Intelligenza Artificiale Generativa e Collaborazione con l'Apprendimento Automatico per la Previsione dei Tempi di Sosta dei Container tramite Standardizzazione dei Dati

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

February 24, 2026

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

cs.AI

Abstract

La previsione del tempo di permanenza dei container d'importazione (ICDT) è un compito cruciale per migliorare la produttività nei terminal container, poiché previsioni accurate consentono di ridurre le operazioni di ricollocamento dei container effettuate dalle gru da piazzale. Il raggiungimento di questo obiettivo richiede la previsione accurata del tempo di permanenza dei singoli container. Tuttavia, i principali determinanti del tempo di permanenza – le informazioni sul proprietario e quelle sulla merce – sono registrati come testo non strutturato, il che ne limita l'uso efficace nei modelli di apprendimento automatico. Questo studio affronta tale limitazione proponendo un framework collaborativo che integra l'intelligenza artificiale generativa (Gen AI) con l'apprendimento automatico. Il framework proposto utilizza la Gen AI per standardizzare le informazioni non strutturate in codici internazionali standard, con una ripredizione dinamica attivata dagli aggiornamenti dello stato dello scambio elettronico di dati, consentendo al modello di apprendimento automatico di prevedere l'ICDT con precisione. Esperimenti condotti su dati reali di un terminal container dimostrano che la metodologia proposta raggiunge un miglioramento del 13,88% nell'errore assoluto medio rispetto ai modelli convenzionali che non utilizzano informazioni standardizzate. Inoltre, l'applicazione delle previsioni migliorate alle strategie di accatastamento dei container consente una riduzione fino al 14,68% del numero di ricollocamenti, convalidando empiricamente il potenziale della Gen AI di migliorare la produttività nelle operazioni dei terminal container. Nel complesso, questo studio fornisce insight sia tecnici che metodologici sull'adozione della Gen AI nella logistica portuale e sulla sua efficacia.

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.