Генеративный искусственный интеллект и машинное обучение в коллаборации для прогнозирования времени простоя контейнеров посредством стандартизации данных

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

February 24, 2026

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

cs.AI

Аннотация

Прогнозирование времени простоя импортных контейнеров (ICDT) является ключевой задачей для повышения производительности контейнерных терминалов, поскольку точные прогнозы позволяют сократить количество перегрузочных операций с контейнерами, выполняемых штабелерами. Достижение этой цели требует точного прогнозирования времени простоя отдельных контейнеров. Однако основные детерминанты времени простоя — информация о владельце и информация о грузе — регистрируются в виде неструктурированного текста, что ограничивает их эффективное использование в моделях машинного обучения. Данное исследование устраняет это ограничение, предлагая совместную框架, интегрирующую генеративный искусственный интеллект (Gen AI) с машинным обучением. Предлагаемая框架 использует Gen AI для стандартизации неструктурированной информации в стандартные международные коды, с динамическим перепрогнозированием, запускаемым обновлениями состояния электронного обмена данными, что позволяет модели машинного обучения точно прогнозировать ICDT. Многочисленные эксперименты, проведенные на реальных данных контейнерного терминала, демонстрируют, что предложенная методология обеспечивает улучшение средней абсолютной ошибки на 13,88% по сравнению с традиционными моделями, не использующими стандартизированную информацию. Более того, применение улучшенных прогнозов к стратегиям штабелирования контейнеров позволяет достичь сокращения количества перестановок до 14,68%, что эмпирически подтверждает потенциал Gen AI для повышения производительности операций на контейнерных терминалах. В целом, данное исследование предоставляет как технические, так и методологические insights по внедрению Gen AI в портовой логистике и демонстрирует его эффективность.

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.