ИИ-модель предсказывает время оборота судов в портах

В условиях растущих мировых торговых объемов и увеличения грузопотоков порты сталкиваются с необходимостью повышения операционной эффективности. Ключевой задачей становится точное прогнозирование времени оборота судов (VTT) – периода между прибытием и отбытием судна, что напрямую влияет на планирование, управление заторами и энергопотребление.

Традиционные методы прогнозирования, основанные на статичных факторах, таких как характеристики судна или объемы контейнеров, не справляются с динамичностью портовых операций. Чтобы решить эту проблему, команда исследователей из Пусанского национального университета (Южная Корея) под руководством профессора Хаерим Бае и магистра Дэсана Пака разработала инновационный подход к прогнозированию VTT с использованием операционных индикаторов, основанных на теории массового обслуживания.

Разработанная модель представляет собой фреймворк для прогнозирования временных рядов, который интегрирует операционные индикаторы, основанные на принципах теории массового обслуживания, для повышения точности предсказания времени оборота судов до 28%. Вместо прямой оптимизации времени ожидания, исследование закладывает основу для предиктивной модели, способной поддержать будущие усилия по повышению эффективности портов и оптимизации ресурсов.

Новый фреймворк использует операционные индикаторы как количественные показатели изменяющегося состояния системы, опираясь на теорию массового обслуживания. Эти индикаторы рассчитываются на основе операционных параметров, таких как интенсивность прибытия, интенсивность обслуживания и их вариативность, отдельно для этапов причала и складской зоны, а затем связываются для отражения их взаимозависимости.

В отличие от статичных моделей, этот подход учитывает изменчивые во времени колебания загруженности, рабочей нагрузки и взаимодействия между этапами, предлагая динамичную картину развития портовых систем. Каждое изменение в операционном индикаторе соответствует измеримым изменениям в поведении системы, эффективно связывая теоретическое моделирование с реальными операциями.

Интегрируя эти динамические индикаторы в модели глубокого обучения временных рядов, фреймворк изучает, как краткосрочные изменения в операционной нагрузке влияют на общую производительность оборота. В результате получается объяснимая модель прогнозирования, управляемая данными, которая преобразует сложные, колеблющиеся портовые активности в точные и действенные прогнозы.

«Наш фреймворк может быть напрямую применен к портовым операциям для улучшения планирования причалов, прогнозирования заторов и оптимизации распределения кранов, грузовиков и рабочей силы, что приведет к сокращению времени оборота судов и снижению энергопотребления», – поясняет проф. Бае. «Его сила заключается в моделировании того, как взаимосвязанные этапы, такие как швартовка судов, обработка контейнеров и перемещение на складе, влияют друг на друга во времени. Этот подход позволяет естественным образом расширить наш фреймворк на другие многоэтапные сервисные системы, помимо портов».

Потенциальные области применения весьма обширны. В аэропортах схожие индикаторы могли бы помочь прогнозировать последующие задержки в обработке самолетов. В больницах – моделировать поток пациентов от регистрации до лечения, способствуя балансировке рабочей нагрузки. В городском транспорте – прогнозировать распространение пробок по сетям. В производстве – предотвращать «узкие места», картируя взаимозависимости между производственными линиями и логистическими системами.

«Рассматривая каждую систему как цепочку взаимозависимых операций, наш подход трансформирует сложные процессы в измеримые, прогнозируемые индикаторы», – заключает Пак. «Это позволяет создавать более интеллектуальные, надежные и устойчивые системы управления, которые могут улучшить повседневный опыт – от более быстрых путешествий и медицинского обслуживания до более эффективного производства и мобильности».