《TRANSPORTATION RESEARCH PART E-LOGISTICS AND TRANSPORTATION REVIEW》：Generative AI and Machine learning collaboration for container dwell time prediction via data standardization
编辑推荐：
生成式人工智能（Generative AI, Gen AI）与机器学习（Machine Learning, ML）的协作框架，通过数据标准化实现集装箱滞港时间（Container Dwell Time, CDT）的预测。Gen AI将非结构化信息标准化，机器学
生成式人工智能（Generative AI, Gen AI）与机器学习（Machine Learning, ML）的协作框架，通过数据标准化实现集装箱滞港时间（Container Dwell Time, CDT）的预测。Gen AI将非结构化信息标准化，机器学习进而预测集装箱滞港时间。该协作框架提升了预测性能并减少了堆场倒箱量。研究提供了Gen AI在集装箱码头应用的实证证据与部署考量。集装箱航运占全球海运贸易的50%以上，集装箱港口作为连接海运与内陆运输的关键枢纽，其码头堆场管理效率至关重要。准确识别集装箱滞港时间（CDT）被广泛认为是提升集装箱处理效率的重要因素。对于进口集装箱，由于提货卡车到达时间无法预先得知，进口集装箱滞港时间（Import Container Dwell Time, ICDT）的预测尤为困难。现有研究主要采用机器学习和人工智能技术，但普遍未能有效利用货物信息（Cargo Information, CI）和货主信息（Owner Information, OI），这些信息以非结构化文本形式记录，无法直接用于机器学习模型，而人工标准化过程耗时且成本高昂。为应对这一挑战，本研究提出一种协作框架，利用Gen AI将OI和CI标准化，并将标准化结果整合到ICDT预测模型中。研究基于釜山港某集装箱码头2024至2025年的两年运营数据（共394,386条记录），评估了采用Gen AI对预测性能和码头生产率的影响，并将预测结果应用于集装箱堆存策略，通过仿真实验验证了堆场龙门吊倒箱次数的实际减少。研究的主要贡献包括：首次在港口物流领域使用Gen AI标准化非结构化数据并提取关键ICDT决定因素；将标准化信息集成到机器学习模型中，基于真实集装箱码头数据展示了先进的性能；通过ICDT信息驱动的堆存策略减少了堆场龙门吊倒箱次数，定量验证了所提出框架的有效性。
论文解读
一、研究背景与问题
集装箱航运承担着全球超过50%的海运贸易量，集装箱港口作为连接海运与内陆运输的关键节点，其运营效率直接影响全球供应链的顺畅运行。在集装箱码头中，堆场管理效率的提升是核心议题之一，而准确识别集装箱滞港时间（Container Dwell Time, CDT）被广泛认为是提高集装箱处理效率的关键因素。对于出口和转运集装箱，其滞港时间可根据预定船舶到港时间进行估计，操作人员可据此制定堆存策略，例如将计划装船的集装箱放置在靠近泊位的集散地或预先堆放在较高层，以减少船舶作业时间和堆场龙门吊的倒箱次数。然而，对于从船舶卸下的进口集装箱，提货卡车的到达时间无法提前知晓，这使得进口集装箱滞港时间（Import Container Dwell Time, ICDT）的预测极具挑战性。这种不确定性严重制约了堆场作业策略的有效应用。现有ICDT预测研究主要采用机器学习和人工智能技术，但普遍存在一个关键局限：未能有效利用货物信息（Cargo Information, CI）和货主信息（Owner Information, OI），而这两者恰恰是ICDT的关键决定因素。这些信息以非结构化文本形式存在，无法直接输入机器学习模型，必须由专家依据标准分类体系进行人工解读和归类。这种人工标准化过程耗时费力，在运营环境中几乎不具备可操作性。因此，如何将高维非结构化港口数据转化为有意义的特征，一直是港口物流中人工智能应用的前提条件。生成式人工智能（Generative AI, Gen AI）凭借其先进的语言理解能力，能够解读非结构化文本并将其转换为标准分类体系，从而在不依赖专家人工劳动的情况下实现大规模数据标准化。为此，研究人员提出了一个协作框架，利用Gen AI标准化OI和CI，并将标准化输出整合到ICDT预测模型中，以实证评估Gen AI对预测性能和码头生产率的影响，并通过仿真实验验证预测结果应用于集装箱堆存策略时对堆场龙门吊倒箱次数的实际减少效果。
二、研究内容与方法
研究人员针对釜山港某集装箱码头在2024至2025年间收集的两年运营数据开展研究，该数据集包含394,386条记录。经与领域专家协商，排除了ICDT超过10天的记录。研究中，CI采用世界海关组织制定的国际商品分类协调制度（Harmonized System, HS）代码标准化，OI采用韩国标准产业分类（Korean Standard Industrial Classification, KSIC）代码标准化，两者均使用Gemini 2.5 Flash作为Gen AI模型，并设计了三级层次化标准化结构以及自验证机制（Type-1有效、Type-2信息不足、Type-3无效）。为提高成本效率，研究设计了标准化库（Standardization Bank, STD Bank）缓存机制，对相同输入直接复用标准化结果，避免重复调用Gen AI。预测层采用基础变量（如集装箱尺寸、类型、提单号、启运国、船公司、星期、节假日）和基于电子数据交换（Electronic Data Interchange, EDI）的变量（如自卸船起的经过时间、交付截止日期），以及Gen AI标准化得到的HS和KSIC代码。ICDT被重新定义为从当前EDI状态（IN、CR、CP）到出场的时间间隔，并针对每个EDI状态分别训练预测模型。实验采用多种机器学习模型，包括极端梯度提升（XGBoost）、轻量梯度提升机（LightGBM）、类别提升（CatBoost）、支持向量回归（SVR）、多层感知机（MLP）以及深度学习模型（FT-Transformer、NODE、TabNet），以平均绝对误差（Mean Absolute Error, MAE）作为评价指标，在20%、30%、40%三种测试集比例下各重复10次实验。仿真实验基于Maldonado等人（2019）的研究构建模拟环境，采用预测的ICDT（p-ICDT）策略决定集装箱堆存位置，与常规运营策略对比，并在不同堆场占用率情景下评估倒箱次数。
三、研究结果
3.1 Gen AI标准化结果的有效性验证
在KSIC代码标准化中，被判定为Type-1（有效）的22,271个案例中，Level-1和Level-2级仅分别有1例和3例不匹配，Level-3级有921例（4.14%）不匹配；Type-2（信息不足）的669个案例中不匹配仅出现在Level-3级（31例，4.63%）；Type-3（无效）的994个案例中约95%被识别为不匹配。HS代码标准化结果呈现相同趋势：Type-1的106,775个案例中不匹配仅出现在Level-3级（3,671例，3.44%）；Type-2的6,190个案例中，Level-1和Level-2级不匹配率达76.70%，Level-3级达95.28%。这些结果表明，Gen AI自验证机制能够可靠判断标准化可行性，有效识别不适用于标准化的数据。
3.2 标准化类别与ICDT的分布关系
对高频KSIC Level-1类别（C制造业、A农林牧渔业、H运输仓储业、I住宿餐饮业）及其子类别的分析显示，不同行业子类别的ICDT存在显著差异，例如C14（烟草制品制造）为54.29小时，C27（医药产品制造）为65.30小时，C12（服装制造）为89.86小时。HS代码分析中，类别04（乳制品、蛋类、蜂蜜）的子类别0401、0406、0402分别对应36.45、40.71和61.01小时；类别11（制粉工业产品）的子类别1101、1102、1103分别对应58.50、118.53和133.84小时；类别33（精油、香水、化妆品）和87（非铁路车辆）内部子类别之间也存在显著差异。进一步分析OI与CI的组合效应发现，对于易腐货物（如冷冻肉类HS 0202），货主规模对ICDT影响有限；但对于动物饲料制剂（HS 2309）、不饱和无环一元羧酸（HS 2916）、加工石材（HS 6802）和传动轴及齿轮（HS 8483）等品类，大型货主表现出更短的ICDT和更低的变异性。这些结果证明标准化后的OI和CI不仅各自独立影响ICDT，还提供互补信息。
3.3 ICDT预测性能提升
在不利用标准化结果的实验（a）中，均值预测器、深度模型、树模型等性能排序符合预期。加入Gen AI标准化结果的实验（b）中，树模型性能改善显著。CatBoost取得了最佳改进：IN、CR、CP状态下的MAE分别从38.613、26.913、2.033降至33.253、23.710、1.892，对应13.88%、11.90%、6.94%的提升。LightGBM在三个EDI状态下分别提升11.66%、10.92%、3.29%；XGBoost在IN和CR状态下提升11.03%和6.51%。对比标准化级别，Level-3对比Level-1的HS和KSIC组合在IN、CR、CP状态下分别带来8.50%、7.74%、4.20%的改进。与替代标准化方法（TF-IDF、GloVe、SBERT、目标编码）相比，Gen AI标准化在XGBoost、LightGBM、CatBoost、SVR和MLP上均取得最佳性能。SHAP特征重要性分析表明，HS和KSIC代码在所有EDI状态下均为高影响变量，EDI状态引入的时间变量（ElapsedTime、DueDate）也显著贡献于预测精度。
3.4 仿真验证倒箱量减少
在基于真实码头布局的仿真环境中，p-ICDT策略相较于常规运营基线平均减少8.50%的倒箱量，最大减少13.07%（Yard 10情景）。倒箱量减少效果随堆场占用率降低而增强：当最大占用率达100%时平均仅减少3.92%，而较低占用率情景下减少率从7.62%逐步升至13.07%。对比有无Gen AI标准化结果训练的CatBoost模型，采用标准化结果额外带来平均3.10%的倒箱量减少。EDI状态驱动的重预测机制对比仅在卸船时预测一次的方案，额外提供了0.82%的平均倒箱量减少（Yard 5情景下额外减少1.21%）。综合核心组件分析，无任何组件的配置（b）在Yard 5下减少3.97%，仅EDI重预测配置（c）减少5.26%，仅标准化结果配置（d）减少6.41%，完整框架配置（e）达到7.62%的减少，说明两个核心组件各自发挥累积贡献。
四、讨论与结论
研究讨论总结如下：该协作框架具备四项实际应用优势：易于集成现有码头操作系统数据库（可提前标准化）、标准化与预测结果均具备可解释性、支持多语言操作（Gen AI可将不同语言统一映射至标准编码）、STD Bank缓存机制持续降低运营成本（引入后一年内OI与CI的Gen AI调用率分别从26%和40%降至4.82%和29.92%，每千箱成本从3.8美元降至1.92美元）。实际部署需结合码头特定EDI系统，并在堆场占用率适当时最大化收益；数据分布漂移需要通过在线学习持续更新模型。安全隐私方面可通过港口当局建设Gen AI基础设施或本地化部署解决。研究局限在于Gen AI对同一输入可能产生不一致输出，当输入文本过短（如“TUBE”、“STERILE”）时标准化一致性下降，未来可通过提示工程优化、检索增强生成（RAG）参考官方分类手册、采用更强推理模型等方式改进。研究结论：所提出的框架结合Gen AI标准化和EDI重预测，将ICDT预测性能最高提升13.88%；将预测值纳入堆存策略后，相对运营基线平均减少8.50%的倒箱量，最大减少13.07%；在相同变量和预测模型条件下，加入Gen AI标准化结果额外带来3.10%的倒箱量减少。这些成果不仅证实了Gen AI在集装箱码头运营中的具体应用价值，也通过减少不必要的龙门吊操作，为同时提高生产率和环境可持续性提供了可行路径。未来研究将侧重于提升标准化一致性、开发资源高效的小语言模型、提取更丰富的非结构化信息特征，并在多样化的港口环境中验证框架的普适性。
