Journal of Korea Port Economic Association (한국항만경제학회지)

The Korea Port Economic Association (한국항만경제학회)
권호 표지
DOI QR코드

DOI QR Code

Forecasting the Daily Container Volumes Using Data Mining with CART Approach

Datamining 기법을 활용한 단기 항만 물동량 예측

  • 하준수 (인하대학교 물류전문대학원) ;
  • 임채환 (인하대학교 물류전문대학원) ;
  • 조광휘 (인하대학교 물류전문대학원) ;
  • 하헌구 (인하대학교 물류전문대학원)
  • Received : 2021.08.03
  • Accepted : 2021.10.14
  • Published : 2021.09.30
Download PDF
⟨ Previous Next ⟩

Abstract

Forecasting the daily volume of container is important in many aspects of port operation. In this article, we utilized a machine-learning algorithm based on decision tree to predict future container throughput of Busan port. Accurate volume forecasting improves operational efficiency and service levels by reducing costs and shipowner latency. We showed that our method is capable of accurately and reliably predicting container throughput in short-term(days). Forecasting accuracy was improved by more than 22% over time series methods(ARIMA). We also demonstrated that the current method is assumption-free and not prone to human bias. We expect that such method could be useful in a broad range of fields.

본 연구에서는 항만의 단기 물동량을 예측하기 위해 ARIMA 모형과 CART 모형을 활용한 단기 수요예측 모형을 제시하였다. 제시한 모형은 2단계로 구성된다. 1단계에서는 시계열 예측치와 주요 교역국의 주당 근로일수를 변수로 사용하여 CART 모형을 추정하고 주별 물동량 예측을 진행한다. 2단계에서는 1단계에서 도출한 예측치와 요일 정보, 주요국 공휴일 정보, 주요국 행사 기간 정보를 설명변수로 활용하여 최종적인 일별 물동량 예측 모형을 추정한다. 제시한 수요예측 모형을 활용하여 2020년 10월 1일부터 12월 31일까지 92일의 부산항 물동량을 예측한 결과 제시한 모형의 평균 정확도가 기존 시계열 모형보다 '22.5%' 높은 것으로 나타났다. 제시 모형은 일별 물동량의 추세뿐만 아니라 물동량이 급등락하는 지점에서도 높은 정확도를 보였으며 시계열 예측 모형을 사용했을 때 비해 총 166,504(TEU)의 오차를 줄일 수 있는 것으로 나타났다. 항만의 효율적인 운영을 위해 필수적인 단기 물동량 예측에 적합한 예측 모형을 제시한 본 연구는 충분한 활용 가치가 있을 것으로 판단된다.

Keywords

References

  1. 김두환.이강배(2020), LSTM 을 활용한 부산항 컨테이너 물동량 예측, 한국항만경제학회지, 제 36집 제2호, 53-62. https://doi.org/10.38121/kpea.2020.06.36.2.53
  2. 김창범(2015), 개입 승법계절 ARIMA와 인공신경망모형을 이용한 해상운송 물동량의 예측, 한국항만경제학회지, 제31집 제1호, 69-84.
  3. 김종길.박지영.왕영.박성일.여기태(2011), Study on forecasting container volume of port using SD and ARIMA(2011), 한국항해항만학회지 제35집 제4호, 343-349. https://doi.org/10.5394/KINPR.2011.35.4.343
  4. 민경창.하헌구(2014), SARIMA 모형을 이용한 우리나라 항만 컨테이너 물동량 예측, 대한교통학회지, 제32집 제6호, 600-614. https://doi.org/10.7470/jkst.2014.32.6.600
  5. 손용정.김현덕(2012), 의사결정나무분석을 이용한 컨테이너 수출입 물동량 예측, 한국항만경제학회지, 제28집 제4호, 193-207.
  6. 이충배.노진호(2018), 우리나라와 동아시아 항만간의 수출 컨테이너 물동량 추이 분석, 한국항만경제학회지, 제34집 제2호, 97-113.
  7. 여기태.정현재(2011), SD 기법에 의한 한.중.일 환적 물동량 변화량 추정에 관한 연구, 한국항만경제학회지, 제27집, 제4호, 165-185.
  8. 하준수.나준호.조광휘.하헌구(2021), 시계열 분석 기반 신뢰구간 추정을 활용한 항만 물동량 이상감지 방안. 한국항만경제학회지, 제37집, 제1호, 179-196.
  9. Chan, H. K., Xu, S., and Qi, X. (2019), A comparison of time series methods for forecasting container throughput, International Journal of Logistics Research and Applications, 22(3), 294-303. https://doi.org/10.1080/13675567.2018.1525342
  10. Chen, S., Goo, Y. J. J., & Shen, Z. D. (2014). A hybrid approach of stepwise regression, logistic regression, support vector machine, and decision tree for forecasting fraudulent financial statements. The Scientific World Journal, 2014.
  11. Chen, S. H., & Chen, J. N. (2010). Forecasting container throughputs at ports using genetic programming. Expert Systems with Applications, 37(3), 2054-2058. https://doi.org/10.1016/j.eswa.2009.06.054
  12. Carbonneau, R., Laframboise, K., & Vahidov, R. (2008). Application of machine learning techniques for supply chain demand forecasting. European Journal of Operational Research, 184(3), 1140-1154. https://doi.org/10.1016/j.ejor.2006.12.004
  13. Diaz, R., Talley, W., and Tulpule, M.(2011), Forecasting empty container volumes, The Asian Journal of Shipping and Logistics, 27(2), 217-236. https://doi.org/10.1016/S2092-5212(11)80010-6
  14. Farhan, J., and Ong, G. P.(2018), Forecasting seasonal container throughput at international ports using SARIMA models, Maritime Economics & Logistics, 20(1), 131-148. https://doi.org/10.1057/mel.2016.13
  15. Liu, C., Hu, Z., Li, Y., & Liu, S. (2017). Forecasting copper prices by decision tree learning. Resources Policy, 52, 427-434. https://doi.org/10.1016/j.resourpol.2017.05.007
  16. Patcha, A., & Park, J. M(2007), An overview of anomaly detection techniques: Existing solutions and latest technological trends, Computer networks, 51(12), 3448-3470. https://doi.org/10.1016/j.comnet.2007.02.001
  17. Patcha, A., & Park, J. M(2007), An overview of anomaly detection techniques: Existing solutions and latest technological trends, Computer networks, 51(12), 3448-3470. https://doi.org/10.1016/j.comnet.2007.02.001
  18. Rashed, Y., Meersman, H., Van de Voorde, E., and Vanelslander, T.(2017), Short-term forecast of container throughout: an ARIMA-intervention model for the port of Antwerp, Maritime Economics & Logistics, 19(4), 749-764. https://doi.org/10.1057/mel.2016.8
  19. Rahmawati, D., & Sarno, R.(2019), Anomaly detection using control flow pattern and fuzzy regression in port container handling, Journal of King Saud University-Computer and Information Sciences.
  20. Schulze, P. M., and Prinz, A.(2009), Forecasting container transshipment in Germany, Applied Economics, 41(22), 2809-2815. https://doi.org/10.1080/00036840802260932
  21. Viglioni, G., Cury, M. V. Q., & da Silva, P. A. L. (2007). Methodology for railway demand forecasting using data mining. In SAS global forum (Vol. 161, No. 2007, pp. 1-8).