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

Nella vasta e intricata rete dell'agricoltura moderna, mantenere il cibo fresco dal campo alla tavola è una corsa contro il tempo e la temperatura. Questo è il dominio della logistica della catena del freddo, un sistema che si affida a camion refrigerati e strutture di stoccaggio per prevenire il deterioramento. Eppure, nonostante tutta la sua sofisticazione tecnologica, il settore deve affrontare una sfida persistente: sapere esattamente quanto prodotto congelato dovrà essere movimentato negli anni a venire. Non si tratta di una semplice questione di contare le casse; è un puzzle complesso dove piccoli quantitativi di dati, meteo imprevedibile, politiche economiche mutevoli e domanda dei consumatori fluttuante collidono. Gli strumenti di previsione tradizionali spesso faticano in questo ambito, richiedendo enormi quantità di dati storici o formulando assunzioni rigide che crollano quando il mondo reale si comporta in modo erratico. Quando i pianificatori sbagliano le stime, le conseguenze sono tangibili: i camion restano fermi con spazi vuoti o, peggio ancora, le merci deperibili rimangono senza trasporto, portando a sprechi e perdite finanziarie.

Per navigare in questa incertezza, i ricercatori si sono rivolti a un ramo della matematica noto come teoria dei sistemi grigi. Pensate a questo approccio come a un modo per trovare schemi in un paesaggio nebbioso. A differenza di altri metodi che richiedono una visione chiara e ampia del passato, la teoria grigia è progettata per funzionare quando l'immagine è incompleta, utilizzando le limitate informazioni disponibili per fare supposizioni istruite sul futuro. Eccelle nel gestire i "piccoli campioni", dove esistono solo pochi anni di dati, e i "trend non lineari", dove la crescita non segue una linea retta e prevedibile. Concentrandosi sui ritmi nascosti all'interno dei dati piuttosto che forzarli in una scatola rigida, questi modelli possono offrire uno sguardo su ciò che ci attende. Tuttavia, anche questi potenti strumenti hanno dei limiti. Possono talvolta perdere i sottili e casuali sussulti dei dati o non riuscire ad adattarsi abbastanza rapidamente quando le condizioni sottostanti cambiano.

Un team di ricercatori dell'Università Donghua in Cina ha recentemente affrontato queste limitazioni intrecciando diverse tecniche avanzate in un motore di previsione unico e più robusto. Il loro obiettivo era prevedere il volume dei prodotti agricoli congelati che transitano attraverso la rete logistica della Cina, un parametro critico per garantire la sicurezza alimentare e la stabilità economica. Hanno iniziato con un modello grigio multivariato, che osserva l'obiettivo — il trasporto di merci congelate — insieme a cinque driver chiave che lo influenzano: il valore aggiunto dal settore agricolo primario, il numero di persone che lavorano nel settore terziario (servizi), il volume totale delle transazioni del mercato agricolo, il costo nazionale della logistica e l'indice dei prezzi dei prodotti agricoli. Alimentando il loro modello con questi cinque fattori, speravano di catturare l'interazione complessa che guida la domanda.

I ricercatori non si sono fermati al modello standard. Avevano riconosciuto che il modo tradizionale di elaborare questi dati trattava tutte le informazioni storiche allo stesso modo, il che spesso diluisce l'importanza degli eventi più recenti. Per risolvere il problema, hanno introdotto un metodo di accumulazione a ordine frazionario. In parole povere, questo aggiustamento permette al modello di prestare maggiore attenzione ai nuovi punti dati, dando loro un peso superiore rispetto a cifre più vecchie e potenzialmente superate. Questo spostamento assicura che la previsione rimanga sensibile ai trend attuali invece di essere ancorata troppo pesantemente al passato. Hanno anche migliorato il modo in cui il modello calcola i suoi valori di "background" interni. Invece di utilizzare una media fissa e immutabile per smussare i dati, hanno creato un sistema adattivo che sposta il proprio focus in base a quanto i dati fluttuano in un dato momento. Se i numeri oscillano selvaggiamente, il modello adatta la sua sensibilità di conseguenza, rendendolo più resiliente alla volatilità.

Anche con questi miglioramenti, il modello produceva ancora piccoli errori, o residui, che sono le differenze tra ciò che il modello ha previsto e ciò che è effettivamente accaduto. Per affrontare questi aspetti, il team ha impiegato una correzione basata sulla catena di Markov. Questa tecnica tratta gli errori non come rumore casuale, ma come una sequenza di stati che seguono le proprie regole di probabilità. Analizzando come questi errori tendono a passare da uno stato all'altro, il modello può anticipare la direzione probabile del prossimo errore e correggerlo prima di finalizzare la previsione. Infine, per garantire che tutti questi componenti lavorassero perfettamente insieme, i ricercatori hanno utilizzato un algoritmo di ricerca gravitazionale migliorato. Questo è un metodo computazionale che imita il modo in cui gli oggetti si attraggono attraverso la gravità per trovare la soluzione migliore. Esso ottimizza automaticamente le impostazioni del modello, come quanto peso dare ai dati recenti e dove tracciare le linee tra i diversi stati di errore, eliminando la necessità di congetture umane e garantendo che il modello fosse matematicamente ottimizzato per il dataset specifico.

I risultati di questo approccio ibrido sono stati sorprendenti. Quando il team ha testato il proprio metodo rispetto ai dati storici dal 2013 al 2020 e lo ha poi utilizzato per prevedere gli anni dal 2021 al 2024, ha superato significativamente le altre comuni tecniche di previsione. I modelli grigi standard, che mancano di queste correzioni avanzate, producevano errori più di cinque volte superiori rispetto al nuovo metodo. Anche i modelli che utilizzavano la matematica frazionaria ma mancavano dei valori di background adattivi o della correzione di Markov sono rimasti indietro, con tassi di errore circa del 30-50% più alti. Il nuovo modello, che combinava tutti i miglioramenti, ha ottenuto un errore percentuale medio di poco superiore al 10%. Al contrario, i modelli più semplici senza l'intero set di correzioni hanno faticato con errori compresi tra il 13% e oltre il 50%.

La previsione stessa dipinge un quadro di crescita costante e robusta per la logistica agricola congelata in Cina. Il modello prevede che il volume di merci congelate trasportate aumenterà da circa 339 milioni di tonnellate nel 2021 a quasi 629 milioni di tonnellate entro il 2024. Ciò rappresenta un tasso di crescita annuale costante di circa il 22-23%. I ricercatori hanno osservato che, mentre alcuni modelli alternativi prevedevano picchi di volume ancora più ripidi, quasi irreali, o viceversa, una crescita troppo piatta per eguagliare l'inerzia del settore, il loro metodo ha trovato una via di mezzo che si allineava agli effettivi trend economici e agricoli osservati nella regione. Il modello ha catturato con successo la traiettoria ascendente del settore senza cadere nella trappola di sovrastimare o sottostimare la scala dell'espansione.

Questo studio dimostra che, stratificando molteplici strategie di ottimizzazione — concentrandosi sui dati recenti, adattandosi alla volatilità, correggendo gli errori casuali e utilizzando algoritmi intelligenti per regolare le impostazioni — i ricercatori possono creare uno strumento altamente affidabile per previsioni complesse. Il lavoro fornisce un esempio concreto di come il raffinamento matematico possa tradursi in valore pratico per i responsabili della supply chain e i decisori politici. Offrendo una visione più accurata della domanda futura, il modello aiuta a garantire che le risorse siano allocate efficientemente, riducendo gli sprechi e sostenendo la crescita sostenibile della catena del freddo agricola. Le scoperte suggeriscono che, per i settori che trattano piccoli dataset e trend imprevedibili, la chiave per una migliore previsione non risiede nella scelta di un singolo metodo "migliore", ma nell'integrare intelligentemente diverse tecniche complementari per costruire un sistema che sia al contempo flessibile e preciso.