Predicting Spatiotemporal Patterns of Factory Locations Using a Hybrid Markov-CA and LightGBM Model with Continuous Directional Constraints

지속적 방향 제한성을 고려한 Markov-CA와 LightGBM 하이브리드 모델 기반 공장 입지 시공간 패턴 예측

This study proposes a hybrid model combining Markov-Cellular Automata (Markov-CA) and LightGBM, with the objective of developing an effective method for predicting the spatiotemporal patterns that occur during the factory location decision process. The existing literature on factory location has concentrated on piecewise analysis based on historical data, which is constrained by the inability to integrate time series and spatial data. To address this issue, we have developed a hybrid model that combines a Markov-CA model, which is capable of reflecting spatial and temporal dependencies simultaneously, with LightGBM's high-performance binary classification algorithm. In particular, the concept of "continuous directional restrictiveness" is introduced as a means of controlling the bias of spatial scaling and of optimising the performance of the model through hyperparameter optimisation using Optuna. The model was thus able to effectively reflect the influence of external factors affecting the location decision, utilising solely the coordinate data of past factory locations. Furthermore, optimised parameter values for 10 major factors were derived. Furthermore, the implementation of the "continuous directional constraint" can regulate the expansion tendency of the existing CA model. It is anticipated that the hybrid model proposed in this study will serve as a decision-support tool, offering practical assistance to local governments in the planning of industrial parks, companies in the selection of locations, and governments in the formulation of industrial policies.

본 연구는 공장 입지 결정 과정에서 발생하는 시공간적 패턴을 효과적으로 예측하기 위해 Markov-Cellular Automata(Markov-CA)와 LightGBM을 결합한 하이브리드 모델을 제안한다. 기존의 공장 입지 연구들은 과거 데이터 기반의 단편적 분석에 치중되어 있어, 시계열 데이터와 공간 데이터를 통합적으로 고려하지 못하는 한계가 있었다. 이를 해결하기 위해 본 연구에서는 공간적·시간적 의존성을 동시에 반영할 수 있는 Markov-CA 모델에 LightGBM의 고성능 이진 분류 알고리즘을 접목하였다. 특히 "지속적 방향 제한성" 개념을 도입하여 공간적 확장의 편향성을 제어하고, Optuna를 활용한 하이퍼파라미터 최적화를 통해 모델의 성능을 극대화하였다. 연구 결과, 과거 공장 입지의 좌표 데이터만으로도 입지 결정에 영향을 미치는 외부 요인들의 영향력을 효과적으로 모델에 반영할 수 있었으며, 10개 주요 요인에 대한 최적화된 파라미터 값을 도출하였다. 또한 "지속적 방향 제한성"의 적용을 통해 기존 CA 모델이 가진 무분별한 공간 확장 경향을 제어할 수 있었다. 본 연구에서 제안한 하이브리드 모델은 지방자치단체의 산업단지 계획 수립, 기업의 입지 선정, 정부의 산업 정책 수립 등에 실질적인 도움을 줄 수 있는 의사결정 지원 도구로 활용될 수 있을 것으로 기대된다.