Generative Adversarial Network Model for Generating Yard Stowage Situation in Container Terminal

컨테이너 터미널의 야드 장치 상태 생성을 위한 생성적 적대 신경망 모형

Following the development of technologies such as digital twin, IoT, and AI after the 4th industrial revolution, decision-making problems are being solved based on high-dimensional data analysis. This has recently been applied to the port logistics sector, and a number of studies on big data analysis, deep learning predictions, and simulations have been conducted on container terminals to improve port productivity. These high-dimensional data analysis techniques generally require a large number of data. However, the global port environment has changed due to the COVID-19 pandemic in 2020. It is not appropriate to apply data before the COVID-19 outbreak to the current port environment, and the data after the outbreak was not sufficiently collected to apply it to data analysis such as deep learning. Therefore, this study intends to present a port data augmentation method for data analysis as one of these problem-solving methods. To this end, we generate the container stowage situation of the yard through a generative adversarial neural network model in terms of container terminal operation, and verify similarity through statistical distribution verification between real and augmented data.

4차 산업 혁명 이후 디지털 트윈, IoT 및 AI 등의 기술 발전에 따라 고차원적인 데이터 분석을 기반으로 의사결정 문제를 해결하고 있는 추세이다. 이는 최근 항만물류 분야에도 적용되고 있으며 항만 생산성 향상을 위해 컨테이너 터미널을 대상으로 빅데이터 분석, 딥러닝 예측, 시뮬레이션 등의 연구가 다수 이루어지고 있다. 이러한 고차원적 데이터 분석 기법들은 일반적으로 많은 데이터 수를 요구한다. 그러나 2020년 코로나19 팬데믹으로 인해 전 세계 항만의 환경은 변화하였다. 코로나19 발병 이전의 데이터를 현재 항만 환경에 적용하는 것은 적절하지 않으며, 발병 이후의 데이터는 딥러닝 등의 데이터 분석에 적용하기에 충분히 수집되지 않았다. 따라서 본 연구에서는 이러한 문제 해결 방법의 하나로 데이터 분석을 위한 항만 데이터 증강 방법을 제시하고자 한다. 이를 위해 컨테이너 터미널 운영 측면에서 생성적 적대 신경망 모형을 통해 야드의 컨테이너 장치 상태를 생성하고, 실제 데이터와 증강된 데이터 간의 통계적 분포 확인을 통해 유사성을 검증하였다.