Aplicação de técnicas de aprendizado de máquina na previsão de tempo de estadia de contêineres

Abstract

Resumo: A previsão do tempo de estadia de contêineres desempenha um papel crucial na gestão eficiente das operações portuárias e na otimização da cadeia logística. Este artigo aborda diferentes modelos de regressão com a intenção de identificar a possibilidade da utilização de técnicas de aprendizagem de máquina para prever o tempo de permanência dos contêineres nos portos. Foi realizada a coleta dos dados históricos de contêineres importados com estadia no Terminal de Contêineres de Paranaguá (TCP), foi realizada a análise exploratória e aplicadas técnicas para a seleção dos principais atributos. A base final para criação e teste dos modelos possui 926605 registros e 11 covariáveis que se mostraramrelevantes na previsão de tempo de estadia. Coma base final foram aplicadas as seguintes técnicas: regressão linear múltipla, árvore de decisão, floresta aleatória, redes neurais, regressão linear generalizada e gradient boosting. Para comparar e avaliar as diferentes técnicas, analisamos os resultados utilizando como métrica a raiz do erro quadrático médio (RMSE), para determinar a eficácia de cada método na previsão do tempo de estadia de contêineres. Os resultados obtidos demonstram que o uso de técnicas de aprendizagem de máquina pode trazer melhorias para o processo logístico, dando fundamento para o planejador portuário posicionar os contêineres com base nas previsões de tempo de estadia calculadas. Foi identificado que as técnicas de arvore de decisão se saíram melhor, dada a base fornecida e a métrica utilizada e o modelo de gradient boosting foi o que teve melhor desempenho nos dados de treino e teste. Este artigo destaca o potencial das técnicas de aprendizado de máquina na previsão do tempo de estadia de contêineres nos terminais portuários. Ao aplicar tais técnicas, os portos podem obter melhorias na eficiência operacional, reduzir custos e otimizar a gestão da cadeia logística.

Abstract: The prediction of container dwell time plays a crucial role in efficient port operations and logistics chain optimization. This article addresses different regression models with the intention of identifying the possibility of using machine learning techniques to predict container dwell time at ports. Historical data of imported containers with dwell time at the Terminal de Contêineres de Paranaguá (TCP) was collected, and an exploratory analysis was conducted, along with techniques applied to select the key attributes. The final dataset for model creation and testing consists of 926,605 records and 11 covariates that proved to be relevant in predicting dwell time. The following techniques were applied to the final dataset: multiple linear regression, decision tree, random forest, neural networks, generalized linear regression, and gradient boosting. To compare and evaluate the different techniques, the results were analyzed using the root mean square error (RMSE) as the metric to determine the effectiveness of each method in predicting container dwell time. The results obtained demonstrate that the use of machine learning techniques can bring improvements to the logistics process, providing a basis for the vessel planner to position the containers based on the calculated dwell time predictions. It was identified that the decision tree based techniques performed better given the provided dataset and metric, and the gradient boosting model had the best performance in the training and testing data. This article highlights the potential of machine learning techniques in predicting container dwell time at port terminals. By applying these techniques, ports can achieve improvements in operational efficiency, cost reduction, and optimization of logistics chain management.