[论文解读] 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 1

一句话总结

本文提出了一种基于贝叶斯神经网络（BNN）的预测模型，用于提前五天预测空箱堆场的每小时卡车交通量和工作量。基于德国汉堡HCS堆场的真实世界数据，该模型通过捕捉不确定性（尤其是随机不确定性），在性能上优于确定性多层感知机基准模型，从而为运营规划提供了更可靠、更稳定的预测结果。

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.

研究动机与目标

• 为应对由于外部因素导致的空箱堆场工作量波动且不可预测的挑战。
• 开发一种概率预测模型，以捕捉短期工作量预测中的不确定性。
• 评估贝叶斯神经网络在真实世界集装箱堆场数据中相对于确定性模型的性能表现。
• 评估不同数据源（如预约系统、航行时刻表和CAx数据）对预测准确率的影响。
• 为物流节点建立自动化、可靠的工作量规划系统的基础。

提出的方法

• 训练贝叶斯神经网络（BNN）以预测未来五个工作日内每小时的工作量和平均作业时间。
• 模型使用概率推理来估计认知不确定性与随机不确定性，从而提升预测的可靠性。
• BNN基于HCS堆场的真实运营数据进行训练，包括卡车预约记录和作业时间数据。
• 与LILIE项目中开发的确定性多层感知机（MLP）模型进行对比评估。
• 额外实验评估了补充数据集的影响：CAx数据（每周一次）和航行时刻表数据（有限的时间窗口）。
• 通过均值绝对误差（MAE）、平均绝对百分比误差（MAPE）和预测区间覆盖率概率（PICP）等指标评估模型性能。

实验结果

研究问题

• RQ1 贝叶斯神经网络是否能在空箱堆场的每小时工作量预测中优于确定性多层感知机？
• RQ2 不同数据源（如卡车预约系统、CAx数据和航行时刻表）的引入如何影响预测准确率？
• RQ3 BNN模型在多大程度上能够捕捉并表征工作量预测中的随机不确定性？
• RQ4 数据的时间分辨率（例如每周 vs. 每小时）对模型性能有何影响？
• RQ5 BNN框架是否能提升物流节点中预测的稳定性和可靠性，以支持运营规划？

主要发现

• 基于BNN的模型在预测准确率方面显著优于确定性MLP基准模型，尤其是在处理不确定性方面表现更优。
• 当使用高分辨率、上下文丰富的数据（如卡车预约系统）进行训练时，模型实现了更低的均值绝对误差（MAE）和平均绝对百分比误差（MAPE）。
• 由于其重复性和低时间分辨率的特性，每周记录一次的CAx数据对模型性能贡献甚微。
• 航行时刻表数据因时间窗口有限，导致预测性能最差，表明其提供的时序上下文不足以支持可靠预测。
• 引入随机不确定性显著提升了预测的可靠性，表现为预测区间覆盖率的改善。
• 结果表明，像BNN这样的概率深度学习模型非常适合于现实世界中的物流预测任务，尤其在数据质量和上下文存在差异时表现更优。