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

현대 농업의 거대하고 복잡한 그물망 속에서, 농장에서 식탁까지 식품의 신선도를 유지하는 것은 시간 및 온도와의 싸움입니다. 이것이 바로 냉동 트럭과 저장 시설에 의존하여 부패를 방지하는 시스템인 콜드체인 물류의 영역입니다. 그러나 이러한 기술적 정교함에도 불구하고, 업계는 지속적인 과제에 직면해 있습니다. 바로 향후 몇 년 동안 얼마나 많은 냉동 농산물이 이동하게 될지를 정확히 파악하는 것입니다. 이는 단순히 상자의 개수를 세는 문제가 아닙니다. 적은 양의 데이터, 예측 불가능한 날씨, 변화하는 경제 정책, 그리고 요동치는 소비자 수요가 충돌하는 복잡한 퍼즐입니다. 전통적인 예측 도구들은 여기서 종종 어려움을 겪습니다. 방대한 양의 과거 데이터를 요구하거나, 현실 세계가 불규칙하게 움직일 때 무너져 버리는 경직된 가정을 하기 때문입니다. 계획가들이 예측에 실패하면 그 결과는 실질적입니다. 트럭은 빈 공간을 채운 채 대기하게 되거나, 더 나쁜 경우에는 부패하기 쉬운 상품들이 운송 수단을 찾지 못해 폐기 및 경제적 손실로 이어집니다.

이러한 불확실성을 헤쳐 나가기 위해 연구자들은 회색 체계 이론(grey system theory)이라 불리는 수학의 한 분야로 눈을 돌렸습니다. 이 접근 방식을 안개가 자욱한 풍경 속에서 패턴을 찾는 방법이라고 생각해보십시오. 과거의 명확하고 넓게 트인 시야를 요구하는 다른 방법들과 달리, 회색 이론은 정보가 불완전할 때 작동하도록 설계되었으며, 가용한 제한된 정보를 사용하여 미래에 대한 교육적인 추측을 수행합니다. 이 이론은 데이터가 몇 년치밖에 존재하지 않는 '소표본' 상황과, 성장이 직선적이고 예측 가능한 선을 따르지 않는 '비선형 추세'를 처리하는 데 탁월합니다. 데이터를 강제로 딱딱한 틀에 맞추기보다 데이터 내부에 숨겨진 리듬에 집중함으로써, 이 모델들은 앞으로 펼쳐질 모습에 대한 통찰을 제공할 수 있습니다. 하지만 이러한 강력한 도구들조차 한계는 있습니다. 때로는 데이터의 미세하고 무작위적인 떨림을 놓치거나, 근본적인 조건이 변할 때 충분히 빠르게 적응하지 못할 수도 있습니다.

중국 동화대학교의 연구팀은 여러 가지 고급 기술을 하나의 더 견고한 예측 엔진으로 엮어냄으로써 이러한 한계점을 최근에 해결했습니다. 그들의 목표는 중국의 물류 네트워크를 통과하는 냉동 농산물의 물량을 예측하는 것이었으며, 이는 식량 안보와 경제 안정을 보장하는 데 있어 핵심적인 지표입니다. 연구진은 대상인 냉동 상품 운송과 함께, 이에 영향을 미치는 다섯 가지 주요 동인인 1차 농업 부문의 부가가치, 3차 산업(서비스업) 종사자 수, 농산물 시장 거래 총량, 국가 물류 비용, 그리고 농산물 가격 지수를 살펴보는 다변량 회색 모델(multivariate grey model)로 시작했습니다. 이 다섯 가지 요인을 모델에 입력함으로써, 그들은 수요를 움직이는 복잡한 상호작용을 포착하고자 했습니다.

연구진은 표준 모델에 머무르지 않았습니다. 그들은 데이터를 처리하는 전통적인 방식이 모든 과거 정보를 동일하게 취급하며, 이로 인해 가장 최근의 사건들이 갖는 중요성이 희석되는 경우가 많다는 점을 인식했습니다. 이를 해결하기 위해 그들은 분수 차수 누적법(fractional-order accumulation method)을 도입했습니다. 쉽게 말해, 이 조정 방식은 모델이 최신 데이터 포인트에 더 주의를 기울여, 오래되어 잠재적으로 쓸모없어진 수치보다 최신 수치에 더 많은 가중치를 부여할 수 있게 해줍니다. 이러한 변화는 예측이 과거에 너무 얽매이지 않고 현재의 추세에 민감하게 반응하도록 보장합니다. 또한 그들은 모델이 내부 '배경(background)' 값을 계산하는 방식도 개선했습니다. 데이터를 매끄럽게 만들기 위해 고정되고 변하지 않는 평균값을 사용하는 대신, 데이터가 특정 순간에 얼마나 요동치느냐에 따라 초점을 바꾸는 적응형 시스템을 만들었습니다. 숫자가 격렬하게 요동치면 모델은 그에 따라 민감도를 조절하여 변동성에 더욱 탄력적으로 대응합니다.

이러한 개선에도 불구하고 모델은 여전히 작은 오차, 즉 예측값과 실제 값 사이의 차이인 잔차(residuals)를 발생시켰습니다. 이를 해결하기 위해 연구팀은 마르코프 체인 보정(Markov chain correction)을 사용했습니다. 이 기법은 오차를 무작위 소음이 아니라, 그 자체의 확률 규칙을 따르는 상태의 시퀀스로 취급합니다. 이러한 오차가 한 상태에서 다른 상태로 어떻게 이동하는지 분석함으로써, 모델은 다음 실수의 방향을 예측하고 최종 예측을 확정하기 전에 이를 교정할 수 있습니다. 마지막으로, 이 모든 움직이는 부품들이 완벽하게 조화를 이루도록 연구진은 개선된 중력 탐색 알고리즘(improved gravitational search algorithm)을 사용했습니다. 이는 물체가 중력을 통해 서로를 끌어당기는 방식을 모방하여 최적의 해답을 찾는 계산 방법입니다. 이 알고리즘은 최신 데이터에 얼마만큼의 가중치를 줄 것인지, 그리고 서로 다른 오차 상태 사이의 경계를 어디에 둘 것인지와 같은 모델의 설정값들을 자동으로 미세 조정하여, 인간의 추측을 배제하고 모델이 특정 데이터셋에 대해 수학적으로 최적화되도록 보장했습니다.

이 하이브리드 접근 방식의 결과는 놀라웠습니다. 연구팀이 2013년부터 2020년까지의 과거 데이터를 사용하여 이 방법을 테스트하고 2021년부터 2024년까지의 수치를 예측했을 때, 이 방법은 다른 일반적인 예측 기법들을 크게 압도했습니다. 이러한 고급 보정이 결여된 표준 회색 모델들은 새로운 방식보다 5배 이상 큰 오차를 나타냈습니다. 분수 차수 수학을 사용했으나 적응형 배경값이나 마르코프 보정이 부족했던 모델들도 약 30~50% 더 높은 오차율을 보이며 뒤처졌습니다. 모든 개선 사항을 결합한 새로운 모델은 10%를 약간 상회하는 평균 백분율 오차를 달성했습니다. 반면, 전체 보정 세트를 갖추지 못한 단순한 모델들은 13%에서 50% 이상의 오차를 보이며 고전했습니다.

예측 결과는 중국의 냉동 농업 물류의 꾸준하고 견고한 성장을 보여줍니다. 모델은 냉동 상품 운송량이 2021년 약 3억 3,900만 톤에서 2024년에는 거의 6억 2,900만 톤까지 증가할 것으로 예측합니다. 이는 약 22~23%의 일관된 연간 성장률을 나타냅니다. 연구진은 일부 대안 모델들이 훨씬 더 가파른, 거의 비현실적인 급증을 예측하거나 반대로 산업의 모멘텀에 비해 성장이 너무 완만하다고 예측한 반면, 자신들의 방법은 지역에서 관찰된 실제 경제 및 농업 트렌드와 일치하는 중간 지점을 찾아냈다고 언급했습니다. 이 모델은 확장의 규모를 과대평가하거나 과소평가하는 함정에 빠지지 않으면서 산업의 상승 궤적을 성공적으로 포착했습니다.

이 연구는 여러 최적화 전략을 층층이 쌓는 것—최신 데이터에 집중하고, 변동성에 적응하며, 무작위 오차를 교정하고, 지능형 알고리즘을 사용하여 설정을 조정하는 것—을 통해 연구자들이 매우 신뢰할 수 있는 도구를 만들 수 있음을 입증합니다. 이 작업은 수학적 정교함이 어떻게 실질적인 가치로 전환될 수 있는지에 대한 구체적인 사례를 제공합니다. 미래의 수요에 대한 더 정확한 전망을 제공함으로써, 이 모델은 자원이 효율적으로 배분되도록 도와 폐기물을 줄이고 농업 콜드체인의 지속 가능한 성장을 지원합니다. 연구 결과는 적은 데이터셋과 예측 불가능한 추세를 다루는 산업의 경우, 더 나은 예측의 핵심이 단 하나의 '최고' 방법을 선택하는 것이 아니라, 유연하면서도 정밀한 시스템을 구축하기 위해 여러 상호 보완적인 기술들을 지능적으로 결합하는 데 있음을 시사합니다.