[논문 리뷰] District Wise Price Forecasting of Wheat in Pakistan using Deep Learning

Ahmed Rasheed, Muhammad Shahzad Younis외 3명|arXiv (Cornell University)|2021. 03. 05.

Stock Market Forecasting Methods참고 문헌 3인용 수 7

한 줄 요약

이 논문은 파키스탄의 지방 수준에서 기록된 곡물 가격, 기상 데이터, 생산 및 소비 데이터를 기반으로 훈련된 장기 단기 기억(LSTM) 신경망을 사용하여 소득 수준의 밀 가격 예측 모델을 제안한다. LSTM 모델은 기존의 ARIMA 및 GPR와 비교해 뚜렷한 성능 향상을 보이며, 12개월 예측에서 1.27%의 MAPE를 기록하고, 원시 데이터 입력 대비 최대 40%까지 RMSE를 감소시켜 지방 수준의 농업 상품 가격 예측 분야에서 최첨단 정확도를 입증한다.

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.

연구 동기 및 목표

• 파키스탄의 농업 정책 및 식량 안보 계획을 지원하기 위해 고정확도의 지방별 밀 가격 예측 시스템을 개발하기 위해.
• 현재 연간 생산 예측만 제공하는 바탕으로, 가격 예측 기능이 없는 지역화된 동적 가격 예측 메커니즘의 부족을 보완하기 위해.
• 가격, 기상, 생산 및 소비 추세를 포함한 다중 소스 특징을 활용하여 기존의 시계열 및 머신러닝 모델을 초월하는 딥러닝 기반 예측 성능을 향상시키기 위해.
• 데이터 스무딩이 모델 성능에 미치는 영향, 특히 원시 가격 데이터의 노이즈 감소에 초점을 맞춰 평가하기 위해.
• 정책 입안자, 농민 및 투자자들이 가격 변동성에 대비하고 전략적 의사결정을 지원하기 위해, 장기 예측(최대 12개월)을 제공하기 위해.

제안 방법

• 본 연구는 밀 가격의 순차적 시계열 예측을 위해 핵심 딥러닝 아키텍처로 장기 단기 기억(LSTM) 순환 신경망을 활용한다.
• 입력 특징으로는 1991년부터 2018년까지의 세 개 지방(Faisalabad, Gujranwala, Multan)에서의 월간 밀 가격, 기상 데이터(기온, 강수량), 밀 생산 및 소비 추세가 포함된다.
• 모델 일반화 및 예측 안정성 향상을 위해 원시 가격 시계열에 대해 데이터 스무딩 알고리즘을 적용한다.
• 모델은 원시 데이터 및 스무딩 데이터를 사용한 1개월 및 1년 예측을 포함한 네 가지 다른 예측 시나리오에서 훈련 및 평가된다.
• 성능 평가를 위해 RMSE 및 MAPE 평가 지표를 사용하여 기존의 모델인 기울기 부스팅 회귀 트리(백킹 트리), 가우시안 프로세스 회귀(GPR), ARIMA와 비교한다.
• LSTM 모델은 하이퍼파ram터 튜닝을 통해 최적화되었으며, 지역 시장 역학을 반영하기 위해 지방별 데이터 기반으로 엔드 투 엔드로 훈련되었다.

실험 결과

연구 질문

• RQ1 기존의 통계적 및 머신러닝 모델과 비교해, 파키스탄의 지방 수준에서 LSTM 기반 딥러닝 모델이 밀 가격 예측에서 뛰어난 성능을 발휘할 수 있는가?
• RQ2 원시 가격 시계열의 데이터 스무딩이 농업 상품 가격 예측의 정확도에 어떤 영향을 미치는가?
• RQ3 가격, 기상, 생산, 소비 등의 다중 소스 특징이 딥러닝 모델의 밀 가격 예측 능력을 얼마나 향상시킬 수 있는가?
• RQ4 동일한 모델 아키텍처를 사용할 때, 단기(1개월) 및 장기(1년) 예측 간 예측 오차(RMSE 및 MAPE)는 어떻게 달라지는가?
• RQ5 국가 수준 또는 집계된 예측보다 지방별 예측 모델이 농업 정책 및 시장 개입에 더 정확하고 실용적인 통찰을 제공할 수 있는가?

주요 결과

• LSTM 모델은 세 지방 전역에서 12개월 후 예측에 대해 평균 절대 퍼센트 오차(MAPE)가 1.27%를 기록하여, 동일한 조건에서 ARIMA(2.14% MAPE) 및 GPR(2.85% MAPE)를 뚜렷이 앞서는 성능을 보였다.
• 1개월 예측의 경우 LSTM 모델은 0.71%의 MAPE를 기록하여 단기 가격 추정의 높은 정밀도를 입증했다.
• LSTM 모델은 원시 데이터 입력 대비 최대 40%까지 RMSE를 감소시켰으며, 특히 스무딩된 데이터에서 가장 뛰어난 성능를 기록하여 사전 처리 단계의 효과를 확인했다.
• 1년 예측에서 LSTM 모델은 스무딩된 데이터 기반으로 Faisalabad(185.73), Gujranwala(204.61), Multan(172.13)의 평균 RMSE를 기록했으며, ARIMA(283.34, 260.76, 274.52) 및 GPR(203.23, 224.43, 230.18)를 모두 앞섰다.
• 모델은 모든 평가 지표 및 예측 수준에서 일관된 슈퍼리어리티를 보이며, 파키스탄의 밀 가격 예측 분야에서 최첨단 성능을 확립했다.
• 가격 추세 외에도 기상, 생산 및 소비 데이터의 통합은 모델 정확도를 크게 향상시켰으며, 이는 농업 예측에서 다중 모odal 입력의 중요성을 강조한다.