[論文レビュー] District Wise Price Forecasting of Wheat in Pakistan using Deep Learning

Ahmed Rasheed, Muhammad Shahzad Younis+3 more|arXiv (Cornell University)|Mar 5, 2021

Stock Market Forecasting Methods参考文献 3被引用数 7

ひとこと要約

本論文は、パキスタンにおける長短時系列メモリ（LSTM）ネットワークを用いた、地域レベルのパンの価格予測モデルを提案している。このモデルは、歴史的パン価格、気象、生産、消費データを用いて学習された。LSTMモデルは、ARIMA や GPR といった従来手法を著しく上回り、12か月先の予測で1.27%のMAPEを達成し、生データ入力と比較してRMSEを最大40%まで低減した。これは、地域レベルの農産物価格予測分野における最先端の正確性を示している。

ABSTRACT

Wheat is the main agricultural crop of Pakistan and is a staple food requirement of almost every Pakistani household making it the main strategic commodity of the country whose availability and affordability is the government's main priority. Wheat food availability can be vastly affected by multiple factors included but not limited to the production, consumption, financial crisis, inflation, or volatile market. The government ensures food security by particular policy and monitory arrangements, which keeps up purchase parity for the poor. Such arrangements can be made more effective if a dynamic analysis is carried out to estimate the future yield based on certain current factors. Future planning of commodity pricing is achievable by forecasting their future price anticipated by the current circumstances. This paper presents a wheat price forecasting methodology, which uses the price, weather, production, and consumption trends for wheat prices taken over the past few years and analyzes them with the help of advance neural networks architecture Long Short Term Memory (LSTM) networks. The proposed methodology presented significantly improved results versus other conventional machine learning and statistical time series analysis methods.

研究の動機と目的

• パキスタンにおける高精度で地域特化型のパン価格予測システムの開発を目的とし、農業政策や食料安全保障計画を支援すること。
• 現在、年間生産予測しか提供していないが、パンの価格予測を含まない、地域的・動的な価格予測メカニズムの欠如に応えること。
• 価格、気象、生産、消費トレンドを含むマルチソース特徴量を活用することで、従来の時系列および機械学習モデルを改善する深層学習の活用。
• データスムージングがモデル性能に与える影響、特に生価格データからのノイズ低減に注目し、評価すること。
• 政策立案者、農家、投資家が価格変動を緩和し戦略的意思決定を支援できる、実行可能な長期予測（最大12か月）を提供すること。

提案手法

• 本研究では、時系列予測のための順方向リカレントニューラルネットワークとして、長短時系列メモリ（LSTM）をコアな深層学習アーキテクチャとして採用した。
• 入力特徴量には、1991年から2018年までの3地域（ファイサーラバード、グルジャナワラ、ムルタン）における月次パン価格、気象データ（気温、降水量）、パン生産、消費トレンドが含まれる。
• 生価格時系列データのノイズ低減とモデルの汎化性能・予測安定性の向上を目的に、データスムージングアルゴリズムを適用した。
• モデルは、生データおよびスムージング済みデータを用いた1か月および1年先の予測という4つの異なる予測シナリオで訓練・評価された。
• 評価指標としてRMSEとMAPEを用い、勾配ブースティング回帰木（Bagged Trees）、ガウス過程回帰（GPR）、ARIMA といった従来モデルと性能を比較した。
• LSTMモデルはハイパーパramータチューニングを用いて最適化され、地域特化型データ上でエンドツーエンドに訓練され、地域市場のダイナミクスを捉えることを目的とした。

実験結果

リサーチクエスチョン

• RQ1 ARIMA や GPR といった従来の統計的・機械学習的手法と比較して、LSTMベースの深層学習モデルは、パキスタンの地域レベルでパン価格を予測する際に優れた性能を示せるか？
• RQ2 農産物価格の文脈において、生価格時系列のデータスムージングは、時系列予測モデルの予測精度にどのように影響するか？
• RQ3 価格、気象、生産、消費といったマルチソース特徴量を統合することで、パン価格予測のための深層学習モデルの予測力はどの程度向上するか？
• RQ4 同じモデルアーキテクチャを用いても、短期予測（1か月）と長期予測（1年）における予測誤差（RMSE および MAPE）はどのように変化するか？
• RQ5 全国レベルや集計予測とは異なり、地域特化型の予測モデルは、農業政策や市場干渉に向けたより正確で実行可能なインサイトを提供できるか？

主な発見

• LSTMモデルは、3地域すべてで12か月先の予測において1.27%の平均絶対誤差率（MAPE）を達成し、同じ条件下でARIMA（2.14% MAPE）とGPR（2.85% MAPE）を著しく上回った。
• 1か月先の予測では、LSTMモデルが0.71%のMAPEを記録し、短期価格推定の高精度を示した。
• LSTMモデルは、生データ入力と比較してRMSEを最大40%まで低減した。特にスムージング済みデータで最高の性能を示し、前処理ステップの有効性を裏付けた。
• 1年先の予測において、LSTMモデルはスムージング済みデータで、ファイサーラバード（平均RMSE 185.73）、グルジャナワラ（204.61）、ムルタン（172.13）の順に優れた性能を示した。ARIMA（283.34, 260.76, 274.52）とGPR（203.23, 224.43, 230.18）を上回った。
• 本モデルは、すべての評価指標および予測期間において一貫した優位性を示し、パキスタンにおけるパン価格予測分野で最先端の性能を確立した。
• 価格トレンドに加え、気象、生産、消費データの統合は、モデルの正確性を顕著に向上させ、農業予測におけるマルチモーダル入力の重要性を強調した。