[논문]내부트럭 운영 정보를 이용한 컨테이너 터미널 내 교통 속도예측

김태광; 허경영; 이훈; 류광렬

doi:10.5394/kinpr.2022.46.1.33

초록
AI-Helper

컨테이너 터미널의 중요한 운영 목표는 선박에 컨테이너를 싣고 내리는 안벽 크레인(QC: quay crane) 작업의 효율을 극대화하는 것이다. QC 작업 효율의 극대화를 위해서는 장치장과 QC 사이를 오가며 컨테이너를 운반하는 내부트럭(YT: yard tractor)의 운행 지연이 최소화되어야 하는데, 터미널 내부의 교통 정체가 이를 어렵게 하는 경우가 많다. 본 논문에서는 YT와 외부트럭이 혼재하여 다니는 터미널에서YT의 운영 데이터만을 기반으로 터미널 내부 교통 속도를 예측하는 모델을 학습하는 방안을 제안한다. 외부트럭에 대한 교통 데이터는 구할 수 없지만, 대신 YT 운영 데이터에는 가까운 미래의 YT 운행 경로에 관한 정보가 포함되어 있어서 교통 예측에 상당한 도움이 된다. 시뮬레이션 실험 결과 제안 방안으로 학습한 모델이 상당히 정확한 수준으로 교통 속도를 예측할 수 있음을 확인하였다.

Abstract ▼ AI-Helper

An important operational goal of a container terminal is to maximize the efficiency of the operation of quay cranes (QCs) that load and/or unload containers onto and from vessels. While the maximization of the efficiency of the QC operation requires minimizing the delay of yard tractors (YT) that tr...

An important operational goal of a container terminal is to maximize the efficiency of the operation of quay cranes (QCs) that load and/or unload containers onto and from vessels. While the maximization of the efficiency of the QC operation requires minimizing the delay of yard tractors (YT) that transport containers between the storage yard and QCs, the delay is often inevitable because of traffic congestion. In this paper, we propose a method for learning a model that predicts traffic speed in a terminal using only YT operation data, even though the YT traffic is mixed with that of external trucks. Without any information on external truck traffic, we could still make a reasonable traffic forecast because the YT operation data contains information on the YT routes in the near future. The results of simulation experiments showed that the model learned by the proposed method could predict traffic speed with significant accuracy.

주제어

표/그림 (5)

그림 Fig. 1 Layout of the target container terminal
그림 Fig. 2 Different types of links near intersections
그림 Fig. 3 Timing diagram
표 Table 1 Features used for traffic speed prediction
표 Table 2 Ranking performance on data pairs taken from different speed intervals

참고문헌 (11)

Dijkstra, E. W.(1959), "A note on two problems in connexion with graphs", Numerische Mathematik 1: pp. 269-271.

상세보기
Gawrilow, E., Kohler, E., Mohring, R. H. and Stenzel, B. (2008), "Dynamic Routing of Automated Guided Vehicles in Real-time", Mathematics - Key Technology for the Future, pp. 165-177.
Guo, S., Lin, Y., Feng, N., Song, C. and Wan, H.(2019), "Attention based spatial-temporal graph convolutional networks for traffic flow forecasting", AAAI-19 33: pp. 922-929.
Jugovic A., Hess, S. and Poletan, T.(2011), "Traffic demand forecasting for port services", Promet -Traffic & Transportation, Vol. 23, No. 1, pp. 59-69.

상세보기
Kim, T. and Ryu, K. R.(2020), "Optimization of YT dispatching policy for maximizing quay side productivity in container terminals", Korean Institute of Navigation and Port Research Conference, Vol. 44, No. 3, pp. 227-234.
Liao, B., Zhang, J., Wu, C., McIlwraith, D., Chen, T., Yang, S., Guo, Y. and Wu, F.(2018), "Deep sequence learning with auxiliary information for traffic prediction", SIGKDD, pp. 537-546.
Ma, X., Dai, Z., He, Z., Ma, J., Wang, Y. and Wang, Y. (2017), "Learning traffic as images: a deep convolutional neural network for large-scale transportation network speed prediction", Sensors 17(4): p. 818.

상세보기
Nadi, A., Sharma, S., Snelder, M., Bakri, T., Lint, H. van. and Tavasszy, L.(2021), "Short-term prediction of outbound truck traffic from the exchange of information in logistics hubs: A case study for the port of Rotterdam", Trans Res Part C 127 (2021) 103111.

상세보기
Tang, J., Gao, F., Liu, F. and Chen, X.(2020), "A denoising scheme-based traffic flow prediction model: combination of ensemble empirical mode decomposition and fuzzy c-means neural network", IEEE Access 8: pp. 11546-11559.

상세보기
Tang, J., Liu, F., Zou, Y., Zhang, W. and Wang, Y.(2017), "An improved fuzzy neural network for traffic speed prediction considering periodic characteristic", TITS 18(9): pp. 2340-2350.
Yuan, H. and Li, G.(2021), "A survey of traffic prediction: from spatio-temporal data to intelligent transportation", Data Science and Engineering (2021) 6: pp. 63-85.

상세보기

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

내부트럭 운영 정보를 이용한 컨테이너 터미널 내 교통 속도예측
Prediction of Traffic Speed in a Container Terminal Using Yard Tractor Operation Data 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (5)

표/그림 (5)

참고문헌 (11)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

내부트럭 운영 정보를 이용한 컨테이너 터미널 내 교통 속도예측 Prediction of Traffic Speed in a Container Terminal Using Yard Tractor Operation Data 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (5) 모든 표/그림 보기

표/그림 (5) 슬라이드로 보기

참고문헌 (11)

이 논문을 인용한 문헌

저자의 다른 논문 :

류광렬 (56)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

내부트럭 운영 정보를 이용한 컨테이너 터미널 내 교통 속도예측
Prediction of Traffic Speed in a Container Terminal Using Yard Tractor Operation Data 원문보기

초록
AI-Helper

표/그림 (5)

표/그림 (5)