[논문 리뷰] Workload Forecasting of a Logistic Node Using Bayesian Neural Networks

Emin Nakilcioglu, Anisa Rizvanolli und Olaf Rendel|arXiv (Cornell University)|2022. 09. 01.

Maritime Ports and Logistics인용 수 1

한 줄 요약

이 논문은 하루 전까지 5일간의 시간대별 트럭 교통량과 빈 컨테이너 운송소의 작업 부하를 예측하기 위한 베이지안 신경망(BNN) 기반 예측 모델을 제안한다. 헤이름의 HCS-운송소에서 수집한 실제 데이터를 바탕으로, 이 모델은 확률적 예측 능력을 통해 불확실성, 특히 애로니틱 불확실성(aleatoric uncertainty)을 포착함으로써 운영 계획 수립에 더 신뢰할 수 있고 안정적인 예측을 제공하여 결정론적 다층퍼셉트론(MLP) 기준 모델을 뛰어넘는 성능을 보였다.

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.

연구 동기 및 목표

• 외부 요인으로 인한 변동성이 크고 예측하기 어려운 빈 컨테이너 운송소의 작업 부하 문제를 해결하기 위해.
• 단기 작업 부하 예측에서의 불확실성을 포착하는 확률적 예측 모델을 개발하기 위해.
• 실제 컨테이너 운송소 데이터에서 베이지안 신경망(BNN)과 결정론적 모델 간의 성능을 평가하기 위해.
• 예약 시스템, 항로 일정, CAx 데이터와 같은 다양한 데이터 소스가 예측 정확도에 미치는 영향을 평가하기 위해.
• 물류 노드에서 자동화되고 신뢰할 수 있는 작업 부하 계획 시스템의 기반을 마련하기 위해.

제안 방법

• 베이지안 신경망(BNN)은 향후 5일간의 시간대별 작업 부하와 평균 처리 시간을 예측하기 위해 훈련된다.
• 모델은 확률적 추론을 통해 지식 불확실성(epistemic uncertainty)과 애로니틱 불확실성(aleatoric uncertainty)을 모두 추정함으로써 예측 신뢰도를 향상시킨다.
• BNN은 트럭 예약 기록과 처리 시간을 포함한 HCS-운송소의 실제 운영 데이터를 기반으로 훈련된다.
• LILIE 프로젝트에서 개발된 결정론적 다층퍼셉트론(MLP) 모델과의 비교 평가가 수행된다.
• 추가 실험을 통해 보조 데이터셋의 영향을 평가한다: CAx 데이터(주간), 항로 일정(제한된 시간 창).
• 모델 성능 평가에는 평균 절대 오차(MAE), 평균 절대 백분율 오차(MAPE), 예측 간격 커버리지 확률(PICP) 등의 지표가 사용된다.

실험 결과

연구 질문

• RQ1 베이지안 신경망(BNN)이 결정론적 다층퍼셉트론(MLP)보다 빈 컨테이너 운송소의 시간대별 작업 부하 예측에서 성능이 뛰어나게 되는가?
• RQ2 트럭 예약 시스템, CAx 데이터, 항로 일정과 같은 다양한 데이터 소스의 포함 여부가 예측 정확도에 어떤 영향을 미치는가?
• RQ3 BNN 모델이 작업 부하 예측에서 얼마나 잘 애로니틱 불확실성을 포착하고 표현하는가?
• RQ4 시간 해상도(예: 주간 대비 시간대별)의 영향이 모델 성능에 어떤 영향을 미치는가?
• RQ5 BNN 프레임워크는 물류 노드에서 운영 계획을 위한 예측 안정성과 신뢰도를 향상시킬 수 있는가?

주요 결과

• BNN 기반 모델은 특히 불확실성 처리 능력에서 결정론적 MLP 기준 모델을 뛰어넘는 예측 정확도를 확보하였다.
• 트럭 예약 시스템과 같이 고해상도이고 맥락이 풍부한 데이터로 훈련된 경우, 평균 절대 오차(MAE)와 평균 절대 백분율 오차(MAPE)가 낮아졌다.
• 주기적으로 반복되고 시간 해상도가 낮은 CAx 데이터는 반복성과 저해상도 특성으로 인해 모델 성능 향상에 거의 기여하지 못했다.
• 제한된 시간 창을 가진 항로 일정 데이터는 부족한 시간 맥락으로 인해 가장 열악한 예측 성능을 보였으며, 이는 신뢰할 수 있는 예측을 하기 위한 충분한 시간적 맥락이 부족함을 시사한다.
• 애로니틱 불확실성의 포함으로 인해 예측 간격 커버리지가 향상되어 예측 신뢰도가 높아짐을 확인하였다.
• 결과적으로, 데이터 품질과 맥락이 다양할 경우에도 확률적 딥러닝 모델인 BNN이 실제 물류 예측에 매우 적합함을 입증하였다.