Predicción de tráfico de contenedores a corto plazo mediante técnicas de minería de datos : redes neuronales artificiales y redes bayesianas

Resumen

El correcto pronóstico en el ámbito de la logística de transportes es de vital
importancia para una adecuada planificación de medios y recursos, así como
de su optimización. Hasta la fecha los estudios sobre planificación portuaria se
basan principalmente en modelos empíricos; que se han utilizado para
planificar nuevas terminales y desarrollar planes directores cuando no se
dispone de datos iniciales, analíticos; más relacionados con la teoría de colas y
tiempos de espera con formulaciones matemáticas complejas y necesitando
simplificaciones de las mismas para hacer manejable y práctico el modelo o de
simulación; que requieren de una inversión significativa como para poder
obtener resultados aceptables invirtiendo en programas y desarrollos
complejos.
La Minería de Datos (MD) es un área moderna interdisciplinaria que engloba a
aquellas técnicas que operan de forma automática (requieren de la mínima
intervención humana) y, además, son eficientes para trabajar con las grandes
cantidades de información disponible en las bases de datos de numerosos
problemas prácticos. La aplicación práctica de estas disciplinas se extiende a
numerosos ámbitos comerciales y de investigación en problemas de predicción,
clasificación o diagnosis. Entre las diferentes técnicas disponibles en minería
de datos las redes neuronales artificiales (RNA) y las redes probabilísticas o
redes bayesianas (RB) permiten modelizar de forma conjunta toda la
información relevante para un problema dado. En el presente trabajo se han
analizado dos aplicaciones de estos casos al ámbito portuario y en concreto a
contenedores.
En la Tesis Doctoral se desarrollan las RNA como herramienta para obtener
previsiones de tráfico y de recursos a futuro de diferentes puertos, a partir de
variables de explotación, obteniéndose valores continuos.
Para el caso de las redes bayesianas (RB), se realiza un trabajo similar que
para el caso de las RNA, obteniéndose valores discretos (un intervalo). El principal resultado que se obtiene es la posibilidad de utilizar tanto las RNA
como las RB para la estimación a futuro de parámetros físicos, así como la
relación entre los mismos en una terminal para una correcta asignación de los
medios a utilizar y por tanto aumentar la eficiencia productiva de la terminal.
Como paso final se realiza un estudio de complementariedad de ambos
modelos a corto plazo, donde se puede comprobar la buena aceptación de los
resultados obtenidos.
Por tanto, se puede concluir que estos métodos de predicción pueden ser de
gran ayuda a la planificación portuaria. The correct assets’ forecast in the field of transportation logistics is a matter of
vital importance for a suitable planning and optimization of the necessary
means and resources. Up to this date, ports planning studies were basically
using empirical models to deal with new terminals planning or master plans
development when no initial data are available; analytical models, more
connected to the queuing theory and the waiting times, and very complicated
mathematical formulations requiring significant simplifications to acquire a
practical and easy to handle model; or simulation models, that require a
significant investment in computer codes and complex developments to
produce acceptable results.
The Data Mining (DM) is a modern interdisciplinary field that include those
techniques that operate automatically (almost no human intervention is
required) and are highly efficient when dealing with practical problems
characterized by huge data bases containing significant amount of information.
These disciplines’ practical application extends to many commercial or research
fields, dealing with forecast, classification or diagnosis problems. Among the
different techniques of the Data Mining, the Artificial Neuronal Networks (ANN)
and the probabilistic – or Bayesian – networks (BN) allow the joint modeling of
all the relevant information for a given problem. This PhD work analyses their
application to two practical cases in the ports field, concretely to container
terminals.
This PhD work details how the ANN have been developed as a tool to produce
traffic and resources forecasts for several ports, based on exploitation variables
to obtain continuous values.
For the Bayesian networks case (BN), a similar development has been carried
out, obtaining discreet values (an interval).
The main finding is the possibility to use ANN and BN to estimate future needs
of the port’s or terminal’s physical parameters, as well as the relationship between them within a specific terminal, that allow a correct assignment of the
necessary means and, thus, to increase the terminal’s productive efficiency.
The final step is a short term complementarily study of both models, carried out
in order to verify the obtained results.
It can thus be stated that these prediction methods can be a very useful tool in
ports’ planning.