데이터 표준화를 통한 컨테이너 체류 시간 예측을 위한 생성 AI 및 머신러닝 협업

초록

수입 컨테이너 체류시간(ICDT) 예측은 정확한 예측을 통해 야드 크레인의 컨테이너 재취급 작업을 줄일 수 있으므로 컨테이너 터미널의 생산성 향상을 위한 핵심 과제입니다. 이 목표를 달성하기 위해서는 개별 컨테이너의 체류시간을 정확히 예측해야 합니다. 그러나 체류시간의 주요 결정 요인인 소유주 정보와 화물 정보는 비정형 텍스트로 기록되어 기계 학습 모델에서 효과적으로 활용되는 데 한계가 있습니다. 본 연구는 이러한 한계를 극복하기 위해 생성 인공지능(Gen AI)과 기계 학습을 통합한 협업 프레임워크를 제안합니다. 제안된 프레임워크는 Gen AI를 활용하여 비정형 정보를 표준 국제 코드로 표준화하고, 전자 데이터 교환 상태 업데이트에 따라 동적으로 재예측을 수행함으로써 기계 학습 모델이 ICDT를 정확하게 예측할 수 있도록 합니다. 실제 컨테이너 터미널 데이터를 이용한 폭넓은 실험 결과, 표준화된 정보를 활용하지 않는 기존 모델 대비 평균 절대 오차에서 13.88%의 성능 향상을 달성했음을 확인했습니다. 더 나아가 개선된 예측 결과를 컨테이너 적재 전략에 적용하면 재배치 횟수를 최대 14.68%까지 줄일 수 있어, Gen AI가 컨테이너 터미널 운영의 생산성 향상에 기여할 잠재력을 실증적으로 입증했습니다. 종합적으로, 본 연구는 항만 물류 분야에서 Gen AI 도입에 관한 기술적, 방법론적 통찰과 그 효과성을 제시합니다.

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.

데이터 표준화를 통한 컨테이너 체류 시간 예측을 위한 생성 AI 및 머신러닝 협업

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

초록

Support