earticle

영어

Predicting agricultural product prices has a significant impact on determining market supply and demand. The purpose of this study is to use time-series data of average prices of ‘Setoka’ citrus traded in 9 wholesale markets and train an artificial neural network with an LSTM network structure to determine a suitable structure for predicting average prices for a given time period. The analysis focused on the average price of 3 kg of ‘Setoka's’ agricultural products from 2007 to January 2021, using 1,836 data points. 80% of the data was used for training the neural network, and 20% was used for testing. To determine the optimal LSTM network structure, the training iteration and batch size were varied to evaluate the accuracy of the training results. The optimal LSTM network structure was determined to be 500 training iterations and a batch size of 128. When predicting the price of ‘Setoka’ for the next month after the training data period, the predicted values were lower than the actual prices until 15 days prior, and the highest prediction accuracy was achieved on the 24th day. Moreover, the prediction accuracy was high from 15 days prior. Using an artificial neural network for ‘Setoka’ price prediction based on historical data can provide useful information for monitoring agricultural price trends, informing government policy decisions, and meeting consumer demands.

한국어

농산물 가격 예측은 시장의 수급 조절 결정에 큰 영향을 미친다. 본 연구의 목 적은 세토까를 대상으로 9개 도매시장에 서 거래되는 평균 가격 시계열 데이터를 사용하여 LSTM 네트워크 구조의 인공신 경망을 학습시키고 이후 기간의 평균 가 격을 예측하는 데 적합한 구조를 결정하 는 것이다. 2007년부터 2021년 1월까지 1,836개의 데이터를 사용하여 세토까의 3kg 단위 평균 가격을 분석하였다. 인공 신경망의 학습에는 전체 데이터 중 80% 가 사용되었으며, 학습된 인공신경망의 테스트에는 전체 데이터 중 20%를 사용 하였다. 최적의 LSTM 네트워크 구조를 결정하기 위해 학습 반복 횟수와 배치 크 기를 변화시키며 학습 결과의 정확도를 확인하였다. 최적의 LSTM 네트워크 구 조는 학습 반복 횟수 500회와 배치 크기 128개로 결정되었다. 학습 데이터 구간 이후 1달 동안의 세토까 가격을 예측한 결과, 15일 전까지의 예측값은 실제 세토 까 가격에 비해 낮게 추정되었으며, 24일 에 가장 높은 예측 정확도가 나타났다. 또한, 15일부터 예측 정확도가 높게 나타 났다. 인공신경망을 기반으로 하는 세토까 가격 예측은 농산물 가격 동향 및 정 부 정책 수립, 그리고 소비자들의 요구에 도 유용한 정보로 활용될 수 있을 것이다.