Home

축산 시장은 기온, 질병, 수입품목 등 여러 외부 요인에 의해 영향을 받는다. 이러한 영향은 시장참여자의 반응에 영향을 주게 되고 가격은 변동성을 갖게 된다. 따라서 본 논문에서는 시장참여자들의 반응을 가격 예측에 활용하기 위해 뉴스 기사 내용을 감정 분석기를 이용하여 감정을 평가하고 평가된 감정으로 파생 변수인 감정 점수를 만들어 돈육 도매가격 예측 시스템을 제안하고자 한다.

그림 1은 본 논문에서 제안하는 감정분석을 이용한 돈육가격 예측 시스템 구조를 나타낸다. 해당 시스템의 전체적인 구조는 데이터 습득 및 전처리, 감정 분석, 모델링으로 구성된다.

Fig. 1. 
Structure of pork price prediction system using emotional analysis

양돈 시장과 관련 있는 뉴스 정보를 수집하기 위해 양돈 전문 뉴스 웹사이트 [18]-[20]를 선정하였다. 파이썬 라이브러리 Beautiful Soup[21]과 프레임워크 Selenium[22]을 사용하여 각 웹사이트에서 양돈 관련 기사 내용만 선별하여 크롤링하였다. 가격 데이터는 축산물 품질 평가원[23]에서 도매가격 데이터를 수집했다.

일별 가격 예측을 위해 뉴스 데이터와 돈육 가격 데이터를 같은 일별로 그룹화했다. 일별로 결측값 있는 데이터들은 이전일 값으로 결측값을 변경했다. 돈육 도매가격 데이터는 일별로 평균값을 계산하여 날짜별 돈육 도매가격을 계산했다. 뉴스 기사 데이터에서 특수문자, 이름, 구두점, 개행문자 등 감정분석에 불필요한 불용어들은 제거했다.

뉴스 기사의 긍정, 부정적인 내용에 따라 시장참여자들의 반응은 달라진다. 따라서 뉴스 기사의 내용에 대한 정량적인 감정 지표 측정이 필요하다.

감정 지표를 측정하기 위해 수집된 뉴스 기사 내용을 감정 분석기를 활용하여 감정 점수를 평가했다. 감정 분석[24]이란 기계 학습과 자연어 처리(NLP)를 사용하여 텍스트 감정(긍정적, 부정적, 중립적)을 자동으로 분석하는 텍스트 마이닝 기법이다. 감정 분석기로는 네이버에서 개발한 CLOVA Sentiment API[25]를 이용하여 감정 분석했다. CLOVA Sentiment API는 BERT(Bidirectional Encoder Representations from Transformers)[26] 모델 기반으로 다양한 연구 분야에서 텍스트 감정분석에 활용되고 있다[27-28]. 뉴스 기사를 텍스트 형태로 API를 통해 데이터를 보내면 네이버 CLOVA Sentiment 감정 분석기에서 문장 단위로 감정을 분리하여 표 1과 같이 긍정, 부정, 중립 감정을 반환하고 반환된 감정을 긍정은 1, 부정은–1, 중립은 0으로 바꾸어 감정 점수를 계산할 수 있게 숫자 형으로 바꿨다. 문장 단위로 반환된 감정을 식 (1)처럼 문장별 감정 합과 문장 수로 나누어 평균으로 계산하여 뉴스 감정 점수를 계산하였다. 이후 뉴스 감정 점수를 식 (2)을 이용하여 일자별 평균으로 계산하여 일자별 뉴스 감정 점수를 구했다.

• • Sentiment={Positive :1, Neutral :0, Negative :-1}
• • Sentiment= 특성 문장의 감정 점수
• • News Sentiment=뉴스 기사 감정 점수
• • Day Sentiment=일별 감정 점수
• • T_i=i 번째 감정 점수
• • k=감정 평가된 특성 문장 수
• • n=뉴스 기사 수

돈육 도매가격은 주기적인 계절성 변화와 이전의 일련의 사건과 밀접하게 연관되어 있다. 따라서 시계열적 특성을 고려할 수 있는 시계열 딥러닝 모델 LSTM을 시스템 모델로 선정했다.

시계열 모델 예측 방식은 일대다, 다대일 등 다양한 방식이 있지만 그림 2와 같은 다대다[29] 방식을 활용했다. 다대다 방식은 시퀀스 데이터가 입력됐을 때 시퀀스 데이터가 나오도록 학습하는 방식으로 여러 일수의 날짜들을 학습하여 여러 일수의 미래 날짜를 예측하는 방식으로 모델링 했다.

Fig. 2. 
Many to many

본 장에서는 감정 점수가 돈육 도매가격 예측에 영향을 줄 수 있는 지표인지 확인하기 위한 실험을 기술한다. 돈육 도매가격만 가지고 윈도우 사이즈를 활용하여 학습한 모델과 돈육 도매가격과 감정 점수를 함께 학습한 모델을 성능 비교하는 방식을 통해 감정 점수의 유효성을 검증했다. 또한 학습 시 훈련데이터 세트의 윈도우 사이즈와 미래의 예측일 수를 조정해가면서 모델 간의 성능을 비교 분석했다.

가격 데이터는 축산물품질평가원[23]에서 크롤링한 도매가격 데이터를 활용했다. 표 2에 기술한 내용처럼 가격 데이터는 2018년 1월 2일부터 2021년12월 31일까지 1,004개의 일별 도매가격 데이터를 수집했다. 다만, 주말이나 공휴일과 같이 도매시장이 개장하지 않은 날에는 거래가 이루어지지 않아 결측치가 있었다. 안정적인 일별 가격 예측을 위해 결측치가 없는 모든 일 단위 도매가격이 필요했고 결측치가 있는 일별 도매가격은 직전일 도매가격으로 변경했다.

총 4,288개 뉴스 기사를 3.3장에서 기술한 바와 같이 일별 감정 점수로 측정했다. 하나의 날짜에 여러 개의 뉴스 기사가 게시된 경우, 해당 날짜의 뉴스 감정 점수들의 평균값을 계산하여 일별 감정 점수를 계산했다. 뉴스 기사가 게시되지 않은 날짜에는 이전 날짜의 감정 점수 값을 사용하여 대체했다. 측정한 감정 점수는 같은 일별로 도매가격 데이터와 하나의 데이터 세트로 합쳤다.

일별 도매가격 데이터와 감정 점수 데이터의 기초 통계 정보는 표 3과 같다. 일별 도매가격 최댓값은 6,649원이고, 최솟값은 2,021원이다. 평균적으로 4,446.34원에서 도매가격이 형성된다는 것을 알 수 있다. 일별 감정 점수는 중앙값이–0.05로 0을 기준으로 감정이 편향되지 않고 긍정, 부정으로 고르게 분포하고 있음을 확인할 수 있었다.

본 연구에서 활용한 시계열 딥러닝 모델은 LSTM으로 자세한 모델 구조는 표 4와 같다. 돈육 가격 데이터와 감정 점수를 인풋 사이즈가 2차원 형태로 모델에 입력한다. 그림 3과 같이 과거 w 일치 데이터를 학습하고 미래의 k 일치 데이터를 예측하는 방식으로 원도우 사이즈를 나누어 학습했다.

Fig. 3. 
Using window size to predict after learning

훈련데이터와 검증 데이터를 8:2로 나누어 20%를 검증 데이터 세트로 사용했다. 에포크(Epoch)는 100, 배치 크기는 100으로 설정하여 학습했다.

같은 수의 레이어 층과 활성화 함수들을 사용하여 GRU 모델에 대해서도 똑같이 학습하여 두 모델의 성능을 비교평가 하는 방식으로 실험을 진행했다.

돈육 도매가격 예측 모델을 구축하는 데 있어 감정 점수만 활용한 경우, 도매가격 데이터만 활용한 경우, 감정 점수와 도매가격을 함께 활용한 경우의 예측 결과를 비교 분석했다.

앞 장에서 언급한 바와 같이 윈도우 사이즈로 나누어 학습했다. 최적의 학습일 수를 파악하기 위해 과거 학습 데이터 윈도우 크기를 2일부터 28일까지, 예측 기간을 2일부터 7일까지 다양하게 조합하여 모든 경우의 수에 대한 성능평가를 했다. 학습 윈도우 사이즈는 10일에서 20일 사이, 예측 일수는 2일에서 4일 사이에서 학습한 모델들이 성능이 높았다.

위 언급한 세 가지 경우 중 도매가격과 함께 감정 점수를 사용하여 학습한 예측 모델이 다른 두 경우 (도매가격으로만 학습한 모델, 또는 감정 점수로만 학습한 모델)보다 정확한 예측 성능을 보였다. 표 5는 도매가격과 함께 감정 점수를 활용한 예측 모델에서 가장 성능이 높은 10가지를 제시한다.

그림 4는 세 경우 중 LSTM과 GRU 모델을 활용했을 때 평균 MAE 값이다. 감정 점수만 이용하였을 때 평균 MAE 값은 LSTM 743.79, GRU 757.72로 가장 오차율이 컸고, 그 뒤 도매가격으로만 예측하였을 때가 LSTM 375.99, GRU 403.07 도매가격과 감정 점수를 함께 예측하였을 때 LSTM 245.17, GRU 386.60으로 가장 정확한 성능을 보였다. 위의 결과를 바탕으로 각 단일 변수로만 학습하여 예측한 결과보다 감정 점수를 고려한 도매가격 추세 예측이 세 경우 가장 정확한 결과를 얻었다. 따라서 감정 점수가 도매가격의 추세 예측에 유의미한 보조지표라는 것을 확인하였다.

Fig. 4. 
Comparison of MAE between LSTM and GRU models in three cases

가장 정확한 예측 모델은 LSTM으로 학습 기간 13일, 예측 기간 3일을 예측한 모델이다. 회귀모델 성능 평가지표인 MAE로 정확도를 확인해보면 216.87이다. 그림 5는 LSTM 모델, GRU 모델 예측값과 실제 값의 추세를 그린 그래프이다. 급격하게 값이 상승하거나 하락하면 예측값과 실제값의 차이가 벌어지는 경향을 보였으나 하락과 상승 추세는 전 기간에 걸쳐 효과적으로 예측했다. 동 기간 모델별 오차값 차이는 그림 6, 그림 7 와 같다. 전반적으로 메인모델로 활용한 LSTM 모델 예측이 같은 시계열 딥러닝 모델 GRU보다 더 실제 가격과 일치하는 추세를 나타냈다.

Fig. 5. 
Price prediction graph

Fig. 6. 
Results of MAE (13 days of train, 3 days of prediction)

Fig. 7. 
Result of MAPE (13 days of train, 3 days of prediction)

돈육 도매가격 예측 모델에 감정 점수를 통합한 접근법이 도매가격 또는 감정 점수 단일 데이터만을 사용한 예측보다 예측 정확도를 향상하는 데 긍정적인 영향을 미친다는 결과를 확인할 수 있었다.