Journal of Korea Port Economic Association (한국항만경제학회지)

The Korea Port Economic Association (한국항만경제학회)
권호 표지
DOI QR코드

DOI QR Code

Forecasting the Container Volumes of Busan Port using LSTM

LSTM을 활용한 부산항 컨테이너 물동량 예측

  • 김두환 (동아대학교 스마트물류연구센터) ;
  • 이강배 (동아대학교 경영정보학과)
  • Received : 2020.02.25
  • Accepted : 2020.06.29
  • Published : 2020.06.30
Download PDF
⟨ Previous Next ⟩

Abstract

The maritime and port logistics industry is closely related to global trade and economic activity, especially for Korea, which is highly dependent on trade. As the largest port in Korea, Busan Port processes 75% of the country's container cargo; the port is therefore extremely important in terms of the country's national competitiveness. Port container cargo volume forecasts influence port development and operation strategies, and therefore require a high level of accuracy. However, due to unexpected and sudden changes in the port and maritime transportation industry, it is difficult to increase the accuracy of container volume forecasting using existing time series models. Among deep learning models, this study uses the LSTM model to enhance the accuracy of container cargo volume forecasting for Busan Port. To evaluate the model's performance, the forecasting accuracies of the SARIMA and LSTM models are compared. The findings reveal that the forecasting accuracy of the LSTM model is higher than that of the SARIMA model, confirming that the forecasted figures fully reflect the actual measurement figures.

해운항만물류산업은 세계 경제활동과 밀접한 관계를 가지고 있으며, 특히 무역의존도가 높은 우리나라의 항만 시설은 중요한 사회간접자본시설이다. 부산항은 우리나라 최대의 항만으로 우리나라 컨테이너 운송의 75%가 부산항을 통해 운송되고 있으며, 국가 경쟁력 측면에서 그 중요성은 매우 크다. 항만 물동량 예측은 항만 개발 및 운영 전략에 영향을 미치며, 정확도 높은 컨테이너 물동량 예측은 필수적이다. 하지만 오늘날 해운항만물류산업 환경의 급격한 변화로 인해 기존 시계열 예측 방법으로는 예측 정확도 향상에 어려움이 있다. 본 연구에서는 부산항 컨테이너 물동량 예측 정확도 향상을 위해 딥러닝 모형 중 LSTM 모형을 활용하여 컨테이너 물동량을 예측한다. 모형의 성능 평가를 위해서 SARIMA 모형과 LSTM 모형의 예측 정확도를 비교한다. 그 결과 LSTM 모형이 SARIMA 모형보다 예측 정확도가 높게 나타났으며, 예측치가 실측치의 특성을 반영하여 잘 나타나고 있음을 확인하였다.

Keywords

References

  1. 고병욱.윤희성.김은수.최건우(2018), 컨테이너 해상물동량 예측 모형 연구, KMI.
  2. 김범중(2010), 항만시설 확보의 중요성에 대하여, 해양물류연구, 제7권, 5-14.
  3. 김정훈(2008), 시계열 모형을 이용한 부산 북항의 물동량 예측, 한국항만경제학회지, 제24권 제2호, 1-17.
  4. 김종길(2011), SD기법과 ARIMA를 적용한 컨테이너물동량 예측에 관한 연구, 인천대학교.
  5. 김창범(2007), 해상운송의 물동량 예측과 항만물류정책, 한국항만경제학회지, 제23권 제1호, 149-162.
  6. 민경창.하헌구(2014), SARIMA 모형을 이용한 우리나라 항만 컨테이너 물동량 예측, 한국교통학회지, 제32권 제6호, 600-614.
  7. 신계선(2007), 항만경쟁력 결정요인 분석과 부산 신항의 발전 전략에 관한 연구, 한국항만경제학회지, 제23권 제1호, 115-148.
  8. 신창훈.강정식.박수남.이지훈(2008), 하이브리드 ARIMA -신경망 모델을 통한 컨테이너 물동량 예측에 관한 연구, 한국항해항만학회지, 제32권 제1호, 81-88. https://doi.org/10.5394/KINPR.2008.32.1.081
  9. 이민규(2012), 항만 서비스 혁신 관점에서의 선박 재항시간의 결정요인 분석, 한국혁신학회지, 제7권 제1호, 51-69.
  10. 이재득(2013), 승법계절 ARIMA 모형에 의한 부산항 컨테이너 물동량 추정과 예측, 한국항만경제학회지, 제29권 제3호, 1-23.
  11. 이지원(2008), 컨테이너 물동량을 이용한 인공신경망과 ARIMA 모형의 예측력 비교에 관한 연구, 해양대학교.
  12. 전찬영.송주미(2006), 데이터 마이닝 기법을 이용한 항만물동량 예측 활용방안 연구, KMI.
  13. 조준호.변제섭.김희철(2017), 글로벌 해운시장 현황 분석 및 시계열 모형을 이용한 부산신항 컨테이너 물동량 예측에 관한 연구, 한국정보전자통신기술학회논문지, 제10권 제4호, 295-303. https://doi.org/10.17661/jkiiect.2017.10.4.295
  14. Brooks, M., Pallis, T. and Perkins, S.(2014), Port investment and container shipping markets, International Transport Forum Discussion Papers(OECD), No. 2014/03.
  15. Chen, S. H. and Chen, J. N.(2010), Forecasting Container Throughputs at Ports Using Genetic Programming, Expert Systems with Applications, 37(3), 2054-2058. https://doi.org/10.1016/j.eswa.2009.06.054
  16. Chung, J., Gulcehre, C., Cho, K. and Bengio, Y.(2014), Empirical evaluation of gated recurrent neural networks on sequence modeling, arXiv preprint arXiv:1412.3555.
  17. Ding, M. J., Zhang, S. Z., Zhong, H. D., Wu, Y. H. and Zhang, L. B.(2019). A Prediction Model of the Sum of Container Based on Combined BP Neural Network and SVM, Journal of Information Processing Systems, 15(2), 305-319. https://doi.org/10.3745/JIPS.04.0107
  18. Fang F. P. and Fang X. F.(2013), Multivariant forecasting mode of Guangdong province port throughput with genetic algorithms and Back Propagation neural network, Procedia-Social and Behavioral Sciences, 96, 1165-1174. https://doi.org/10.1016/j.sbspro.2013.08.133
  19. Hochreiter, S. and Schmidhuber, J.(1997), Long short-term memory, Neural computation, 9(8), 1735-1780. https://doi.org/10.1162/neco.1997.9.8.1735
  20. LeCun, Y., Boser, B., Denker, J. S., Henderson, D., Howard, R. E., Hubbard, W. and Jackel, L. D.(1989), Backpropagation applied to handwritten zip code recognition, Neural computation, 1(4), 541-551. https://doi.org/10.1162/neco.1989.1.4.541
  21. LeCun, Y., Bottou, L., Bengio, Y. and Haffner, P.(1998), Gradient-based learning applied to document recognition, Proceedings of the IEEE, 86(11), 2278-2324. https://doi.org/10.1109/5.726791
  22. LeCun, Y., Bengio, Y. and Hinton, G.(2015), Deep learning, Nature, 521(7553), 436-444. https://doi.org/10.1038/nature14539
  23. Meersman, H., Van de Voorde, E. and Vanelslander, T.(2003), Port pricing. Considerations on economic principles and marginal costs, European Journal of Transport and Infrastructure Research, 3(4), 371-386.
  24. Raschka, S.(2018), Model evaluation, model selection, and algorithm selection in machine learning, arXiv preprint arXiv:1811.12808.
  25. Reimers, N. and Gurevych, I.(2017), Optimal hyperparameters for deep lstm-networks for sequence labeling tasks, arXiv preprint arXiv:1707.06799.
  26. Xie, G., Wang, S., Zhao, Y. and Lai, K. K.(2013), Hybrid approaches based on LSSVR model for container throughput forecasting: a comparative study, Applied Soft Computing, 13(5), 2232-2241. https://doi.org/10.1016/j.asoc.2013.02.002
  27. Zhang, C., Huang, L. and Zhao, Z.(2013), Research on combination forecast of port cargo throughput based on time series and causality analysis, Journal of Industrial Engineering and Management, 6(1), 124-134.

Cited by

  1. Financial Analysis of Automated Container Terminal Capacity from the Perspective of Terminal Operating Company vol.8, pp.11, 2020, https://doi.org/10.3390/jmse8110954
  2. 한국 내 주요 항만별 선박출항현황 비교 분석 vol.21, pp.3, 2021, https://doi.org/10.5392/jkca.2021.21.03.454
  3. 시계열 분석 기반 신뢰구간 추정을 활용한 항만 물동량 이상감지 방안 vol.37, pp.1, 2021, https://doi.org/10.38121/kpea.2021.03.37.1.179
  4. Container Volume Prediction Using Time-Series Decomposition with a Long Short-Term Memory Models vol.11, pp.19, 2021, https://doi.org/10.3390/app11198995
  5. Prediction of Significant Wave Height in Korea Strait Using Machine Learning vol.35, pp.5, 2020, https://doi.org/10.26748/ksoe.2021.021