KR20190030403A - 가격과 비용의 신경망 학습을 기반으로 수직 농장의 작물의 출하를 예측하는 장치 및 방법 - Google Patents

가격과 비용의 신경망 학습을 기반으로 수직 농장의 작물의 출하를 예측하는 장치 및 방법 Download PDF

Info

Publication number
KR20190030403A
KR20190030403A KR1020170117799A KR20170117799A KR20190030403A KR 20190030403 A KR20190030403 A KR 20190030403A KR 1020170117799 A KR1020170117799 A KR 1020170117799A KR 20170117799 A KR20170117799 A KR 20170117799A KR 20190030403 A KR20190030403 A KR 20190030403A
Authority
KR
South Korea
Prior art keywords
farm
information
crop
price
predicted
Prior art date
Application number
KR1020170117799A
Other languages
English (en)
Inventor
노종래
Original Assignee
주식회사 케이티
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 주식회사 케이티 filed Critical 주식회사 케이티
Priority to KR1020170117799A priority Critical patent/KR20190030403A/ko
Publication of KR20190030403A publication Critical patent/KR20190030403A/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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

가격과 비용의 신경망 학습을 기반으로 수직 농장의 작물의 출하를 예측하는 장치 및 방법을 제공한다. 작물의 출하를 예측하는 장치는, 시기별로 작물의 가격 및 비용 정보를 입력받는 입력부; 입력받은 정보를 학습하여 예측 모델을 관리하고, 예측 모델로부터 가격과 비용의 예측 정보를 출력하는 예측부; 출력된 예측 가격으로부터 예측 비용을 차감하여 예측 수익을 산출하는 수익 산출부; 및 산출된 예측 수익을 이용하여 작물별로 최대 수익의 연중 출하 시기를 예측하고, 월별 최대 수익의 작물 순위를 예측하여 작물의 재배를 계획하는 계획부를 포함한다.

Description

가격과 비용의 신경망 학습을 기반으로 수직 농장의 작물의 출하를 예측하는 장치 및 방법{Apparatus for predicting shipment of crops based on price and cost and method thereof}
본 발명은 작물의 출하 예측 기술로서, 보다 구체적으로, 작물의 가격과 비용을 학습하여 최적의 수익이 기대되는 출하 시기를 예측하는 장치 및 방법에 관한 것이다.
도시 근교 또는 도심 속의 시설에서 인공적 재배 환경을 제공하여 식물, 작물 등을 생산한다는 것은 수직 농장의 장점이다. 수직 농작은 도시 소비자에게 도달하는 거리가 짧아 유통 기간과 비용을 절약할 수도 있다. 수직 농장은 실내에서 날씨와 무관하게 연중 생산이 가능하므로 생산량 증대와 안정적인 공급 효과를 볼 수 있다. 그러나 수직 농장은 인공적 관리의 설비 및 비용이 많이 들어 경쟁력이 떨어질 수 있다는 것이 단점이다. 농가 농장은 농한기가 존재하는 자연 농장이라면, 수직 농장은 고비용 투입에 의해 농번기의 생산을 연중 유지하는 식물 재배의 인공 공장이다.
특히, 수직 농장의 경우, 고비용의 단점이 농가 농장에 비해 크기 때문에 이를 보완하기 위해서는 수익을 최대화하는 출하 계획이 요구된다. 수익이 최대화되는 출하 계획은 어느 식물을 어느 시기에 재배하고, 어느 시기에 출하하여 투입된 비용 대비 출하 수익을 최대화할 것인지 결정하는 것이다. 물론, 수익의 최대화는 수직 농장 뿐만 아니라 식물 재배의 농가, 생산자에게도 최대 과제이다.
상기 출하 계획은 예측이 수반된다. 종래의 출하 예측 기술은 가격을 비롯한 각종 정보를 수집하여 최대 가격의 시기로 출하 계획을 세웠다. 종래 기술은 투입 비용을 고려치 않아서 최대 수익을 얻는데 실패하였다. 또한, 종래 기술의 예측은 검증과 보정이 실시간 수반되어야 함에도 불구하고, 검증과 보정이 배제된 예측 처리로 인해 예측 신뢰도에 문제가 있었다.
작물의 연중 가격 추이를 분석하면, 최저가와 최고가의 시기별 패턴이 형성된다. 형성된 시기별 패턴은 비용의 시기별 패턴에 의해 영향을 받는다. 수익이 최대화되는 시기에 벌은 수익은 수익이 낮은 시기의 수익을 보상할 수 있다. 시기별 패턴을 고려하여 어느 시기에 무슨 작물을 출하해서 비용 대비 가격을 최대화하는 것인지가 출하 계획의 예측에서 중요하다. 여기서, 소비자들은 수직 농장 및 농가 농장에 차이들 두지 않고 동일한 작물의 가격을 원한다. 비용은 수직 농장이 농가 농장에 비해 더 투입된다. 그러면, 수직 농장은 연중 생산의 측면에서, 시기별 패턴에 따른 최대 수익의 발생이 연중 내내 유지되도록 최적화되어 예측되어야 한다.
여기서, 유사 작물은 당해 작물을 대체할 가능성이 있기 때문에, 작물의 저비용, 고가격, 고수익의 출하 예측에서 반드시 고려할 대상이다. 소비자들은 상품 구매시 구매 상품에 대해 대체 상품과 가격을 비교하여 결정한다. 유사 작물의 고가격은 당해 작물을 대체 작물로 만들어 구매를 일으킨다. 따라서, 고수익의 출하 예측은 유사 작물과 비교에 의해 구매 경쟁력이 있는지 예측이 필요하다. 물론, 예측은 반드시 검증과 보정에 의해 신뢰도가 보장되어야만 한다.
한국등록특허 10-1746688(2017.06.07)
본 발명은 상기와 같은 종래 기술의 인식하에 창출된 것으로서, 예측 데이터와 실제 발생 데이터 사이의 검증과 보정이 수반되는 기계 학습을 기반으로 수직 농장 작물의 출하 가격과 비용을 예측하고, 예측된 비용 대비 가격에 따라 최대화 수익이 기대되는 작물의 출하 시기를 예측하는 장치 및 방법을 제공하는데 목적이 있다.
본 발명의 다른 목적은, 작물의 가격 예측에서 유사 작물의 가격을 예측하고, 유사 작물의 예측된 가격을 대비하여 수익이 최대화되는 작물의 출하 시기를 정확히 예측하는데 있다.
본 발명의 또 다른 목적은, 등록된 수직 농장에 대해 재배 가능한 최적 수익의 작물을 매칭하여 수직 농장의 연중 재배 계획을 생성하여 배포하고, 수직 농장의 재배 계획의 작업 일정 및 결과를 관리하는데 있다.
일 측면에 따른, 신경망 학습을 기반으로 수직 농장의 작물의 출하를 예측하는 장치는, 시기별로 작물의 가격 및 비용 정보를 입력받는 입력부; 입력받은 정보를 학습하여 예측 모델을 관리하고, 예측 모델로부터 가격과 비용의 예측 정보를 출력하는 예측부; 출력된 예측 가격으로부터 예측 비용을 차감하여 예측 수익을 산출하는 수익 산출부; 및 산출된 예측 수익을 이용하여 작물별로 최대 수익의 연중 출하 시기를 예측하고, 월별 최대 수익의 작물 순위를 예측하여 작물의 재배를 계획하는 계획부를 포함한다.
상기 예측부는, 입력된 정보가 상기 예측 모델에서 학습 처리되어 출력된 예측 정보와 실제 발생된 가격 정보 및 비용 정보를 비교하여 검증 처리하고, 검증 처리된 결과를 예측 모델의 학습을 위해 피드백 입력시켜서 상기 예측 모델을 학습시킬 수 있다.
상기 예측부는, 상기 검증 처리에 의해 예측 정보와 실제 발생 정보 사이의 오차가 기준 오차 이하로 만족되면, 상기 예측 모델의 학습이 완료된 것으로 처리할 수 있다.
상기 입력부는, 상기 작물의 유사 작물의 가격 정보를 더 읽어들일 수 있다.
상기 예측부는, 읽어들인 유사 작물 가격 정보에 대해 예측 모델로부터 유사 작물의 예측 가격을 더 출력할 수 있다.
상기 수익 산출부는, 유사 작물의 예측 가격에 대비하여 작물의 예측 가격이 낮을수록, 상기 작물의 수익에 높은 가중치를 적용하여 상기 예측 수익을 산출할 수 있다.
상기 장치는, 각 수직 농장별로 재배 가능한 작물의 생산 능력, 재배 환경을 포함하는 정보가 저장되는 농장 DB를 더 포함하고, 상기 농장 DB의 정보를 참조하여 각 수직 농장에 월별 최대 수익의 작물을 매칭시켜서 농장 재배 계획을 생성하는 농장 관리부를 더 포함할 수 있다.
상기 농장 관리부는, 재배 시작일, 시기별 재배 작업, 출하 시기를 포함하는 전체 재배 공정의 상기 농장 재배 계획을 생성하여 각 농장 단말로 전송할 수 있다.
상기 농장 관리부는, 상기 시기별 재배 작업에 따른 알림 정보를 상기 농장 단말로 전송하고, 상기 농장의 관리자 단말로 메시지 전송할 수 있다.
상기 농장 관리부는, 생성된 농장 재배 계획에 의해 작물을 재배하는 농장별로 예상 출하량을 산출하고, 산출된 출하량에 대응되는 보관 기간의 유통 계획을 생성하여 각 농장 단말로 전송할 수 있다.
다른 측면에 따른, 장치가 신경망 학습을 기반으로 수직 농장의 작물의 출하를 예측하는 방법은, 시기별로 작물의 가격 및 비용 정보를 입력받는 단계; 입력받은 정보를 학습하여 예측 모델을 관리하고, 예측 모델로부터 가격과 비용의 예측 정보를 출력하여 예측하는 단계; 출력된 예측 가격으로부터 예측 비용을 차감하여 예측 수익을 산출하는 단계; 및 산출된 예측 수익을 이용하여 작물별로 최대 수익의 연중 출하 시기를 예측하고, 월별 최대 수익의 작물 순위를 예측하여 작물의 재배를 계획하는 단계를 포함한다.
본 발명의 일 측면에 따르면, 신경망에서 예측 결과를 실제 결과와 비교하는 검증과 보정이 수반된 기계 학습을 이용하여 작물의 출하를 예측하므로 예측의 신뢰도를 제공할 수 있다.
작물의 가격과 비용을 학습하고, 유사 작물의 가격을 더 학습하여 비용 대비 가격의 최대 수익이 보장되면서 유사 작물에 대해 경쟁력을 갖는 작물의 출하 시기를 예측할 수 있다.
각 수직 농장의 정보에 매칭되는 작물을 시기별로 매칭하여 농장별 재배 계획을 생성하여 농장측으로 제공하고, 농장의 재배 계획에 따른 작업 일정의 관리 서비스를 농장측으로 제공하고, 출하량 및 유통 정보를 농장측으로 제공함으로써 작물 재배와 관련된 통합 정보의 컨설턴트 서비스를 통해 수직 농장의 매출 증대로 인한 경영을 개선할 수 있다.
본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 후술한 발명의 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되지 않아야 한다.
도 1은 본 발명의 일 실시예에 따른 시스템의 개략적인 구성도이다.
도 2는 도 1의 농장 클라우드 서버의 예측부에서 신경망 예측 모델이 학습 및 예측을 처리하는 예시도이다.
도 3은 도 1의 농장 클라우드 서버의 수익 산출부가 비용 및 유사 작물을 기반으로 수익을 예측하는 예시도이다.
도 4는 도 1의 농장 클라우드 서버의 계획부가 출하 시기 및 작물 순위에 따라 작물의 재배를 계획하는 예시도이다.
도 5는 도 1의 농장 클라우드 서버의 농장 관리부가 수직 농장별 작물 재배 계획을 생성하여 관리하는 예시도이다.
도 6은 본 발명의 일 실시예에 따른 작물의 출하는 예측하는 방법의 개략적 순서도이다.
상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해 질 것이며, 그에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 또한, 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략하기로 한다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 일 실시예를 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 시스템(100)의 개략적인 구성도이다. 도 2 내지 도 5는 도 1의 농장 클라우드 서버(110)의 각 구성부(111 ~ 119)들의 처리 기능의 개략적 예시도이다. 이하에서는 도 1 내지 도 5를 참조하여 설명한다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 시스템(100)은 작물의 최적 출하 시기를 예측하여 수직 농장으로 제공하는 농장 클라우드 서버(110) 및 서버(100)로부터 작물의 재배 계획을 제공받는 농장 클라이언트 단말(130)을 포함하여 구성된다.
상기 농장 클라우드 서버(110)는 입력부(111), 예측부(113), 신경망 예측 모델(114), 수익 산출부(115), 계획부(117) 및 농장 관리부(119)를 포함하여 구성된다.
또한, 상기 농장 클라이언트 단말(130)은 컴퓨터 단말, 이동 단말과 같이 유 무선 네트워크를 통해 데이터를 통신하는 사용자 단말이다.
상기 입력부(111)는 본 발명의 예측 처리를 위해 작물의 가격 정보(예 : 출하 가격) 및 비용 정보(예 : 재배 비용)를 입력받는다. 상기 예측 처리를 위해서는 먼저 학습 처리가 선행되어야 한다. 입력부(111)는 학습을 위해 과거의 연중 출하 시기별로 작물의 가격 정보 및 비용 정보를 파일로부터 읽어들일 수 있다. 입력부(111)는 예측을 위한 학습 정보로서 일자별 온도, 강우 등의 정보를 입력받을 수 있다.
여기서, 입력부(111)는 예측 수익의 정확성을 위해, 상기 작물의 대체 구매를 일으키는 유사 작물의 가격 정보를 더 입력받을 수 있다. 작물의 유사 작물은 작물을 대신하여 대체 구매를 일으키므로, 유사 작물의 가격이 비싸고 작물의 가격이 쌀수록, 작물의 구매 경쟁력이 커져서 증대될 수 있는 수익이 정확하게 예측될 수 있다.
도 2를 참조하면, 상기 예측부(113)의 신경망 예측 모델(114)은 학습 예측 엔진(213) 및 검증 엔진(215)으로 구현된다. 학습 예측 엔진(213)은 입력부(111)를 통해 학습 정보를 입력받는다(①). 학습 예측 엔진(213)은 입력된 학습 정보를 신경망 학습 처리한다. 신경망 학습 처리의 과정에서, 학습 예측 엔진(213)은 가격, 비용, 온도, 강우 등의 각 학습 항목에 대한 상관 관계를 패턴 학습한다.
학습 모드에서, 학습 예측 엔진(213)은 학습 처리를 통해 작물 예측 가격, 작물 예측 비용 및 유사 작물 예측 가격을 학습 결과의 예측 정보로서 출력하고, 출력된 예측 정보는 검증 엔진(215)으로 입력된다(②). 검증 엔진(215)은 t 시간의 예측 정보와 t 시간의 실제 발생 정보를 비교하여 예측율이 기준 오차 이내인지를 비교 처리하는 검증을 수행한다. 예측율은 예측 정보와 실제 발생 정보의 차이값의 비율이다. 기준 오차를 초과하는 예측 오차가 판단되면(③), 상기 예측 정보를 포함한 검증 결과 정보가 학습 예측 엔진(213)으로 피드백 입력되고, 학습 모드가 유지되어 t 시간의 학습 및 t+1 시간의 예측이 수행된다. 피드백 입력에 의한 학습 처리의 반복은 학습 예측 엔진(213)이 예측 처리하는데 적용한 내부 처리 값들을 보정한다. 물론, 보정된 값은 더욱 정확한 예측 값을 출력하도록 학습된다. 다변량 시계열 패턴의 학습이 반복되어 기준 오차 이내의 상태가 수렴되면(④), 검증 엔진(215)은 학습 완료를 출력한다. 학습 완료의 출력에 의해, 학습 예측 엔진(213)은 학습 모드에서 예측 모드로 전환된다. 예측 모드에서, 학습 예측 엔진(213)은 예측 정보를 출력한다(⑤). 학습 모드에서 예측 정보의 출력은 과거 시기에 대한 예측 출력이고, 예측 모드에서 예측 정보의 출력은 미래 시기에 대한 예측 출력이다. 한편, 예측 모드에서 출력된 예측 정보는 미리 시기가 도래함에 따라 실제 발생 데이터가 확보되어 과거 데이터가 된 후, 예측율의 유지 및 향상을 위해 학습 및 검증의 처리가 계속 수행될 수 있다. 예측부(113)는 설정된 미래 시기에 대해 일자별로 각 작물의 예측 가격, 작물의 예측 비용 및 유사 작물의 예측 가격을 미래의 예측 정보로서 출력한다.
도 3을 참조하면, 상기 수익 산출부(115)는 예측부(113)로부터 출력된 미래의 예측 정보를 이용하여 각 작물의 미래 시기의 수익을 일자별로 산출하여 예측한다. 먼저, 예측 수익은 예측 가격에서 예측 비용(예 : 재료비, 인건비, 난방비 등)을 차감하여 산정된다. 다음으로, 산정된 예측 수익은 유사 작물 예측 가격과 작물 예측 가격의 차이값에 비례하는 가중치가 적용되어 최종 예측 수익이 산정된다. 그러면, 시간과 수익의 상관 계에 따른 수익 그래프를 가정할 때, a)예측 가격의 예측 수익, b)예측 비용이 고려된 예측 수익, c)예측 비용 및 가중치가 고려된 예측 수익은 시기별로 값이 달라진다. 본 발명은 정확한 시기별 수익 산출을 위해, 수익 산출부(115)가 c)예측 비용 및 가중치가 고려된 예측 수익으로 산출한다. 즉, 예측 가격이 최대인 것이 최대 수익과 시기를 보장하는 것이 아니며, 비용 대비 예측 가격이 최대인 것이 최대 수익과 시기를 보장하는 것이 아니라, 비용과 유사 작물의 가중치를 대비한 예측 가격이 최대인 것이 최대 수익과 시기를 보장하는 것이다.
도 4를 참조하면, 상기 계획부(117)는 수익 산출부(115)로부터 각 작물의 예측 수익을 입력받고(①), 작물별로 최대 수익이 예측되는 출하 시기를 예측 정보로서 출력하고(②), 시기별 최대 수익의 작물 순위를 예측 정보로서 출력한다(③). 예를 들어, 월별 최대 수익의 작물 순위는 매월마다 수익이 최대화되는 작물의 순서로 정렬되는 정보이다. 출하 시기의 예측을 위해, 계획부(117)는 관리자에 의해 설정된 작물별 출하 기간(예 : 일, 주, 월의 기간), 기준 수익의 정보를 참조할 수 있다. 예를 들면, A 작물은 고온성 작물로 작물 정보가 설정되고, 1~2월, 7월 ~ 9월로 출하 기간이 설정될 수 있다. 물론, A 작물에 설정된 1~2월은 고온성 작물을 난방비를 들여서 재배하는 것으로 작물의 연중 재배를 지원하고, 겨울철에 작물의 희소 가치를 이용하여 최대 수익을 얻고자 하는 것이다. 참조된 출하 기간과 일치하면서 상기 기준 수익 이상의 예측 수익이 기대될 경우 출하 시기로서 예측될 수 있다. 만약, 계획부(117)가 월 단위로 1순위에 있는 각 작물로 연중 재배 계획을 생성하면, 수익의 최대화를 위한 최적화된 계획을 수립한 것이다.
도 5를 참조하면, 농장 관리부(119)는 각 농장별로 최적화된 농장 재배 계획을 생성한다. 먼저, 농장 관리부(119)는 농장 클라이언트 단말(130)로부터 정보 제공 서비스를 가입받고, 농장 정보를 등록받아 농장 DB(519)에 저장한다(①). 저장된 농장 정보는 해당 농장에 최적화된 농장 재배 계획을 수립하기 위한, 작물의 생산 능력, 재배 환경, 지역, 주변 도매 시장, 유통 환경 등의 정보를 포함한다.
농장 관리부(119)는 농장 DB(519)에 저장된 정보를 참조하여 계획부(117)가 수립한 계획 정보를 각 농장에 특장점에 맞춤화되도록 매칭시킨 농장별 재배 계획 정보를 배포한다(②). 여기서, 농장 관리부(119)는 농장의 작물 생산 능력 및 재배 환경에 맞는 최적화된 작물을 매칭시켜 농장 재배 계획의 연중 정보를 생성하는 것이다. 농장 관리부(119)는 농장별 맞춤화된 최적 재배 계획을 생성함에 따라, 생성된 최적 재배 계획에 포함된 재배 시작일, 시기별 재배 작업, 출하 시기 등의 전체 재배 공정의 정보를 각 농장 클라이언트 단말(130)로 전송한다. 이후, 농장 관리부(119)는 전송된 재배 계획 정보의 작업 공정의 시기에 맞춰서 알림 메시지를 농장 클라이언트 단말(130)로 전송한다. 예를 들면, 시기별 재배 작업의 알림 SMS가 등록된 농장 관리자의 이동 단말로 전송되는 것이다.
또한, 농장 관리부(119)는 재배 계획 정보의 작업 일정의 완료 여부를 농장 클라이언트 단말(130)로부터 수신하고(③), 수신된 완료 정보를 기반으로 예상 출하 일정 및 출하량을 산출한다. 작업 일정이 완료된 일자에 따라 세부 계획의 일자 변경이 발생되면, 농장 관리부(119)는 변경 정보를 농장 클라이언트 단말(130)로 전송한다. 또한, 농장 관리부(119)는 산출된 정보로 농장 관리부(119)는 농장의 출하 시기, 보관 기간 등을 조율하여 유통 계획을 생성하고, 산출된 출하량 및 생성된 유통 계획을 농장 클라이언트 단말(130)로 전송한다(④). 약속된 유통 일자에 맞춰서 산출된 출하량의 작물이 농장으로부터 출고될 수 있도록 농장 관리부(119)는 제휴된 유통 업체로 예약 정보를 전송한다. 그러면, 농장 관리부(119)는 작물 종류, 작업 일정의 연중 재배 계획 및 출하 상품의 출고 정보를 통합 관리하여 각 수직 농장 측으로 전송하는 최적화된 재배 컨설턴트 서비스를 농장 측으로 제공할 수 있다.
도 6은 본 발명의 일 실시예에 따른 작물의 출하는 예측하는 방법의 개략적 순서도이다.
농장 클라우드 서버(110)는 수직 농장의 작물 출하를 예측하기 위한, 학습 정보를 수집한다. 농장 클라우드 서버(110)는 수집된 학습 정보를 입력받는다(S611). 학습 정보는 작물의 가격 정보, 작물의 비용 정보, 유사 작물의 가격 정보 등을 포함한다. 이외에도, 온도 및 강우 정보 등이 포함될 수 있다. 학습 정보가 입력되면, 농장 클라우드 서버(110)는 신경망 예측 모델(114)을 통해 입력된 정보를 학습하고, 학습 결과로서 예측 정보를 출력한다(S613). 농장 클라우드 서버(110)는 학습 결과로서 출력된 예측 정보를 실제 발생 정보를 비교하여 신경망 학습의 지속 여부를 결정한다(S615). 신경망 학습은 학습, 예측 출력, 검증 및 보정의 처리가 신경망 예측 모델(114)을 통해 수행된다. 학습 결과의 예측율이 기준 오차를 초과하는 동안에 상기 신경망 학습은 반복되고, 반복되는 학습 과정에서 신경망 예측 모델(114)은 각 항목에 대한 상관 관계의 내부 처리 값들을 보정한다. 이후, 학습 결과의 예측율이 기준 오차 이하로 수렴되면, 농장 클라우드 서버(110)는 학습 처리를 완료한다. 학습 처리가 완료된 이후로, 농장 클라우드 서버(110)는 설정된 미래 기간 동안에 신경망 예측 모델(114)을 통해 예측을 수행하여 미래 예측 결과를 출력한다(S617). 미래 예측 결과로서, 각 작물별로 미래 기간 동안의 예측 가격, 예측 비용 및 유사 작물의 예측 가격이 출력된다.
미래의 예측 정보가 출력되면, 농장 클라우드 서버(110)는 출력된 예측 정보를 이용하여 작물별 미래 수익을 예측 기간별로 산출하여 예측한다(S631). 여기서, 예측 수익은 도 3에서와 같이 작물의 예측 가격에 작물의 예측 비용 및 유사 작물의 예측 가격을 적용하여 예측된다.
작물의 수익이 예측되면, 농장 클라우드 서버(110)는 작물별로 수익이 최대화되는 연중 출하 시기 및 월별로 최대 출하 수익의 작물 순위를 생성하여 작물의 재배 계획을 생성한다(S651).
작물의 재배 계획이 생성되면, 농장 클라우드 서버(110)는 각 수직 농장별로 등록된 농장 정보를 농장 DB(519)로부터 참조하고, 참조된 농장 정보와 매칭되는 작물을 선정하여 각 수직 농장에 맞춤화된 농장 재배 계획을 생성하고, 생성된 계획 정보를 농장 클라이언트 단말(130)로 전송한다(S671). 각 수직 농장은 전송된 농장 재배 계획에 따라 재배 작업을 실시한다. 농장 클라이언트 서버(110)는 농장 재배 계획의 작업 일정에 따라 미리 알림 정보를 농장 클라이언트 단말(130)로 전송한다(S673). 작업 일정의 완료 정보는 농장 클라이언트 서버(110)가 농장 클라이언트 단말(130)로부터 수집하고, 수집 정보를 근거로 출하량을 산출하고 유통 계획 정보를 생성하고, 출하량 정보 및 유통 계획 정보를 농장 클라이언트 단말(130)로 전송하여 농장의 재배 일정을 관리한다(S675).
본 명세서는 많은 특징을 포함하는 반면, 그러한 특징은 본 발명의 범위 또는 특허청구범위를 제한하는 것으로 해석되어서는 안 된다. 또한, 본 명세서에서 개별적인 실시예에서 설명된 특징들은 단일 실시예에서 결합되어 구현될 수 있다. 반대로, 본 명세서에서 단일 실시예에서 설명된 다양한 특징들은 개별적으로 다양한 실시예에서 구현되거나, 적절히 결합되어 구현될 수 있다.
도면에서 동작들이 특정한 순서로 설명되었으나, 그러한 동작들이 도시된 바와 같은 특정한 순서로 수행되는 것으로, 또는 일련의 연속된 순서, 또는 원하는 결과를 얻기 위해 모든 설명된 동작이 수행되는 것으로 이해되어서는 안 된다. 특정 환경에서 멀티태스킹 및 병렬 프로세싱이 유리할 수 있다. 아울러, 상술한 실시예에서 다양한 시스템 구성요소의 구분은 모든 실시예에서 그러한 구분을 요구하지 않는 것으로 이해되어야 한다. 상술한 프로그램 구성요소 및 시스템은 일반적으로 단일 소프트웨어 제품 또는 멀티플 소프트웨어 제품에 패키지로 구현될 수 있다.
상술한 바와 같은 본 발명의 방법은 프로그램으로 구현되어 컴퓨터로 읽을 수 있는 형태로 기록매체(시디롬, 램, 롬, 플로피 디스크, 하드 디스크, 광자기 디스크 등)에 저장될 수 있다. 이러한 과정은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있으므로 더 이상 상세히 설명하지 않기로 한다.
본 명세서는 많은 특징을 포함하는 반면, 그러한 특징은 본 발명의 범위 또는 특허청구범위를 제한하는 것으로 해석되어서는 안 된다. 또한, 본 명세서에서 개별적인 실시예에서 설명된 특징들은 단일 실시예에서 결합되어 구현될 수 있다. 반대로, 본 명세서에서 단일 실시예에서 설명된 다양한 특징들은 개별적으로 다양한 실시예에서 구현되거나, 적절히 결합되어 구현될 수 있다.
도면에서 동작들이 특정한 순서로 설명되었으나, 그러한 동작들이 도시된 바와 같은 특정한 순서로 수행되는 것으로, 또는 일련의 연속된 순서, 또는 원하는 결과를 얻기 위해 모든 설명된 동작이 수행되는 것으로 이해되어서는 안 된다. 특정 환경에서 멀티태스킹 및 병렬 프로세싱이 유리할 수 있다. 아울러, 상술한 실시예에서 다양한 시스템 구성요소의 구분은 모든 실시예에서 그러한 구분을 요구하지 않는 것으로 이해되어야 한다. 상술한 프로그램 구성요소 및 시스템은 일반적으로 단일 소프트웨어 제품 또는 멀티플 소프트웨어 제품에 패키지로 구현될 수 있다.
상술한 바와 같은 본 발명의 방법은 프로그램으로 구현되어 컴퓨터로 읽을 수 있는 형태로 기록매체(시디롬, 램, 롬, 플로피 디스크, 하드 디스크, 광자기 디스크 등)에 저장될 수 있다. 이러한 과정은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있으므로 더 이상 상세히 설명하지 않기로 한다.
이상에서 설명한 본 발명은, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경이 가능하므로 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니다.
100 : 시스템 110 : 농장 클라우드 서버
111 : 입력부 113 : 예측부
114 : 신경망 예측 모델 115 : 수익 산출부
117 : 계획부 119 : 농장 관리부
130 : 농장 클라이언트 단말

Claims (20)

  1. 신경망 학습을 기반으로 수직 농장의 작물의 출하를 예측하는 장치에 있어서,
    시기별로 작물의 가격 및 비용 정보를 입력받는 입력부;
    입력받은 정보를 학습하여 예측 모델을 관리하고, 예측 모델로부터 가격과 비용의 예측 정보를 출력하는 예측부;
    출력된 예측 가격으로부터 예측 비용을 차감하여 예측 수익을 산출하는 수익 산출부; 및
    산출된 예측 수익을 이용하여 작물별로 최대 수익의 연중 출하 시기를 예측하고, 월별 최대 수익의 작물 순위를 예측하여 작물의 재배를 계획하는 계획부
    를 포함하는 장치.
  2. 제 1항에 있어서,
    상기 예측부는,
    입력된 정보가 상기 예측 모델에서 학습 처리되어 출력된 예측 정보와 실제 발생된 가격 정보 및 비용 정보를 비교하여 검증 처리하고, 검증 처리된 결과를 예측 모델의 학습을 위해 피드백 입력시켜서 상기 예측 모델을 학습시키는 것을 특징으로 하는 장치.
  3. 제 2항에 있어서,
    상기 예측부는,
    상기 검증 처리에 의해 예측 정보와 실제 발생 정보 사이의 오차가 기준 오차 이하로 만족되면, 상기 예측 모델의 학습이 완료된 것으로 처리하는 것을 특징으로 하는 장치.
  4. 제 1항에 있어서,
    상기 입력부는,
    상기 작물의 유사 작물의 가격 정보를 읽어들이는 것을 특징으로 하는 장치.
  5. 제 4항에 있어서,
    상기 예측부는,
    상기 예측부는 읽어들인 유사 작물 가격 정보에 대해 예측 모델로부터 유사 작물의 예측 가격을 더 출력하는 것을 특징으로 하는 장치.
  6. 제 5항에 있어서,
    상기 수익 산출부는,
    유사 작물의 예측 가격에 대비하여 작물의 예측 가격이 낮을수록, 상기 작물의 수익에 높은 가중치를 적용하여 상기 예측 수익을 산출하는 것을 특징으로 하는 장치.
  7. 제 1항에 있어서,
    각 수직 농장별로 재배 가능한 작물의 생산 능력, 재배 환경을 포함하는 정보가 저장되는 농장 DB를 더 포함하고,
    상기 농장 DB의 정보를 참조하여 각 수직 농장에 월별 최대 수익의 작물을 매칭시켜서 농장 재배 계획을 생성하는 농장 관리부를 더 포함하는 것을 특징으로 하는 장치.
  8. 제 7항에 있어서,
    상기 농장 관리부는,
    재배 시작일, 시기별 재배 작업, 출하 시기를 포함하는 전체 재배 공정의 상기 농장 재배 계획을 생성하여 각 농장 단말로 전송하는 것을 특징으로 하는 장치.
  9. 제 8항에 있어서,
    상기 농장 관리부는,
    상기 시기별 재배 작업에 따른 알림 정보를 상기 농장 단말로 전송하고, 상기 농장의 관리자 단말로 메시지 전송하는 것을 특징으로 하는 장치.
  10. 제 7항에 있어서,
    상기 농장 관리부는,
    생성된 농장 재배 계획에 의해 작물을 재배하는 농장별로 예상 출하량을 산출하고, 산출된 출하량에 대응되는 보관 기간의 유통 계획을 생성하여 각 농장 단말로 전송하는 것을 특징으로 하는 장치.
  11. 장치가 신경망 학습을 기반으로 수직 농장의 작물의 출하를 예측하는 방법에 있어서,
    시기별로 작물의 가격 및 비용 정보를 입력받는 단계;
    입력받은 정보를 학습하여 예측 모델을 관리하고, 예측 모델로부터 가격과 비용의 예측 정보를 출력하여 예측하는 단계;
    출력된 예측 가격으로부터 예측 비용을 차감하여 예측 수익을 산출하는 단계; 및
    산출된 예측 수익을 이용하여 작물별로 최대 수익의 연중 출하 시기를 예측하고, 월별 최대 수익의 작물 순위를 예측하여 작물의 재배를 계획하는 단계
    를 포함하는 방법.
  12. 제 11항에 있어서,
    상기 예측하는 단계는,
    입력된 정보가 상기 예측 모델에서 학습 처리되어 출력된 예측 정보와 실제 발생된 가격 정보 및 비용 정보를 비교하여 검증 처리하고, 검증 처리된 결과를 예측 모델의 학습을 위해 피드백 입력시켜서 상기 예측 모델을 학습시키는 단계인 것을 특징으로 하는 방법.
  13. 제 12항에 있어서,
    상기 예측하는 단계는,
    상기 검증 처리에 의해 예측 정보와 실제 발생 정보 사이의 오차가 기준 오차 이하로 만족되면, 상기 예측 모델의 학습이 완료된 것으로 처리하는 단계인 것을 특징으로 하는 방법.
  14. 제 11항에 있어서,
    상기 입력받는 단계는,
    상기 작물의 유사 작물의 가격 정보를 읽어들이는 단계인 것을 특징으로 하는 방법.
  15. 제 14항에 있어서,
    상기 예측하는 단계는,
    상기 예측부는 읽어들인 유사 작물 가격 정보에 대해 예측 모델로부터 유사 작물의 예측 가격을 더 출력하는 것을 특징으로 하는 방법.
  16. 제 15항에 있어서,
    상기 산출하는 단계는,
    유사 작물의 예측 가격에 대비하여 작물의 예측 가격이 낮을수록, 상기 작물의 수익에 높은 가중치를 적용하여 상기 예측 수익을 산출하는 단계인 것을 특징으로 하는 방법.
  17. 제 11항에 있어서,
    각 수직 농장별로 재배 가능한 작물의 생산 능력, 재배 환경을 포함하는 정보가 저장되는 농장 DB를 더 포함하고,
    상기 계획하는 단계 이후로,
    상기 농장 DB의 정보를 참조하여 각 수직 농장에 월별 최대 수익의 작물을 매칭시켜서 농장 재배 계획을 생성하여 농장 관리하는 단계를 더 포함하는 것을 특징으로 하는 방법.
  18. 제 17항에 있어서,
    상기 농장 관리하는 단계는,
    재배 시작일, 시기별 재배 작업, 출하 시기를 포함하는 전체 재배 공정의 상기 농장 재배 계획을 생성하여 각 농장 단말로 전송하는 단계인 것을 특징으로 하는 방법.
  19. 제 18항에 있어서,
    상기 농장 관리하는 단계는,
    상기 시기별 재배 작업에 따른 알림 정보를 상기 농장 단말로 전송하고, 상기 농장의 관리자 단말로 메시지 전송하는 단계인 것을 특징으로 하는 방법.
  20. 제 17항에 있어서,
    상기 농장 관리하는 단계는,
    생성된 농장 재배 계획에 의해 작물을 재배하는 농장별로 예상 출하량을 산출하고, 산출된 출하량에 대응되는 보관 기간의 유통 계획을 생성하여 각 농장 단말로 전송하는 것을 특징으로 하는 방법.
KR1020170117799A 2017-09-14 2017-09-14 가격과 비용의 신경망 학습을 기반으로 수직 농장의 작물의 출하를 예측하는 장치 및 방법 KR20190030403A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170117799A KR20190030403A (ko) 2017-09-14 2017-09-14 가격과 비용의 신경망 학습을 기반으로 수직 농장의 작물의 출하를 예측하는 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170117799A KR20190030403A (ko) 2017-09-14 2017-09-14 가격과 비용의 신경망 학습을 기반으로 수직 농장의 작물의 출하를 예측하는 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20190030403A true KR20190030403A (ko) 2019-03-22

Family

ID=65949504

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170117799A KR20190030403A (ko) 2017-09-14 2017-09-14 가격과 비용의 신경망 학습을 기반으로 수직 농장의 작물의 출하를 예측하는 장치 및 방법

Country Status (1)

Country Link
KR (1) KR20190030403A (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210086786A (ko) * 2019-12-30 2021-07-09 전북대학교산학협력단 미세먼지 및 악취 예측 시스템 및 방법
KR102278664B1 (ko) * 2021-01-28 2021-07-16 주식회사 볼드코퍼레이션 인공지능을 이용한 조경수 가격 및 유통량 예측 장치 및 그 방법
KR102453611B1 (ko) * 2022-03-07 2022-10-12 주식회사 케이시스 농산물 가격 예측정보를 이용한 생산 조정 시스템 및 그 방법
KR102620199B1 (ko) * 2023-08-18 2024-01-03 (주)타이호인스트 인공지능 기반 노지 농작물 유통 가격 예측 정보 플랫폼운영 서버 및 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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 (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210086786A (ko) * 2019-12-30 2021-07-09 전북대학교산학협력단 미세먼지 및 악취 예측 시스템 및 방법
KR102278664B1 (ko) * 2021-01-28 2021-07-16 주식회사 볼드코퍼레이션 인공지능을 이용한 조경수 가격 및 유통량 예측 장치 및 그 방법
KR102453611B1 (ko) * 2022-03-07 2022-10-12 주식회사 케이시스 농산물 가격 예측정보를 이용한 생산 조정 시스템 및 그 방법
KR102620199B1 (ko) * 2023-08-18 2024-01-03 (주)타이호인스트 인공지능 기반 노지 농작물 유통 가격 예측 정보 플랫폼운영 서버 및 방법

Similar Documents

Publication Publication Date Title
KR20190030403A (ko) 가격과 비용의 신경망 학습을 기반으로 수직 농장의 작물의 출하를 예측하는 장치 및 방법
Han et al. A model for joint planning of production and distribution of fresh produce in agricultural internet of things
AU2016349965A1 (en) Agricultural enterprise management method and system
Awan et al. Role of internet of things (IoT) with blockchain technology for the development of smart farming
Díaz et al. Optimal operation value of combined wind power and energy storage in multi-stage electricity markets
KR101347514B1 (ko) 농산물 수확량 예측시스템 및 이를 이용한 농산물 수확량의 예측방법
Banerjee et al. Implementing e-commerce model for agricultural produce: A research roadmap
Brandenburg et al. Performance-and value-oriented decision support for supply chain configuration: a discrete-event simulation model and a case study of an FMCG manufacturer
JP2020024701A (ja) 生産流通管理システム、管理方法、及びプログラム
TW201519114A (zh) 作物生產規劃系統、作物生產規劃方法及電腦可讀取之記錄媒體
Indriyanti et al. Using fuzzy time series (FTS) and linear programming for production planning and planting pattern scheduling red onion
Thongrattana An analysis of the uncertainty factors affecting the sustainable supply of rice production in Thailand
KR20190140528A (ko) 딥 러닝을 이용한 화훼 경매가 예측 시스템
Ahumada et al. A tactical planning model for fresh produce production considering productive potential and changing weather patterns
Deepradit et al. The harvest planning of aromatic coconut by using Monte Carlo simulation
Steinke et al. Seasonal seed scenario planning: co-design of a generic framework for matching seed supply and demand using seasonal climate forecasts
JP2007272853A (ja) 農産物生産・流通システム
Kusrini et al. Supply Chain Performance Measurement Using Supply Chain Operation Reference (SCOR) in Sugar Company in Indonesia
Udomsri et al. The design of a forecasting support models on demand of durian for export markets by time series and ANNs
Olushola et al. Effects of the psaltry cassava out-grower scheme in enhancing smallholder productivity in Oke-Ogun Area of Oyo State, Nigeria
Peinado-Guerrero et al. Managing Risk in Fresh Produce Planning Considering Price Variability, Yield Variability, and Regional Complementarity
Young et al. Improved whole-farm planning for mixed-enterprise systems in Australia using a four-stage stochastic model with recourse
Urciuoli et al. An integrated framework for evaluating costs of IBLCs’ supply chains
Nuhu et al. Food grain marketing in Northeast Nigeria: a study of spatial and temporal price efficiency.
US20240193706A1 (en) System and method for determining indoor farming efficiency and benefits