농산물 가격의 특이치 탐지 및 처리를 통한 딥러닝 기반 가격 예측 (Deep-Learning-Based Price Prediction by Outlier Detection and Processing for Agricultural Commodity Prices)

서지정보

· 발행기관 : 한국디지털콘텐츠학회
· 수록지 정보 : 디지털콘텐츠학회논문지 / 24권 / 8호 / 1899 ~ 1906페이지
· 저자명 : 박찬, 이경순

초록

본 연구는 농산물 가격 변동 데이터에 대한 딥러닝 기반 가격 예측 모델의 성능 향상을 위해 특이치 탐지와 처리를 제안한다. 특이치는 데이터의 편향으로 인해 딥러닝 모델의 학습과 가격 예측 성능이 저하되는 문제를 갖고 있다. 이를 해결하기 위해, 본 연구에서는 데이터를 월별 구간으로 나누어 사분범위를 활용하여 특이치를 탐지하는 방법과 이동평균법을 이용하여 정상성을 가진 시계열 데이터로 변환하는 방법을 제안한다. 실험 결과에서는 농산물 배추, 무, 양파에 대해 적용한 제안 방법이 기존의 LSTM 모델에 비해 높은 성능을 보였다. 기존 LSTM 모델의 평균 절대비 오차(MAPE)가 각각 5.41, 4.15, 5.55였던 반면, 제안한 방법은 각각 4.15, 3.19, 4.92의 오차를 기록하여 성능이 향상되었다. 이는 특이치 탐지와 처리를 통한 딥러닝 기반 예측 모델의 유효성을 확인 할 수 있다.

영어초록

In this paper, we propose a deep-learning-based price prediction model by detecting and handling outliers for agricultural products. Outliers caused by biased data can lead to performance deterioration issues during the learning and prediction processes of a deep learning model. To overcome this issue, we present a method that divides the data into monthly intervals and utilizes the interquartile range to detect outliers, followed by transforming the time series data into a stationary form using the moving average method. In our experiments, the conventional long short-term memory deep learning model showed mean absolute percentage error (MAPE) values of 5.41, 4.15, and 5.55 for cabbage, radish, and onion, respectively, while the proposed method showed MAPE values of 4.15, 3.19, and 4.92, respectively. These results highlight the effectiveness of outlier detection and handling in enhancing the performance of deep-learning-based prediction models.

참고자료

· 없음