항만 터미널의 컨테이너 트럭 턴타임 예측 시스템 구축 (Turn-time Prediction System Implementation of Container Trucks at the Port Terminal)

서지정보

· 발행기관 : 한국물류학회
· 수록지 정보 : 물류학회지 / 32권 / 4호 / 105 ~ 114페이지
· 저자명 : 조민우, 김태용, 이보원

초록

물류 분야에서 항만의 혼잡은 컨테이너 처리 시간의 증가로 인한 항만 운영의 비용 증대와 비효율성이라는 심각하고 부정적인영향을 일으킬 수 있다. 현재 이와 같은 문제를 해결하기 위해 수많은 물류 회사가 개별적으로 보유하고 있는 운영시스템을 더효율적으로 만들기 위해 노력하고 있지만, 항만 출입의 혼잡 문제를 해결하는 것에 대해서는 연구가 부족한 실정이다. 본 논문에서는 효율적인 항만 운영을 위하여 컨테이너 트럭의 턴타임(Turn-Time)을 기계학습 모델을 통해 예측하는 방법을 연구하였다. 상기 연구에서는 항만 터미널 회사에서 5년간 축적한 트럭 정보, 시간, 적재/하역 정보 등 복잡한 데이터가 담긴 실제 데이터를 활용하였으며, LSTM 모델을 기반으로 한 턴타임 예측 알고리즘을 구축하였다. 턴타임 예측 알고리즘 구현을 위해 주어진 시계열 데이터를 시간, 일, 주 단위의 세 가지 유형으로 분류하여 모델의 입력 데이터로 사용하였다. 시간 유형에 따른 예측 알고리즘을 생성할 때, 입력 시간 간격이 7시간일 때 오차는 18.31분으로 정확도가 가장 낮은 입력 시간 간격인 20시간일 때 오차 25.17분보다 약27% 오차가 감소함을 알 수 있었다. 일 유형의 경우에는 시간 간격이 길어질수록 예측 정확도가 높아지는 경우를 보였으며 20일로 시간 간격을 설정할 때에 오차가 18.18분으로 가장 정확도가 높았고 정확도가 가장 낮은 3일의 시간 간격에서의 오차 25.82분대비 약 30%의 오차가 감소함을 알 수 있었다. 주 유형의 경우에는 3주의 시간 간격으로 설정할 때에 오차가 32.03분으로 가장낮은 정확도를 보였다. 반면, 시간 간격을 7주로 설정할 때에는 오차가 14.13분으로 약 56% 이상의 오차 감소를 보였으며 전체 결과 중 가장 좋은 성능을 보였다. 아울러, 본 연구에서는 상기 예측 모델의 활용을 높이기 위하여 모바일 사용자 애플리케이션과함께 데이터 수집, 처리, 분석 등 다양한 구성요소로 이루어진 시스템을 소개한다.

영어초록

In the field of logistics, port congestion can cause a seriously negative impact on the cost and efficiency of port operations, due to increased container processing time. Although numerous logistics companies are trying to make their transportation system more efficient, solving the port congestion problem has seldom been studied. In this paper, we explore methods for turn-time prediction of container trucks for efficient port operations. For the dataset, real-world data containing complex data such as truck license plate number, time, and loading/unloading information accumulated for five years at a port terminal company are used and the turn-time prediction algorithm based-on the LSTM model was constructed. For the implementation of the turn-time prediction algorithm, a given time series data was classified into three types: time, day, and week, and used as the input data for the model. When constructing a prediction algorithm based on the time type, it was found that when the input time interval was 7 hours, the time error was 18.31 minutes, which is about a 27% decrease in the time error compared to the time error of 25.17 minutes at 20 hours, which is the lowest input time interval. In the case of the day type, when the time interval is longer, the higher the prediction accuracy can be obtained. When setting the time interval to 20 days, the time error was the highest at 18.18 minutes and the time error was decreased by 30% compared to the time error of 25.82 minutes at the time interval of the 3-day with the lowest accuracy. For the week type, the time error was the lowest at 32.03 minutes when set to a three-week time interval. On the other hand, when the time interval was set to 7 weeks, the time error was 14.13 minutes, showing the time error reduction of more than 57% and the best performance among the total results. In addition, in order to increase the utilization of the above prediction model, we introduced a system consisting of various components such as data acquisition, processing, and analysis along with a mobile user application.

참고자료

· 없음