01 — Кейс · ML Нейросети

«Причал» — расписание причалов морского порта по прогнозу прихода судов

В порту с тремя причалами причал назначали, когда судно уже пришло: суда ждали 19,4 часа, краны простаивали, окна срывались. Мы сделали прогноз прихода судов по данным AIS и истории заходов и расписание, которое оптимизационная модель собирает с учётом окон, глубин, кранов, склада и железнодорожного фронта. Окна согласуются с агентами заранее, суда встают в виртуальную очередь. За 4 месяца наблюдения ожидание причала сократилось до 13,5 часа.

5 месяцев
Обновлено:
Смотреть кейс
срок проекта
5 месяцев
функциональных модулей
5
этапов разработки
5
ключевых технологий
5
«Причал» — расписание причалов морского порта по прогнозу прихода судов

02 — Контекст

Задача проекта

Исходная ситуация, ограничения и проблемы, которые должна была решить новая система.

Заказчик — морской порт: три причала, около 950 судозаходов в год, контейнеры и генеральные грузы. Причалы загружены примерно на 75%.

Причал назначался по факту прихода судна. Время прихода из заявки агента за сутки до захода ошибалось в среднем примерно на 9 часов, поэтому строить расписание на нём было рискованно. Суда приходили и ждали, пока освободится место, а к простоям добавлялись штрафы за демередж — плата за сверхнормативную стоянку судна.

Порту нужно было заранее знать, когда придёт судно, и заранее решать, к какому причалу и в какое окно его ставить, с учётом всех ограничений по причалам, кранам, складу и железной дороге.

  1. Ожидание у причала

    Причал назначали по факту прихода, и суда ждали его 19,4 часа. Подготовить причал и краны под конкретное судно до его подхода было нельзя.

  2. Простой кранов

    Краны простаивали 22% времени, а суда ждали причала 19,4 ч.

  3. Сорванные окна

    Срывалось 18% окон, то есть почти каждое пятое: согласованное время на деле не держалось.

  4. Штрафы за демередж

    Сверхнормативная стоянка судов оборачивалась штрафами за демередж, и они росли вместе с ожиданием.

03 — Возможности

Что делает система

Ключевые сценарии и рабочие модули, собранные в единую систему.

  1. Прогноз прихода судна

    Модель на LightGBM прогнозирует время прихода судна (ETA) по данным AIS и истории прошлых заходов. AIS — система, через которую суда передают координаты, курс и скорость. Прогноз точнее времени из заявки агента, поэтому причал можно планировать до того, как судно подошло.

  2. Расписание как задача оптимизации

    Расписание собирает MILP-модель: в ней записаны все ограничения, а солвер ищет лучшую расстановку судов, при которой они выполняются. Учитываются окна, глубины у причалов, краны, склад и железнодорожный фронт. Судно не поставят к причалу, где для него мелко. Формальная модель заменила назначение причала по факту прихода.

  3. Обмен окнами с агентами

    Порт и агенты судов обмениваются окнами заранее, а не в момент прихода. Агент знает, когда судно ждут у причала, а порт опирается на собственный прогноз прихода вместо времени из заявки. Согласованное окно попадает в расписание и учитывается солвером вместе с остальными ограничениями.

  4. Виртуальная очередь

    Очередь к причалам складывается до прихода судов. У каждого судна есть приоритет, а сдвиг окна обходится штрафом, поэтому порядок не перекраивают без причины. Судно, чья очередь ещё не подошла, может идти медленнее и прийти позже, вместо того чтобы ждать у порта.

  5. Данные порта и судов

    Расписание работает на данных TOS — операционной системы терминала, где ведётся работа причалов, кранов и склада, — и на потоке AIS о движении судов. Прогноз и расписание опираются на те же данные, которыми порт пользуется в работе.

04 — Архитектура

Технологический стек

Технологии выбраны под нагрузку, интеграции и дальнейшее развитие продукта.

Зачем в проекте · 01 / 05

Python

На нём написаны прогноз, подготовка данных и обвязка солвера. Один язык для всего контура упрощает разработку и сопровождение.

05 — Процесс

Как шла разработка

Последовательность работ от исследования задачи до запуска и проверки результата.

  1. Данные заходов, AIS и TOS

    Собрали историю судозаходов и данные AIS, связали их с данными TOS порта. На этом наборе обучался прогноз прихода.

  2. Прогноз ETA

    Обучили модель LightGBM и сравнили её прогноз за сутки до прихода с временем из заявок агентов.

  3. Модель расписания

    Описали ограничения: окна, глубины, краны, склад и железнодорожный фронт, — и собрали MILP-модель, которая строит расписание причалов с их учётом.

  4. Окна и виртуальная очередь

    Настроили обмен окнами с агентами судов, приоритеты в очереди и штрафы за сдвиг окна.

  5. Запуск и наблюдение

    Внедрение до промышленной эксплуатации заняло 5 месяцев, затем результаты замеряли 4 месяца. Пик навигации в этот период не попал.

06 — Итог

Результаты

Что создано в рамках проекта: рабочий контур, реализованные возможности и подтверждённые факты.

ожидание причала вместо 19,4 ч, замер за 4 месяца
13,5 ч
средняя ошибка прогноза прихода за сутки, у заявки агента ~9 ч; замер за 4 месяца
3,5 ч
окон срывается вместо 18%, замер за 4 месяца
12%

По замеру за 4 месяца суда ждут причала 13,5 часа вместо 19,4. Общая стоянка в порту стала короче, краны простаивают меньше, окна срываются реже, а пропускная способность немного выросла без новых мощностей. Снизились и штрафы за демередж.

Расписание строится заранее, потому что прогноз прихода стал точнее заявки агента: за сутки до захода он ошибается в среднем на 3,5 часа, у заявки было около 9. Это даёт порту время подготовить причал и краны до подхода судна.

У выигрыша есть границы. При загрузке причалов около 75% очередь — свойство системы: расписание её сокращает, но не убирает. Заметная часть выигрыша получена перераспределением окон в пользу крупных линий, а фидерные суда выиграли мало: 17 часов ожидания вместо 19,4. Часть снижения дают суда, которые по виртуальной очереди идут медленнее и приходят позже, то есть ожидание перенесено в море. В 4 месяца наблюдения не попал пик навигации.

FAQ

Вопросы о проекте

Обсудим похожий проект?

Расскажите о задачах вашего бизнеса — предложим архитектуру и оценим сроки

Предиктивная аналитика