Predicting ship waiting times using machine learning for enhanced port operations
연구 내용
항만 운항 데이터로 선박 대기시간을 회귀 예측하고, SHAP 기반 해석가능성 및 앙상블 모델로 운영 의사결정을 지원하는 연구
항만 혼잡과 선박 대기시간을 줄이기 위해 운항 기록 기반 대기시간 예측 모델을 구축하는 연구를 수행합니다. 다수 회귀 모델을 비교하고, SHAP 기반 feature selection으로 해석가능성을 확보하는 동시에 PCA 기반 차원 축소 및 무선택 전략과 성능을 대조합니다. XGBoost 계열 모델의 하이퍼파라미터를 유전 알고리즘으로 탐색하고, random forest, LightGBM, CatBoost를 결합한 stacking 앙상블로 비선형성과 상호작용을 보강합니다. 또한 모델 성능 차이와 계산 복잡도를 함께 평가해 실무 적용 관점에서 운영 예측의 신뢰도를 정리합니다.
관련 연구 성과
관련 논문
1편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
초기에는 대기시간 예측을 위한 회귀 문제 설정과 기존 회귀 모델군의 성능 비교를 통해 문제 난이도와 입력 변수의 기여를 확인했습니다. 이후 SHAP 기반 선택 전략과 PCA 기반 차원 축소를 적용해 예측 성능 및 해석가능성의 균형을 조정했습니다. 다음 단계에서는 XGBoost Regressor에 대한 유전 알고리즘 기반 하이퍼파라미터 튜닝으로 정확도를 높였고, 단일 모델 대비 성능 향상을 위해 트리 계열 모델들을 stacking 형태로 결합했습니다. 마지막으로 성능 차이와 모델 복잡성을 통계적으로 정리하여 항만 운영의 예측 기반 의사결정으로 확장했습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Predicting Ship Waiting Times Using Machine Learning for Enhanced Port Operations