 모델
Predicting the Future Price of Export Items in Trade Using a Deep Regression Model
0
조회
0
다운로드
3
인용
0
참고문헌
키워드
초록
산업통상자원부에서 제공하는 KOTRA 무역 데이터는 해당 품목과 해당 국가에 대하여 GDP, 관세율, 비즈니스 점수, 과/차년도 수출금액 등을제공한다. 그러나 무역 수출품목은 수없이 많을뿐더러 그에 따른 대량의 데이터를 매년 수작업 기반 분석을 통해 유의미한 결과를 이끌어내는것은 상당히 큰 시간과 비용을 요구한다. 따라서 이번 연구에선 대량의 데이터를 학습하여 단기간에 저비용으로 결과 예측이 가능한 다층 퍼셉트론모델을 구현하고 성능을 평가하였다. 먼저 딥러닝 기반 무역 수출 가격 예측 모델을 일반적 다변량 회귀 모델과 비교하였을 때, 예측 오류와 학습시간 측면에서 통계적으로 우수한 성능을 보였다. 수출 가격 데이터는 시계열 속성이 있을 것으로 예상하는 바, 은닉 노드들이 모두 연결된 다층퍼셉트론과 순환 신경망을 이용하여 수출 가격 데이터를 예측하였다. 그 결과 새로운 데이터에 대해 수출 가격 예측을 위한 일반화 능력은 순환신경망이 우수한 성능을 보였으나, 다층 퍼셉트론이 무역 수출 가격 예측에서 더 뛰어난 성능을 보였다. 추후 장기간 데이터를 확보한다면, 순환신경망 혹은 트랜스포머 기반 딥러닝 모델을 이용하여 더 뛰어난 수출 가격 예측이 가능할 것으로 사료된다.
Abstract
Korea Trade-Investment Promotion Agency (KOTRA) annually publishes the trade data in South Korea under the guidance of the Ministryof Trade, Industry and Energy in South Korea. The trade data usually contains Gross domestic product (GDP), a custom tariff, businessscore, and the price of export items in previous and this year, with regards to the trading items and the countries. However, it is challengingto figure out the meaningful insight so as to predict the future price on trading items every year due to the significantly large amountof data accumulated over the several years under the limited human/computing resources. Within this context, this paper proposesa multi layer perception that can predict the future price of potential trading items in the next year by training large amounts of pastyear’s data with a low computational and human cost.
참고문헌 (22)
- "Korea International Trade Association"[URL]
- 이병문, "4차 산업혁명이 무역에 미칠 영향과 이에 대비한 수출촉진전략", 무역학회지, 42(3), pp.1~24 (2017), 한국무역학회
- 남성휘, "시계열 분석 모형 및 머신 러닝 분석을 이용한 수출 증가율 장기예측 성능 비교", 무역학회지, 46(6), pp.191~209 (2021), 한국무역학회[DOI]
- "The 9th Public Data Utilization BI Contest"[URL]
- S. Weisberg, "Applied linear regression", pp.47~ (2005), John Wiley & Sons
- Y. LeCun, "Deep learning", Nature, 521(7553), pp.436~444 (2015)
- A. Keck, "Forecasting international trade: A time series approach", OECD Journal:Journal of Business Cycle Measurement and Analysis, 2009(2), pp.157~176 (2010)
- A. W. Veenstra, "Multivariate autoregressive models for forecasting seaborne trade flows", Transportation Research Part E: Logistics and Transportation Review, 37(4), pp.311~319 (2001)
- E. S. Silva, "On the use of singular spectrum analysis for forecasting US trade before, during and after the 2008 recession", International Economics, 141, pp.34~49 (2015)
- M. E. Torres, "A complete ensemble empirical mode decomposition with adaptive noise", 2011 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) (2011)
- H. Lu, "Carbon trading volume and price forecasting in China using multiple machine learning models", Journal of Cleaner Production, 249, pp.119386~ (2020)
- S. Ioffe, "Batch normalization: Accelerating deep network training by reducing internal covariate shift", International Conference on Machine Learning (2015), PMLR
- S. Hochreiter, "Long short-term memory", Neural Computation, 9(8), pp.1735~1780 (1997)
- "Feature Scaling for Machine Learning:Understanding the Difference Between Normalization vs. Standardization"[URL]
- N. Srivastava, "Dropout : A simple way to prevent neural networks from overfitting", The Journal of Machine Learning Research, 15(1), pp.1929~1958 (2014)
- R. Genuer, "Variable selection using random forests", Pattern Recognition Letters, 31(14), pp.2225~2236 (2010)
- "Permutation feature importance"[URL]
- K. Kira, "A practical approach to feature selection", Machine Learning Proceedings, pp.249~256 (1992), Morgan Kaufmann
- J. W. Tukey, "Exploratory data analysis" (1977), Addison-Wesley
- A. Krizhevsky, "Imagenet classification with deep convolutional neural networks", Communications of the ACM, 60(6), pp.84~90 (2017)
- Y. LeCun, "Gradientbased learning applied to document recognition", Proceedings of the IEEE, 86(11), pp.2278~2324 (1998)
- A. Vaswani, "Attention is all you need" (2017), Advances in Neural Information Processing Systems