Collaboration entre l'IA générative et l'apprentissage automatique pour la prédiction du temps d'immobilisation des conteneurs via la standardisation des données

Generative AI and Machine Learning Collaboration for Container Dwell Time Prediction via Data Standardization

February 24, 2026

Auteurs: Minseop Kim, Takhyeong Kim, Taekhyun Park, Hanbyeol Park, Hyerim Bae

cs.AI

Résumé

La prédiction du temps d'immobilisation des conteneurs à l'importation (TICI) est une tâche clé pour améliorer la productivité des terminaux portuaires, car des prévisions précises permettent de réduire les opérations de réarrangement des conteneurs par les grues de parc. Atteindre cet objectif nécessite de prédire avec précision le temps d'immobilisation de chaque conteneur. Cependant, les principaux déterminants de ce temps – les informations sur le propriétaire et la cargaison – sont enregistrés sous forme de texte non structuré, ce qui limite leur utilisation efficace dans les modèles d'apprentissage automatique. Cette étude résout cette limitation en proposant un cadre collaboratif intégrant l'intelligence artificielle générative (IA générative) à l'apprentissage automatique. Le cadre proposé utilise l'IA générative pour standardiser les informations non structurées en codes internationaux standard, avec une re-prédiction dynamique déclenchée par les mises à jour de l'échange de données informatisé, permettant au modèle d'apprentissage automatique de prédire le TICI avec précision. Des expériences approfondies sur des données réelles de terminal portuaire démontrent que la méthodologie proposée améliore l'erreur absolue moyenne de 13,88 % par rapport aux modèles conventionnels n'utilisant pas d'informations standardisées. De plus, l'application des prévisions améliorées aux stratégies d'empilage des conteneurs permet de réduire jusqu'à 14,68 % le nombre de réallocations, validant ainsi empiriquement le potentiel de l'IA générative pour améliorer la productivité des opérations terminalières. Globalement, cette étude offre des perspectives techniques et méthodologiques sur l'adoption de l'IA générative dans la logistique portuaire et son efficacité.

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.