データ標準化によるコンテナ滞留時間予測のための生成AIと機械学習の連携

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

February 24, 2026

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

cs.AI

要旨

輸入コンテナ滞留時間（ICDT）予測は、コンテナターミナルの生産性向上における重要な課題である。正確な予測は、ヤードクレーンによるコンテナの再ハンドリング作業の削減を可能にするためである。この目的を達成するには、個々のコンテナの滞留時間を正確に予測する必要がある。しかし、滞留時間の主要な決定要因である所有者情報と貨物情報は、非構造化テキストとして記録されており、機械学習モデルで効果的に活用することが制限されていた。本研究は、生成AI（Gen AI）と機械学習を統合した協調フレームワークを提案することで、この制限に対処する。提案フレームワークは、Gen AIを用いて非構造化情報を標準的な国際コードに変換し、電子データ交換（EDI）の状態更新をトリガーとした動的再予測を行うことで、機械学習モデルがICDTを正確に予測することを可能にする。実コンテナターミナルデータを用いた大規模な実験により、提案手法は、標準化情報を利用しない従来モデルと比較して、平均絶対誤差において13.88%の改善を達成することを実証した。さらに、改善された予測をコンテナ積付け戦略に適用することで、再配置回数を最大14.68%削減可能であり、これによりGen AIがコンテナターミナル運営の生産性向上に寄与する可能性が実証的に検証された。全体として、本研究は、港湾物流におけるGen AIの導入とその有効性について、技術的及び方法論的知見を提供する。

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.