Inteligência Artificial Generativa e Colaboração de Aprendizado de Máquina para Previsão do Tempo de Permanência de Contentores via Padronização de Dados
Generative AI and Machine Learning Collaboration for Container Dwell Time Prediction via Data Standardization
February 24, 2026
Autores: Minseop Kim, Takhyeong Kim, Taekhyun Park, Hanbyeol Park, Hyerim Bae
cs.AI
Resumo
A previsão do tempo de permanência de contentores de importação (ICDT) é uma tarefa fundamental para melhorar a produtividade nos terminais de contentores, uma vez que previsões precisas permitem reduzir as operações de re-manuseamento de contentores por gruas de pátio. Atingir este objetivo requer a previsão precisa do tempo de permanência de contentores individuais. No entanto, os principais determinantes do tempo de permanência - informações do proprietário e informações da carga - são registados como texto não estruturado, o que limita o seu uso eficaz em modelos de aprendizagem automática. Este estudo aborda esta limitação propondo uma estrutura colaborativa que integra inteligência artificial generativa (Gen AI) com aprendizagem automática. A estrutura proposta emprega Gen AI para padronizar informações não estruturadas em códigos internacionais padrão, com re-previsão dinâmica acionada por atualizações de estado de intercâmbio eletrónico de dados, permitindo que o modelo de aprendizagem automática preveja o ICDT com precisão. Experiências extensivas realizadas com dados reais de terminais de contentores demonstram que a metodologia proposta alcança uma melhoria de 13,88% no erro absoluto médio em comparação com modelos convencionais que não utilizam informações padronizadas. Além disso, a aplicação das previsões melhoradas nas estratégias de empilhamento de contentores consegue até 14,68% de redução no número de relocalizações, validando empiricamente o potencial da Gen AI para aumentar a produtividade nas operações de terminais de contentores. Globalmente, este estudo fornece insights técnicos e metodológicos sobre a adoção da Gen AI na logística portuária e a sua eficácia.
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.