스태킹 앙상블을 통한 선박-야드 간 컨테이너 하역시간 예측 모델 연구
A Stacking Ensemble Model for Predicting Container Unloading Time Between Vessel and Yard
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
부산항 안벽 크레인(Quay Crane, QC)의 하역 작업 처리시간을 예측하기 위한 스태킹 기반 인공지능 모델을 제안한다. 하역 시간은 크레인 이동거리, 컨테이너 위치(BAY–ROW–TIER), 작업 순서 등 내부 요인과 기상 조건과 같은 외부 요인의 영향을 동시에 받는 복합적 패턴을 갖는다. 이를 반영하기 위해 Linear Regression, Random Forest, SVR, XGBoost, CatBoost, MLP 등 다양한 회귀 모델을 베이스 모델로 구성하고, 메타 모델로 MLP를 적용한 스태킹 앙상블을 설계하였다. 실제 하역 로그 데이터를 활용하여 QC별(Local) 및 전체 QC 통합(Global) 데이터셋을 구성해 학습·평가하였으며, MAE를 주요 지표로 사용하였다. 실험 결과, Local 스태킹 모델은 단일 모델 대비 평균 MAE를 약 60% 이상 개선하며 모든 QC에서 일관된 성능 향상을 보였다. Global 모델은 절대 오차는 다소 높지만, 다양한 QC의 공통 패턴을 안정적으로 학습하여 우수한 일반화 성능을 보였다. 또한, 어블레이션(Ablation) 분석을 통하여 기상 변수와 위치 변화량 변수가 예측 성능에 중요한 요인임을 확인하였다. 종합적으로 제안된 스태킹 모델은 실제 항만 운영의 작업 계획 및 의사결정 지원에 활용 가능한 실무적 예측 프레임워크임을 확인하였다.
Abstract
This study presents a stacking-based artificial intelligence model designed to predict the unloading time of quay crane (QC) operations at Busan Port. The unloading time is influenced by complex factors, including internal elements like crane travel distance, container positioning (BAY–ROW–TIER), and job sequencing, as well as external conditions such as weather. To account for these multifaceted influences, we create a variety of regression models—Linear Regression, Random Forest, SVR, XGBoost, CatBoost, and MLP—serving as base learners, and utilize an MLP as the meta-model within a stacking ensemble framework. We utilize actual QC operation logs to establish both QC-specific (Local) and integrated (Global) datasets for training and evaluation, with Mean Absolute Error (MAE) as the primary performance metric. Experimental results indicate that the Local stacking model reduces the average MAE by over 60% compared to individual models, consistently improving performance across all QCs. Although the Global model exhibits a slightly higher absolute error, it effectively captures common patterns across different QCs, showcasing strong generalization capabilities. Ablation studies on weather and spatial movement variables confirm the critical importance of both feature groups in enhancing predictive performance. Overall, the proposed stacking model offers a practical and robust framework for predictive analytics, supporting operational planning and decision-making in real port environments.