論文の概要: Toward Reducing Unproductive Container Moves: Predicting Service Requirements and Dwell Times
- arxiv url: http://arxiv.org/abs/2604.06251v1
- Date: Mon, 06 Apr 2026 19:06:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-09 17:30:51.117298
- Title: Toward Reducing Unproductive Container Moves: Predicting Service Requirements and Dwell Times
- Title（参考訳）: 非生産的コンテナモブの削減に向けて - サービス要件の予測とDwell Time
- Authors: Elena Villalobos, Adolfo De Unánue T., Fernanda Sobrino, David Aké, Stephany Cisneros, Jorge Lecona, Alejandra Matadamaz,
- Abstract要約: 本稿では, コンテナ端末で実施したデータサイエンス研究の結果について述べる。
我々は、歴史的運用データを活用する機械学習モデルを開発し、カーゴリリースに先立って、どのコンテナが事前クリアランス処理サービスを必要とするかを予測し、いつまで端末に留まるかを推定する。
- 参考スコア（独自算出の注目度）: 65.01025489527173
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This article presents the results of a data science study conducted at a container terminal, aimed at reducing unproductive container moves through the prediction of service requirements and container dwell times. We develop and evaluate machine learning models that leverage historical operational data to anticipate which containers will require pre-clearance handling services prior to cargo release and to estimate how long they are expected to remain in the terminal. As part of the data preparation process, we implement a classification system for cargo descriptions and perform deduplication of consignee records to improve data consistency and feature quality. These predictive capabilities provide valuable inputs for strategic planning and resource allocation in yard operations. Across multiple temporal validation periods, the proposed models consistently outperform existing rule-based heuristics and random baselines in precision and recall. These results demonstrate the practical value of predictive analytics for improving operational efficiency and supporting data-driven decision-making in container terminal logistics.
- Abstract（参考訳）: 本稿では, コンテナ端末で実施したデータサイエンス研究の結果について述べる。
我々は、歴史的運用データを活用する機械学習モデルを開発し、カーゴリリースに先立って、どのコンテナが事前クリアランス処理サービスを必要とするかを予測し、いつまで端末に留まるかを推定する。
データ作成プロセスの一環として、カーゴ記述の分類システムを実装し、データ一貫性と特徴品質を改善するために、委託記録の重複を解消する。
これらの予測能力は、ヤード運用における戦略的計画と資源配分に貴重なインプットを提供する。
複数の時間的検証期間にわたって、提案モデルは既存の規則に基づくヒューリスティックや、精度とリコールにおけるランダムなベースラインを一貫して上回っている。
これらの結果は,コンテナ端末のロジスティクスにおける運用効率の向上とデータ駆動型意思決定を支援するための予測分析の実践的価値を示す。
関連論文リスト
- Conformal Predictive Distributions for Order Fulfillment Time Forecasting [15.378087950770684]
本稿では,オーダー充足時間の分布予測のための新しいフレームワークを提案する。
提案手法は競合する分布予測を生成できるが,機械学習に基づく点予測は既存のルールベースシステムよりも大幅に優れている。
論文 参考訳（メタデータ） (2025-05-22T23:23:52Z) - Forecasting Empty Container availability for Vehicle Booking System Application [0.0]
本研究では,VBSフレームワーク内のコンテナ端末システムにおいて,空きコンテナの可用性を予測するためのデータ駆動型アプローチの開発と評価に焦点をあてる。
空のコンテナドウェル時間の最適化に関する研究のギャップに対処し、コンテナ端末操作の運用効率を高めることを目的としている。
論文 参考訳（メタデータ） (2025-03-14T08:29:04Z) - Efficient Transferability Assessment for Selection of Pre-trained Detectors [63.21514888618542]
本稿では,事前学習対象検出器の効率的な伝達性評価について検討する。
我々は、事前訓練された検出器の大規模で多様な動物園を含む検出器転送性ベンチマークを構築した。
実験により,本手法は伝達性の評価において,他の最先端手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2024-03-14T14:23:23Z) - Learning When to See for Long-term Traffic Data Collection on
Power-constrained Devices [7.712009864814493]
本稿では,バッテリ駆動デバイスの観測タイミングを戦略的に決定する,新しい学習ベースのフレームワークを提案する。
スパースサンプリングされた観測結果から全データストリームを再構築し,性能損失を最小限に抑える。
RNN予測器と推定器とDRQN(Deep Recurrent Q-Network)コントローラによるPeMSデータに対する提案手法の性能評価を行った。
論文 参考訳（メタデータ） (2024-01-25T20:50:34Z) - Prediction-Oriented Bayesian Active Learning [51.426960808684655]
予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。
EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
論文 参考訳（メタデータ） (2023-04-17T10:59:57Z) - Workload Forecasting of a Logistic Node Using Bayesian Neural Networks [0.0]
本稿では,関連文献を考察し,上記の問題に対処する予測モデルを設計する。
本稿では,ベイジアンニューラルネットワークに基づくモデルを用いて,空のコンテナ・デポにおけるコンテナ・トラックの時間的作業量と交通量を予測する予測モデルを開発した。
論文 参考訳（メタデータ） (2022-11-09T15:42:33Z) - Predicting Berth Stay for Tanker Terminals: A Systematic and Dynamic
Approach [1.6694381776724387]
提案手法は、歴史的基準によって検証された98.81%の精度でバース滞在を予測することができる。
このモデルは、短期間のパイロット予約や、適切な時間枠内でのスケジューリング最適化に応用される可能性がある。
論文 参考訳（メタデータ） (2022-04-08T14:03:33Z) - Knowledge Distillation as Efficient Pre-training: Faster Convergence,
Higher Data-efficiency, and Better Transferability [53.27240222619834]
効率的な事前学習としての知識蒸留は、学習した特徴表現を学習済みモデルから将来の下流タスクのための新しい学生モデルに効率的に転送することを目的としている。
提案手法は,3つの下流タスクにおける教師付き事前学習タスクと,10倍少ないデータと5倍少ない事前学習時間を必要とする9つの下流データセットとを比較検討する。
論文 参考訳（メタデータ） (2022-03-10T06:23:41Z) - Improved Fine-tuning by Leveraging Pre-training Data: Theory and
Practice [52.11183787786718]
対象データに事前学習されたモデルを微調整することは、多くのディープラーニングアプリケーションで広く利用されている。
近年の研究では、スクラッチからのトレーニングが、この事前トレーニング戦略に比較して、最終的なパフォーマンスを示すことが実証されている。
本稿では,対象タスクの一般化を改善するために,事前学習データからサブセットを選択する新しい選択戦略を提案する。
論文 参考訳（メタデータ） (2021-11-24T06:18:32Z) - TraDE: Transformers for Density Estimation [101.20137732920718]
TraDEは自己回帰密度推定のための自己アテンションに基づくアーキテクチャである。
本稿では, 生成したサンプルを用いた回帰, 分布外検出, トレーニングデータにおける雑音に対する頑健性などのタスクについて述べる。
論文 参考訳（メタデータ） (2020-04-06T07:32:51Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。