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

आधुनिक कृषि के विशाल और जटिल जाल में, खेत से लेकर थाली तक भोजन को ताजा रखना समय और तापमान के विरुद्ध एक दौड़ है। यह कोल्ड चेन लॉजिस्टिक्स का क्षेत्र है, जो खराब होने से बचाने के लिए रेफ्रिजेरेटेड ट्रकों और भंडारण सुविधाओं पर निर्भर करता है। फिर भी, अपनी तमाम तकनीकी परिष्कार के बावजूद, यह उद्योग एक निरंतर चुनौती का सामना कर रहा है: यह सटीक रूप से जानना कि आने वाले वर्षों में कितने जमे हुए (फ्रोजन) उत्पादों को ले जाने की आवश्यकता होगी। यह केवल क्रेटों की गिनती करने जैसा सरल मामला नहीं है; यह एक जटिल पहेली है जहाँ डेटा की कम मात्रा, अप्रत्याशित मौसम, बदलती आर्थिक नीतियां और उपभोक्ता मांग में उतार-चढ़ाव आपस में टकराते हैं। पारंपरिक पूर्वानुमान उपकरण अक्सर यहाँ संघर्ष करते हैं, जिन्हें या तो भारी मात्रा में ऐतिहासिक डेटा की आवश्यकता होती है या वे कठोर धारणाएं बनाते हैं जो तब टूट जाती हैं जब वास्तविक दुनिया अनिश्चित व्यवहार करती है। जब योजनाकार गलत अनुमान लगाते हैं, तो इसके परिणाम मूर्त होते हैं: ट्रक खाली स्थान के साथ खाली बैठे रहते हैं, या इससे भी बुरा, खराब होने वाली वस्तुओं को परिवहन के बिना छोड़ दिया जाता है, जिससे बर्बादी और वित्तीय हानि होती है।

इस अनिश्चितता से निपटने के लिए, शोधकर्ताओं ने ग्रे सिस्टम थ्योरी (grey system theory) नामक गणित की एक शाखा की ओर रुख किया है। इस दृष्टिकोण को एक धुंधले परिदृश्य में पैटर्न खोजने के तरीके के रूप में समझें। अन्य विधियों के विपरीत, जो अतीत का एक स्पष्ट और विस्तृत दृश्य मांगती हैं, ग्रे थ्योरी को तब काम करने के लिए डिज़ाइन किया गया है जब चित्र अधूरा हो, और यह भविष्य के बारे में शिक्षित अनुमान लगाने के लिए उपलब्ध सीमित जानकारी का उपयोग करती है। यह "छोटे नमूनों" (small samples), जहाँ केवल कुछ वर्षों का डेटा मौजूद है, और "गैर-रेखीय प्रवृत्तियों" (nonlinear trends), जहाँ विकास एक सीधी, अनुमानित रेखा का पालन नहीं करता, को संभालने में उत्कृष्ट है। डेटा के भीतर छिपी लय पर ध्यान केंद्रित करके, न कि इसे एक कठोर ढांचे में जबरदस्ती फिट करके, ये मॉडल भविष्य में क्या होने वाला है उसकी एक झलक दे सकते हैं। हालाँकि, इन शक्तिशाली उपकरणों की भी सीमाएँ हैं। वे कभी-कभी डेटा में सूक्ष्म, यादृच्छिक हलचल को मिस कर सकते हैं या बुनियादी स्थितियाँ बदलने पर पर्याप्त तेज़ी से अनुकूलित होने में विफल हो सकते हैं।

चीन के डोंगहुआ विश्वविद्यालय के शोधकर्ताओं की एक टीम ने हाल ही में कई उन्नत तकनीकों को एक एकल, अधिक मजबूत प्रेडिक्शन इंजन में बुनकर इन सीमाओं से निपटने का प्रयास किया है। उनका लक्ष्य चीन के लॉजिस्टिक्स नेटवर्क के माध्यम से गुजरने वाले जमे हुए कृषि उत्पादों के वॉल्यूम का पूर्वानुमान लगाना था, जो खाद्य सुरक्षा और आर्थिक स्थिरता सुनिश्चित करने के लिए एक महत्वपूर्ण मीट्रिक है। उन्होंने एक मल्टीवेरिएट ग्रे मॉडल (multivariate grey model) से शुरुआत की, जो लक्षित वस्तु—जमे हुए माल का परिवहन—के साथ उन पांच प्रमुख कारकों को देखता है जो इसे प्रभावित करते हैं: प्राथमिक कृषि क्षेत्र द्वारा मूल्य वर्धित (value added), तृतीयक (सेवा) उद्योग में काम करने वाले लोगों की संख्या, कृषि बाजार लेनदेन का कुल आयतन, लॉजिस्टिक्स की राष्ट्रीय लागत, और कृषि उत्पादों का मूल्य सूचकांक। इन पांच कारकों को अपने मॉडल में फीड करके, उन्हें उस जटिल परस्पर क्रिया को पकड़ने की उम्मीद थी जो मांग को संचालित करती है।

शोधकर्ताओं ने मानक मॉडल पर ही नहीं रुक गए। उन्होंने पहचाना कि डेटा को संसाधित करने का पारंपरिक तरीका सभी ऐतिहासिक जानकारी के साथ समान व्यवहार करता है, जो अक्सर सबसे हालिया घटनाओं के महत्व को कम कर देता है। इसे ठीक करने के लिए, उन्होंने एक फ्रैक्शनल-ऑर्डर एक्यूमुलेशन विधि (fractional-order accumulation method) पेश की। सरल शब्दों में, यह समायोजन मॉडल को नवीनतम डेटा बिंदुओं पर अधिक ध्यान देने की अनुमति देता है, जिससे उन्हें पुराने, संभावित रूप से अप्रचलित आंकड़ों की तुलना में अधिक महत्व मिलता है। यह बदलाव सुनिश्चित करता है कि पूर्वानुमान अतीत में बहुत अधिक बंधा रहने के बजाय वर्तमान रुझानों के प्रति संवेदनशील रहे। उन्होंने मॉडल द्वारा अपने आंतरिक "बैकग्राउंड" मानों की गणना करने के तरीके में भी सुधार किया। डेटा को सुचारू बनाने के लिए एक निश्चित, अपरिवर्तनीय औसत का उपयोग करने के बजाय, उन्होंने एक अनुकूलन योग्य (adaptive) प्रणाली बनाई जो किसी भी क्षण डेटा के उतार-चढ़ाव के आधार पर अपना ध्यान केंद्रित करती है। यदि संख्याएं तेजी से बदल रही हैं, तो मॉडल अपनी संवेदनशीलता को तदनुसार समायोजित करता है, जिससे यह अस्थिरता के प्रति अधिक लचीला बनता है।

इन सुधारों के बावजूद, मॉडल अभी भी छोटी त्रुटियां या 'रेसिडुअल्स' (residuals) उत्पन्न करता था, जो मॉडल द्वारा अनुमानित और वास्तव में जो हुआ, उसके बीच का अंतर है। इन्हें संबोधित करने के लिए, टीम ने मार्कोव चेन करेक्शन (Markov chain correction) का उपयोग किया। यह तकनीक त्रुटियों को यादृच्छिक शोर के रूप में नहीं, बल्कि संभावनाओं के अपने स्वयं के नियमों का पालन करने वाले अवस्थाओं के एक क्रम के रूप में मानती है। यह विश्लेषण करके कि ये त्रुटियां एक अवस्था से दूसरी अवस्था में कैसे स्थानांतरित होती हैं, मॉडल अंतिम भविष्यवाणी करने से पहले अगले संभावित दोष का अनुमान लगा सकता है और उसके लिए सुधार कर सकता है। अंत में, यह सुनिश्चित करने के लिए कि ये सभी चलते हुए हिस्से मिलकर पूरी तरह से काम करें, शोधकर्ताओं ने एक उन्नत ग्रेविटेशनल सर्च एल्गोरिदम (gravitational search algorithm) का उपयोग किया। यह एक कम्प्यूटेशनल विधि है जो सर्वोत्तम समाधान खोजने के लिए वस्तुओं के एक-दूसरे को गुरुत्वाकर्षण के माध्यम से आकर्षित करने के तरीके की नकल करती है। यह स्वचालित रूप से मॉडल की सेटिंग्स को फाइन-ट्यून करता है, जैसे कि हाल के डेटा को कितना वजन देना है और विभिन्न त्रुटि अवस्थाओं के बीच रेखा कहाँ खींचनी है, जिससे मानवीय अनुमान की आवश्यकता समाप्त हो जाती है और यह सुनिश्चित होता है कि मॉडल विशिष्ट डेटासेट के लिए गणितीय रूप से अनुकूलित है।

इस हाइब्रिड दृष्टिकोण के परिणाम आश्चर्यजनक थे। जब टीम ने 2013 से 2020 के ऐतिहासिक डेटा के विरुद्ध अपने तरीके का परीक्षण किया और फिर 2021 से 2024 के वर्षों के लिए पूर्वानुमान लगाया, तो इसने अन्य सामान्य पूर्वानुमान तकनीकों की तुलना में काफी बेहतर प्रदर्शन किया। मानक ग्रे मॉडल, जिनमें ये उन्नत सुधारों का अभाव है, ने ऐसे त्रुटि स्तर दिखाए जो नए तरीके की तुलना में पांच गुना से अधिक बड़े थे। वे मॉडल भी जिन्होंने फ्रैक्शनल-ऑर्डर गणित का उपयोग किया लेकिन जिनमें अनुकूलन योग्य बैकग्राउंड वैल्यू या मार्कोव सुधार का अभाव था, वे भी पीछे रह गए, जिनके त्रुटि दर लगभग 30 से 50 प्रतिशत अधिक थे। नया मॉडल, जिसमें सभी सुधारों को शामिल किया गया था, ने केवल 10 प्रतिशत से थोड़ा अधिक का औसत प्रतिशत त्रुटि प्राप्त किया। इसके विपरीत, पूर्ण सुधारों के बिना सरल मॉडल 13 प्रतिशत से लेकर 50 प्रतिशत से अधिक की त्रुटियों के साथ संघर्ष करते रहे।

पूर्वानुमान स्वयं चीन के फ्रोजन कृषि लॉजिस्टिक्स के लिए निरंतर, मजबूत विकास की तस्वीर पेश करता है। मॉडल भविष्यवाणी करता है कि जमे हुए माल के परिवहन का आयतन 2021 में लगभग 339 मिलियन टन से बढ़कर 2024 तक लगभग 629 मिलियन टन हो जाएगा। यह लगभग 22 से 23 प्रतिशत की निरंतर वार्षिक वृद्धि दर का प्रतिनिधित्व करता है। शोधकर्ताओं ने नोट किया कि जबकि कुछ वैकल्पिक मॉडलों ने वॉल्यूम में और भी तीव्र, लगभग अवास्तविक उछाल, या इसके विपरीत, ऐसी वृद्धि की भविष्यवाणी की जो उद्योग की गति के अनुरूप बहुत धीमी थी, उनके तरीके ने एक मध्यम मार्ग खोजा जो क्षेत्र में देखे गए वास्तविक आर्थिक और कृषि रुझानों के साथ मेल खाता था। मॉडल ने विस्तार के पैमाने का अत्यधिक आकलन करने या कम आंकने के जाल में फंसे बिना, उद्योग के ऊपर की ओर बढ़ते पथ को सफलतापूर्वक पकड़ा।

यह अध्ययन दर्शाता है कि कई अनुकूलन रणनीतियों को परत दर परत लगाकर—हाल के डेटा पर ध्यान केंद्रित करना, अस्थिरता के अनुकूल होना, यादृच्छिक त्रुटियों को ठीक करना और सेटिंग्स को ट्यून करने के लिए बुद्धिमान एल्गोरिदम का उपयोग करना—शोधकर्ता एक अत्यधिक विश्वसनीय उपकरण बना सकते हैं। यह कार्य एक ठोस उदाहरण प्रदान करता है कि कैसे गणितीय परिशोधन व्यावहारिक मूल्य में परिवर्तित हो सकता है। भविष्य की मांग का अधिक सटीक दृश्य प्रदान करके, यह मॉडल संसाधनों को कुशलतापूर्वक आवंटित करने में मदद करता है, जिससे बर्बादी कम होती है और कृषि कोल्ड चेन के सतत विकास में सहायता मिलती है। निष्कर्ष बताते हैं कि छोटे डेटासेट और अप्रत्याशित रुझानों वाले उद्योगों के लिए, बेहतर भविष्यवाणी की कुंजी एक एकल "सर्वश्रेष्ठ" विधि चुनने में नहीं, बल्कि कई पूरक तकनीकों को बुद्धिमानी से संयोजित करने में है ताकि एक ऐसी प्रणाली बनाई जा सके जो लचीली और सटीक दोनों हो।