Αναμονή πρόσδεσης στον ναυτικό λιμένα

Με βάση την ETA και τη θέση της ουράς, η VesselBot στοχεύει στον προσδιορισμό της καλύτερης πορείας δράσης για ένα πλοίο, ώστε να επιτευχθεί βελτιστοποίηση του ταξιδιού και ελαχιστοποίηση του χρόνου αναμονής. Σε αυτό το project, τα συμβάντα πλοίων μετατράπηκαν σε συμβάντα χωρίς κατάσταση και η πρόβλεψη τερματικών εκτελέστηκε με συγκεκριμένο αριθμό τερματικών. Η καλύτερη απόδοση Naive Bayes για 20 τερματικά παρείχε ακρίβεια 80%. Ο χρόνος εντός του τερματικού σταθμού εκτιμήθηκε με τη χρήση της κατανομής Gauss. Υπολογίστηκε η "τρέχουσα" σειρά και προβλέφθηκε η "soon-to-be" σειρά. Το αποτέλεσμα ήταν μια ακριβής εκτίμηση της θέσης στην σειρά και του χρόνου αναμονής μέχρι την πρόσδεση.

Περιεχόμενα

  1. Η εταιρία
  2. Η πρόκληση: Εκτίμηση του χρόνου αναμονής στο λιμάνι 
  3. Η σειρά των εργασιών
  4. Στόχος 1: Πρόβλεψη του συγκεκριμένου τερματικού σταθμού
  5. Στόχος 2: Πρόβλεψη της θέσης στην ουρά και εκτίμηση του χρόνου αναμονής σε περίπτωση συμφόρησης
  6. Τα αποτελέσματα
  7. Συστάσεις για περαιτέρω ενέργειες
  8. Συμπεράσματα
  9. Διαδικτυακή παρουσίαση

 

1. Η εταιρία

Η VesselBot είναι μια τεχνολογική εταιρεία που παρέχει ψηφιακές λύσεις στη διεθνή ναυτιλιακή βιομηχανία. Χρησιμοποιώντας προηγμένες τεχνολογίες όπως η Τεχνητή Νοημοσύνη και τα Big Data, αναπτύσσει τόσο έτοιμες όσο και εξατομικευμένες ψηφιακές λύσεις που εξυπηρετούν τις ανάγκες του κλάδου.


Η VesselBot οραματίζεται μια ναυτιλιακή βιομηχανία όπου η τεχνολογία αιχμής αποτελεί συνήθη πρακτική και εξυπηρετεί κάθε πτυχή του θαλάσσιου οικοσυστήματος χρησιμοποιώντας: 

  • Maritime Data Analytics
  • Λογισμικό αναγνώρισης προτύπων
  • Εφαρμογές ML και AI
     

Θέλουν να βοηθήσουν τους επαγγελματίες της ναυτιλίας να ενισχύσουν την εμπορική τους οξυδέρκεια και τις πρακτικές λήψης αποφάσεων, εξυπηρετώντας παράλληλα πρωτοβουλίες για την προστασία του περιβάλλοντος. 
 

2. Η πρόκληση: Εκτίμηση του χρόνου αναμονής στο λιμάνι  

Κατά την άφιξη στο λιμάνι, τα σκάφη περιμένουν μέχρι να γίνει διαθέσιμος ένας χώρος ελλιμενισμού. Ο χρόνος αναμονής εξαρτάται από τη συμφόρηση στον τερματικό σταθμό καθώς και από τη θέση του σκάφους που φθάνει στην ουρά.

Είναι κρίσιμο να γνωρίζουμε εκ των προτέρων μια εκτίμηση του χρόνου αναμονής στην προγραμματισμένη εκτιμώμενη ώρα άφιξης (ETA), οπότε το VesselBot ανέθεσε το project στην Thalassa Mia Glende

Με βάση την ETA και τη θέση στην ουρά, η VesselBot στοχεύει στον προσδιορισμό της καλύτερης πορείας για ένα πλοίο - επιτάχυνση ή επιβράδυνση - για να επιτύχει βελτιστοποίηση του ταξιδιού κατά μήκος των γραμμών:

  • ελαχιστοποίηση της κατανάλωσης καυσίμων 
  • ελαχιστοποίηση των χρόνων αναμονής στο λιμάνι 
  • μείωση των εκπομπών αερίων του θερμοκηπίου
     

3. Η σειρά των εργασιών

Φιλτράρισμα δεδομένων για τη στατιστική μοντελοποίηση διαδικασιών 

Δημιουργήσαμε σύνολα δεδομένων χρησιμοποιώντας τα διαθέσιμα δεδομένα και εφαρμόσαμε φίλτρα πριν από τη μοντελοποίηση, προκειμένου να καθορίσουμε, να εντοπίσουμε και να διορθώσουμε τα σφάλματα και να ελαχιστοποιήσουμε τις επιπτώσεις στις επόμενες αναλύσεις.


Πληροφορίες σχετικά με τα δεδομένα που χρησιμοποιήθηκαν

  • Δεδομένα: 14 csv αρχεία
  • Μέγεθος: 1,5 GB
  • Γεγονότα: 4.665.514
     

Τα εργαλεία που χρησιμοποιήθηκαν για την εκτέλεση του έργου περιλάμβαναν:

  • Τομέας
  • Domain
  • EDA
  • Visualization (Matplotlib, Seaborn, Folium)
  • APIs
  • Feature Engineering (pandas, numPy)
  • Machine Learning (scikit-learn)
     

4. Στόχος 1: Πρόβλεψη του συγκεκριμένου τερματικού σταθμού

Υποθέτοντας μια μέθοδο First In, First Out (FIFO), η VesselBot ήθελε να προσδιορίσει την κατάλληλη ταχύτητα του πλοίου για να επιτύχει μια καλύτερη θέση στην ουρά κατά την άφιξη. Γνωρίζοντας το λιμάνι, εργαστήκαμε πρώτα για τον εντοπισμό του συγκεκριμένου τερματικού σταθμού. 
 

Οι τερματικοί σταθμοί σε συγκεκριμένα λιμάνια εντοπίστηκαν με τη χρήση ενός μηχανισμού αυτοματισμού. Για την πρόβλεψη του συγκεκριμένου τερματικού σταθμού για κάθε πλοίο χρησιμοποιήσαμε τα ακόλουθα δεδομένα: 

  •     Φορτίο
  •     Βύθισμα
  •     Ταχύτητα
  •     Γεωγραφικό πλάτος
  •     Γεωγραφικό μήκος
  •     Τερματικός σταθμός
  •     Locode
     

Στόχος: Επόμενος Τερματικός Σταθμός

Κατηγορίες: 1602

                    

Μοντελοποίηση με μεγάλο αριθμό αλγορίθμων. 

  •     Μέγιστη ακρίβεια: 80%
     
  •     Αριθμός τερματικών: 20
     
  •     Ταξινομητής: Bayes

 

Συστάσεις για περαιτέρω ενέργειες - Μέρος Ι

    Συνιστούμε την εφαρμογή μιας προσέγγισης με επίκεντρο τον λιμένα και όχι με επίκεντρο τον τερματικό σταθμό. 
    Συνιστούμε τη χρήση Deep Learning και την εξέταση των συμβάντων ως ακολουθιών.

                    

5. Στόχος 2: Πρόβλεψη της θέσης στην ουρά και εκτίμηση του χρόνου αναμονής σε περίπτωση συμφόρησης

Μετά τον εντοπισμό του Τερματικού, εργαστήκαμε προς την κατεύθυνση του εντοπισμού:

  •     Θέση στην ουρά
  •     Χρόνος αναμονής σε περίπτωση συμφόρησης 

Χρησιμοποιήσαμε το λιμάνι του Πειραιά, όπως φαίνεται στην εικόνα παρακάτω. Οι μπλε και πράσινες κουκκίδες είναι τα πλοία που βρίσκονται στον ελλιμενισμό και οι κόκκινες κουκκίδες είναι τα πλοία που βρίσκονται στην συνέχεια. 
 

                    

Χρησιμοποιώντας δεδομένα προβλέψαμε την σειρά.  

  •     Τα πλοία "επί του παρόντος" στον τερματικό σταθμό ακολουθούσαν την κατανομή Gauss.
  •     Έτσι υποθέσαμε ότι τα Σκάφη "που θα εισέλθουν" στον Τερματικό Σταθμό θα ακολουθούσαν την ίδια Κατανομή. 
     

Μεθοδολογία που χρησιμοποιήθηκε:

"επί του παρόντος" → Σειρά Αγκυροβολίου + ETAs + (μέσος όρος + διάμεσος) /2

"που θα εισέλθουν" → Σειρά αγκυροβολίου
 

6. Τα αποτελέσματα

Χρησιμοποιώντας τα δεδομένα και τις μεθοδολογίες που περιγράψαμε, η VesselBot μπορεί να εκτιμήσει για κάθε δεδομένο σκάφος:

  • τη θέση στην ουρά
  • το χρόνο αναμονής μέχρι την ελλιμενισμό 


Αξιολόγηση των αποτελεσμάτων 

Πριν από την ολοκλήρωση του έργου πραγματοποιήσαμε μια αξιολόγηση των αποτελεσμάτων. 

  • Δεδομένα συμβάντα "εισόδου" & "εξόδου
  • Γεγονότα "εισόδου" & εκτιμώμενης "εξόδου" δεδομένων

                    

7. Συστάσεις για περαιτέρω ενέργειες 

Συνιστούμε τη χρήση αλγορίθμων μηχανικής μάθησης για την εστίαση σε κάθε μοναδικό σκάφος με βάση τα επιμέρους χαρακτηριστικά του και τον προσδιορισμό του χρόνου που απαιτείται για την ολοκλήρωση όλων των διαδικασιών στον τερματικό σταθμό.

8. Συμπεράσματα

Η Thalassa Mia Glende επέλεξε μια προσέγγιση που στοχεύει σε θύρες, χρησιμοποιώντας μεθόδους Deep Learning και θεωρώντας τα γεγονότα ως ακολουθίες. Τα συμβάντα των σκαφών μετατράπηκαν σε συμβάντα χωρίς κατάσταση. Υπολογίστηκε η "τρέχουσα" σειρά και προβλέφθηκε η "επερχόμενη" σειρά.  Το έργο ήταν επιτυχές και παρείχε μια μεθοδολογία για την εκτίμηση της θέσης στην ουρά και του χρόνου αναμονής μέχρι τον ελλιμενισμό.


9. Διαδικτυακή παρουσίαση



Για περισσότερες πληροφορίες σχετικά με τα project της Big Blue Data Academy, μπορείτε να επικοινωνήσετε μαζί μας εδώ.

Πρόσκληση

Καλούμε Ελληνικές εταιρείες να συμμετάσχουν στην εκπαιδευτική διαδικασία της Big Blue Data Academy και να αναθέσουν project στους μαθητές του Bootcamp.

VesselBot - Big Blue Data Academy