Konteyner liman operasyonlarının makine öğrenmesi yöntemleri ile analizi

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.

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.