An intelligent container damage estimation tool / Akıllı konteyner hasar tahmini aracı

Abstract

Konteynerlerin deniz yoluyla terminaller arasında taşınması, tedarik zinciri süreçleri açısından önem taşır. Konteyner taşımacılığı olarak da adlandırılan bu yöntem, denizaşırı taşımacılık için en verimli ve maliyet etkin çözümlerden biri olarak kabul edilir. Konteynerler taşınırken, bir dizi operasyon aşamasından geçerek farklı yöntemlerle ele alınır. Bu aşamalarda bazı istisnai durumlar ortaya çıkabilir. Örneğin, konteynerin gemiden indirilirken vinç yardımıyla düşürülmesi veya boşaltma sırasında zarar görmesi gibi durumlar söz konusu olabilir. Bu gibi örnekler, konteynerlerin zarar görmesine veya kullanılamaz hale gelmesine yol açabilir. Bu çalışmanın amacı, konteynerlerin hasar durumunu tahmin etmek için makine öğrenimi yaklaşımlarını kullanmaktır. Tahmin modeli için Microsoft Azure Machine Learning Studio platformu kullanılmıştır. Elde edilen sonuçlar, iki sınıflı sınıflandırma temelli makine öğrenimi algoritmalarının, konteynerlerin hasar durumlarını doğru bir şekilde tahmin etmede avantaj sağladığını göstermektedir. Yapılan hasar tahmini çalışmasının sonuçları, nakliye şirketleri için bir rehber işlevi görecek ve taşıma taleplerinin yerine getirilip getirilmemesine karar verme ve olası hasar risklerini önceden tahmin etme konusunda yardımcı olacaktır. Anahtar Kelimeler: makine öğrenimi, büyük veri, veri işleme, iki sınıflı sınıflandırma, konteyner hasar tahmini, Azure Machine Learning Studio The maritime transportation of containers between terminals is important from the perspective of the supply chain processes. Container transportation, referred to as liner shipping, can be considered one of the most efficient and cost-effective way to carry loads for overseas transportation. Containers are handled with many operations during transportation. In the meantime, some unusual situations may occur such as the container being dropped during unloading while being handled by crane. These situations may cause the containers to become damaged or scrapped. This paper aims to implement machine learning (ML) approaches for estimating the container damage situation. Microsoft Azure Machine Learning Studio environment has been used for the prediction model. The study results indicate that the application of two-class classification-based ML algorithms is advantageous for providing an accurate estimation of the damaged condition of containers. Therefore, constructed damage estimation model's result is going to serve as a reference for transportation companies, aiding them in determining whether to proceed with the given transportation request and in anticipating potential damage risks. keywords: machine learning, big data, data mining, two-class classification, container damage estimation, Azure Machine Learning Studio