Smart Berth Planning for Commercial Ports

Abstract

O Planeamento da Atracação é essencial para a logística portuária e para a gestão das operações, ligando as operações entre mar e terra. Os atrasos no Plano de Atracação de um navio provocam alterações nos processos subsequentes, aumentando a desordem do porto. Uma vez que a logística e a gestão das operações portuárias são tarefas complexas com muitas partes móveis, esta perturbação irá provavelmente causar mais distúrbios nos planos e diminuir o desempenho global do porto. A incerteza quanto a acontecimentos futuros é um fator importante que diminui a eficácia dos Planos de Atracação. Se algo inesperado acontecer e perturbar o plano, isso causará desordem no porto. Os algoritmos de Aprendizagem Computacional podem utilizar grandes quantidades de dados para aprender a prever variáveis incertas com precisão, aumentando assim a eficiência do Plano de Atracação e a sua robustez contra perturbações futuras. Com o aumento da disponibilidade de dados reais de características e movimentação de navios, devido ao Sistema de Identificação Automático (AIS), podemos utilizá-los em nosso benefício para esse efeito. A primeira parte do trabalho consiste no pré-processamento e na completação dos dados dos AIS. Nomeadamente, na fase de completação, o Discrete Kalman Filter (DKF) e o Unscented Kalman Filter (UKF) são comparados na previsão da posição do navio um passo à frente, para testar qual a técnica de filtragem de Kalman mais adequada para melhorar a disponibilidade dos dados AIS quando não existem medições actuais. Além disso, os dados são completados utilizando a Interpolação Linear se existirem medições atualizadas para interpolar. Na segunda parte, um K-Nearest Neighbors (KNN) é utilizado para testar sequencialmente várias entradas de dados AIS. A melhor entrada é então utilizada para otimizar e avaliar um KNN e uma Multilayer Perceptron (MLP) para previsão de Tempo Restante de Viagem. Finalmente, uma Regressão Logística é otimizada utilizando o Cross-Entropy Method (CEM) para atribuir um conjunto de navios a secções de atracação, minimizando um custo específico associado ao Plano de Atracação resultante. Este custo corresponde a um agregado de tempos de espera e de estadia no porto dos navios, e tempos de inatividade das secções de atracação, cada um dos três agregados com um peso que define a sua importância. A priorização de navios, dado o seu tamanho, também é incluída na função de custo. Os resultados mostram que a identificação de amostras de chegada ao cais utilizando a sua velocidade, para além da sua posição e estado de navegação, e a remoção de viagens com muito ruído melhoram significativamente o desempenho dos modelos de previsão de Tempo Restante de Viagem. No entanto, a utilização de várias amostras passadas para uma única previsão não melhora os resultados o suficiente para justificar a necessidade adicional de dados. Ambas as técnicas de filtragem de Kalman têm desempenho semelhante, portanto, o método mais simples (DKF) foi usado para completar o conjunto de validação. Dito isto, o desempenho do modelo diminuiu significativamente quando se utilizou este conjunto de validação, mostrando que a filtragem de Kalman pode não ser adequada para completar os dados de viagem dos navios. Por fim, considerando a Atribuição de Secções de Atracação nos cenários gerados a partir de dados reais, o CEM não conseguiu otimizar significativamente a Regressão Logística após a amostragem inicial. No entanto, esta conseguiu considerar a priorização de navios, incluída na função de custo, atracando navios que chegaram simultaneamente por ordem de prioridade. Nos cenários gerados aleatoriamente, o aumento da fração das melhores amostras utilizadas para obter a distribuição normal em cada iteração do CEM (amostras de elite), em comparação com o artigo baseline, melhorou significativamente os resultados.

Berth Planning is essential to port logistics and operations management, connecting seaside and landside operations. Delays in the Berth Plan of a vessel will cause changes in subsequent processes, increasing the port’s disorder. As the port’s logistics and operations management are complex tasks with many moving parts, this disorder will likely cause further disruptions in the plans and decrease the port’s overall performance. Uncertainty about future events is an essential factor that reduces the effectiveness of Berth Plans. If something unexpected happens and disrupts the plan, it will cause disorder in the port. Machine Learning (ML) algorithms can use large amounts of data to learn to precisely forecast uncertain variables, thus increasing the Berth Plan efficiency and its robustness against future disruptions. With the increase in the availability of real vessels' characteristics and movement data, due to the Automatic Identification System (AIS), we can use it to our advantage for that purpose. The first part consists of preprocessing and completing AIS data. Notably, in the completion phase, the Discrete Kalman Filter (DKF) and the Unscented Kalman Filter (UKF) are compared for one-step ahead vessel position prediction to test which Kalman filtering technique is more suitable to improve AIS data availability when there are no updated measurements. Furthermore, the data is completed using Linear Interpolation if there are updated measurements to interpolate from. In the second part, a K-Nearest Neighbors (KNN) is used to sequentially test multiple inputs of AIS data. The best input is then used to optimize and evaluate a KNN and an Multilayer Perceptron (MLP) for Remaining Travel Time (RTT) prediction. Finally, a Logistic Regression (LogR) is optimized using the Cross-Entropy Method (CEM) to allocate a set of arriving vessels to berth sections while minimizing a specific cost associated with the resulting Berth Plan, i.e., an aggregate of waiting times, Vessel Turnaround Time (VTT) times, and berth sections idle times, weighting each of the three aggregates according to their importance. The prioritization of vessels, given their size, is also included in the cost function. Results show that identifying berth arrival samples using their Speed Over Ground (SOG), besides their position and Navigation Status, and removing noisy voyages significantly improve the performance of RTT prediction models. However, using multiple past samples for a single prediction does not improve the results enough to justify the additional demand for data. Both Kalman Filtering techniques perform similarly, so the simpler method (DKF) was used to complete the validation set. This said, the model’s performance significantly decreased, showing that Kalman Filtering may not be suitable for completing vessel voyage data. Finally, considering Berth Allocation, the CEM could not significantly optimize the policy further, after the initial sampling, for the realistic scenarios. However, it could consider the prioritization of vessels, included in the objective function, by berthing vessels that arrived simultaneously by order of priority. In the randomly generated scenarios, the increased fraction of best samples used to obtain the normal distribution in each iteration of the CEM (elite samples), compared to the baseline article, improved the results significantly.