DOI QR코드

DOI QR Code

시계열 분석 기반 신뢰구간 추정을 활용한 항만 물동량 이상감지 방안

Port Volume Anomaly Detection Using Confidence Interval Estimation Based on Time Series Analysis

  • 하준수 (인하대학교 물류전문대학원) ;
  • 나준호 (한국교통연구원) ;
  • 조광휘 (인하대학교 물류전문대학원) ;
  • 하헌구 (인하대학교 물류전문대학원)
  • 투고 : 2021.03.02
  • 심사 : 2021.03.29
  • 발행 : 2021.03.31

초록

부산항의 부두 장치율은 지난 3년동안 지속적으로 상승하였다. 부두 장치율 상승은 컨테이너 재조작을 야기하여 부두 노동자의 업무 강도를 증가시킨다. 또한, 장치율 상승이 장기화될 경우 선주의 대기시간을 증가시켜 항만의 서비스 수준이 하락할 수 있다. 이에 본 연구는 부두 장치율 상승 문제를 해결하기 위한 방안으로 수요예측치의 신뢰구간 추정을 활용한 항만 물동량 이상감지 방안을 제안하였다. 수요예측 방법론은 ARIMA 모형을 사용하였으며 실증 분석을 위해 사용된 자료는 2013년 1월 1일부터 2020년 10월 12일까지 총 2841일 동안의 부산항 전체 일별 물동량 자료 및 9개 부두의 일별 물동량 자료이다. 기존에 항만 물동량을 예측하는 대부분의 연구는 주로 장기 예측에 초점을 맞추었다. 일별, 부두별 부산항 물동량 자료를 활용하여 단기 물동량을 예측하고 예측치를 기반으로 부두 장치율 관리 방안을 제시한 본 연구는 충분한 가치가 있다고 판단된다.

Port congestion rate at Busan Port has increased for three years. Port congestion causes container reconditioning, which increases the dockyard labor's work intensity and ship owner's waiting time. If congestion is prolonged, it can cause a drop in port service levels. Therefore, this study proposed an anomaly detection method using ARIMA(Autoregressive Integrated Moving Average) model with the daily volume data from 2013 to 2020. Most of the research that predicts port volume is mainly focusing on long-term forecasting. Furthermore, studies suggesting methods to utilize demand forecasting in terms of port operations are hard to find. Therefore, this study proposes a way to use daily demand forecasting for port anomaly detection to solve the congestion problem at Busan port.

키워드

참고문헌

  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. 김정훈(2008), 시계열 모형을 이용한 부산 북항의 물동량 예측, 한국항만경제학회지, 제24집 제2호, 1-17.
  5. 김정훈(2008), 전국 컨테이너 항만물동량에 관한 예측, 해운물류연구, 제59집, 175-194.
  6. 김창범(2007), 해상운송의 물동량 예측과 항만물류정책, 한국항만경제학회지, 제23집 제1호, 149-162.
  7. 고용기.김은지.신정용.김태호(2008), 인천항의 수출 적컨테이너화물 물동량 추정에 관한 연구, 한국항만경제학회지, 제24집 제3호, 57-77.
  8. 민경창.하헌구(2020), Datamining 기법을 활용한 일별 항공화물 수요 예측, 대한교통학회지, 제38집 제3호, 190-207.
  9. 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
  10. 민경창.전영인.하헌구(2013),계절성 ARIMA 모형을 이용한 항공화물 수요 예측: 인천국제공항발 유럽항공노선을 중심으로, 대한교통학회지, 제31집 제3호, 3-18. https://doi.org/10.7470/jkst.2013.31.3.003
  11. 모수원(2003), 해상물동량과 항만의 처리능력, 한국항만경제학회지, 제19집 제2호, 55-67.
  12. 박성일.정현재.전준우.여기태(2012), System Dynamics를 활용한 인천항 철재화물 물동량 예측에 관한 연구, 한국항만경제학회지, 제28집 제2호, 75-93.
  13. 손용정(2009), 항만경쟁력 제고를 위한 항만교역량 예측, 한국항만경제학회지, 제25집 제1호, 1-14.
  14. 손용정.김현덕(2012), 의사결정나무분석을 이용한 컨테이너 수출입 물동량 예측, 한국항만경제학회지, 제28집 제4호, 193-207.
  15. 이충배.노진호(2018), 우리나라와 동아시아 항만간의 수출 컨테이너 물동량 추이 분석, 한국항만경제학회지, 제34집 제2호, 97-113.
  16. 여기태.정현재(2011), SD 기법에 의한 한.중.일 환적물동량 변화량 추정에 관한 연구, 한국항만경제학회지, 제27집, 제4호, 165-185.
  17. 최봉호(2007), 국내 주요항만별 항만물동량과 산업성장의 인과관계, 한국항만경제학회지, 제23집 제4호, 159-175.
  18. 최봉호.김상춘(2010), 부산항, 광양항, 인천항의 물동량간 인과관계 분석, 한국항만경제학회지 제26집 제1호, 61-82.
  19. 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
  20. 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
  21. 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
  22. 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
  23. 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
  24. 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
  25. 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
  26. 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.
  27. Schulze, P. M., and Prinz, A.(2009), Forecasting container transshipment in Germany, Applied Economics, 41(22), 2809-2815. https://doi.org/10.1080/00036840802260932
  28. Xiao, Y., Xiao, J., and Wang, S.(2012), A hybrid forecasting model for non-stationary time series: An application to container throughput prediction, International Journal of Knowledge and Systems Science, 3(2), 67-82. https://doi.org/10.4018/jkss.2012040105
  29. Yu, Qin, Lyu Jibin, and Lirui Jiang(2016), An improved ARIMA-based traffic anomaly detection algorithm for wireless sensor networks, International Journal of Distributed Sensor Networks, 12(1), 9653230. https://doi.org/10.1155/2016/9653230
  30. Yip, T. L. (2008), Port traffic risks-A study of accidents in Hong Kong waters, Transportation Research Part E: Logistics and Transportation Review, 44(5), 921-931. https://doi.org/10.1016/j.tre.2006.09.002