농산물 가격예측
한 걸음 앞서가는 농넷 AI
서울가락도매시장 배추1kg상품평균 경락가격 전망
전국도매시장 배추1kg평균 경락가격 전망
- zakill
- 쥬혁이
- 나서스
- jackmappotion
- BrainAI assemble
- 푸룻푸룻
- rkdrn7979
- Kingston Science
- ArbitrageMaster
- chessman3
zakill
가격의 시점 간 변동성과 연관된 패턴을 포착하여 예측 모델에 필요한 특성을 구축
ridge, autogloun, voting,(LGBM, XGB) 등 다소 많은 복잡한 모델을 앙상블하여 사용함
쥬혁이
시계열 특화모델(Decompositional-Linear에 attention 적용)과
통계기반 ML모델(LightGBM)을 사용하였으며,
+1순, +2순(단기예측)에는 시계열 모델의 가중치를 올리고,
+2순, +3순(장기예측)에는 ML모델의 가중치를 올려 사용
나서스
과거 평균 가격을 기반으로 한 시계열 변수를 통해 시점 간의 가격 변동성을 반영하여,
시계열 데이터의 변동성을 더욱 잘 표현하기 위해 순차적인 가격 차이(차분 변수)를 활용,
기상 데이터는 계절적 주기를 반영하고, 이를 사인(sin)과 코사인(cos)함수를 통해 주기적 특성을 나타내는 파생 변수로 생성함
XGBoost, Extra Tree, Ransac 모델을 품목에 따라 달리 적용함
jackmappotion
Catboost, Extra Tree, Random Forest, LGBM을 사용하여,
base data(평균 가격 정보), meta data를 사용해,
상한예측, 일반예측, 하한예측 모델을 구성하고 여기서 나온 예측 값을 바탕으로
가중치를 두거나, 평균을 내거나 등 후처리를 통해 최종 예측을 진행함
BrainAI assemble
전체 경향과 단기간 경향을 고려하여 모델 적합
전체 경향 측면을 고려하여 ND Linear모델 사용
단기간 경향 측면을 고려하여 Time embedding + LSTM 모델 사용
추론결과의 Post-processing으로, Clipping을 진행
푸룻푸룻
- 품목당 시점 3개를 추론하는 XGBboost 10개
- test 데이터 샘플을 concat해서 사용함 shift, mean을 적용시,
다른 test샘플의 누출이 없는 행만 사용
-> 이 부분에서 최적화가 필요하다는 의견
rkdrn7979
- 감자, 양파만 Dlinear + Attention 사용
- 나머지는 LGBM을 사용하나, 발표자료ppt엔 언급이 없음
Kingston Science
- XGBboost 30개, 품목당 시점 각각을 예측하는 모델을 총 30개 구성
- 외부 데이터를 많이 활용해 보기도 했는데, 시계열 관련 특성을 고려한 파생 변수를
'잘'만들어 사용함(반출량의 변화량, 특히 날씨 관련 변수들)
- Stochastic Oscillator, Relative Strength Index, RSI 등 도메인 지식을 사용
ArbitrageMaster
- LightGBM 사용
(품목당 시점 각각을 예측하는 모델, 5개의 폴드를 나누어 적합하여 총 75개의
lightgbm 모델)*2(v1, v2 존재) = 150개 모델
- 시계열 정보를 담고 있는 금융 데이터에 맞는 파생 변수를 생성함
chessman3
- Catboost 30개, 품목당 시점 각각을 예측하는 모델을 총 30개 구성
서울가락도매시장 배추1kg상품평균 경락가격, 배추톤반입량 동향
서울가락도매시장 배추1kg상품평균 경락가격 추이
서울가락도매시장 배추톤반입량 추이
TIP※ 데이터 출처aT 한국농수산식품유통공사