참외 반입량 예측을 위한 AI 모형개발과 검증
Development and Verification of an AI Model for Melon Import Prediction
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
기후변화로 인해 농작물 생산과 유통에 관한 관심이 증대되고 있고, 빅데이터와 AI를 활용한생산량 예측을 통해 농가의 출하량 조절과 유통단계의 조절에 활용하는 시도가 이루어지고 있다. 농산물 반입량 예측은 가격에 영향을 미칠 뿐 아니라 농가의 출하량과 유통회사의 유통량 조절을할 수 있으므로 마케팅 전략을 수립하는데 중요한 정보이다. 본 연구에서는 농업 통계 정보 시스템에서 공개한 도매시장 참외 반입량 데이터를 기반으로 미래의 반입량을 예측하는 인공지능 예측 모델을 생성하고 정확도를 평가한다. 우리는 Neural Prophet 기법과 Ensembled Neural Prophet 모델 그리고 GRU 모델 등 세 가지 모델을 사용하여 예측 모델을 생성한다. 모델의 성능은 MAE 와 RMSE라는 두 가지 주요 지표를 비교하여 평가한 결과 Ensembled Neural Prophet 모델이 가장정확하게 예측하였으며, GRU 모델도 앙상블 모델과 유사한 성능을 보여주고 있다. 본 연구에서개발된 모형은 웹에 publish 되어 현장에서 1년 6개월 동안 사용하고 있으며, 가까운 미래의 참외생산량을 예측하고, 마케팅 및 유통전략을 수립하는 데 활용되고 있다.
Abstract
Due to climate change, interest in crop production and distribution is increasing, and attempts are being made to use bigdata and AI to predict production volume and control shipments and distribution stages. Prediction of agricultural product imports not only affects prices, but also controls shipments of farms and distributions of distribution companies, so it is important information for establishing marketing strategies. In this paper, we create an artificial intelligence prediction model that predicts the future import volume based on the wholesale market melon import volume data disclosed by the agricultural statistics information system and evaluate its accuracy. We create prediction models using three models: the Neural Prophet technique, the Ensembled Neural Prophet model, and the GRU model. As a result of evaluating the performance of the model by comparing two major indicators, MAE and RMSE, the Ensembled Neural Prophet model predicted the most accurately, and the GRU model also showed similar performance to the ensemble model. The model developed in this study is published on the web and used in the field for 1 year and 6 months, and is used to predict melon production in the near future and to establish marketing and distribution strategies.
참고문헌 (11)
- Naeun Kim, "Prediction of Greenhouse Strawberry Yield Using Machine Learning Algorithm", Journal of Biological Environmental Control, 31(1) (2022)
- 김세원, "작물 생산량 예측을 위한 머신러닝 기법 활용 연구", 한국산학기술학회논문지, 22(7), pp.403~408 (2021), 한국산학기술학회[DOI]
- "Challenges the world's No. 1 with 99% accuracy, entry into the agricultural production prediction market"[URL]
- Joongoo Lee, "Yield Forecasting Method for Smart Agriculture", Korea Information and Communication Society, pp.619~622 (2015)
- Jang Seok-hwan, "A study on production prediction models forChinese food crops", Journal of the Korea Data & Information Science Society, 11(1) (2000)
- Jeong Dae-hee, "Evaluation of predictive power of rice land productivity model considering climate change", Environmental Policy, ~ (2018)
- "Nongnet"[URL]
- "Agricultural Observation Statistical Information System"[URL]
- "NeuralProphet: Explainable Forecasting at Scale. Machine Learning" (2021)[URL]
- VinuthaP.H., "Detection of Outliers Using Interquartile Range Technique from Intrusion Dataset", Information and Decision Sciences, pp.511~518, Springer
- "Taylor and Benjamin Letham, Forecasting at Scale" (2017)[URL]