A Grey Markov Prediction Method Optimized by GSA for Forecasting Agricultural Cold Chain Transportation Volume in China

Dans le vaste et complexe réseau de l'agriculture moderne, préserver la fraîcheur des aliments de la ferme à la table est une course contre la montre et la température. C'est le domaine de la logistique de la chaîne du froid, un système qui repose sur des camions frigorifiques et des installations de stockage pour prévenir le gaspillage. Pourtant, malgré toute sa sophistication technologique, l'industrie est confrontée à un défi persistant : savoir exactement quelle quantité de produits surgelés devra être transportée dans les années à venir. Il ne s'agit pas d'une simple question de comptage de caisses ; c'est un puzzle complexe où de petites quantités de données, une météo imprévisible, des politiques économiques changeantes et une demande de consommation fluctuante entrent en collision. Les outils de prévision traditionnels peinent souvent ici, exigeant des quantités massives de données historiques ou faisant des hypothèses rigides qui s'effondrent lorsque le monde réel se comporte de manière erratique. Lorsque les planificateurs se trompent, les conséquences sont tangibles : des camions restent à l'arrêt avec des espaces vides, ou pire, des denrées périssables se retrouvent sans transport, entraînant gaspillage et pertes financières.

Pour naviguer dans cette incertitude, les chercheurs se sont tournés vers une branche des mathématiques appelée la théorie des systèmes gris. Considérez cette approche comme un moyen de trouver des motifs dans un paysage brumeux. Contrairement à d'autres méthodes qui exigent une vue claire et dégagée du passé, la théorie grise est conçue pour fonctionner lorsque l'image est incomplète, utilisant les informations limitées disponibles pour faire des suppositions éclairées sur l'avenir. Elle excelle dans le traitement des « petits échantillons », où seules quelques années de données existent, et des « tendances non linéaires », où la croissance ne suit pas une ligne droite et prévisible. En se concentrant sur les rythmes cachés au sein des données plutôt qu'en les forçant dans une boîte rigide, ces modèles peuvent offrir un aperçu de ce qui nous attend. Cependant, même ces outils puissants ont des limites. Ils peuvent parfois manquer les légères secousses aléatoires des données ou ne pas parvenir à s'adapter assez rapidement lorsque les conditions sous-jacentes changent.

Une équipe de chercheurs de l'Université Donghua en Chine a récemment relevé ces limites en tissant ensemble plusieurs techniques avancées en un moteur de prédiction unique et plus robuste. Leur objectif était de prévoir le volume des produits agricoles surgelés circulant à travers le réseau logistique chinois, une métrique critique pour assurer la sécurité alimentaire et la stabilité économique. Ils ont commencé par un modèle gris multivarié, qui examine la cible — le transport de marchandises surgelées — aux côtés de cinq facteurs clés qui l'influencent : la valeur ajoutée du secteur agricole primaire, le nombre de personnes travaillant dans l'industrie tertiaire (services), le volume total des transactions sur les marchés agricoles, le coût national de la logistique et l'indice des prix des produits agricoles. En injectant ces cinq facteurs dans leur modèle, ils espéraient capturer l'interaction complexe qui stimule la demande.

Les chercheurs ne se sont pas arrêtés au modèle standard. Ils ont reconnu que la manière traditionnelle de traiter ces données traitait toutes les informations historiques de manière égale, ce qui dilue souvent l'importance des événements les plus récents. Pour corriger cela, ils ont introduit une méthode d'accumulation d'ordre fractionnaire. En termes simples, cet ajustement permet au modèle de prêter une plus grande attention aux points de données les plus récents, en leur accordant plus de poids que les chiffres plus anciens, potentiellement obsolètes. Ce changement garantit que la prédiction reste sensible aux tendances actuelles plutôt que d'être trop ancrée dans le passé. Ils ont également amélioré la façon dont le modèle calcule ses valeurs de « fond » internes. Au lieu d'utiliser une moyenne fixe et immuable pour lisser les données, ils ont créé un système adaptatif qui déplace son attention en fonction de la fluctuation des données à un instant donné. Si les chiffres oscillent violemment, le modèle ajuste sa sensibilité en conséquence, ce qui le rend plus résilient à la volatilité.

Même avec ces améliorations, le modèle produisait encore de petites erreurs, ou résidus, qui sont les différences entre ce que le modèle a prédit et ce qui s'est réellement passé. Pour y remédier, l'équipe a employé une correction par chaîne de Markov. Cette technique traite les erreurs non pas comme un bruit aléatoire, mais comme une séquence d'états qui suivent leurs propres règles de probabilité. En analysant comment ces erreurs ont tendance à passer d'un état à un autre, le modèle peut anticiper la direction probable de la prochaine erreur et la corriger avant de finaliser la prédiction. Enfin, pour s'assurer que tous ces éléments mobiles fonctionnent parfaitement ensemble, les chercheurs ont utilisé un algorithme de recherche gravitationnelle amélioré. Il s'agit d'une méthode de calcul qui imite la façon dont les objets s'attirent par la gravité pour trouver la meilleure solution possible. Il ajuste automatiquement les paramètres du modèle, comme le poids à accorder aux données récentes et l'endroit où tracer les lignes entre les différents états d'erreur, éliminant ainsi le recours aux conjectures humaines et garantissant que le modèle soit mathématiquement optimisé pour l'ensemble de données spécifique.

Les résultats de cette approche hybride ont été frappants. Lorsque l'équipe a testé sa méthode par rapport aux données historiques de 2013 à 2020, puis l'a utilisée pour prévoir les années 2021 à 2024, elle a nettement surpassé les autres techniques de prévision courantes. Les modèles gris standards, qui manquent de ces corrections avancées, produisaient des erreurs plus de cinq fois supérieures à la nouvelle méthode. Même les modèles utilisant des mathématiques d'ordre fractionnaire, mais dépourvus de valeurs de fond adaptatives ou de la correction de Markov, étaient moins performants, avec des taux d'erreur environ 30 à 50 % plus élevés. Le nouveau modèle, qui combinait toutes les améliorations, a atteint un pourcentage d'erreur moyen d'à peine 10 %. En revanche, les modèles plus simples sans la suite complète de corrections luttaient avec des erreurs allant de 13 % à plus de 50 %.

La prévision elle-même brosse le portrait d'une croissance régulière et robuste pour la logistique agricole surgelée en Chine. Le modèle prévoit que le volume de marchandises surgelées transportées passera d'environ 339 millions de tonnes en 2021 à près de 629 millions de tonnes d'ici 2024. Cela représente un taux de croissance annuel constant d'environ 22 à 23 %. Les chercheurs ont noté que, bien que certains modèles alternatifs prédisaient des pics de volume encore plus raides, presque irréalistes, ou inversement, une croissance trop plate pour correspondre à l'élan de l'industrie, leur méthode a trouvé un juste milieu qui s'alignait sur les tendances économiques et agricoles réelles observées dans la région. Le modèle a réussi à capturer la trajectoire ascendante de l'industrie sans tomber dans le piège de surestimer ou de sous-estimer l'ampleur de l'expansion.

Cette étude démontre qu'en superposant plusieurs stratégies d'optimisation — en se concentrant sur les données récentes, en s'adaptant à la volatilité, en corrigeant les erreurs aléatoires et en utilisant des algorithages intelligents pour régler les paramètres — les chercheurs peuvent créer un outil hautement fiable pour les prévisions complexes. Ce travail constitue un exemple concret de la manière dont le raffinement mathématique peut se traduire par une valeur pratique pour les gestionnaires de la chaîne d'approvisionnement et les décideurs politiques. En offrant une vision plus précise de la demande future, le modèle aide à garantir que les ressources sont allouées efficacement, réduisant le gaspillage et soutenant la croissance durable de la chaîne du froid agricole. Les conclusions suggèrent que pour les industries traitant de petits ensembles de données et de tendances imprévisibles, la clé d'une meilleure prédiction ne réside pas dans le choix d'une seule « meilleure » méthode, mais dans la combinaison intelligente de plusieurs techniques complémentaires pour construire un système qui soit à la fois flexible et précis.