[論文レビュー] Workload Forecasting of a Logistic Node Using Bayesian Neural Networks

Emin Nakilcioglu, Anisa Rizvanolli und Olaf Rendel|arXiv (Cornell University)|Sep 1, 2022

Maritime Ports and Logistics被引用数 1

ひとこと要約

本稿では、ハムブルクのHCS-デポットにおける実世界のデータを用いて、5日先までの時間別コンテナトラックの交通量と作業負荷を予測するベイジアンニューラルネットワーク（BNN）ベースの予測モデルを提案する。決定論的マルチレイヤーパーセプトロン（MLP）ベンチマークと比較して、とくにアレアトリックな不確実性を捉えられる点で、予測の信頼性と安定性が向上し、運用計画に役立つ。

ABSTRACT

Purpose: Traffic volume in empty container depots has been highly volatile due to external factors. Forecasting the expected container truck traffic along with having a dynamic module to foresee the future workload plays a critical role in improving the work efficiency. This paper studies the relevant literature and designs a forecasting model addressing the aforementioned issues. Methodology: The paper develops a forecasting model to predict hourly work and traffic volume of container trucks in an empty container depot using a Bayesian Neural Network based model. Furthermore, the paper experiments with datasets with different characteristics to assess the model's forecasting range for various data sources. Findings: The real data of an empty container depot is utilized to develop a forecasting model and to later verify the capabilities of the model. The findings show the performance validity of the model and provide the groundwork to build an effective traffic and workload planning system for the empty container depot in question. Originality: This paper proposes a Bayesian deep learning-based forecasting model for traffic and workload of an empty container depot using real-world data. This designed and implemented forecasting model offers a solution with which every actor in the container truck transportation benefits from the optimized workload.

研究の動機と目的

• 外部要因に起因する変動的かつ予測困難な作業負荷の課題に対処すること。
• 短期的な作業負荷予測における不確実性を捉える確率的予測モデルを開発すること。
• 実世界のコンテナデポットデータにおいて、ベイジアンニューラルネットワーク（BNN）と決定論的モデルの性能を評価すること。
• 予約システム、航海スケジュール、CAxデータなどの異なるデータソースが予測精度に与える影響を評価すること。
• 物流拠点における自動的かつ信頼性の高い作業負荷計画システムの基盤を構築すること。

提案手法

• ベイジアンニューラルネットワーク（BNN）を用いて、将来の5営業日における時間別作業負荷と平均処理時間を予測する。
• 確率的推論を用いてエピステム的不確実性とアレアトリック不確実性の両方を推定し、予測の信頼性を向上させる。
• BNNは、トラック予約記録と処理時間を含むHCS-デポットの実運用データを用いて学習する。
• LILIEプロジェクトで開発された決定論的マルチレイヤーパーセプトロン（MLP）モデルと比較して評価を実施する。
• 追加の実験として、CAxデータ（週次）および航海スケジュール（限定的な時間窓）といった補足データセットの影響を評価する。
• モデルの性能は、平均絶対誤差（MAE）、平均絶対パcent誤差（MAPE）、予測区間カバレッジ確率（PICP）などの指標を用いて評価される。

実験結果

リサーチクエスチョン

• RQ1 ベイジアンニューラルネットワークは、決定論的マルチレイヤーパーセプトロンよりも、空コンテナデポットにおける時間別作業負荷の予測で優れた性能を示せるか？
• RQ2 トラック予約システム、CAxデータ、航海スケジュールなどの異なるデータソースの組み込みが、予測精度にどのように影響するか？
• RQ3 BNNモデルは、作業負荷予測におけるアレアトリック不確実性をどの程度適切に捉え、表現できるか？
• RQ4 時間的解像度（例：週次対時間別）の違いが、モデルの性能にどのような影響を及えるか？
• RQ5 BNNフレームワークは、物流拠点における運用計画のための予測の安定性と信頼性を向上させられるか？

主な発見

• BNNベースのモデルは、とくに不確実性の取り扱いにおいて、決定論的MLPベンチマークを顕著に上回った。
• トラック予約システムのような高解像度で文脈豊かなデータを用いて学習した場合、平均絶対誤差（MAE）と平均絶対パーセント誤差（MAPE）が低くなった。
• 週次で記録され、時間別に繰り返されるCAxデータは、その繰り返し的かつ低時間解像度の性質から、モデル性能への寄与がほとんどなかった。
• 時間窓が限定的な航海スケジュールデータは、信頼できる予測に十分な時間的文脈を提供できず、最も悪い予測性能を示した。
• アレアトリック不確実性の組み込みにより、予測区間のカバー率が向上し、予測の信頼性が向上した。
• 結果として、データ品質や文脈が変動する実世界の物流予測において、BNNのような確率的ディープラーニングモデルが適していることが示された。