Inteligencia Artificial Generativa y Colaboración con Aprendizaje Automático para la Predicción del Tiempo de Permanencia de Contenedores mediante Estandarización de Datos
Generative AI and Machine Learning Collaboration for Container Dwell Time Prediction via Data Standardization
February 24, 2026
Autores: Minseop Kim, Takhyeong Kim, Taekhyun Park, Hanbyeol Park, Hyerim Bae
cs.AI
Resumen
La predicción del tiempo de permanencia de contenedores de importación (ICDT) es una tarea clave para mejorar la productividad en las terminales de contenedores, ya que las predicciones precisas permiten reducir las operaciones de reubicación de contenedores por parte de las grúas de patio. Lograr este objetivo requiere predecir con exactitud el tiempo de permanencia de contenedores individuales. Sin embargo, los principales determinantes de este tiempo —la información del propietario y de la carga— se registran como texto no estructurado, lo que limita su uso efectivo en modelos de aprendizaje automático. Este estudio aborda esta limitación proponiendo un marco colaborativo que integra la inteligencia artificial generativa (Gen AI) con el aprendizaje automático. El marco propuesto emplea Gen AI para estandarizar la información no estructurada en códigos internacionales estándar, con repredicción dinámica activada por actualizaciones del estado de intercambio electrónico de datos, permitiendo que el modelo de aprendizaje automático prediga el ICDT con precisión. Experimentos exhaustivos realizados con datos reales de terminales de contenedores demuestran que la metodología propuesta logra una mejora del 13.88% en el error absoluto medio en comparación con modelos convencionales que no utilizan información estandarizada. Además, la aplicación de las predicciones mejoradas a las estrategias de apilamiento de contenedores consigue hasta un 14.68% de reducción en el número de reubicaciones, validando empíricamente el potencial de la Gen AI para mejorar la productividad en las operaciones de terminales de contenedores. En general, este estudio aporta perspectivas tanto técnicas como metodológicas sobre la adopción de la Gen AI en la logística portuaria y su efectividad.
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.