[논문 리뷰] Predicting County Level Corn Yields Using Deep Long Short Term Memory Models

Zehui Jiang, Chao Liu외 4명|arXiv (Cornell University)|2018. 05. 30.

Energy Load and Power Forecasting참고 문헌 12인용 수 52

한 줄 요약

이 논문은 교차 단면 시계열의 수확량과 시간별 기상 데이터를 사용하여 카운티 수준의 옥수수 수확량을 예측하기 위한 깊은 LSTM 방법을 도입하고 아이오와 주에서 설문조사 기반 방법에 비해 예측력이 유망함을 보여준다.

ABSTRACT

Corn yield prediction is beneficial as it provides valuable information about production and prices prior the harvest. Publicly available high-quality corn yield prediction can help address emergent information asymmetry problems and in doing so improve price efficiency in futures markets. This paper is the first to employ Long Short-Term Memory (LSTM), a special form of Recurrent Neural Network (RNN) method to predict corn yields. A cross sectional time series of county-level corn yield and hourly weather data made the sample space large enough to use deep learning technics. LSTM is efficient in time series prediction with complex inner relations, which makes it suitable for this task. The empirical results from county level data in Iowa show promising predictive power relative to existing survey based methods.

연구 동기 및 목표

• 카운티 수준의 옥수수 수확량을 예측하기 위한 딥 러닝 접근법(LSTM) 개발.
• 카운티 수확량과 시간별 기상 정보를 결합한 교차 단면 시계열 데이터 활용.
• 전통적인 설문조사 기반 수확 예측 방법과의 예측 성능 비교.
• 선물 시장의 가격 발견 및 시장 효율성에 대한 실현 가능성과 잠재적 이점 시연.
• 방법의 적용 가능성을 보여주기 위해 아이오와 주 카운티 데이터를 활용.

제안 방법

• 시계열 수확량 예측에 LSTM 네트워크 적용.
• 카운티 수확량과 시간별 기상 데이터를 연결하는 교차 단면 시계열 데이터셋 구성.
• LSTM 예측과 기존의 설문조사 기반 예측 방법 비교.
• 농업 데이터의 복잡한 시간적 관계를 모델링하는 LSTM의 능력 설명.
• 예측 성능 평가를 위해 아이오와 주의 카운티 단위 데이터를 사용.

실험 결과

연구 질문

• RQ1 LSTM 모델이 카운티 수확량과 시간별 기상 데이터로부터 카운티 수준의 옥수수 수확량을 정확히 예측할 수 있는가?
• RQ2 LSTM 예측 성능이 전통적인 설문조사 기반 수확 예측 방법과 어떻게 비교되는가?
• RQ3 LSTM 접근법이 아이오와 주 카운티에 대해 효과적인 수확 예측을 제공하는가?

주요 결과

• LSTM은 설문조사 기반 방법에 비해 유망한 예측력을 보인다.
• 아이오와 주 카운티 데이터를 기반으로 한 실증 결과가 딥 러닝 접근의 효과를 뒷받침한다.
• 시간별 기상 데이터의 사용은 딥 러닝에 적합한 큰 샘플 공간을 다루는 데 도움이 된다.
• 본 연구는 카운티 수준의 옥수수 수확량 예측에 LSTM을 적용한 최초의 연구이다.