Konteyner liman operasyonlarının makine öğrenmesi yöntemleri ile analizi

dc.contributor.advisor Arslanoğlu, Yasin
dc.contributor.advisor Kaya, Tolga
dc.contributor.author Atak, Üstün
dc.contributor.authorID 512182014
dc.contributor.department Deniz Ulaştırma Mühendisliği
dc.date.accessioned 2023-03-13T08:01:05Z
dc.date.available 2023-03-13T08:01:05Z
dc.date.issued 2022-01-28
dc.description Tez (Doktora) -- İstanbul Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü, 2022
dc.description.abstract Deniz taşımacılığında seyir planlaması ve operasyon ile ilgili tahmin yürütebilmek için farklı türde veri kullanılabilmektedir. Hava durumu, yük bilgileri ve gemi özellikleri gibi verilerin uygun sistemler ile toplanıp analiz edilmesi enerji verimliliği sağlanması açısından değerli çıkarımlar yapılabilmesine olanak sağlayabilmektedir. Tıpkı elektronik seyir sistemleri ve yardımcılarında olduğu gibi elde edilecek verinin yenilikçi yöntemler ile operasyon sürecine dahil edilmesiyle birlikte deniz taşımacılığının güvenli, emniyetli ve uygun maliyetli bir şekilde tamamlamasına katkı sağlanabilmektedir. Öte yandan, veri bilimi uygulamaları farklı sektör uygulamaları ile son yıllarda yaygınlığını artırmaya başlamıştır. Uzman ya da analiz yapan kişiler yeterli ve doğru veri ile hesaplamalar yapabilmek için farklı yöntemleri kullanabilmektedir. Bu doğrultuda, ekipman ya da insan tarafından üretilen veri ile sistem davranış modellemesi yapılabilmektedir. Büyük veri, müşteri deneyimi analizlerinden veri madenciliği araçlarına kadar paydaşlara çeşitli çözümler sunabilmektedir. Operasyon verimliliği, sürücü destek sistemleri, tahminleyici bakım ve makine öğrenmesi uygulamaları ile çeşitli uygulama alanlarında çalışmalar bulunmaktadır. Benzer şekilde denizcilik sektörü uygulamaları sayesinde akıllı çözümler paydaşlara enerji tasarrufu ile birlikte uygun maliyetli seçenekler sunabilmektedir. Ayrıca, veri madenciliği çözümleri sayesinde daha büyük miktarda verinin üretildiği liman operasyonları için değerli analizler ve geliştirme hedefleri sağlanabilmektedir. Limana varış ve bekleme süresi tahmini yanı sıra yakıt tüketim hesabı ile hava kirliliğini azaltmak için gerçek zamanlı veri uygulamaları konteyner terminallerinde etkin makine öğrenmesi çözümlerinin ana başlıkları olarak değerlendirilebilir.
dc.description.abstract In maritime transportation, data is used to plan navigation and optimize cargo operations variously. Essential data might be collected through novel data acquisition methods to contribute to the safe, secure, and cost-effective completion of maritime transportation. For example, energy efficiency calculation could be completed with relevant data such as weather, navigation, and cargo information. Furthermore, data from current or previous operations can be used to help understand and plan cargo operations. Estimation of berthing time, container allocation, cargo handling time forecast, accident prediction, and volume/storage estimation are some examples of machine learning applications in port operations. In this scope, forecasting or predictive modeling could be used to provide a decision support and risk management system. The prediction of arrival times of vessels plays a vital role in berthing allocation and cargo operation planning. In this manner, the estimated time of arrival and its effects on container terminal operation were calculated with a data mining approach. The results showed that the Random Forest model had higher prediction accuracy and was beneficial to increase the performance of cargo planning. The optimization problem of a vessel schedule was studied to minimize total emission and turnaround time. The scheduling problem was formulated with stochastic methods by a simulation-based approach.
dc.description.degree Doktora
dc.identifier.uri http://hdl.handle.net/11527/22403
dc.language.iso tr
dc.publisher Lisansüstü Eğitim Enstitüsü
dc.sdg.type Goal 9: Industry, Innovation and Infrastructure
dc.subject büyük veri
dc.subject big data
dc.subject gemi operasyonları
dc.subject ship operations
dc.subject konteyner
dc.subject container
dc.subject konteyner taşımacılığı
dc.subject container transportation
dc.subject konteyner terminali
dc.subject container terminal
dc.subject makine öğrenmesi
dc.subject machine learning
dc.title Konteyner liman operasyonlarının makine öğrenmesi yöntemleri ile analizi
dc.title.alternative Analysis of container port operations using machine learning methods
dc.type doctoralThesis
Dosyalar
Orijinal seri
Şimdi gösteriliyor 1 - 1 / 1
thumbnail.default.alt
Ad:
512182014.pdf
Boyut:
5.49 MB
Format:
Adobe Portable Document Format
Açıklama
Lisanslı seri
Şimdi gösteriliyor 1 - 1 / 1
thumbnail.default.placeholder
Ad:
license.txt
Boyut:
1.58 KB
Format:
Item-specific license agreed upon to submission
Açıklama