Details

Данная работа посвящена решению проблемы непроизводительных перестановок на контейнерных терминалах путём применения методов машинного обучения для прогнозирования грузооборота и двухфазного адаптивного алгоритма размещения контейнеров. Задачи, которые решались в ходе исследования: 1. Провести исследования существующих логистических процессов на предприятии и выявить проблемные зоны; 2. Определить проблемы и поставить математическую задачу; 3. Сформировать исходные аналитические данные; 4. Реализовать прогноз и разработать алгоритм размещения; 5. Провести вычислительный эксперимент и сравнить результаты. Научная новизна работы заключается в разработке адаптивного двухфазного алгоритма размещения контейнеров на складской территории на основе данных, полученных с помощью метода машинного обучения. Исследование выполнено на базе АО «Первый контейнерный терминал» (АО «ПКТ»). Разработан двухфазный адаптивный алгоритм размещения контейнеров на основе прогнозных данных. На первом этапе алгоритм полностью исключает появление блокировок. При отсутствии подходящей позиции активируется вторая фаза, минимизирующая риски за счет системы штрафов. Основой алгоритма служат прогнозные даты отгрузки, полученные моделью машинного обучения Prophet. На базе этих прогнозов грузы кластеризуются по пяти временным категориям. Моделирование было реализовано на языке R. При загрузке складской площади на 35% алгоритм разместил партию из 1 639 входящих контейнеров в первой фазе с нулевым показателем блокировок. При заполнении склада до 85% предложенный двухфазный подход создал 276 блокировок. Данный результат на 84% эффективнее стратегии LIFO (1 788 блокировок) и на 96% превосходит показатели случайного распределения (6 468 блокировок). В ходе оценки влияния на конкурентоспособность предприятия было установлено, что минимизация непроизводительных перестановок позволяет снизить себестоимость обработки одного TEU и сократить время обслуживания транспортных средств. Это способствует повышению качества предоставляемых услуг.

This work is devoted to solving the problem of unproductive container rehandling at container terminals by applying machine learning methods for cargo throughput forecasting and a two-phase adaptive container placement algorithm. The research objectives were as follows: 1. Conduct a study of existing logistics processes at the enterprise and identify problem areas; 2. Define the problems and formulate a mathematical model; 3. Generate initial analytical data; 4. Implement the forecast and develop a placement algorithm; 5. Conduct a computational experiment and compare the results. The scientific novelty of the work lies in the development of an adaptive two-phase container stowage algorithm for the storage yard based on data obtained using a machine learning method. The research was conducted at JSC "First Container Terminal". A two-phase adaptive container stowage algorithm based on forecast data has been developed. In the first stage, the algorithm completely eliminates the occurrence of blockings. If a suitable position is not available, the second phase is activated, minimizing risks through a penalty system. The algorithm is based on predicted shipment dates obtained from the Prophet machine learning model. Based on these forecasts, cargoes are clustered into five time categories. The modeling was implemented in the R language. At 35% yard utilization, the algorithm stowed a batch of 1,639 incoming containers in the first phase with zero blockings. When the yard was filled to 85%, the proposed two-phase approach created 276 blockings. This result is 84% more efficient than the LIFO strategy (1,788 blockings) and 96% better than random distribution (6,468 blockings). In assessing the impact on enterprise competitiveness, it was found that minimizing unproductive rehandles reduces the cost of handling one TEU and shortens vehicle service time. This contributes to improving the quality of services provided.