†Corresponding author : 종신회원, 1. 서 론
컨테이너 터미널의 장치장 점유율은 터미널 운영의 핵심적 지표로서, 터미널의 전반적인 생산성과 직결된다. 적정 수준의 장치율 유지는 터미널의 효율적 운영을 위한 필수 요소라 할 수 있다. 일반적으로 장치장 점유율이 65%를 초과하면 컨테이너 재취급 작업이 증가하기 시작하며, 80%를 초과하는 경우 터미널 운영에 심각한 차질이 발생한다. 더 나아가 85% 이상이 되면 터미널의 기능이 사실상 마비되는 수준에 이르게 된다. 높은 장치율로 인한 재취급 작업의 증가는 항만 운영 비용의 상승으로 직결되며, 터미널이 정상적인 기능을 수행하지 못하게 되는 경우 선사들이 해당 항만을 기항지에서 제외하는 상황까지 이어질 수 있다.
최근 글로벌 물동량의 지속적인 증가와 선박의 대형화 추세로 인해 터미널의 장치장 점유율은 꾸준히 상승하고 있다. 이는 터미널 운영에 있어 긴급하게 해결해야 할 문제점으로 대두되었고, 제한된 장치 공간을 효율적으로 활용할 수 있는 방안이 필요로 하게 되었다.
효율적인 장치장 관리를 위해서는 장치장 상태 변화를 예측하고 이에 기반한 운영 전략을 수립하는 것이 필요하다. 실시간 장치장 상태 예측이 가능하다면 장비를 보다 효율적으로 운영하여 작업 부하를 분산시킬 수 있다. 이는 장치장의 특정 구역에 작업이 동시에 몰리는 정체 현상을 해소시켜 주게 되며, 결국 장치장 활용을 최적화할 수 있게 해준다. 본 연구에서는 컨테이너 터미널 장치장 장치 상태를 실시간으로 예측하기 위한 장치장 내 컨테이너 장치 상태에 대한 단기적 예측 모형들을 제시하고, 실제 터미널 자료를 기반으로 모형 간의 성능을 비교 분석한다.
2. 선행연구 고찰
컨테이너 터미널의 장치장 운영 효율성 증가를 통해 항만 생산성을 향상시키려는 연구는 다방면으로 진행되었다.
장치장 설계 및 장치 위치 최적화를 통해 장치장 운영 효율성을 증가시키려는 연구로 Choi et al.(2005)은 기존 장치장 설계가 경험에 의존하는 문제점을 제시하였고, 이를 위해 장치장 설계를 위한 새로운 개념적 절차를 제안하였으며 시뮬레이션 분석을 통해 설계 타당성을 검토하였다.
Song et al.(2006)은 그룹핑과 확률적 그룹핑 방식을 적절히 혼용하여 최적 장치장 할당 방식을 제시하였고, 해당 방식을 통해 컨테이너 배치 슬롯의 소요 규모 및 장치장 점유율 측면에서 충분한 감소 효과가 나타날 것으로 분석하였다. Son et al.(2010)은 해측 작업과 육측 작업 간의 가중치의 차이를 두고, 다목적 진화 알고리즘을 사용하여 가중치 조합에 대한 최적해 집합을 구하였다. 그리고 시뮬레이션 실험을 통해 해법의 효과를 검증하였다.
Sharif et al.(2013)은 기존 중앙집중식 최적화 기법의 한계로 야드 블록 간 작업량이 불균형하여 야드 트럭이 비효율적으로 이동하는 등의 문제점을 제기하였고, 이를 해결하기 위해 개미 군집 최적화 알고리즘 기반의 분산형 접근법을 제안하였다. 가상의 대규모 컨테이너 터미널에 대해 시뮬레이션을 수행하여 제안된 방법이 기존 기법보다 개선된 성능을 보이는 것을 검증하였다.
Zhen(2015)과 He et al.(2020)은 장치장 혼잡 상황을 고려한 장치장 구조 계획 문제를 제시하였고, 이를 해결하기 위해 각각 확률 및 물리 기반 모형과 두 단계의 확률적 프로그래밍 모형을 제시하고 수치적 실험을 진행하였다. 제안된 모형이 기존 모델보다 트럭 이동 시간을 절감하고, 가용 슬롯이 없는 컨테이너 수가 감소하는 효과를 나타내었다.
Avriel et al.(2000)은 컨테이너 선박의 적재 계획 최적화 문제 중 이동 최소화 문제의 복잡성에 대해 분석하였으며, 이를 통해 특수한 경우를 제외하고는 계획 수립은 어려우며 슬롯의 상세한 할당은 비효율적이라는 점을 주장하였다.
Salido et al.(2009)는 선박의 체류 시간을 최소화하기 위한 컨테이너 재배치 문제 해결 필요성을 언급하였으며, 이를 해결하기 위해 새로운 알고리즘을 제시하였다. 다양한 시나리오에 대한 실험을 통해 알고리즘의 효율성을 검증하였다. Sauri et al.(2010)은 장치 문제를 개선하기 위해 세 가지 적재 공간 할당 전략을 제안하였고, 확률적 모형 제시와 시나리오에 의한 전략 간의 성능 비교를 수행하였다.
Saleh et al.(2024)은 3차원 데이터 구조와 인공지능을 결합하여 지속 가능하고 동적인 컨테이너 장치 모델을 개발하여 실시간 적재 위치를 결정하였다. 제안된 모델은 높은 안정성과 신뢰도를 나타냈으며, 현장 적용 가능성을 시사하고 있다.
관련 연구들은 장치율 문제 해결을 위해 최적 시스템 구축을 통한 효율화, 인공지능 및 수리모형을 통한 최적화 등 다양한 모형과 연구 결과를 제시하고 있다. 하지만 장치율 문제 해결을 위한 선행 단계로 장치장 상태의 예측에 관한 연구는 거의 없었다. 본 연구에서는 전체 장치장의 실시간 장치 상태 변화를 예측하는 모형들을 제시하고, 실제 컨테이너 터미널 운영 데이터를 통해 검증하고자 한다.
3. 컨테이너 터미널 장치 상태 예측 모형
3.1 컨테이너 터미널 장치 상태
컨테이너 터미널 장치장의 장치 상태를 예측하기 위해 우선 장치 상태를 정의할 필요가 있다. 일반적으로 컨테이너 장치는 터미널에서 수출 컨테이너를 선박에 적재하기 전, 수입 컨테이너를 외부로 반출하기 전 대기 공간인 컨테이너 장치장에 보관하는 것을 의미한다. 본 연구에서는 이러한 장치장에 컨테이너가 장치된 형태, 즉 각 블록, 베이, 로우에 컨테이너가 적재된 수를 장치 상태라고 정의한다.
장치장 관점에서 컨테이너 장치 상태는 수춭 컨테이너의 반입 및 적재 작업이 진행될 때와 수입 컨테이너의 하역 및 반출 작업이 진행될 때, 컨테이너의 장치 위치 최적화를 위해 재취급 작업이 진행될 때 변화가 일어나게 된다. 본 연구에서는 이러한 변화에 따라 발생하는 일정 시간 후의 장치장의 장치 상태를 예측하고자 한다.
3.2 분석 자료
컨테이너 장치 상태 예측 모형 수립을 위해 부산신항 ‘A’ 컨테이너 터미널의 일반 컨테이너 장치장 블록을 대상으로 하였다. 분석 대상으로 하는 데이터는 해당 터미널의 2023년 12월 운영 데이터를 활용하였다. 특정 시간의 장치 상태의 예시를 조감도 형태로 나타내면 Fig. 1과 같다.
3.3 예측 모형 수립
컨테이너 장치장의 장치 상태 예측 모형은 입력 데이터가 비선형성인 점을 고려하여 딥러닝 기반 모형을 사용하였다. 분석 대상 데이터가 시계열 자료임을 고려하여 시계열 딥러닝 모형인 RNN(Recurren Neural Network), LSTM(Long Short-Term Memory), GRU(Gated Recurrent Unit) 모형을 사용하였다.
또한 해당 입력 데이터는 컨테이너 장치장의 장치 상태를 시간에 따라 나타낸 데이터로 장치장의 공간적 특성이 데이터에 반영되어 있을 것으로 판단된다. 따라서 시공간 예측 모형으로 시계열 모형에 CNN(Convolution Neural Network) 모형이 추가된 ConvLSTM (Convolution LSTM)과 ConvGRU (Convolution GRU) 모형도 수립하였다. RNN 모형에는 합성곱(Convolution) 연산을 적용할 경우 장기 의존성 문제가 기존 RNN 보다 더욱 심각해지므로 ConvRNN 모형은 제외하였다.
Fig. 1에서 보듯이 대상 터미널의 장치장은 총 21개의 블록으로 이루어져 있으며, 각 블록은 51개의 베이(Bay)와 9개의 로우(Row)로 이루어져 있다. 딥러닝 모형에서 장치장 상태 표현을 위해 사용될 공간 데이터 구조는 63개의 행과 153개의 열로 이루어진 2차원 배열로 정의할 수 있다. 각 배열의 요소는 해당 위치의 컨테이너 단적 수를 나타내며, 0부터 6까지의 정수값을 가진다. 장치장에서 한 개의 컨테이너를 작업하는 시간이 5분 이상이므로, 상태 변화 시간 단위를 5분으로 설정하였다. 해당 예측 모형들은 시간에 따른 장치 상태 배열 데이터 패턴에 근거하여 i시점 동안의 장치 상태 데이터를 타임스텝으로 하고 t+1시점의 장치 상태를 예측하는 구조로 다음 Fig. 2와 같이 설계된다.
4. 모형의 실험 및 분석
4.1 시계열 예측 모형 하이퍼 파라미터 설정
딥러닝 모형에서 하이퍼 파라미터는 최적의 훈련 모델을 구현하기 위해 모델에 설정하는 변수로, 정해진 최적값이 없으며 사용자가 직접 세팅하여 반복적인 실험과 분석을 통한 지속적인 튜닝 작업이 필요하다. 하이퍼 파라미터는 모델의 구조, 기능 및 성능을 직접적으로 제어하기 때문에 모델의 성능에 큰 영향을 미치고, 그에 따라 적절한 모형 학습을 위해 하이퍼 파라미터 값을 탐색하는 작업은 매우 중요하다.
본 연구에서는 장치장 장치 상태 예측 모형의 하이퍼 파라미터 선정을 위해 하이퍼 파라미터의 범위를 지정하고 반복적인 실험을 통해 최적 하이퍼 파라미터를 탐색하는 그리드 서치 방식을 이용하여 각 모형별 최적 하이퍼 파라미터를 탐색하였다. 최종적으로 탐색한 시계열 모형의 최적 하이퍼 파라미터는 다음 Table 1과 같으며 탐색한 최적 하이퍼 파라미터 값에 따라 예측 모형의 실험을 진행하였다.
4.2 시계열 예측 모형의 실험
본 연구의 예측 모형은 파이썬 기반의 Tensorflow 2.4.0 환경에서 구현하였고, Nvidia GeForce RTX 3090 GPU 4개를 활용하여 모형의 학습 및 검증을 수행하였다.
예측 모형의 성능을 검증하기 위해 전체 컨테이너 장치 상태 데이터의 80%를 추출하여 학습 데이터를 구축하고, 학습 데이터의 25%를 모형 학습 과정 검증을 위한 검증 데이터로 분리하였다. 그 후 예측 모형 성능 평가를 위해 전체 장치 상태 데이터의 나머지 20%를 테스트 데이터로 이용하였다.
손실 함수와 성능 평가를 위한 지표로는 대부분의 분류 모형에서 사용되는 Sparse Categorical Cross-Entropy와 Accuracy 값을 사용하여 학습을 진행하였다. 각 모형별 학습 과정을 모니터링한 학습곡선은 다음 Fig. 3과 같이 나타났다. 시계열 예측 모형 모두 훈련손실(Training Loss)의 경우 계속 감소하는 반면, 검증손실(Validation Loss)은 감소가 더디고 불안정하며, 두 그래프의 격차가 크게 벌어지는 모습을 관찰할 수 있다. 이는 안정적인 수렴이 되지 않아 학습이 불안정한 것으로 해석할 수 있다.
4.3 시공간 예측 모형 하이퍼 파라미터 설정
시공간 예측 모형에서도 그리드 서치 방식을 이용해 최적의 하이퍼 파라미터를 탐색하였다. 탐색을 통해 구한 최적 하이퍼 파라미터는 Table 2와 같다.
4.4 시공간 예측 모형의 실험
시계열 예측 모형과 같이 모형의 성능을 검증하기 위해 전체 데이터의 80%를 학습 데이터로, 그 나머지 20%는 테스트 데이터로 사용하였다. 학습 데이터 중 25%는 학습 검증용 데이터로 활용하였다. 그리고, Cross-Entropy를 손실 함수로 사용하였고, 성능 평가를 위해서 Accuracy 값을 사용하였다.
각 모형별 학습 과정을 모니터링한 학습곡선은 다음 Fig. 4와 같다. 여기서는 훈련손실이 감소함에 따라, 검증손실도 같이 감소하는 것을 관찰할 수 있다. 이는 예측 모형이 과소 또는 과대 적합이 일어나지 않은 것을 뜻한다. 또한, 학습 초기에 빠르게 수렴한 뒤 에포크(Epoch)가 증가에도 안정적으로 유지됨을 확인할 수 있다. 이와 같이 시공간 딥러닝 예측 모형의 경우 두 모형 모두 학습이 안정적으로 된 것을 알 수 있다.
4.5 예측 모형 성능 비교
각 예측 모형의 학습이 끝난 후 모형의 성능 검증을 위해 장치 상태 데이터의 실제값과 모형을 통해 예측된 예측값을 비교하여 Accuracy를 기준으로 모형의 성능을 분석하였다. 해당 모형별 성능 지표는 Table 3과 같다.
RNN 모형의 평균 Accuracy 값은 61.99%, LSTM의 평균 Accuracy 값은 63.36%, GRU의 평균 Accuracy 값은 60.43%이며, 모형 간의 성능 차이가 크지 않은 것으로 나타났다. 한편 ConvLSTM 모형의 평균 Accuracy값은 99.8%, ConvGRU 모형의 평균 Accuracy 값은 99.65%인 것으로 보아 시계열 예측 모형들에 비해 시공간 예측 모형들이 예측력이 월등히 뛰어남을 알 수 있다. 시공간 예측 모형들 간에는 큰 차이를 보이지 않는 것으로 나타났다.
시계열 예측 모형과 시공간 예측 모형의 성능 차이는 시계열 예측 모형은 시간적 순서와 패턴만을 학습하였으나, 시공간 예측 모형의 경우 합성곱 연산을 통해 터미널 내의 공간적 관계성을 반영함과 동시에 LSTM과 GRU의 구조로 시간적 패턴 또한 반영함으로써 장치장의 시공간적 특성을 효과적으로 학습하였기 때문으로 분석된다.
모형 중 가장 우수한 ConvLSTM 모형을 이용하여 예측한 장치장 상태와 같은 시간대의 실제 장치장 상태를 비교한 예시가 Fig. 5에 나타나 있다. 그림에서도 알 수 있듯이 예측 결과는 실제 장치장 상태와 거의 흡사한 것을 알 수 있다.
5. 결 론
컨테이너 터미널의 운영 효율성이 떨어지면 터미널 내 화물 적체 현상, 장치장의 포화, 선박 체류시간 증가 등 다양한 문제가 발생한다. 운영 효율성을 높이기 위해서는 터미널 내 자원들의 효율적 운영은 필수적이며, 장치장은 컨테이너 터미널 운영의 주요 핵심 요소이다. 효율적인 장치장 운영을 위해서는 컨테이너 장치 상태를 미리 예측하는 것이 중요하다.
본 논문에서는 터미널 장치장의 시간 변화에 따른 컨테이너 적재 상태를 예측하는 모형을 제시하였다. 제시한 모형은 실제 터미널 데이터를 기반으로 학습한 딥러닝 기반 예측 모형으로 시계열 예측 모형인 RNN, LSTM, GRU 모형과 시공간 예측 모형인 ConvLSTM과 ConvGRU 모형들이다. 모형의 학습을 진행한 결과, 시계열 예측 모형인 RNN, LSTM, GRU 모형의 경우 학습 과정에서 훈련값과 검증값의 비교를 통해 불안정한 양상을 보이는 것을 알 수 있었으며, 전반적인 예측 정확도 또한 62% 수준으로 낮게 나타났다. 이와 반대로 시공간 예측 모형인 ConvLSTM, ConvGRU 모형의 경우 학습 곡선을 통해 모형의 안정성이 매우 큰 것을 알 수 있으며, 각각 예측 정확도는 99.8%, 99.65%로 모두 높게 나타났다. 이를 통해 두 모형 중 ConvLSTM 모형이 좀 더 높은 정확도를 보여주는 것을 알 수 있다.
향후 연구 과제로는 일반 컨테이너 장치장 외에 특수 컨테이너 장치장도 포함한 모형과 적재된 컨테이너의 다양한 속성을 반영할 수 있는 확장된 모형 개발이 필요할 것으로 보인다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation
Print
