스리랑카의 채소 가격은 시장이 주로 수입이 차단된(import-isolated) 구조이기 때문에 매우 변동성이 크며, 공급 중단이 발생하면 가격이 빠르게 상승합니다. 본 연구는 공급망을 고려한 특징(supply-chain-aware features)을 통합하고, 국가의 두 가지 재배 시즌인 Maha(10월4월)와 Yala(5월9월)를 명시적으로 모델링함으로써 이러한 변동성을 예측하기 위한 머신러닝 (Machine Learning) 프레임워크를 개발합니다. 2013년부터 2019년까지 12가지 채소 품종과 14개 시장 센터를 대상으로 소매 가격 및 농가 수취 가격(farmer-gate prices)을 산지별 기상 변수, 디젤 비용, 환율과 결합하여 통합 데이터셋을 구축했습니다. 그래디언트 부스팅 앙상블 모델 (Gradient-boosted ensemble model, XGBoost 및 LightGBM)을 훈련하였으며 Optuna를 사용하여 최적화하였고, 통합 모델과 시즌별 특화 모델의 구성을 비교했습니다. 결과에 따르면 시즌별 모델이 시즌 내 적합도(within-season fit)를 개선하는 것으로 나타났으며, Yala 특화 모델은 0.9420의 가장 높은 $R^2$ 값(95% CI [0.690, 1.000])을 달현했습니다. 반면, 통합 모델은 90.84%의 가장 우수한 전체 예측 정확도(95% CI [88.34%, 91.52%])와 0.9281의 $R^2$ 값(95% CI [0.760, 1.000])을 제공했습니다. 특히, 통합 모델은 재학습 없이도 완전히 새로운 2024년 초인플레이션(hyperinflationary) 기간에 대해 85.96%의 정확도를 유지하며 주요 가격 급등을 성공적으로 추적했습니다. 이러한 발견은 모델이 공급망 역학을 포착할 때 수입이 제한된 시장의 농산물 가격 변동을 유의미하게 예측할 수 있음을 시사하며, 농부, 상인 및 정책 입안자의 조기 경보와 의사 결정에 실질적인 가치를 제공합니다. 스리랑카 채소 가격에 관한 기존 연구들은 단일 시장에 적용된 자기회귀 누적 이동 평균 (ARIMA) 및 일반화 자기회귀 조건부 이분산성 (GARCH) 모델에 국한되어 있으며, 공급망 특징, 계절적 세분화 또는 교차 체제 검증 (cross-regime validation)이 결여되어 있습니다.