پیش بینی تقاضای کانتینر خالی با استفاده از شبکه های عمیق، مطالعه موردی بندر شهید رجایی
محل انتشار: پژوهشنامه حمل و نقل، دوره: 21، شماره: 2
سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 73
فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_TRJ-21-2_011
تاریخ نمایه سازی: 4 تیر 1403
چکیده مقاله:
بندر شهید رجایی به عنوان بزرگترین و مهمترین بندر تجاری کشور، مرکز اصلی تبادل کالاهای کانتینری است. در سال های اخیر، با توسعه پایانه کانتینری بندر شهید رجایی در قالب پروژه توسعه یال غربی حوضچه شماره سه بندر جهت پهلودهی به بزرگترین کشتی های کانتینری نسل هفتم دنیا با آبخور حدود ۱۷ متر و ارتقاء ظرفیت کانتینری این بندر از ۶ به ۸ میلیون از TEU از یک سو و سرمایه گذاری بخش خصوصی در اراضی پشتیبانی بندر از سوی دیگر، نیاز به بازنگری در نحوه بهره برداری و عملیات پایانه کانتینری این بندر بیش از پیش احساس می شود. بر این اساس، بهینه سازی و ارتقاء بهره وری پایانه های مختلف اراضی پشتیبانی مورد توجه بهره برداران و فعالان حوزه بندری قرار گرفته است. با توجه به پیش بینی افزایش حجم عملیات بندری و نیاز به کانتینر در محدوده بندر شهید رجایی، شرکت کشتیرانی جنوب- خط ایران به عنوان بازوی عملیات بندری گروه کشتیرانی ج.ا.ا. و تامین کننده اصلی و متولی بخش عمده عملیات کانتینرهای خالی جهت صادرات کشور، بهینه سازی مدیریت عملیات کانتینرهای خالی با استفاده از فناوری های جدید را در دستور کار خود قرار داده است. در این مقاله، فرایند بهینه سازی عملیات کانتینرهای خالی با استفاده از روش های مبتنی بر یادگیری ماشین و هوش مصنوعی معرفی شده است. با توجه به امکان پیش بینی میزان تقاضای کانتینر خالی، می توان با برنامه ریزی قبلی حجم عملیات روزانه را کاهش داد و تمهیدات لازم در خصوص توزیع مکانی مناسب کانتینرهای خالی قبل از ایجاد تقاضا را در نظر گرفت.
کلیدواژه ها:
نویسندگان
سیده معصومه صداقی
استادیار، پژوهشکده حمل ونقل، مرکز تحقیقات راه، مسکن و شهرسازی، تهران، ایران
ایمان شیوافر
دانش آموخته کارشناسی ارشد، دانشکده مهندسی عمران، دانشگاه شهید باهنر کرمان، کرمان، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :