Generative KI und maschinelles Lernen im Zusammenwirken zur Prognose der Container-Verweildauer durch Datenstandardisierung
Generative AI and Machine Learning Collaboration for Container Dwell Time Prediction via Data Standardization
February 24, 2026
Autoren: Minseop Kim, Takhyeong Kim, Taekhyun Park, Hanbyeol Park, Hyerim Bae
cs.AI
Zusammenfassung
Die Vorhersage der Import-Container-Verweildauer (ICDT) ist eine Schlüsselaufgabe zur Steigerung der Produktivität in Containerterminals, da genaue Prognosen die Reduzierung von Nachladevorgängen durch Yard-Kräne ermöglichen. Um dieses Ziel zu erreichen, muss die Verweildauer einzelner Container präzise vorhergesagt werden. Die primären Einflussfaktoren der Verweildauer – Informationen zum Eigentümer und zur Ladung – liegen jedoch als unstrukturierter Text vor, was ihre effektive Nutzung in Machine-Learning-Modellen einschränkt. Diese Studie begegnet dieser Einschränkung durch einen kollaborativen Ansatz, der generative künstliche Intelligenz (Gen AI) mit maschinellem Lernen integriert. Der vorgeschlagene Rahmen nutzt Gen AI, um unstrukturierte Informationen in standardisierte internationale Codes zu überführen. Durch dynamische Neuberechnungen, die durch Aktualisierungen des Electronic Data Interchange-Status ausgelöst werden, kann das Machine-Learning-Modell die ICDT präzise vorhersagen. Umfangreiche Experimente mit realen Terminaldaten zeigen, dass die vorgeschlagene Methodik im Vergleich zu konventionellen Modellen ohne standardisierte Informationen eine Verbesserung des mittleren absoluten Fehlers von 13,88 % erreicht. Die Anwendung der verbesserten Vorhersagen auf Container-Stapelstrategien reduziert zudem die Anzahl der Umlagerungen um bis zu 14,68 %, was das Potenzial von Gen AI zur Steigerung der Terminalproduktivität empirisch validiert. Insgesamt liefert diese Studie sowohl technische als auch methodische Einblicke in den Einsatz von Gen AI in der Hafenlogistik und dessen Wirksamkeit.
English
Import container dwell time (ICDT) prediction is a key task for improving productivity in container terminals, as accurate predictions enable the reduction of container re-handling operations by yard cranes. Achieving this objective requires accurately predicting the dwell time of individual containers. However, the primary determinants of dwell time-owner information and cargo information-are recorded as unstructured text, which limits their effective use in machine learning models. This study addresses this limitation by proposing a collaborative framework that integrates generative artificial intelligence (Gen AI) with machine learning. The proposed framework employs Gen AI to standardize unstructured information into standard international codes, with dynamic re-prediction triggered by electronic data interchange state updates, enabling the machine learning model to predict ICDT accurately. Extensive experiments conducted on real container terminal data demonstrate that the proposed methodology achieves a 13.88% improvement in mean absolute error compared to conventional models that do not utilize standardized information. Furthermore, applying the improved predictions to container stacking strategies achieves up to 14.68% reduction in the number of relocations, thereby empirically validating the potential of Gen AI to enhance productivity in container terminal operations. Overall, this study provides both technical and methodological insights into the adoption of Gen AI in port logistics and its effectiveness.