KR102539662B1

KR102539662B1 - 농산물 가격의 예측을 지원하는 전자 장치 및 그 제어 방법

Info

Publication number: KR102539662B1
Application number: KR1020220089793A
Authority: KR
Inventors: 지우호; 김유현; 유일봉; 이병석; 최종성; 김성현; 정현준; 송민채
Original assignee: 농업협동조합중앙회
Priority date: 2022-07-20
Filing date: 2022-07-20
Publication date: 2023-06-07

Abstract

특정 지리적 영역에 대한 농산물 가격의 예측을 지원하는 전자 장치의 제어 방법이 개시된다. 본 제어 방법은 농산물과 관련된 정보로서, 특정 지리적 영역에 속한 복수의 지역에 대하여 제1 기간의 각 지역별 기상 정보 또는 이를 가공한 정보 및 기타 정보를 각각 독립변수로 하고, 제2 기간의 농산물의 가격 정보를 종속변수로 하여 기계 학습을 하여 가격 예측 모듈을 생성하는 단계; 및 농산물과 관련된 정보로서, 제3 기간의 각 지역별 기상 정보 또는 이를 가공한 정보 및 기타 정보를 가격 예측 모듈에 입력함으로써 특정 시점의 농산물 가격을 예측하도록 지원하는 단계;를 포함한다.

Description

농산물 가격의 예측을 지원하는 전자 장치 및 그 제어 방법 { ELECTRONIC APPARATUS SUPPORTING PREDICTION OF AGRICULTURAL PRODUCT PRICE AND CONTROLLING METHOD THEREOF }

본 개시는 전자 장치 및 그 제어 방법에 관한 것으로, 더욱 상세하게는 농산물 가격 예측 모듈을 생성하고 농산물 가격 예측을 지원하는 전자 장치 및 그 제어 방법에 관한 것이다.

농산물은 시장에서 수요와 공급의 증감에 따른 가격 탄력성이 매우 큰 상품이다. 그 동안 농산물의 수요/공급에 영향을 미치는 요인들이 논의되어 왔지만 각 요인이 어느 정도의 영향을 유발하는지에 관한 메커니즘은 밝혀지지 않았다.

이에 발명자는, 여러 종류의 관련 데이터로부터 특정 농산물의 가격을 비교적 정확하게 예측할 수 있는 기술을 발명하게 되었다.

한국등록특허 10-2016-0037290

본 개시는 상술한 종래의 문제를 해결하기 위해 안출된 것으로, 본 개시의 목적은 농산물 가격을 정확하게 예측하는 가격 예측 모듈을 생성하고, 생성된 가격 예측 모듈을 이용하여 농산물 가격 예측을 지원하는 전자 장치 및 그 제어 방법을 제공함에 있다.

본 개시의 기술적 사상이 해결하고자 하는 과제는, 이상에서 언급한 과제에 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

이상과 같은 목적을 달성하기 위한 본 개시의 일 실시 예에 따른 특정 지리적 영역에 대한 농산물 가격의 예측을 지원하는 전자 장치의 제어 방법은 (a) 상기 농산물과 관련된 정보로서, 상기 특정 지리적 영역에 속한 복수의 지역에 대하여 (i) 제1 기간의 각 지역별 기상 정보 또는 이를 가공한 정보 및 (ii) 기타 정보를 각각 독립변수로 하고, 제2 기간의 상기 농산물의 가격 정보를 종속변수로 하여 기계 학습을 하여 가격 예측 모듈을 생성하는 단계; 및 (b) 상기 농산물과 관련된 정보로서, (iii) 제3 기간의 지역별 기상 정보 또는 이를 가공한 정보 및 (iv) 기타 정보를 상기 가격 예측 모듈에 입력함으로써 특정 시점의 상기 농산물 가격을 예측하도록 지원하는 단계;를 포함한다.

상기 제1 기간의 지역별 기상 정보를 가공한 정보는, 상기 제1 기간에 상기 농산물에 대한 각 지역별 출하 물량 비중을 상기 지역별 기상 정보에 가중 평균한 정보를 포함할 수 있다.

상기 제1 기간의 지역별 기상 정보 또는 이를 가공한 정보는, 각각 상기 제1 기간 중 기온이 상기 농산물의 생육에 적정하다고 판단될 수 있는 소정의 온도 범위에 속하는 기간의 기상 정보 또는 이를 가공한 정보일 수 있다.

상기 기타 정보는, 상기 제1 기간 동안 상기 농산물의 (가) 도매시장 경락 물량에 대한 지급 수수료 정보, (나) 상기 도매시장 별 운송비 정보 및 (다) 소매시장 유통 가격 정보 중 적어도 일부를 포함할 수 있다.

상기 기타 정보는, 상기 제2 기간의 농산물의 가격 정보에서 추세적 특성에 대한 정보, 계절적 특성에 대한 정보 및 순환적 특성에 대한 정보 중 적어도 일부를 제거한 잔차 정보(residual)를 포함할 수 있다.

상기 (a) 단계는, (a1) 상기 제1 기간의 지역별 기상 정보 또는 이를 가공한 정보 및 (ii) 기타 정보를 독립변수로 하고, 제2 기간의 상기 농산물의 가격 정보를 종속변수로 하여 기계 학습을 하여 제1 내지 제n 가격 예측 모듈(n은 n>1인 자연수)을 생성하는 단계; (a2) 상기 농산물과 관련된 정보로서, (x) 제3 기간의 지역별 기상 정보 또는 이를 가공한 정보 및 (y) 기타 정보를 상기 제k 가격 예측 모듈(k는 n>k>1인 자연수)에 입력함으로써 상기 제k 가격 예측 모듈에 대한 특정 시점의 농산물 가격을 예측하는 단계; (a3) 상기 제k 가격 예측 모듈을 통해 예측된 농산물 가격의 오차에 따라 (i) 상기 제1 기간의 지역별 기상 정보 또는 이를 가공한 정보 및 (ii) 기타 정보에 소정의 가중치를 부여하여, 제k+1의 가격 예측 모듈을 재학습하는 단계;를 포함할 수 있다.

상기 (a) 단계에서, 상기 지역별 기상 정보는 상기 농산물을 재배할 수 있는 기상 조건에 대응되는 기상 정보일 수 있다.

상기 기타 정보는 상기 제1 기간 동안 상기 농산물의 도매시장 경락 가격 정보, 소매유통 판매 정보, 종자 매입금액 정보, 재고 정보, 수입 정보, 물가 정보 및 소비심리지수 정보 중 적어도 하나를 포함할 수 있다.

상기 제어 방법은, 상기 농산물에 대하여 예측된 가격이 제1 시점 가격을 기준으로 소정 범위 이상이라고 판단되면 향후 제1 시점 이후 제2 시점에 상기 농산물의 가격이 오를 것이라고 예측하도록 지원하는 단계;를 더 포함할 수 있다.

본 개시의 일 실시 예에 따른 특정 지리적 영역에 대한 농산물 가격의 예측을 지원하는 전자 장치의 제어 방법은 (a) 상기 농산물과 관련된 정보로서, 상기 특정 지리적 영역에 속한 복수의 지역에 대하여 (i) 제1 기간의 각 지역별 기상 정보 또는 이를 가공한 정보 및 (ii) 기타 정보 및 제2 기간의 상기 농산물의 가격 정보를 획득하는 단계; 및 (b) 상기 (i) 상기 제1 기간의 지역별 기상 정보 또는 이를 가공한 정보 및 (ii) 기타 정보를 각각 독립변수로 하고, 상기 제2 기간의 상기 농산물의 가격 정보를 종속변수로 하여 기계 학습을 하여 가격 예측 모듈이 생성된 상태에서, 상기 농산물과 관련된 정보로서, (x) 제3 기간의 지역별 기상 정보 또는 이를 가공한 정보 및 (y) 기타 정보를 상기 가격 예측 모듈에 입력하여, 특정 시점의 상기 농산물 가격을 예측하도록 지원하는 단계;를 포함한다.

본 개시의 일 실시 예에 따른 특정 지리적 영역에 대한 농산물 가격의 예측을 지원하는 전자 장치는 적어도 하나의 명령어를 저장하는 메모리; 및 상기 메모리와 연결되어 상기 전자 장치를 제어하는 프로세서를 포함하고, 상기 프로세서는, 상기 적어도 하나의 명령어를 실행함으로써, 상기 농산물과 관련된 정보로서, 상기 특정 지리적 영역에 속한 복수의 지역에 대하여 제1 기간의 각 지역별 기상 정보 또는 이를 가공한 정보 및 기타 정보를 각각 독립변수로 하고, 제2 기간의 상기 농산물의 가격 정보를 종속변수로 하여 기계 학습을 하여 가격 예측 모듈을 생성하고, 상기 농산물과 관련된 정보로서, 제3 기간의 지역별 기상 정보 또는 이를 가공한 정보 및 기타 정보를 상기 가격 예측 모듈에 입력함으로써 특정 시점의 상기 농산물 가격을 예측하도록 지원한다.

상기 프로세서는, 상기 제1 기간의 지역별 기상 정보 또는 이를 가공한 정보 및 기타 정보를 독립변수로 하고, 제2 기간의 상기 농산물의 가격 정보를 종속변수로 하여 기계 학습을 하여 제1 내지 제n 가격 예측 모듈(n은 n>1인 자연수)을 생성하고, 상기 농산물과 관련된 정보로서, 제3 기간의 지역별 기상 정보 또는 이를 가공한 정보 및 기타 정보를 상기 제k 가격 예측 모듈(k는 n>k>1인 자연수)에 입력함으로써 상기 제k 가격 예측 모듈에 대한 특정 시점의 농산물 가격을 예측하고, 상기 제k 가격 예측 모듈을 통해 예측된 농산물 가격의 오차에 따라 상기 제1 기간의 지역별 기상 정보 또는 이를 가공한 정보 및 기타 정보에 소정의 가중치를 부여하여, 제k+1의 가격 예측 모듈을 재학습할 수 있다.

상기 지역별 기상 정보는 상기 농산물을 재배할 수 있는 기상 조건에 대응되는 기상 정보일 수 있다.

상기 프로세서는, 상기 농산물에 대하여 예측된 가격이 제1 시점 가격을 기준으로 소정 범위 이상이라고 판단되면 향후 제1 시점 이후 제2 시점에 상기 농산물의 가격이 오를 것이라고 예측하도록 지원할 수 있다.

본 개시의 일 실시예에 따른 특정 지리적 영역에 대한 농산물 가격의 예측을 지원하는 전자 장치에 있어서, 적어도 하나의 명령어를 저장하는 메모리; 및 상기 메모리와 연결되어 상기 전자 장치를 제어하는 프로세서를 포함하고, 상기 프로세서는, 상기 적어도 하나의 명령어를 실행함으로써, 상기 농산물과 관련된 정보로서, 상기 특정 지리적 영역에 속한 복수의 지역에 대하여 (i) 제1 기간의 각 지역별 기상 정보 또는 이를 가공한 정보 및 (ii) 기타 정보 및 제2 기간의 상기 농산물의 가격 정보를 획득하도록 지원하고, 상기 (i) 상기 제1 기간의 각 지역별 기상 정보 또는 이를 가공한 정보 및 (ii) 기타 정보를 각각 독립변수로 하고, 상기 제2 기간의 상기 농산물의 가격 정보를 종속변수로 하여 기계 학습을 하여 가격 예측 모듈이 생성된 상태에서, 상기 농산물과 관련된 정보로서, (x) 제3 기간의 지역별 기상 정보 또는 이를 가공한 정보 및 (y) 기타 정보를 상기 가격 예측 모듈에 입력하여, 특정 시점의 상기 농산물 가격을 예측하도록 지원한다.

도 1은 본 개시의 일 실시예에 따른 전자 장치의 구성을 설명하기 위한 블록도이다.
도 2는 본 개시의 일 실시예에 따른 가격 예측 모듈을 설명하기 위한 도면이다.
도 3은 본 개시의 일 실시예에 따른 기상 정보를 가공한 정보를 획득하는 방법을 설명하기 위한 흐름도이다.
도 4는 본 개시의 일 실시예에 따른 가격 정보를 가공한 정보를 획득하는 방법을 설명하기 위한 흐름도이다.
도 5는 본 개시의 일 실시예에 따른 가격 예측 모듈을 학습하는 방법을 설명하기 위한 흐름도이다.
도 6a 내지 도 6b는 본 개시의 일 실시예에 따른 가격 예측 모듈의 성능을 설명하기 위한 도면이다.
도 7은 본 개시의 일 실시예에 따른 전자 장치가 농산물 가격을 예측하는 방법을 설명하기 위한 도면이다.
도 8은 본 개시의 일 실시 예에 따른 전자 장치가 가격 예측을 지원하는 방법을 설명하기 위한 시퀀스도이다.
도 9는 본 개시의 일 실시예에 따른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.

본 실시 예들은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 특정한 실시 형태에 대해 범위를 한정하려는 것이 아니며, 본 개시의 실시 예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.

본 개시를 설명함에 있어서, 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략한다.

덧붙여, 하기 실시 예는 여러 가지 다른 형태로 변형될 수 있으며, 본 개시의 기술적 사상의 범위가 하기 실시 예에 한정되는 것은 아니다. 오히려, 이들 실시 예는 본 개시를 더욱 충실하고 완전하게 하고, 당업자에게 본 개시의 기술적 사상을 완전하게 전달하기 위하여 제공되는 것이다.

본 개시에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 권리범위를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 개시에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.

본 개시에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상"등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.

본 개시에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.

어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다.

반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.

본 개시에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)"것만을 반드시 의미하지 않을 수 있다.

대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.

실시 예에 있어서 '모듈' 혹은 '부'는 적어도 하나의 기능이나 동작을 수행하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 '모듈' 혹은 복수의 '부'는 특정한 하드웨어로 구현될 필요가 있는 '모듈' 혹은 '부'를 제외하고는 적어도 하나의 모듈로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.

한편, 도면에서의 다양한 요소와 영역은 개략적으로 그려진 것이다. 따라서, 본 발명의 기술적 사상은 첨부한 도면에 그려진 상대적인 크기나 간격에 의해 제한되지 않는다.

이하에서는 첨부한 도면을 참고하여 본 개시에 따른 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.

도 1은 본 개시의 일 실시예에 따른 전자 장치의 구성을 설명하기 위한 블록도이다.

전자 장치(100)는 메모리(110), 통신 인터페이스(120) 및 프로세서(130)를 포함할 수 있다. 전자 장치(100)는 상기 구성요소 중 일부가 생략될 수 있으며, 다른 구성요소를 더 포함할 수 있다.

그리고, 전자 장치(100)는 서버로 구현될 수 있으나, 스마트폰, 휴대폰, 이어폰, 헤드셋, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 웨어러블 장치, 가전기기 및 기타 모바일 또는 비모바일 컴퓨팅 장치 등 다양한 형태로 구현될 수 있다.

메모리(110)는 전자 장치(100)에 관한 적어도 하나의 명령어(instruction)를 저장할 수 있다. 메모리(110)는 전자 장치(100)를 구동시키기 위한 O/S(Operating System)를 저장할 수 있다. 또한, 메모리(110)는 본 개시의 다양한 실시 예들에 따라 전자 장치(100)가 동작하기 위한 각종 소프트웨어 프로그램이나 애플리케이션을 저장할 수 있다. 그리고, 메모리(110)는 플래시 메모리(Flash Memory) 등과 같은 반도체 메모리나 하드디스크(Hard Disk) 등과 같은 자기 저장 매체 등을 포함할 수 있다.

구체적으로, 메모리(110)는 본 개시의 다양한 실시 예에 따라 전자 장치(100)가 동작하기 위한 각종 소프트웨어 모듈을 저장할 수 있으며, 프로세서(130)는 메모리(110)에 저장된 각종 소프트웨어 모듈을 실행하여 전자 장치(100)의 동작을 제어할 수 있다. 즉, 메모리(110)는 프로세서(130)에 의해 액세스되며, 프로세서(130)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다.

한편, 본 개시에서 메모리(110)라는 용어는 메모리(110), 프로세서(130) 내 롬(미도시), 램(미도시) 또는 전자 장치(100)에 장착되는 메모리 카드(미도시)(예를 들어, micro SD 카드, 메모리 스틱)를 포함하는 의미로 사용될 수 있다.

그리고, 메모리(110)는 가격 예측 모듈(111)을 저장할 수 있다.

여기서, 가격 예측 모듈(111)은 도 2에 도시된 바와 같이, 농산물과 관련된 정보(210)가 입력되면 농산물의 예측 가격(220)을 출력하는 모델일 수 있다. 이 때, 농산물과 관련된 정보(210)는 특정 지리적 영역에 대한 농산물과 관련된 정보를 의미할 수 있고, 농산물의 예측 가격(220)은 특정 지리적 영역에 대한 농산물의 예측 가격을 의미할 수 있다.

구체적으로, 가격 예측 모듈(111)은 농산물과 관련된 정보로서, 특정 지리적 영역에 속한 복수의 지역에 대하여 제1 기간의 각 지역별 기상 정보 또는 이를 가공한 정보 및 기타 정보를 각각 독립변수로 하고, 제2 기간의 농산물의 가격 정보를 종속변수로 하여 기계 학습을 통해 생성된 인공지능 모델일 수 있다. 그리고, 농산물과 관련된 정보로서, 제3 기간의 각 지역별 기상 정보 또는 이를 가공한 정보 및 기타 정보가 입력되면, 가격 예측 모듈(111)은 특정 시점의 농산물 가격을 예측하거나 예측하도록 지원할 수 있다.

가격 예측 모듈(111)이 생성되는 자세한 방법은 후술하도록 한다.

그리고, 가격 예측 모듈(111)은 전자 장치(100)에 의해 생성되어 메모리(110)에 저장될 수 있으나, 이에 제한되는 것은 아니며, 외부 장치 또는 외부 서버로부터 획득된 모듈일 수 있다.

그리고, 통신 인터페이스(120)는 회로(circuitry)를 포함하며, 외부 기기 및 서버와 통신할 수 있는 구성이다. 통신 인터페이스(120)는 유선 또는 무선 통신 방식에 기초하여 외부 기기 또는 서버와 통신을 수행할 수 있다. 통신 인터페이스(120)는 블루투스 모듈(미도시), 와이파이 모듈(미도시), IR(infrared) 모듈, LAN(Local Area Network) 모듈, 이더넷(Ethernet) 모듈 등을 포함할 수 있다. 여기서, 각 통신 모듈은 적어도 하나의 하드웨어 칩 형태로 구현될 수 있다. 무선 통신 모듈은 상술한 통신 방식 이외에 지그비(zigbee), USB(Universal Serial Bus), MIPI CSI(Mobile Industry Processor Interface Camera Serial Interface), 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), LTE-A(LTE Advanced), 4G(4th Generation), 5G(5th Generation)등과 같은 다양한 무 통신 규격에 따라 통신을 수행하는 적어도 하나의 통신 칩을 포함할 수 있다. 다만 이는 일 실시 예에 불과하며 통신 인터페이스(120)는 다양한 통신 모듈 중 적어도 하나의 통신 모듈을 이용할 수 있다.

프로세서(130)는 전자 장치(100)의 전반적인 동작 및 기능을 제어할 수 있다. 구체적으로, 프로세서(130)는 메모리(110)를 포함하는 전자 장치(100)의 구성과 연결되며, 상술한 바와 같은 메모리(110)에 저장된 적어도 하나의 명령어를 실행함으로써, 전자 장치(100)의 동작을 전반적으로 제어할 수 있다.

프로세서(130)는 다양한 방식으로 구현될 수 있다. 예를 들어, 프로세서(130)는 주문형 집적 회로(Application Specific Integrated Circuit, ASIC), 임베디드 프로세서, 마이크로 프로세서, 하드웨어 컨트롤 로직, 하드웨어 유한 상태 기계(hardware Finite State Machine, FSM), 디지털 신호 프로세서(Digital Signal Processor, DSP) 중 적어도 하나로 구현될 수 있다. 한편, 본 개시에서 프로세서(130)라는 용어는 CPU(Central Processing Unit), GPU(Graphic Processing Unit) 및 MPU(Main Processing Unit)등을 포함하는 의미로 사용될 수 있다.

본 개시의 다양한 실시 예를 구현하기 위한 프로세서(130)의 동작은 가격 예측 모듈(111) 및 복수의 모듈을 통해 구현될 수 있다.

구체적으로, 본 개시에 따른 가격 예측 모듈(111) 및 복수의 모듈에 대한 데이터는 메모리(110)에 저장될 수 있고, 프로세서(130)는 메모리(110)에 엑세스하여 가격 예측 모듈(111) 및 복수의 모듈에 대한 데이터를 프로세서(130) 내부의 메모리 또는 버퍼에 로딩한 후, 가격 예측 모듈(111) 및 복수의 모듈을 이용하여 본 개시에 따른 다양한 실시예를 구현할 수 있다. 이 때, 복수의 모듈은 데이터 획득 모듈(131), 생성 모듈(132) 및 예측 모듈(133)를 포함할 수 있다.

다만, 본 개시에 따른 가격 예측 모듈(111) 및 복수의 모듈 중 적어도 하나는 하드웨어로 구현되어 시스템 온 칩(system on chip)의 형태로 프로세서(130)내에 포함될 수도 있다.

데이터 획득 모듈(131)은 농산물과 관련된 정보를 획득할 수 있다. 이 때 농산물과 관련된 정보는 기상 정보, 농산물의 가격 정보 및 기타 정보를 포함할 수 있다.

구체적으로, 데이터 획득 모듈(131)은 통신 인터페이스(120)를 통해 적어도 하나의 외부 서버 또는 적어도 하나의 외부 장치로부터 농산물과 관련된 정보를 획득할 수 있다. 예를 들어, 데이터 획득 모듈(131)은 기상청 서버로부터 기상 정보를 수신할 수 있다. 또는, 데이터 획득 모듈(131)은 도매시장 서버로부터 농산물의 낙찰 가격 정보를 수신할 수 있다.

그리고, 데이터 획득 모듈(131)은 획득된 데이터를 가공하여, 가공된 정보를 획득할 수 있다.

한편, 기상 정보는 기온, 기압, 강수량, 풍속, 습도, 일조시간 등에 대한 정보일 수 있다. 그리고, 기상 정보는 특정 지리적 영역에 속한 복수의 지역에 대한 각 지역별 기상 정보일 수 있다. 예를 들어, 특정 지리적 영역은 한국일 수 있다. 그리고, 복수의 지역은 서울, 경기도, 강원도 등일 수 있다. 이 때, 각 지역별 기상 정보는 서울에서의 기상 정보, 경기도에서의 기상 정보 또는 강원도에서의 기상 정보 등일 수 있다. 그리고, 기상 정보는 농산물의 생육에 적정하다고 판단되는 기상 조건에 대응되는 기상 정보일 수 있다. 그리고, 기상 정보는 특정 기간(제1 기간)에 대한 기상 정보일 수 있다. 예를 들어, 기상 정보는 2021년 1월 1일부터 2021년 5월 31일까지의 기상 정보일 수 있다.

그리고, 데이터 획득 모듈(131)은 기상 정보를 가공한 정보를 획득할 수 있다.

구체적으로, 도 3을 참조하면, 데이터 획득 모듈(131)은 적어도 하나의 외부 서버로부터 특정 농산물에 대한 각 지역별 출하 물량 비중 및 지역별 기상 정보를 획득할 수 있다(S310).

그리고, 데이터 획득 모듈(131)은 특정 농산물에 대한 각 지역별 출하 물량 비중을 특정 기간의 지역별 기상 정보에 가중 평균한 정보를 획득할 수 있다(S320).

이 때, 가중 평균한 정보 Ct는 아래의 수학식 1에 의해 획득될 수 있다.

여기서, wi는 i번째 지역의 출하 물량 비중일 수 있다. 그리고, Ci는 i번째 지역의 기상 정보일 수 있다. 그리고, n은 지역의 수를 의미할 수 있다.

그리고, 데이터 획득 모듈(131)은 기온이 농산물의 생육에 적정하다고 판단될 수 있는 소정의 온도 범위에 속하는 기간의 기상 정보 또는 이를 가공한 정보를 획득할 수 있다.

예를 들어, 농산물의 생육에 적정하다고 판단될 수 있는 소정의 온도 범위는 섭씨 10도 내지 30도일 수 있다. 이 경우, 데이터 획득 모듈(131)은 기온이 섭씨 10도 내지 30도에 속하는 기간에 속하는 기간의 기상 정보 또는 이를 가공한 정보를 획득할 수 있다. 즉, 데이터 획득 모듈(131)은 획득된 기상 정보에서 기온이 섭씨 10도 미만이거나 섭씨 30도를 초과하는 기간의 기상 정보 또는 이를 가공한 정보를 제외한 기상 정보를 획득할 수 있다.

그리고, 농산물의 가격 정보는 농산물이 도매시장에서 낙찰된 경락 가격 정보 또는 농산물이 소매시장에서 판매되는 평균 가격 정보를 의미할 수 있다. 이 때, 농산물의 가격 정보는 특정 기간(제2 기간)에 대한 가격 정보 일 수 있다. 예를 들어, 농산물의 가격 정보는 2021년 6월 1일부터 2021년 12월 31일까지의 농산물의 가격 정보일 수 있다.

그리고, 기타 정보는 농산물의 특정 지리적 영역에 속한 복수의 지역에 대하여 각 지역별 출하 물량 비중에 대한 정보를 포함할 수 있다.

또한, 기타 정보는 특정 기간 동안 농산물의 도매시장 경락 물량에 대한 지급 수수료 정보, 도매시장 별 운송비 정보 및 소매시장 유통 가격 정보 중 적어도 일부를 포함할 수 있다.

또한, 기타 정보는 특정 기간 동안 농산물의 도매시장 경락 가격 정보, 소매유통 판매 정보, 종자 매입금액 정보, 재고 정보, 수입 정보, 물가 정보 및 소비심리지수 정보 중 적어도 하나를 포함할 수 있다.

기타 정보는 농산물의 가격 정보를 가공한 정보를 포함할 수 있다. 구체적으로, 기타 정보는 특정 기간의 농산물의 가격 정보에서 추세적 특성에 대한 정보, 계절적 특성에 대한 정보 및 순환적 특성에 대한 정보 중 적어도 일부를 제거한 잔차 정보(residual)를 포함할 수 있다. 그리고, 잔차 정보는 농산물의 가격 정보에서 불규칙 특성 정보를 의미할 수 있다.

여기서, 추세적 특성은 특정 농산물 가격의 시계열적 특성에 따라 나타나는 추세적 경향성을 의미한다. 계절적 특성은 특정 농산물 가격의 계절적 특성에 따라 나타나는 경향성을 의미한다. 순환적 특성은 특정 농산물 가격이 소정 기간 별로 순환적인 특성을 나타내는 경향성을 말한다.

도 4를 참조하면, 데이터 획득 모듈(131)은 농산물 가격 정보를 획득할 수 있다(S410). 그리고, 데이터 획득 모듈(131)은 농산물의 가격 정보를 시계열 분해(Time Series Decomposition)하여 농산물의 가격 정보에서 추세적 특성에 대한 정보, 계절적 특성에 대한 정보 및 순환적 특성에 대한 정보를 획득할 수 있다(S420).

그리고, 데이터 획득 모듈(131)은 농산물의 가격 정보에서 추세적 특성에 대한 정보, 계절적 특성에 대한 정보 및 순환적 특성에 대한 정보 중 적어도 일부를 제거하여 잔차 정보를 획득할 수 있다(S430).

그리고, 생성 모듈(132)은 데이터 획득 모듈(131)에 의해 획득된 데이터를 이용하여 가격 예측 모듈(111)을 생성하거나 학습시킬 수 있다.

이 때, 생성 모듈(132)은 제1 기간의 지역별 기상 정보 또는 이를 가공한 정보 및 기타 정보를 각각 독립변수로 하고, 제2 기간의 농산물의 가격 정보를 종속 변수로 하여 가격 예측 모듈(111)을 생성할 수 있다.

예를 들어, 생성 모듈(132)은 지역별 기상 정보 또는 이를 가공한 정보, 농산물의 가격 정보 또는 이를 가공한 정보, 도매시장 반입물량, 상장 수수료, 소매가격 및 농산물의 생산자 물가와 소비자물가 지수 등 다양한 정보를 가격 예측 모듈(111)을 생성하기 위한 변수로 사용할 수 있다.

이처럼, 많은 변수를 이용하여 가격 예측 모듈(111)을 생성하는 경우, 과적합(Over-Fitting) 문제가 발생할 수 있다. 이에 따라, 생성 모듈(132)은 과적합 문제를 방지할 수 있도록 가격 예측 모듈(111)을 학습시킬 수 있다.

한편, 본 발명은 복수의 예측 모듈을 생성하고 이들을 이용하여 학습의 정확성을 높일 수 있다. 본 발명자는 여러가지 방법을 사용하여 결과를 시뮬레이션하였으며, 최종적으로 하기와 같은 방법을 통해 예측의 정확성을 높일 수 있었다.

구체적으로, 생성 모듈(132)은 제1 기간의 지역별 기상 정보 또는 이를 가공한 정보 및 기타 정보를 독립변수로 하고, 제2 기간의 농산물의 가격 정보를 종속변수로 하여 기계 학습을 하여 제1 내지 제n 가격 예측 모듈(n은 n>1인 자연수)을 생성할 수 있다(S810).

그리고, 생성 모듈(132)은 농산물과 관련된 정보로서, 제3 기간의 지역별 기상 정보 또는 이를 가공한 정보 및 기타 정보를 제k 가격 예측 모듈(k는 n>k>1인 자연수)에 입력함으로써 제k 가격 예측 모듈에 대한 특정 시점의 농산물 가격을 예측할 수 있다(S820).

그리고, 생성 모듈(132)은 제k 가격 예측 모듈을 통해 예측된 농산물 가격의 오차에 따라 제1 기간의 지역별 기상 정보 또는 이를 가공한 정보 및 기타 정보에 소정의 가중치를 부여하여, 제k+1의 가격 예측 모듈을 재학습할 수 있다(S830).

상술한 방법에 따라, 생성 모듈(132)은 과적합(Over-Fitting) 문제를 방지하고, 종래의 가격 예측 모듈과 비교하여 더 높은 정확도를 갖는 가격 예측 모듈(111)을 생성할 수 있다.

이때, 제m가격 예측 모듈이 소정의 기준 이상의 정확도가 달성되는 경우(m은 k<m<=n인 자연수), 재학습을 종료하고 제m 가격 예측 모듈을 최종 예측 모듈로 확정한다. 이때 위에서 언급한 과적합(Over-Fitting) 여부로 정확도 달성 여부를 판단할 수 있다.

본 발명자는 여러 번의 시뮬레이션을 통해 실제 가격과 비교하여 이러한 방법을 도출하였다.

도 6a 내지 도 6b는 본 개시의 일 실시예에 따른 가격 예측 모듈(111)의 가격 예측 정확도를 설명하기 위한 도면이다.

이 때, 가격 예측치는 21년 1월부터 21년 10월까지의 공판장 가격에 대한 가격 예측 결과일 수 있다.

이 때, 도 6a를 참조하면, 21년 1월부터 21년 10월까지 수미감자의 가격 예측치를 기준으로, 실제 가격과 예측된 가격의 평균 오차율은 8.75%이다.

그리고, 도 6b를 참조하면, 21년 3월부터 21년 10월까지 배추의 가격 예측치를 기준으로, 실제 가격과 예측된 가격의 평균 오차율은 10.25%이다.

즉, 본 개시의 가격 예측 모듈(111)은 높은 정확도로 농산물의 가격을 예측할 수 있다..

그리고, 예측 모듈(133)은 가격 예측 모듈(111)을 이용하여 농산물 가격을 예측할 수 있다. 즉, 예측 모듈(133)은 데이터 획득 모듈(131)에 의해 획득된 농산물과 관련된 정보 중 적어도 일부를 이용하여 농산물 가격을 예측할 수 있다.

구체적으로, 가격 예측 모듈(111)은 특정 지리적 영역에 속한 복수의 지역에 대하여 제1 기간의 각 지역별 기상 정보 또는 이를 가공한 정보 및 기타 정보를 각각 독립변수로 하고, 제2 기간의 농산물의 가격 정보를 종속변수로 하여 기계 학습을 통해 생성될 수 있다. 그리고, 농산물과 관련된 정보로서, 제3 기간의 각 지역별 기상 정보 또는 이를 가공한 정보 및 기타 정보가 입력되면, 가격 예측 모듈(111)은 특정 시점의 농산물 가격을 예측할 수 있다.

여기서, 예측되는 농산물 가격은 특정 기간 후 농산물 가격의 경락 가격을 의미할 수 있다. 예를 들어, 가격 예측 모듈(111)은 1개월 후 전국 공판장의 평균 경락 가격을 예측할 수 있다.

또는, 예측 모듈(133)은 특정 시점을 기준으로 농산물 가격의 상승 또는 하락 여부를 예측할 수 있다. 예를 들어, 가격 예측 모듈(111)은 농산물 가격의 현재 가격을 기준으로 1개월 후 가격이 상승할지 또는 하락할지 여부를 예측할 수 있다.

한편, 예측 모듈(133)은 농산물 가격 예측을 지원할 수도 있다.

예를 들어, 외부 장치로부터 가격 예측 모듈 요청이 수신되면, 예측 모듈(133)은 메모리(111)에 저장된 가격 예측 모듈(111)을 외부 장치로 전송할 수 있다.

또는, 외부 장치로부터 가격 예측 요청이 수신되면, 예측 모듈(133)은 가격 예측 모듈(111)을 이용하여 예측된 농산물 가격 예측 정보를 외부 장치로 전송할 수 있다.

한편, 전술한 전자 장치(100)는 상기 농산물에 대하여 예측된 가격이 제1 시점 가격을 기준으로 소정 범위 이상이라고 판단되면 향후 제1 시점 이후 제2 시점에 상기 농산물의 가격이 오를 것이라고 예측하도록 지원할 수 있다.

이 때, 전자 장치(100)는 기준 월의 농산물의 경락 가격을 기준으로 향후 농산물의 경락 가격의 등락 전망을 예측할 수 있다.

예를 들어, 전자 장치(100)는 도 7에 도시된 바와 같이, 3월 4주차의 농산물의 공판장 평균 경락가격을 기준으로 향후 12주간(4월 1주차부터 6월 3주차까지) 농산물의 공판장 평균 경락가격의 등락 전망을 예측할 수 있다. 이 때, 전자 장치(100)는 4월 1주차, 4월 2주차, 4월 4주차, 5월 1주차, 5월 2주차, 5월 3주차, 5월 4주차, 5월 5주차, 6월 2주차 및 6월 3주차에 농산물의 공판장 평균 경락 가격이 하락할 것이라고 예측할 수 있다. 그리고, 전자 장치(100)는 4월 3주차 및 6월 1주차에 농산물의 공판장 평균 경락 가격이 상승할 것이라고 예측할 수 있다.

한편, 본 개시의 일 실시 예에 따르면, 도 8에 도시된 바와 같이, 전자 장치(100)는 외부 장치(200)로부터 가격 예측 모듈 요청을 수신할 수 있다(S810).

그리고, 전자 장치(100)는 농산물과 관련한 제1 정보를 획득하고(S820), 가격 예측 모듈(111)을 생성할 수 있다(S830). 구체적으로, 전자 장치(100)는 제1 기간의 지역별 기상 정보 또는 이를 가공한 정보, 기타 정보 및 제2 기간의 농산물의 가격 정보를 획득할 수 있다. 그리고, 전자 장치(100)는 제1 기간의 지역별 기상 정보 또는 이를 가공한 정보 및 기타 정보를 각각 독립변수로 하고, 제2 기간의 농산물의 가격 정보를 종속 변수로 하여 기계 학습을 하여 가격 예측 모듈(111)을 생성할 수 있다.

가격 예측 모듈(111)이 생성되면, 전자 장치(100)는 생성된 가격 예측 모듈(111)을 외부 장치(200)로 전송할 수 있다(S840).

그리고, 외부 장치(200)는 농산물과 관련한 제2 정보를 획득하고(S850), 전송된 가격 예측 모듈(111)을 이용하여 농산물 가격을 예측할 수 있다(S860). 구체적으로, 외부 장치(200)는 농산물과 관련된 정보로서 제3 기간의 지역별 기상 정보 또는 이를 가공한 정보 및 기타 정보를 획득하고, 획득된 정보를 가격 예측 모듈(111)에 입력하여 농산물 가격을 예측할 수 있다.

도 9은 본 개시의 일 실시예에 따른 전자 장치(100)의 제어 방법을 설명하기 위한 도면이다.

전자 장치(100)는 농산물과 관련된 정보로서, 특정 지리적 영역에 속한 복수의 지역에 대하여 제1 기간의 각 지역별 기상 정보 또는 이를 가공한 정보 및 기타 정보를 각각 독립변수로 하고, 제2 기간의 농산물의 가격 정보를 종속변수로 하여 기계 학습을 하여 가격 예측 모듈(111)을 생성할 수 있다(S910).

여기서, 제1 기간의 각 지역별 기상 정보를 가공한 정보는, 제1 기간에 농산물에 대한 각 지역별 출하 물량 비중을 지역별 기상 정보에 가중 평균한 정보를 포함할 수 있다.

그리고, 제1 기간의 지역별 기상 정보 또는 이를 가공한 정보는, 각각 제1 기간 중 농산물의 생육에 적정하다고 판단될 수 있는 소정의 온도 범위에 속하는 기간의 기상 정보 또는 이를 가공한 정보를 제외한 정보일 수 있다.

그리고, 기타 정보는, 제1 기간 동안 농산물의 (가) 도매시장 경락 물량에 대한 지급 수수료 정보, (나) 도매시장 별 운송비 정보 및 (다) 소매시장 유통 가격 정보 중 적어도 일부를 포함할 수 있다.

그리고, 기타 정보는, 제2 기간의 농산물의 가격 정보에서 추세적 특성에 대한 정보, 계절적 특성에 대한 정보 및 순환적 특성에 대한 정보 중 적어도 일부를 제거한 잔차 정보(residual)를 포함할 수 있다.

기타 정보는 제1 기간 동안 농산물의 도매시장 경락 가격 정보, 소매유통 판매 정보, 종자 매입금액 정보, 재고 정보, 수입 정보, 물가 정보 및 소비심리지수 정보 중 적어도 하나를 포함할 수 있다.

그리고, 전자 장치(100)는 농산물과 관련된 정보로서, 제3 기간의 각 지역별 기상 정보 또는 이를 가공한 정보 및 기타 정보를 가격 예측 모듈에 입력함으로써 특정 시점의 농산물 가격을 예측하도록 지원할 수 있다(S920).

한편, 본 개시에 따른 인공지능과 관련된 기능은 전자 장치(100)의 프로세서(130)와 메모리(110)를 통해 동작될 수 있다.

프로세서(130)는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU(Central Processing Unit), AP(Application Processor) 등과 같은 범용 프로세서, GPU(Graphic Processing Unit). VPU(Vision processing unit) 등과 같은 그래픽 전용 프로세서 또는 NPU(Neural Processing Unit), TPU(Tensor Processing Unit　)와 같은 인공지능 전용 프로세서일 수 있다.

본 개시의 일 실시예로, 전자 장치(100)에 포함된 SoC(System on Chip)에 복수의 프로세서가 포함된 경우, 전자 장치(100)는 복수의 프로세서 중 그래픽 전용 프로세서 또는 인공지능 전용 프로세서를 이용하여 인공지능과 관련된 연산(예를 들어, 인공지능 모델의 학습(learning)이나 추론(inference)에 관련된 연산)을 수행하며, 복수의 프로세서 중 범용 프로세서를 이용하여 전자 장치의 일반적인 연산을 수행할 수 있다. 예를 들어, 전자 장치(100)는 복수의 프로세서 중 컨볼루션 연산에 특화된 GPU, VPU, NPU, TPU 중 적어도 하나를 이용하여 인공지능과 관련된 연산을 수행하며, 복수의 프로세서 중 CPU, AP 중 적어도 하나를 이용하여 전자 장치(100)의 일반적인 연산을 수행할 수 있다.

또한, 전자 장치(100)는 하나의 프로세서에 포함된 멀티 코어(예를 들어, 듀얼 코어, 쿼드 코어 등)를 이용하여 인공지능과 관련된 기능에 대한 연산을 수행할 수 있다. 특히, 전자 장치는 프로세서에 포함된 멀티 코어를 이용하여 병렬적으로 컨볼루션 연산을 수행할 수 있다. 하나 또는 복수의 프로세서는, 메모리에 저장된 기정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 기정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다.

여기서, 학습을 통해 만들어진다는 것은, 다수의 학습 데이터들에 학습 알고리즘을 적용함으로써, 원하는 특성의 기정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버/시스템을 통해 이루어질 수도 있다.

가격 예측 모듈(111)은, 복수의 신경망 레이어들로 구성될 수 있다. 각 레이어는 복수의 가중치(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치의 연산을 통해 레이어의 연산을 수행한다. 신경망의 예로는, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 및 심층 Q-네트워크 (Deep Q-Networks), Transformer가 있으며, 본 개시에서의 신경망은 명시한 경우를 제외하고 전술한 예에 한정되지 않는다.

학습 알고리즘은, 다수의 학습 데이터들을 이용하여 소정의 대상 기기(예컨대, 로봇)을 훈련시켜 소정의 대상 기기 스스로 결정을 내리거나 예측을 할 수 있도록 하는 방법이다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으며, 본 개시에서의 학습 알고리즘은 명시한 경우를 제외하고 전술한 예에 한정되지 않는다.

한편, 본 개시에서 사용된 용어 "부" 또는 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구성된 유닛을 포함하며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. "부" 또는 "모듈"은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 모듈은 ASIC(application-specific integrated circuit)으로 구성될 수 있다.

본 개시의 다양한 실시예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시예들에 따른 전자 장치(100)를 포함할 수 있다. 상기 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접, 또는 상기 프로세서의 제어 하에 다른 구성요소들을 이용하여 상기 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.

일시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.

다양한 실시예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.

100 : 전자 장치 110 : 메모리

Claims

특정 지리적 영역에 대한 농산물 가격의 예측을 지원하는 전자 장치의 제어 방법에 있어서,
(a) 상기 농산물과 관련된 정보로서, 상기 특정 지리적 영역에 속한 복수의 지역에 대하여 (i) 제1 기간에 상기 농산물에 대한 각 지역별 출하 물량 비중을 각 지역별 기상 정보에 가중 평균한 정보를 포함하는 제1 정보 및 (ii) 제2 기간의 상기 농산물의 가격 정보에서 추세적 특성에 대한 정보, 계절적 특성에 대한 정보 및 순환적 특성에 대한 정보 중 적어도 일부를 제거한 잔차 정보를 포함하는 제2 정보를 각각 독립변수로 하고, 제2 기간의 상기 농산물의 가격 정보를 종속변수로 하여 기계 학습을 하여 가격 예측 모듈을 생성하는 단계; 및
(b) 상기 농산물과 관련된 정보로서, (iii) 제3 기간의 각 지역별 기상 정보 또는 이를 가공한 정보 및 (iv) 상기 제3 기간의 상기 농산물의 가격 정보 또는 이를 가공한 정보를 상기 가격 예측 모듈에 입력함으로써 특정 시점의 상기 농산물 가격을 예측하도록 지원하는 단계;를 포함하고,
상기 각 지역별 기상 정보는 상기 제1 기간 중 기온이 상기 농산물의 생육에 적정하다고 판단될 수 있는 소정의 온도 범위에 속하는 기간의 기상 정보 또는 이를 가공한 정보이고,
상기 가중 평균한 정보 Ct는 하기 수학식을 만족하며,

,
여기서, wi는 i번째 지역의 출하 물량 비중이고, Ci는 i번째 지역의 기상 정보이고, n은 상기 복수의 지역의 수인, 제어 방법.
삭제
삭제
제1항에 있어서,
상기 제2 정보는,
상기 제1 기간 동안 상기 농산물의 (가) 도매시장 경락 물량에 대한 지급 수수료 정보, (나) 상기 도매시장 별 운송비 정보 및 (다) 소매시장 유통 가격 정보 중 적어도 일부를 포함하는, 제어 방법.
삭제
제1항에 있어서,
상기 (a) 단계는,
(a1) 상기 제1 기간의 지역별 기상 정보 또는 이를 가공한 정보 및 (ii) 상기 제2 정보를 독립변수로 하고, 제2 기간의 상기 농산물의 가격 정보를 종속변수로 하여 기계 학습을 하여 제1 내지 제n 가격 예측 모듈(n은 n>1인 자연수)을 생성하는 단계;
(a2) 상기 농산물과 관련된 정보로서, (x) 상기 제3 기간의 지역별 기상 정보 또는 이를 가공한 정보 및 (y) 상기 제3 기간의 상기 농산물의 가격 정보 또는 이를 가공한 정보를 제k 가격 예측 모듈(k는 n>k>1인 자연수)에 입력함으로써 상기 제k 가격 예측 모듈에 대한 특정 시점의 농산물 가격을 예측하는 단계;
(a3) 상기 제k 가격 예측 모듈을 통해 예측된 농산물 가격의 오차에 따라 (i) 상기 제1 기간의 지역별 기상 정보 또는 이를 가공한 정보 및 (ii) 상기 제2 정보에 소정의 가중치를 부여하여, 제k+1의 가격 예측 모듈을 재학습하는 단계;를 포함하는 제어 방법.
제1항에 있어서,
상기 (a) 단계에서,
상기 지역별 기상 정보는 상기 농산물을 재배할 수 있는 기상 조건에 대응되는 기상 정보인 제어 방법.
제1항에 있어서,
상기 제2 정보는 상기 제1 기간 동안 상기 농산물의 도매시장 경락 가격 정보, 소매유통 판매 정보, 종자 매입금액 정보, 재고 정보, 수입 정보, 물가 정보 및 소비심리지수 정보 중 적어도 하나를 포함하는 제어 방법.
제1항에 있어서,
(c) 상기 농산물에 대하여 예측된 가격이 제1 시점 가격을 기준으로 소정 범위 이상이라고 판단되면 향후 제1 시점 이후 제2 시점에 상기 농산물의 가격이 오를 것이라고 예측하도록 지원하는 단계;를 더 포함하는 제어 방법.
특정 지리적 영역에 대한 농산물 가격의 예측을 지원하는 전자 장치의 제어 방법에 있어서,
(a) 상기 농산물과 관련된 정보로서, 상기 특정 지리적 영역에 속한 복수의 지역에 대하여 (i) 제1 기간에 상기 농산물에 대한 각 지역별 출하 물량 비중을 각 지역별 기상 정보에 가중 평균한 정보를 포함하는 제1 정보 및 (ii) 제2 기간의 상기 농산물의 가격 정보를 획득하는 단계; 및
(b) (i) 상기 제1 정보 및 (ii) 상기 제2 기간의 상기 농산물의 가격 정보에서 추세적 특성에 대한 정보, 계절적 특성에 대한 정보 및 순환적 특성에 대한 정보 중 적어도 일부를 제거한 잔차 정보를 포함하는 제2 정보를 각각 독립변수로 하고, 상기 제2 기간의 상기 농산물의 가격 정보를 종속변수로 하여 기계 학습을 하여 가격 예측 모듈이 생성된 상태에서,
상기 농산물과 관련된 정보로서, (x) 제3 기간의 지역별 기상 정보 또는 이를 가공한 정보 및 (y) 상기 제3 기간의 상기 농산물의 가격 정보 또는 이를 가공한 정보를 상기 가격 예측 모듈에 입력하여, 특정 시점의 상기 농산물 가격을 예측하도록 지원하는 단계;를 포함하고,
상기 각 지역별 기상 정보는 상기 제1 기간 중 기온이 상기 농산물의 생육에 적정하다고 판단될 수 있는 소정의 온도 범위에 속하는 기간의 기상 정보 또는 이를 가공한 정보이고,
상기 가중 평균한 정보 Ct는 하기 수학식을 만족하며,

,
여기서, wi는 i번째 지역의 출하 물량 비중이고, Ci는 i번째 지역의 기상 정보이고, n은 상기 복수의 지역의 수인, 제어 방법.
특정 지리적 영역에 대한 농산물 가격의 예측을 지원하는 전자 장치에 있어서,
적어도 하나의 명령어를 저장하는 메모리; 및
상기 메모리와 연결되어 상기 전자 장치를 제어하는 프로세서를 포함하고,
상기 프로세서는, 상기 적어도 하나의 명령어를 실행함으로써,
상기 농산물과 관련된 정보로서, 상기 특정 지리적 영역에 속한 복수의 지역에 대하여 (i) 제1 기간에 상기 농산물에 대한 각 지역별 출하 물량 비중을 각 지역별 기상 정보에 가중 평균한 정보를 포함하는 제1 정보 및 (ii) 제2 기간의 상기 농산물의 가격 정보에서 추세적 특성에 대한 정보, 계절적 특성에 대한 정보 및 순환적 특성에 대한 정보 중 적어도 일부를 제거한 잔차 정보를 포함하는 제2 정보를 각각 독립변수로 하고, 제2 기간의 상기 농산물의 가격 정보를 종속변수로 하여 기계 학습을 하여 가격 예측 모듈을 생성하고,
상기 농산물과 관련된 정보로서, (iii) 제3 기간의 지역별 기상 정보 또는 이를 가공한 정보 및 (iv) 상기 제3 기간의 상기 농산물의 가격 정보 또는 이를 가공한 정보를 상기 가격 예측 모듈에 입력함으로써 특정 시점의 상기 농산물 가격을 예측하도록 지원하고,
상기 각 지역별 기상 정보는 상기 제1 기간 중 기온이 상기 농산물의 생육에 적정하다고 판단될 수 있는 소정의 온도 범위에 속하는 기간의 기상 정보 또는 이를 가공한 정보이고,
상기 가중 평균한 정보 Ct는 하기 수학식을 만족하며,

,
여기서, wi는 i번째 지역의 출하 물량 비중이고, Ci는 i번째 지역의 기상 정보이고, n은 상기 복수의 지역의 수인, 전자 장치.
삭제
삭제
제11항에 있어서,
상기 제2 정보는,
상기 제1 기간 동안 상기 농산물의 (가) 도매시장 경락 물량에 대한 지급 수수료 정보, (나) 상기 도매시장 별 운송비 정보 및 (다) 소매시장 유통 가격 정보 중 적어도 일부를 포함하는, 전자 장치.
삭제
제11항에 있어서,
상기 프로세서는,
상기 제1 기간의 지역별 기상 정보 또는 이를 가공한 정보 및 상기 제2 정보를 독립변수로 하고, 제2 기간의 상기 농산물의 가격 정보를 종속변수로 하여 기계 학습을 하여 제1 내지 제n 가격 예측 모듈(n은 n>1인 자연수)을 생성하고,
상기 농산물과 관련된 정보로서, 상기 제3 기간의 지역별 기상 정보 또는 이를 가공한 정보 및 상기 제3 기간의 상기 농산물의 가격 정보 또는 이를 가공한 정보를 제k 가격 예측 모듈(k는 n>k>1인 자연수)에 입력함으로써 상기 제k 가격 예측 모듈에 대한 특정 시점의 농산물 가격을 예측하고,
상기 제k 가격 예측 모듈을 통해 예측된 농산물 가격의 오차에 따라 상기 제1 기간의 지역별 기상 정보 또는 이를 가공한 정보 및 상기 제2 정보에 소정의 가중치를 부여하여, 제k+1의 가격 예측 모듈을 재학습하는 전자 장치.
삭제
제11항에 있어서,
상기 제2 정보는 상기 제1 기간 동안 상기 농산물의 도매시장 경락 가격 정보, 소매유통 판매 정보, 종자 매입금액 정보, 재고 정보, 수입 정보, 물가 정보 및 소비심리지수 정보 중 적어도 하나를 포함하는 전자 장치.
제11항에 있어서,
상기 프로세서는,
상기 농산물에 대하여 예측된 가격이 제1 시점 가격을 기준으로 소정 범위 이상이라고 판단되면 향후 제1 시점 이후 제2 시점에 상기 농산물의 가격이 오를 것이라고 예측하도록 지원하는 전자 장치.
특정 지리적 영역에 대한 농산물 가격의 예측을 지원하는 전자 장치에 있어서,
적어도 하나의 명령어를 저장하는 메모리; 및
상기 메모리와 연결되어 상기 전자 장치를 제어하는 프로세서를 포함하고,
상기 프로세서는, 상기 적어도 하나의 명령어를 실행함으로써,
상기 농산물과 관련된 정보로서, 상기 특정 지리적 영역에 속한 복수의 지역에 대하여 (i) 제1 기간에 상기 농산물에 대한 각 지역별 출하 물량 비중을 각 지역별 기상 정보에 가중 평균한 정보를 포함하는 제1 정보 및 (ii) 제2 기간의 상기 농산물의 가격 정보를 획득하도록 지원하고,
(i) 상기 제1 정보 및 (ii) 상기 제2 기간의 상기 농산물의 가격 정보에서 추세적 특성에 대한 정보, 계절적 특성에 대한 정보 및 순환적 특성에 대한 정보 중 적어도 일부를 제거한 잔차 정보를 포함하는 제2 정보를 각각 독립변수로 하고, 상기 제2 기간의 상기 농산물의 가격 정보를 종속변수로 하여 기계 학습을 하여 가격 예측 모듈이 생성된 상태에서,
상기 농산물과 관련된 정보로서, (x) 제3 기간의 지역별 기상 정보 또는 이를 가공한 정보 및 (y) 상기 제3 기간의 상기 농산물의 가격 정보 또는 이를 가공한 정보를 상기 가격 예측 모듈에 입력하여, 특정 시점의 상기 농산물 가격을 예측하도록 지원하고,
상기 각 지역별 기상 정보는 상기 제1 기간 중 기온이 상기 농산물의 생육에 적정하다고 판단될 수 있는 소정의 온도 범위에 속하는 기간의 기상 정보 또는 이를 가공한 정보이고,
상기 가중 평균한 정보 Ct는 하기 수학식을 만족하며,

,
여기서, wi는 i번째 지역의 출하 물량 비중이고, Ci는 i번째 지역의 기상 정보이고, n은 상기 복수의 지역의 수인, 전자 장치.