Generatieve AI en Machine Learning Samenwerking voor de Voorspelling van Container Verblijftijd via Datastandaardisatie

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

Samenvatting

Het voorspellen van de verblijftijd van importcontainers (ICDT) is een kerntaak voor het verbeteren van de productiviteit in containerterminals, aangezien accurate voorspellingen het mogelijk maken om de herstelbewerkingen door stapelkranen te verminderen. Het bereiken van dit doel vereist een nauwkeurige voorspelling van de verblijftijd van individuele containers. De belangrijkste bepalende factoren voor de verblijftijd – eigenaarsinformatie en goedereninformatie – zijn echter vastgelegd als ongestructureerde tekst, wat hun effectieve gebruik in machine learning-modellen beperkt. Deze studie lost deze beperking op door een collaboratief raamwerk voor te stellen dat generatieve kunstmatige intelligentie (Gen AI) integreert met machine learning. Het voorgestelde raamwerk gebruikt Gen AI om ongestructureerde informatie te standaardiseren in standaard internationale codes, waarbij dynamische hervoorspelling wordt geactiveerd door updates van de elektronische gegevensuitwisseling (EDI). Dit stelt het machine learning-model in staat om de ICDT nauwkeurig te voorspellen. Uitgebreide experimenten met echte data van een containerterminal tonen aan dat de voorgestelde methodologie een verbetering van 13,88% in de gemiddelde absolute fout bereikt in vergelijking met conventionele modellen die geen gebruik maken van gestandaardiseerde informatie. Bovendien leidt de toepassing van de verbeterde voorspellingen op containerstapelstrategieën tot een vermindering van het aantal herplaatsingen tot wel 14,68%, waardoor het potentieel van Gen AI om de productiviteit in containerterminaloperaties te verhogen empirisch wordt bevestigd. Over het geheel genomen biedt deze studie zowel technische als methodologische inzichten in de adoptie van Gen AI in havenlogistiek en de effectiviteit daarvan.

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.