KR102222004B1 - 과채류 물동량 예측시스템 및 방법 - Google Patents

과채류 물동량 예측시스템 및 방법 Download PDF

Info

Publication number
KR102222004B1
KR102222004B1 KR1020190095459A KR20190095459A KR102222004B1 KR 102222004 B1 KR102222004 B1 KR 102222004B1 KR 1020190095459 A KR1020190095459 A KR 1020190095459A KR 20190095459 A KR20190095459 A KR 20190095459A KR 102222004 B1 KR102222004 B1 KR 102222004B1
Authority
KR
South Korea
Prior art keywords
volume
vegetables
prediction
data
fruit
Prior art date
Application number
KR1020190095459A
Other languages
English (en)
Other versions
KR20210018605A (ko
Inventor
염세경
김창균
임채민
Original Assignee
동국대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 동국대학교 산학협력단 filed Critical 동국대학교 산학협력단
Priority to KR1020190095459A priority Critical patent/KR102222004B1/ko
Publication of KR20210018605A publication Critical patent/KR20210018605A/ko
Application granted granted Critical
Publication of KR102222004B1 publication Critical patent/KR102222004B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

과채류 물동량 예측장치를 이용하여 경매 물동량을 예측하는 과채류 물동량 예측방법에 있어서, 상기 과채류 물동량 예측장치에 과거 및 현재의 물동량 데이터 및 과채류 물동량에 영향을 줄 수 있는 데이터를 수집하여 시기 별로 축적 저장되며, 현재의 데이터도 실시간으로 축적 저장되는 예측 데이터베이스 구축단계; 사용자 단말기를 통하여 물동량 배부조건이 입력되는 단계; 상기 물동량 배부조건에 맞추어 기계학습으로 예측 데이터베이스에 축적된 데이터를 학습하여 학습된 데이터가 분류 생성되도록 학습된 예측 물동량 데이터 및 변수를 추출하는 학습 데이터 추출단계; 및 Deep learning을 통하여 상기 물동량 배부조건 조건 및 환경에 맞추어 학습된 물동량 데이터 중 요구되는 조건에 최적에 해당하는 물동량 경로 집합을 산출하여 예측 경매가격 및 분배경로 데이터 집합을 출력하는 물동량 예측 단계; 를 포함하는 것을 특징으로 하는 과채류 물동량 예측방법.

Description

과채류 물동량 예측시스템 및 방법{Prediction system for traffic of fruits and predicting method using the same}
본 발명은 과채류의 경매 물동량을 예측하는 과채류 물동량 예측시스템 및 방법에 관한 기술이다.
농림축산식품에 따르면 도매시장 안에는 크게 네 가지의 법인이 존재(청과, 농산, 농협, 원협)하는데 도매시장법인에는 청과, 농산이 포함되고 도매시장공판장에는 농협, 원협이 포함되어있다. 농협과 원협의 경우는 출하되는 농산물들을 Agricultural Products Processing Center(APC)에 보관하고 포장해 도매시장으로 내어가게 한다. APC는 농작물을 산지에서 모아 한번에 판매하는 센터로 각 농가의 농산품을 모아서 하나의 상품 브랜드로 만들어 이를 시장에 판매해 마진을 남기는 역할을 한다. 하지만 이러한 APC는 2018년 농협 기준 377개의 APC의 평균적으로 1200만원의 손실을 기록하고 377개중 반에 달하는 189개의 APC가 적자를 겪는다. 따라서 지역별 APC당 1~2억정도의 적자를 발생시킨다. 이런 일이 발생한 이유 중 인건비의 증가문제도 존재하지만 다른 큰 이유는 제대로 된 물동량 예측을 하지 못하기 때문이다.
일반적으로 농작물의 유통경로는 생산자생산자단체도매상소매상소비자로 구성되고 이러한 경로를 통해 농작물이 이동된다. 생산자 단체는 APC를 통해 생산자들이 재배한 농작물들을 모으고 도매로 이동하게 된다. 생산자생산자단체로 농작물이 이동되고 생산자단체 즉 APC로 이동된 농작물들이 도매상가로 이동할 때 최적의 농작물의 분배를 해주는 것이 농산물 가격 손익에 가장 큰 영향을 미치게 된다. 그 이유는 APC에서 농작물을 분배함에 있어 물동량의 예측에 실패한다면 다양한 재고비용이 발생하고 도매에서 요구하는 농작물보다 많거나 적거나 하게 되면 농작물의 가격에 대한 비용손실이 발생하기 때문이다.
본 발명 기술에 대한 배경기술은 대한민국 등록특허공보 10-1347514B(농산물 수확량 예측시스템 및 이를 이용한 농산물 수확량의 예측방법)에 게시된바 있다.
대한민국 등록특허공보 10-1347514B(농산물 수확량 예측시스템 및 이를 이용한 농산물 수확량의 예측방법)
본 발명은 과거 과채류 물동량에 대한 정보들에 대한 딥런닝 학습 및 분석을 통하여 사용자가 요구하는 최적의 물동 경로와 물동량을 예측하고, 사용자 조건에 맞는 분배 경로 및 물동량을 제시하여 주는 과채류 물동량 예측시스템 및 방법을 제공하는 것이다.
본 발명의 목적은 이상에서 언급한 목적들로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.
본 발명의 일 측면에 따르면, 과채류의 경매 물동량을 예측하는 과채류 물동량 예측시스템에 있어서, 예측 조건이 입력되는 사용자 단말기; 상기 사용자 단말기와 연결된 과채류 물동량 예측장치; 상기 과채류 물동량 예측장치와 연결되어 과거 및 현재의 물동량 데이터 정보가 입력되는 외부 기관 데이터베이스; 를 포함하며, 상기 과채류 물동량 예측장치는, 상기 과채류 물동량 예측장치의 각부를 제어하는 제어부; 과채류 예측데이터베이스; 상기 제어부에 의해 상기 외부기관 데이터베이스로부터 수확량 정보, 출하정보, 경매기관의 경락정보 및 과채류 물동량에 영향을 미치는 기타 정보를 포함하는 정보를 인자 별로 분류하여 정해진 데이터 포멧에 맞도록 변환 처리하고, 시간대별로 정렬하여 상기 과채류 예측데이터베이스에 축적 저장하는 예측 데이터베이스; 상기 사용자 단말기로부터 입력되는 조건에 맞추어 Deep learning을 통하여 예측 데이터베이스에 저장된 데이터를 학습하여 학습된 데이터가 분류 생성되도록 학습된 물동량 데이터를 생성하는 학습모듈; 및 Deep learning을 통하여 상기 입력된 조건 및 환경에 맞추어 상기 학습된 물동량 데이터 중 요구되는 조건에 최적에 해당하는 물동량 경로 집합을 산출하고, 입력된 조건 순위에 맞추어 예측된 물동량 데이터 집합을 출력하는 예측모듈; 을 포함하는 것을 특징으로 하는 과채류 물동량 예측시스템이 제공된다.
또한, 상기 예측 물동량 데이터 집합은, 상기 입력된 조건을 처리하는 경매 기관들의 선택 및 각 경매기관별 경매가격, 경매물량을 포함하는 것을 특징으로 한다.
또한, 상기 예측모델은 최초 출력된 예측된 물동량 데이터 집합으로부터, 최종 결정한 물동량 경로 및 가격을 피드백 받아 예측 오차를 최소화하도록 학습하는 것을 특징으로 한다.
또한, 상기 사용자 단말기로부터 입력되는 조건은 경매에 의해 판매를 원하는 과채류의 수량인 것을 특징으로 한다.
또한, 상기 사용자 단말기로부터 입력되는 경매가 및 경매기관 수의 범위를 더 포함하는 것을 특징으로 한다.
또한, 상기 사용자 단말기로부터 과거의 물동량데이터가 요청되면, 상기 제어부는 요청된 조건에 맞는 데이터를 추출하여 과거 물동량의 판매가격과 판매경로들을 상기 사용자 단말기를 통하여 출력되는 것을 특징으로 한다.
본 발명의 또 다른 측면에 따르면, 과채류 물동량 예측장치를 이용하여 경매 물동량을 예측하는 과채류 물동량 예측방법에 있어서, 상기 과채류 물동량 예측장치에 과거 및 현재의 물동량 데이터 및 과채류 물동량에 영향을 줄 수 있는 데이터를 수집하여 시기별로 축적 저장되며, 현재의 데이터도 실시간으로 축적 저장되는 예측 데이터베이스 구축단계; 사용자 단말기를 통하여 물동량 배부조건이 입력되는 단계; 상기 물동량 배부조건에 맞추어 기계학습으로 예측 데이터베이스에 축적된 데이터를 학습하여 학습된 데이터가 분류 생성되도록 학습된 예측 물동량 데이터 및 변수를 추출하는 학습 데이터 추출단계; 및 Deep learning을 통하여 상기 물동량 배부조건 조건 및 환경에 맞추어 학습된 물동량 데이터 중 요구되는 조건에 최적에 해당하는 물동량 경로 집합을 산출하여 예측 경매가격 및 분배경로 데이터 집합을 출력하는 물동량 예측 단계; 를 포함하는 것을 특징으로 하는 과채류 물동량 예측방법.이 제공된다.
또한, 상기 물동량 예측 단계 이후에, 사용자 단말기에 의한 경매가격 또는 분배 경로를 판단하는 단계; 를 더 포함하며, 상기 판단하는 단계 이후에 예측된 물동량 정보의 판단에 따라 상기 사용자 단말기를 통하여 경매가격 또는 분배 경로의 수를 변경하여 재입력하는 단계; 를 포함하는 것을 특징으로 한다.
또한, 상기 재입력하는 단계 이후에 다시 상기 물동량 예측 단계로 돌아가서 예측 경매가격 및 분배경로 데이터 집합을 재 출력하는 것을 특징으로 한다.
본 발명의 일 실시 예에 따르면, 기존의 경험에 의한 토마토 물동량예측에 대해 축적된 데이터베이스 정보로부터 과거의 전체의 물동량에 의해 주어진 조건에 대한 장래 물동량을 학습하여 예측하고, 예측된 정보와 피드백된 실제 정보를 누적 학습함으로써, 오류를 최소화하고 최적의 가격과 물동량 경로를 도출할 수 있는 시스템을 제공함으로써 사용자들의 물동량 분배에 대한 정확도를 높이고 물동량 분배 의사결정을 원활하게 할 수 있다.
또한, 특정지역의 과채류 집화장 APC에서 향후, 1~2일 후의 최적의 물동량을 예측할 수 있어서 과채류의 최적의 출하시기를 조정하는데 기여할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 과채류 물동량 예측시스템의 블록도의 예를 도시한 것이다.
도 2는 본 발명의 일 실시 예에 따른 과채류 물동량 예측시스템의 예측 프로세스를 설명하기 위한 도면이다.
도 3은 도 3은 본 발명의 일 실시 예에 따른 과채류 물동량 예측시스템을 이용한 예측방법의 순서도를 도시한 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
또한, 본 발명의 실시 예의 구성 요소를 설명하는 데 있어서, 제1, 제2, 1, 2, A, B, C 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 '연결', '결합' 또는 '접속'된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결, 결합 또는 접속될 수 있지만, 그 구성 요소와 그 다른 구성요소 사이에 또 다른 구성 요소가 '연결', '결합' 또는 '접속'될 수도 있다고 이해되어야 할 것이다.
이하, 과채류 물동량 예측시스템 및 방법에 대해 토마토의 예를 들어 설명한다.
토마토를 포함하는 과채류는 저장성이 없고 시간이 지나면 품질이 저하되기 때문에 수확과 동시에 도매유통이 같은 날 모두 이루어져야 한다.
이에 따라 이미 수확된 토마토가 물동량 경로를 잘못 선택한 경우에는 유통이 원활하지 않거나, 제값을 못 받고 유통이 될 수 있다.
또한, 물동량이 커지고 분배 경로가 복잡하여지고, 집하장 주체도 농협 또는 다른 조합형태의 법인에서도 같은 도매상 경로로 분배가 이루어짐에 따라 경험에 의해 분배하다 보면, 어느 곳에는 물동량이 넘치고 어느 곳에서는 모자라게 되어, 결국은 생산 농민이 그 손해를 떠 안게 된다.
본 발명의 일 실시 예에 따른 과채류 물동량 예측시스템은 학습모델 및 예측모델 프로세스를 통해 과거의 데이터를 이용해 장래의 물동량을 예측하고 물동량을 분배한다.
도 1은 본 발명의 일 실시 예에 따른 과채류 물동량 예측시스템의 블록도의 예를 도시한 것이다.
도 1을 참조하면, 본 발명의 일 실시 예에 따른 과채류 물동량 예측시스템은 과채류 물동량 예측장치(10) 및 이와 연결되어 예측 조건을 입력하는 사용자 단말기(21), 외부기관 데이터베이스(31, 32, 33)을 포함한다.
과채류 물동량 예측장치(10)는 제어부(11), 과채류 예측 데이터베이스(12), 예측모듈(13) 및 학습모듈(14)을 포함한다.
제어부(11)는 사용자 단말기(21)로 입력된 입력신호에 따라 과채류 물동량 예측장치(10)의 각부의 동작을 제어하고, 입력된 정보를 과채류 예측 데이터베이스(12)에 저장한다. 또한, 제어부(11)는 외부기관 데이터베이스(31, 32, 33)를 통하여 수확량 정보, 출하정보, 경매기관의 경락정보 및 토마토 물동량에 영향을 미치는 기타 정보를 인자(factor)별로 분류하여 정해진 과채류 예측 데이터베이스(12)의 데이터 포멧에 맞도록 변환 처리하고, 시간대별로 정렬하여 과채류 예측 데이터베이스(12)에 축적 저장한다.
본 발명의 일 실시 예에 따른 과채류 물동량 예측장치(10)의 예측 데이터베이스(12)는 과거의 물동량 데이터 및 과채류 물동량에 영향을 줄 수 있는 데이터를 수집하여 시기 별로 축적 저장되며, 현재의 데이터도 실시간으로 축적 저장된다.
본 발명의 일 실시 예에 따르면, 예측 데이터베이스(12)에 입력되는 정보들은 인터페이스(미 도시됨)를 거쳐서 제어부(11)에 의해 예측 데이터베이스(12) 및 학습모듈(14)에서 인식할 수 있는 정해진 포멧으로 변환되어 축적 저장된다.
토마토 물동량에 영향을 미치는 기타 정보는 기상 데이터 정보, 교통량 정보, 또는 인구정보 중 어느 하나 이상을 포함할 수 있다.
또한, 물동량에 영향을 미치는 기타 정보는 인근 지역 대형마트의 과채류 할인행사, 과채류 소비 캠페인, 토마토 축제, 명절, 휴일 중 어느 하나 이상을 더 포함할 수 있다.
본 발명의 일 실시 예에 따른 외부기관 데이터베이스(31, 32, 33)는 지역농협, 원예농협, 지방자치단체 데이터베이스 중 어느 하나 이상을 포함하는 기관 데이터베이스(31), 농수산식품 유통 데이터베이스(aT DB, agriculture DB)를 포함하는 농업데이터베이스(32) 및 통계를 관장하는 통계청데이터베이스(33)를 포함할 수 있다.
과채류 물동량 예측장치(10)의 예측 데이터베이스(12)는 외부기관 데이터베이스(31)로부터는 인근 지역의 수확량 정보, 출하정보 및 도매회사의 경락정보에 대해 과거데이터를 받아 시기별로 축적을 하고, 현재 데이터를 실시간으로 입력받아 저장한다.
또한, 예측 데이터베이스(12)는 농업데이터베이스(32)로부터는 전체 물동량 정보, 인근의 특정 지역의 수확량 정보, 출하정보 및 도매회사의 경락정보에 대해 과거데이터를 받아 시기별로 축적을 하고 현재 데이터를 실시간으로 입력받아 저장한다.
또한, 예측 데이터베이스(12)는 통계데이터베이스(33)로부터는 인근 특정 지역의 기상데이터 정보에 대해 과거데이터를 시기별로 입력받아 축적을 하고 현재데이터를 실시간으로 입력받아 저장한다.
또한, 예측 데이터베이스(12)는 통계데이터베이스(33)로부터 토마토 물동량에 영향을 미칠 수 있는 인구정보, 교통량 정보, 명절, 휴일 정보 중 어느 하나 이상을 시기별로 입력받아 입력된 정보들과 매칭하여 축적 저장될 수 있다.
또한, 과채류 물동량 예측장치(10)의 예측 데이터베이스(12)는 사용자 단말기(21)로부터 토마토 물동량에 영향을 미칠 수 있는 인근 지역 대형 마트의 과채류 할인행사, 과채류 소비 캠페인, 토마토 축제 정보를 입력받아 입력된 정보들과 시기별로 매칭하여 축적 저장될 수 있다.
수확량 정보는 토마토 농가의 수확한 토마토를 지역농협에서 수매 수량 가집계를 통해 정보가 제공될 수 있다, 또한, 출하정보는 과채류 집하장(APC)에서 각 경매기관의 도매회사를 통해 출하되는 정보일 수 있다. 경락정보는 경매기관(도매회사)에서 시기별 경매되는 물량 및 경락가격을 포함하는 정보이다.
학습모듈은 입력되는 사용자가 입력하는 조건에 맞추어 기계학습으로 예측 데이터베이스(12)에 저장된 데이터를 학습하여 축적에 의해 학습된 데이터가 분류 생성되도록 학습된 예측 물동량 데이터를 생성한다.
예를 들어 과거의 총 생산량, 기후조건, 처리된 출하량, 이벤트 유무, 각 도매회사의 경매처리량을 학습하고 현재 물동량 및 시기에 맞추어 물동량 데이터를 분류 생성한다.
상기 사용자 단말기로부터 입력되는 조건은 경매에 의해 판매를 원하는 과채류의 량인 것을 특징으로 한다. 또는, 상기 사용자 단말기로부터 입력되는 조건은 원하는 경매가 및 경매기관 수의 범위를 더 포함할 수 있다.
예측 모델(13)은 Deep learning을 통하여 사용자가 요구하는 조건 및 환경에 맞추어 학습된 예측 물동량 데이터 중 요구되는 조건에 최적에 해당하는 물동량 경로 집합을 산출하고, 사용자가 입력한 조건 순위에 맞추어 예측 물동량 데이터 집합을 출력하도록 제어된다.
상기 예측 물동량 데이터 집합은, 입력된 조건을 처리할 수 있는 경매 기관들의 선택 및 각 경매기관별 경매가격, 경매물량을 포함하는 것을 특징으로 하는 과채류 물동량 예측시스템.
또한, 예측모델(13)은 최초 출력된 데이터 집합으로부터, 사용자가 결정한 물동량 경로 및 가격을 피드백 받아 예측 오차를 최소화하도록 축적하여 학습하도록 프로그램으로 제어된다.
본 발명의 일 실시예에서는 설명의 편의상 학습모델(14) 및 예측모델(13)로 구분하여 설명하였으나, 실제 적용 예에서는 하나의 모델에서 모두 수행하거나, 서로 그 역할을 바꾸어서 수행될 수 있다.
본 발명의 일 실시 예에 따른 학습모델(14) 및 예측모델(13)은 과거의 토마토 물동량에 대한 데이터(전체 재배량, 과거 물동량에 대한 각각의 도매가격, 물동경로, 물동량, 재고정보) 및 기상 데이터 정보, 이벤트 정보와 같은 다양한 토마토 물동량 관련에 대한 정보들을 학습하고, 이를 이용해 가장 큰 수입을 도출할 수 있는 토마토 도매가격을 판단하고 이를 토대로 물동량 분배를 했을 때 최적의 물동 경로와 물동량을 제시해주는 모델을 제공한다.
도 2는 본 발명의 일 실시 예에 따른 과채류 물동량 예측시스템의 예측 프로세스를 설명하기 위한 도면이다.
본 발명의 일 실시 예에 따른 예에서, 예측모듈(13)은 사용자가 집하된 토마토 출하량을 입력하였을 경우, 합산 가격이 높으면서, 적은 경로 개수를 가지는 데이터 집합 순으로 데이터를 추출할 수 있다.
도 2를 참조하여 예를 들면, 사용자가 지역의 집하장(APC)에서 집하된 토마토를 30,000box(N)를 입력하였을 때, 예측모듈(13)은 학습된 데이터로부터 현재 상태 여건에서 물량을 경매기관에 분배하였을 때, 각각의 물량에 대한 각 경매기관들의 경락가격을 예측을 하여 출력을 할 수 있다.
본 발명의 일 실시 예에 따른 경매기관은, 도매상, 도매회사, 도배법인 등 과채류를 경매에 의해 판매를 수행하는 기관을 의미한다.
이하 도매회사는 경매기관을 의미한다.
즉, 과거의 데이터로부터 현재 물동량을 감안할 때, 30,000box(N)에 대해 최대 가격으로 경매될 예측 물동량은, A도매회사에게 \40,000/box(p1) 가격에 18,000box(n1), B도매회사에게 \40,300/box(p2)에 7000box(n2), C도매회사에게 \40,500/box(p3)에 5000box(n2)로 하는 최적의 분배경로 및 경락가격을 예측하여 제시하여 줄 수 있다.
각 도매회사A, B, C는 특정 집하장(APC) 외에도 타 법인 가, 나, 다, 라에서 각각 토마토 물량을 분배받아 경매에 의해 그날의 경락가격을 결정하게 되므로 이에 대한 물동량 흐름도 감안하여 학습을 한다.
즉, 본 발명의 일 실시 예에 따른 과채류 물동량 예측장치(10)는 과거의 토마토 물동량에 대한 데이터 및 기상 데이터 정보, 이벤트 정보와 같은 다양한 토마토 물동량 관련에 대한 정보들을 학습하고 이를 이용해 가장 큰 수입을 도출할 수 있는 토마토 도매가격을 판단하고 이를 토대로 물동량 분배를 했을 때 최적의 물동 경로와 물동량을 제시해주는 모델을 제공한다.
물동량을 제시해주는 모델은 과거 데이터를 이용해 미래의 물동량을 예측해줄 뿐만 아니라 사용자는 각 도매시장으로 이동하는 물동량에 대해 시스템에 물동량 값을 입력하고 입력된 물동량 정보들을 토대로 최적의 물동량 값을 다시 제시해 줌으로써 사용자는 최적의 물동량 분배를 결정할 수 있다.
토마토 물동량 예측에 대한 모델링은 Deep learning 방법을 이용해 다양한 변수들의 연계관계에 대한 예측을 수행하고, 과거의 데이터 및 예측 오차를 줄이도록 학습을 하여 데이터가 축적될수록 더 정확한 예측을 할 수 있다.
물동량 경로는 어떤 경우에는 경로를 많게 분배하였을 때, 즉 더 많은 경로의 개수의 도매회사에 분배하였을 경우, 더 높은 가격을 받을 수 있는 반면, 예측 경락가격을 낮추면 더 적은 경로의 개수의 경매기관(도매회사)에 분배할 수가 있다. 한편, 분배 경로 개수가 많아지면 이에 따른 소요 경비 및 시간이 더 추가될 수 있다.
본 발명의 일 실시 예에 따른 과채류 물동량 예측장치(10)는 사용자가 사용자 단말기(21)를 통하여 예측모델(14)에서 최초로 예측된 가격조건 또는 분배 경로에 만족하지 않을 경우, 가격 또는 분배 경로의 수를 변경하여 다르게 제시할 수 있다. 이 경우 예측모델(14)은 사용자 단말기(21)로부터 입력된 변경된 가격 및 경로 개수 조건에 맞추어 새로운 물동량 데이터 집합을 추출하여 출력할 수 있다.
또한, 사용자는 사용자 단말기(21)를 통하여 특정시기에 대한 과거의 물동량데이터를 요청할 수 있다. 과채류 물동량 예측장치(10)의 제어부(11)는 사용자 단말기(21)로부터 입력된 과거의 물동량데이터 요청에 따라 요구 조건에 맞는 데이터를 추출하여 과거 물동량의 판매가격과 판매경로들을 대시 보드 형태로 사용자 단말기(21)로 제공하여 준다.
도 3은 본 발명의 일 실시 예에 따른 과채류 물동량 예측시스템을 이용한 예측방법의 순서도를 도시한 것이다.
먼저, 110단계에서 과채류 물동량에 대한 예측 데이터베이스 구축 단계가 수행된다.
데이터베이스 구축 단계(110)는 앞서 설명한 과채류 물동량 예측장치(10)의 예측 데이터베이스(12)에 과거의 물동량 데이터 및 과채류 물동량에 영향을 줄 수 있는 데이터를 수집하여 시기별로 축적 저장되며, 현재의 데이터도 실시간으로 축적 저장되는 과정이 수행된다.
다음은 사용자가 사용자 단말기를 통하여 물동량 배부조건을 입력하는 단계(210)가 수행된다.
배부조건을 입력하는 단계(210)에서 사용자는 분배할 과채류 물량을 포함하여 입력한다. 또는 분배 경로, 경락 가격 범위를 더 포함할 수 있다.
과채류 물동량 예측장치(10)의 학습모듈(14)은 사용자가 입력하는 배부조건에 맞추어 기계학습(Deep learning)으로 예측 데이터베이스(12)에 축적된 데이터를 학습하여 학습된 데이터가 분류 생성되도록 학습된 예측 물동량 데이터 및 변수를 추출하는 학습 데이터 추출단계(120)가 수행된다.
다음은 Deep learning을 통하여 사용자가 요구하는 물동량 배부조건 및 환경에 맞추어 학습된 물동량 데이터 중 요구되는 조건에 최적에 해당하는 물동량 경로 집합을 산출하고, 사용자가 입력한 조건 순위에 맞추어 예측 경매가격 및 경로 데이터 집합을 출력하는 물동량 예측 단계(130)가 수행된다.
사용자가 사용자 단말기(21)를 통하여 예측모델(14)에서 최초로 예측된 경락 가격조건 또는 분배 경로를 판단하는 예측된 가격 및 경로판단 단계(140)가 수행된다.
예측된 가격 및 경로판단 단계(140)에서 사용자가 예측된 물동량 정보에 만족을 하면 예측된 가격 및 경로로 결정을 하고(150) 종료한다.
예측된 가격 및 경로판단 단계(140)에서 사용자가 예측된 물동량 정보에 만족을 하지 않으면, 사용자는 사용자 단말기(21)를 통하여 가격 또는 분배 경로의 수를 변경하여 재입력하는 단계(220)가 수행된다.
변경된 가격 및 경로 조건 변경단계(220)에서 변경된 조건이 입력되면, 다시 Deep learning 물동량 예측단계(130)가 수행된다. 예측모델(14)은 사용자 단말기(21)를 통하여 입력된 변경된 가격 및 경로 개수 조건에 맞추어 새로운 물동량 데이터 집합을 학습하고 이를 추출하여 제1차 변경된 가격 및 경로 데이터 집합을 출력 출력한다.
이후 다시 예측된 물동량의 가격 및 경로판단 단계(140)가 다시 수행된다.
상기 140단계 및 220단계는 사용자가 만족할 때까지 반복적으로 수행될 수 있다.
본 발명에서는 기존의 토마토 경험으로 물동량을 예측함에 있어 발생했었던 최적 예측의 오류를 사람이 할 수 없는 과거의 전체의 물동량을 학습하고 이를 통해 오류를 최소화하고 최적의 가격을 도출할 수 있는 시스템을 제공함으로써 사용자들의 물동량 분배에 대한 정확도를 높일 수 있다.
본 발명의 일 실시 예에 따르면, 기존의 경험에 의한 토마토 물동량예측에 대해 축적된 데이터베이스 정보로부터 과거의 전체의 물동량에 의해 주어진 조건에 대한 장래 물동량을 학습하여 예측하고, 예측된 정보와 피드백된 실제 정보를 누적 학습함으로써, 오류를 최소화하고 최적의 가격과 물동량 경로를 도출할 수 있는 시스템을 제공함으로써 사용자들의 물동량 분배에 대한 정확도를 높이고 물동량 분배 의사결정을 원활하게 할 수 있다.
또한, 특정지역의 과채류 집하장(APC)에서 향후, 1~2일 후의 최적의 물동량을 예측할 수 있어서 과채류의 최적의 출하시기를 조정하는데 기여할 수 있다.
또한, 기존에 경험에 의존해 분배했던 물동량에 비해 과거의 데이터를 활용함으로써 비슷한 조건이나 상황에 대한 최적의 물동량을 예측할 수 있고 이를 활용해 가격조건이 좋은 최적의 물동량 분배를 결정할 수 있다.
10: 과채류 물동량 예측장치
11: 제어부
12: 예측 데이터베이스
13: 예측모듈
14: 학습모듈
21: 사용자 단말기
31, 32, 33: 외부기관 데이터베이스

Claims (9)

  1. 과채류의 경매 물동량을 예측하는 과채류 물동량 예측시스템에 있어서,
    상기 과채류 물동량 예측시스템은,
    예측 조건이 입력되는 사용자 단말기;
    상기 사용자 단말기와 연결된 과채류 물동량 예측장치; 및
    상기 과채류 물동량 예측장치와 연결되어 과거 및 현재의 물동량 데이터 정보가 입력되는 외부 기관 데이터베이스; 를 포함하며,
    상기 과채류 물동량 예측장치는,
    상기 과채류 물동량 예측장치의 각부를 제어하는 제어부;
    상기 제어부에 의해 상기 외부기관 데이터베이스로부터 수확량 정보, 출하정보, 경매기관의 경락정보 및 과채류 물동량에 영향을 미치는 기타 정보를 포함하는 정보를 인자 별로 분류하여 정해진 데이터 포멧에 맞도록 변환 처리하고, 시간대별로 정렬하여 축적 저장하는 예측 데이터베이스;
    상기 사용자 단말기로부터 입력되는 조건에 맞추어 Deep learning을 통하여 예측 데이터베이스에 저장된 데이터를 학습하여 학습된 데이터가 분류 생성되도록 학습된 물동량 데이터를 생성하는 학습모듈; 및
    Deep learning을 통하여 상기 입력된 조건 및 환경에 맞추어 상기 학습된 물동량 데이터 중 요구되는 조건에 해당하는 물동량 경로 집합을 산출하고, 입력된 조건 순위에 맞추어 예측된 물동량 데이터 집합을 출력하는 예측모듈; 을 포함하되,
    상기 예측된 물동량 데이터 집합은,
    상기 입력된 조건을 처리하는 경매 기관들의 선택 및 각 경매기관별 경매가격, 경매물량을 포함하며,
    상기 예측된 물동량 데이터 집합은,
    상기 입력된 조건을 처리하는 경매 기관들의 선택 및 각 경매기관별 경매가격, 경매물량을 포함하고
    상기 예측모듈은 최초 출력된 예측된 물동량 데이터 집합으로부터, 최종 결정한 물동량 경로 및 가격을 피드백 받아 예측 오차를 최소화하도록 학습하는 것을 특징으로 하고
    상기 사용자 단말기로부터 입력되는 조건은 경매에 의해 판매를 원하는 과채류의 수량, 경매가 및 경매기관 수의 범위를 포함하며,
    상기 사용자 단말기로부터 과거의 물동량데이터가 요청되면,
    상기 제어부는 요청된 조건에 맞는 데이터를 추출하여 과거 물동량의 판매가격과 판매경로들을 상기 사용자 단말기를 통하여 출력되는 것을 특징으로 하는 과채류 물동량 예측시스템.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
  7. 제1항의 과채류 물동량 예측시스템이 경매 물동량을 예측하는 과채류 물동량 예측방법에 있어서,
    상기 과채류 물동량 예측장치가 과거 및 현재의 물동량 데이터 및 과채류 물동량에 영향을 줄 수 있는 데이터를 수집하여 시기 별로 축적 저장되며, 현재의 데이터를 실시간으로 축적 저장되는 예측 데이터베이스 구축단계;
    상기 과채류 물동량 예측장치에 사용자 단말기를 통하여 물동량 배부조건이 입력되는 단계;
    상기 과채류 물동량 예측장치의 학습모듈이 상기 물동량 배부조건에 맞추어 기계학습으로 예측 데이터베이스에 축적된 데이터를 학습하여 학습된 데이터가 분류 생성되도록 학습된 예측 물동량 데이터 및 변수를 추출하는 학습 데이터 추출단계;
    상기 과채류 물동량 예측장치의 예측모듈이 Deep learning을 통하여 상기 물동량 배부조건 및 환경에 맞추어 학습된 물동량 데이터 중 요구되는 조건에 해당하는 물동량 경로 집합을 산출하여 예측 경매가격 및 분배경로 데이터 집합을 출력하는 물동량 예측 단계;
    상기 사용자 단말기가 상기 예측모듈에서 예측된 경매가격 또는 분배 경로를 판단하는 단계; 및
    상기 사용자 단말기가 상기 판단 결과에 따라 경매가격 또는 분배 경로의 수를 변경하여 재입력하는 단계; 를 포함하는 것을 특징으로 하는 과채류 물동량 예측방법.
  8. 삭제
  9. 제7항에 있어서,
    상기 재입력하는 단계 이후에 다시 상기 물동량 예측 단계로 돌아가서 예측 경매가격 및 분배경로 데이터 집합을 재 출력하는 것을 특징으로 하는 과채류 물동량 예측방법.
KR1020190095459A 2019-08-06 2019-08-06 과채류 물동량 예측시스템 및 방법 KR102222004B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190095459A KR102222004B1 (ko) 2019-08-06 2019-08-06 과채류 물동량 예측시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190095459A KR102222004B1 (ko) 2019-08-06 2019-08-06 과채류 물동량 예측시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20210018605A KR20210018605A (ko) 2021-02-18
KR102222004B1 true KR102222004B1 (ko) 2021-03-05

Family

ID=74688561

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190095459A KR102222004B1 (ko) 2019-08-06 2019-08-06 과채류 물동량 예측시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102222004B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102539662B1 (ko) * 2022-07-20 2023-06-07 농업협동조합중앙회 농산물 가격의 예측을 지원하는 전자 장치 및 그 제어 방법
KR102528552B1 (ko) 2022-09-07 2023-05-08 주식회사 베지스타 실시간으로 농산물 재고 상태를 확인할 수 있는 농산물 재고 유지 서비스 제공 장치, 방법 및 프로그램

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017174275A (ja) * 2016-03-25 2017-09-28 Ｎｅｃソリューションイノベータ株式会社 出荷数量予測装置、出荷数量予測方法、及びプログラム
JP6267337B2 (ja) * 2014-07-08 2018-01-24 Ｎｅｃソリューションイノベータ株式会社 集荷量調整支援装置、集荷量調整支援方法、及びプログラム
JP2018205850A (ja) 2017-05-31 2018-12-27 株式会社地産地消推進機構 需給調整システム及び需給調整方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101347514B1 (ko) 2012-06-08 2014-01-03 오동섭 농산물 수확량 예측시스템 및 이를 이용한 농산물 수확량의 예측방법
KR101746688B1 (ko) * 2015-09-17 2017-06-15 주식회사 삼오씨엔에스 기상 사물통신 서버와 연계된 빅데이터 기반의 농작물 생장환경 분석과 출하시기 예측 시스템 및 그 운용방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6267337B2 (ja) * 2014-07-08 2018-01-24 Ｎｅｃソリューションイノベータ株式会社 集荷量調整支援装置、集荷量調整支援方法、及びプログラム
JP2017174275A (ja) * 2016-03-25 2017-09-28 Ｎｅｃソリューションイノベータ株式会社 出荷数量予測装置、出荷数量予測方法、及びプログラム
JP2018205850A (ja) 2017-05-31 2018-12-27 株式会社地産地消推進機構 需給調整システム及び需給調整方法

Also Published As

Publication number Publication date
KR20210018605A (ko) 2021-02-18

Similar Documents

Publication Publication Date Title
Behzadi et al. Agribusiness supply chain risk management: A review of quantitative decision models
US20190370915A1 (en) Farm and mobile manufacturing
US20210209705A1 (en) System and Method for Managing and Operating an Agricultural-Origin-Product Manufacturing Supply Chain
Shukla et al. Agri‐fresh produce supply chain management: a state‐of‐the‐art literature review
Iakovou et al. Supply chain management for sustainable food networks
KR101936317B1 (ko) 단말기를 이용한 스마트 파밍 방법
US20200134545A1 (en) Supply chain forecasting system
Lamsal et al. Sugarcane harvest logistics in Brazil
KR102222004B1 (ko) 과채류 물동량 예측시스템 및 방법
Minor et al. Economic drivers of food loss at the farm and pre-retail sectors: a look at the produce supply chain in the United States
Leithner et al. A simulation model to investigate impacts of facilitating quality data within organic fresh food supply chains
US12001988B2 (en) Automated process to identify optimal conditions and practices to grow plants with specific attributes
Das Nair et al. Making agricultural value chains more inclusive through technology and innovation
Nedumaran et al. Digital integration to enhance market efficiency and inclusion of smallholder farmers: a proposed model for fresh fruit and vegetable supply chain
KR102411671B1 (ko) 기상정보를 활용한 외식기업의 매출 추정 시스템 및 매출 추정액의 산출 방법
Goodarzian et al. Investigating a citrus fruit supply chain network considering CO2 emissions using meta-heuristic algorithms
Kumar et al. Challenges and opportunities for agri-fresh food supply chain management in India
Mateo‐Fornés et al. Managing quality, supplier selection, and cold‐storage contracts in agrifood supply chain through stochastic optimization
Naud et al. Support to decision-making
Ishak et al. FarmEasy: An intelligent platform to empower crops prediction and crops marketing
WO2019239422A1 (en) System and method for digital crop lifecycle modeling
Sogandi et al. Metaheuristic algorithms for a sustainable saffron supply chain network considering government policies and product quality under uncertainty
CN116361562A (zh) 一种面向农业产业互联网的知识化推荐方法及系统
Norton et al. Evaluating returns to social science research: Issues and possible methods
US20220309595A1 (en) System and Method for Managing and Operating an Agricultural-Origin-Product Manufacturing Supply Chain

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant