다변수 LSTM 딥러닝 네트워크를 이용한 육계 시세 예측 모델 연구 = A Study on the Prediction Model of Chicken Price Using a Multi-Variable LSTM Deep Learning Network

다국어 초록 (Multilingual Abstract)

The domestic chicken industry is expected to exceed 400 billion won in market size by 2022, and its growth rate is very steep. However, as the operating profit ratio of chicken producers continues to decrease, companies are trying to predict the selling price of chicken to reduce operating losses. In this study attempted to develop a scientific prediction model that introduced artificial intelligence technology beyond the existing statistical approach to predicting broiler prices. Previous studies in the price prediction were analyzed to select and study LSTM(Long Short-Term Memory) that showed high performance in predicting nonlinear time series data. Various time series data related to the formation of the broiler price were collected and analyzed among the data disclosed by the Korea poultry association, the Korea Meteorological Administration, the Korea Animal Health Integrated System, and the Statistics Korea. All of the collected data were refined in the same time unit. The developed multi-variable LSTM model showed about 94.0% accuracy as a result of verification through 10% test data separated from the learning data. The results of this study are also expected to be used in the development of mid- to long-term broiler price prediction models considering the utilization of companies.

국문 초록 (Abstract)

국내 닭고기 산업은 2022년 전체 시장 규모가 4,000억원을 돌파할 것으로 예상되고 성장 속도 또한 매우 가파르다. 하지만 닭고기 생산 업체들의 영업이익률은 계속 낮아지는 추세로, 기업은 닭고기의 판매가를 예측하여 영업 손실을 줄이고자 노력하고 있다. 이에 본 연구에서는 육계 가격 예측에 기존의 통계적 접근 방식을 벗어나 인공지능 기술을 도입한 과학적 예측 모델을 개발하고자 하였다. 이를 위해 가격 예측 분야 선행 연구들을 분석하여비선형 시계열 데이터의 예측에 높은 성과를 보이는 LSTM(Long Short-Term Memory)을 선정하여 연구하였다.
대한양계협회, 기상청, 국가가축방역통합시스템, 통계청 등에서 공개되는 데이터 중 육계 시세의 형성과 관련된 다양한 시계열 데이터를 수집 및 분석하였고, 수집된 데이터들은 모두 동일한 시간단위로 정제하였다. 개발된 다변수 LSTM 모델은 학습데이터와 분리된 10%의 테스트 데이터를 통해 검증 결과, 약 94.0%의 정확도를 보였다.
본 연구 결과는 기업의 활용성을 고려한 중장기 육계 가격 예측 모델의 개발에 활용될 수 있을 것으로 기대된다.

참고문헌 (Reference)

1 이지인 ; 송정석, "다변수 LSTM 순환신경망 딥러닝 모형을 이용한 미술품 가격 예측에 관한 실증연구" 한국콘텐츠학회 21 (21): 552-560, 2021

2 주기훈 ; 박치현 ; 임현승, "기계학습 옵티마이저 성능 평가" 한국전기전자학회 24 (24): 766-776, 2020

3 J. Park, "Understanding the effect of LSTM hyperparameters tuning on cryptocurrency price prediction" 466-469, 2021

4 "Understanding LSTM Networks(2015)"

5 "Pearson correlation coefficient"

6 신성호 ; 이미경 ; 송사광, "LSTM 네트워크를 활용한 농산물 가격 예측 모델" 한국콘텐츠학회 18 (18): 416-429, 2018

7 S. Kang, "Beef price forecasting using online article crawling technique and LSTM model" 287-290, 2021

8 Park Moon-soo, "Analysis of Price Transfer Channel in Livestock Market and Price Stabilization Plan - Focusing on Meat and Egg Market" KREI 43-52, 2012

9 W. -R. Kim, "A study on LSTM-based demand prediction model to improve the accuracy of demand for green coffee beans" Graduate School of Soongsil University 2021