딥러닝 기법을 활용한 양식산 우럭 산지가격 예측 연구

Abstract

This study is aimed to forecast the producer price of aquaculture product using deep learning model. Since the producer price is directly related to the profitability of the aquacultural farms and has an important impact on the overall supply and demand of the industry, accurate forecasting of the producer price is essential. Korean Rockfish(Sebastes schlegelii), a fish species to be analyzed, is industrially valuable fish species that ranks second in domestic farmed fish production and has high consumer awareness. In addition, since the problem of price fluctuations of Korean Rockfish has recently emerged, it is necessary to accurately forecast the price of Korean Rockfish. A total of 19 variables were used as independent variables for the analysis, including supply and demand variables of Korean Rockfish and alternative fish species, water temperature, and COVID-19 dummy variables. And a total of 189 monthly data from October 2006 to June 2022 were used. LSTM(Long-short Term Memory) and GRU(Gated Recurrent Units), a type of RNN(Recurrent Neural Network) that known to be specialized in time-series forecast, were used as analysis models, and the accuracy was compared with MAPE(Mean Absolute Percent Error) and TPFE(Turning Point Forecast Error). As a result, the MAPE of LSTM and GRU was 4.66% and 6.27%, respectively, and the TPFE was 16.67% and 50%, respectively. And as a result of comparing the accuracy by the number of independent variables, it was found that the accuracy of the multivariate model was better than that of the univariate model.| 본 연구는 딥러닝 모델을 이용하여 양식산 수산물의 산지가격을 예측하는 것을 목적으로 한다. 산지가격은 경영체의 수익성과 직결되고 산업 전반의 수급에 중요한 영향을 미치기 때문에 정확한 예측이 필수적이다. 분석 대상 어종인 우럭( Sebastes schlegelii)은 국내 양식어류 생산량 2위를 차지함과 동시에 소비자 인식도가 높은, 산업적으로 매우 가치 있는 어종이다. 또한, 최근 우럭의 가격 변동 문제가 대두되고 있기 때문에 우럭 가격을 정확히 예측할 필요가 있다. 분석을 위한 독립변수로는 우럭 수급 관련 변수와 소비 대체 어종 수급 관련 변수, 수온, COVID-19 더미 변수 등 총 19가지의 변수를 사용하였으며 2006년 10월부터 2022년 6월까지의 총 189개의 월간 데이터가 사용되었다. 분석 모델로는 시계열 예측에 특화된 것으로 알려진 RNN(Recurrent Neural Network)의 일종인 LSTM(Long-short Term Memory)과 GRU(Gated Recurrent Units)를 사용하였으며, MAPE(Mean Absolute Percent Error)와 TPFE(Turning Point Forecast Error)로 모델의 정확도를 비교하였다. 그 결과, LSTM과 GRU의 MAPE는 각각 4.66%와 6.27%, TPFE는 각각 16.67%와 50%로 나타났다. 그리고 독립변수 개수별 예측력을 비교해 본 결과, 단변량 모델에 비해 다변량 모델의 예측력이 더 좋은 것으로 나타났다.