KR20200118631A

KR20200118631A - 탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법

Info

Publication number: KR20200118631A
Application number: KR1020190040796A
Authority: KR
Inventors: 박재훈
Original assignee: 대구한의대학교산학협력단
Priority date: 2019-04-08
Filing date: 2019-04-08
Publication date: 2020-10-16
Also published as: KR102252785B1

Abstract

컨테이너 항만은 정박지, 블록, 게이트 등 다양한 서브시스템으로 구성되어 있으며, 컨테이너가 처리되는 다른 종류의 장비들로 구성되어 있다. 과거 수십 년 동안 각 서브시스템에서의 처리 효율을 높이고, 비생산적 이동을 제거하고, 이들간의 핸드쉐이크 액티비티(handshake activities)를 동기화함으로써 컨테이너 항만의 운영 능력을 향상시키는 것에 대해 많은 연구가 이루어져 왔다. 예기치 않은 이벤트가 운영 과정에서 컨테이너의 워크플로우에 지장을 주지 않는 한, 표준화된 운영 프로세스를 바탕으로 각 선박에 대한 컨테이너의 처리 활동을 효율적으로 스케줄링함으로써 높은 운영 성과를 달성한다. 따라서, 컨테이너 워크플로우의 관리성을 살펴 운영 프로세스를 효과적으로 통제할 필요가 있다. 본 발명은 이벤트 기반 학습 접근법을 사용하여 운영 프로세스에서 컨테이너 워크플로우의 운영 차이를 분석하고, 분석 결과로부터 제안된 관리 요소(즉, 물류, 장비 및 시간)를 고려하여 운영 관리성을 평가한다. 다양한 선사의 선박을 위한 컨테이너 항만의 운영 관리성을 평가하기 위해 실제 데이터셋에서 비교실험이 수행되었다.

Description

탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법{Shipping liner operational manageability estimation method for resilient port operations}

본 발명은 선사 운영 관리성 평가 방법에 관한 것으로, 보다 상세하게는 탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법에 관한 것이다.

저속 스트리밍과 단축된 정시 요구사항 하에서 컨테이너 트래픽이 계속 증가함에 따라 주요 항만에 있어 경쟁적 항만 산업에서의 요구를 충족하도록 운영 능력에 대한 기술 구현이 촉발된다. 높은 운영 능력은 컨테이너 워크플로우(container workflows; CWs)을 따라 비생산적인 이동을 제거하고, 서로 다른 유형의 처리 장비를 가진 서브시스템 간의 핸드쉐이크 액티비티(handshake activities)를 동기화하고, 처리 장비의 작동주기를 개선하고, 고급 스케줄링 알고리즘을 시스템에 구현함으로써 나타난다. 운영 능력 개선을 위한 (자동화된) 컨테이너 항만의 운영 스케줄과 전략 분야에 대해 많은 연구가 이루어져 왔다.

최근의 조사연구(비특허문헌 6, 7, 8, 10 및 16 참조)에 따르면, 새로운 운영 프로세스를 도입하고, 처리 장비를 업그레이드하고, 의사결정 서브시스템(즉, 정박지, 야드, 블록, 게이트 등) 중 운영 프로세스를 통합함으로써 개선될 수 있다고 보고되었다. 운영 능력은 일반적으로 서브시스템의 효율성과 활용도를 나타내는 생산성, 선박 호출, 선박 전환 시간 및 기타 지표로 평가된다(비특허문헌 14 참조). 운영 효율에 중점을 둔 성과 측정에 집중하는 것은, 운영이익과 처리량 간, 그리고 운영비용과 운영이익 간의 매우 긍정적인 연관성을 보고한 Lun 등에 따르면 합리적이다(비특허문헌 18 참조). 컨테이너 항만을 위한 많은 상업적 의사결정 지원 패키지도 운영 능력을 개선하기 위해 다양한 기능을 적용한다(비특허문헌 15 참조).

비록 항만 운영자들이 운영 능력을 향상시키는데 많은 주의를 기울였지만, 최근 항만에 대한 와해성 이벤트가 항만 인접 산업의 경제적 손실에 직접적인 영향을 끼치고, 순차적 영향이 공급망에 있어 다른 항만에 영향을 미치기 때문에, 항만 주변의 공급망 프레임워크를 이해하는 것이 요구된다(비특허문헌 27 참조). 공급망 관점은 항만 운영자들이 운영의 탄력성을 관리하도록 한다. Liu 등(비특허문헌 17 참조)은 해상 네트워크 취약성을 분석하기 위해 실제 선사의 항로상 항만을 조사하였다. 제안된 분석 프레임워크는 조사된 해상공급망의 건전성을 보장하기 위해 해운사, 항만, 항만국과 같은 이해관계자들에게 가치있는 경영적 시사점을 생성하는 데 기여할 수 있다. Almutairi 등(비특허문헌 1 참조)은 모든 시나리오(예컨대, 교통 혼잡, 경기 침체, 고운영비, 환경 완화)에 걸쳐 계획의 우선 순위를 정하기 위해 복수의 이해당사자 그룹(예: 터미널 사용자 그룹, 터미널 서비스 제공자 그룹, 커뮤니티 그룹)의 참여 수준을 해결하는 항만 운영을 위한 탄련적 분석 프레임워크를 제시하였다. 저자들은 계획의 중요도 순위를 방해하는 시나리오와 이해당사자 그룹의 공동의 영향을 검토하였다.

항만 공급망 관리는 생산업체와는 다른 시각이 필요하다. 조직구조 면에서 항만은 단독판매(항만)와 다중구매(선사) 서비스 시스템에 관여하고, 제조회사는 단독구매(업체)와 다중공급 제조 시스템이라는 특징을 가질 수 있다. 시장 및 위험 구조 측면에서, 항만은 독과점적 해운 시장으로부터 특이적 요구에 직면하는 반면, 생산업체는 비교 시장으로부터 프레임워크적인 요구에 직면하는 것으로 추정된다(비특허문헌 21 참조). Cheon 등(비특허문헌 11 참조)에 의하면, 선사들은 정기 선적의 경우 처리능력의 모호성이 적은 항구를 선호하지만, 긴급 선적의 경우 모호한 항구를 선호한다. 이 점에서, 따라서 항만 운영자들은 다른 선사들의 특성을 고려하여 선사에 지장을 덜 주는 서비스를 제공하기 위해 운영 능력뿐만 아니라 운영 프로세스의 관리성을 개선해야 한다.

한 가지 관심은 이러한 기술을 가진 컨테이너 항만이 원하는 결과를 낼 수 있는지 여부이다. 예를 들어, 자동화는 일반적으로 운영 능력을 향상시키기 위한 인기 있는 기술로 알려져 있지만, Mileski 등은 원하는 처리량에 있어서의 운영 안정성의 수준이 자동화 기술을 도입하는 주된 동기가 되고, 운영 프로세스 전체에서 생산 능력 관리가 필수적임을 실증적으로 분석하였다. 컨테이너 항만 시스템은 서브시스템과 다른 유형의 장비 상에서 컨테이너 처리 시 운영 프로세스를 표준화하였다. 표준화된 운영 프로세스를 바탕으로 운영 전략과 알고리즘을 개발 및 실행하였다. 따라서 항만 운영자가 운영 성과를 달성할 필요가 있을 때 운항 프로세스 상에서 선박 및 수하인을 위한 효과적인 CWs 관리는 가치 있는 일이다.

[비특허문헌]

- 비특허문헌 1 : Almutairi A, Collier ZA, Hendrickson D, Palma-Oliveira JM, Polmateer TL, Lambert JH. Stakeholder mapping and disruption scenarios with application to resilience of a container port. Reliability Engineering and System Safety 2019; 182: 219-232.

- 비특허문헌 2 : Agresti A. Categorical Data Analysis. 2nd ed. New Jersey: Wiley; 2002.

- 비특허문헌 3 : de Medeiros AKA, Weijters AJMM, van der Aalst WMP. Genetic process mining: an experimental evaluation. Data Mining and Knowledge Discovery 2007; 14(2): 245-304.

- 비특허문헌 4 : Barabadi A, Ayele YZ. Post-disaster infrastructure recovery: Prediction of recovery rate using historical data. Reliability Engineering and System Safety 2018; 169: 209-223.

- 비특허문헌 5 : Bezerra F, Wainer J, van der Aalst WMP. Anomaly detection using process mining. Enterprise, In: Halpin T, Krogstie J, Nurcan S, Proper E, Schmidt R, Soffer P, Ukor R, editors. BusinessProcess and Information Systems Modeling, Berlin: Springer; 2009, p.149-161.

- 비특허문헌 6 : Carlo HJ, Vis IFA, Roodbergen KJ. Seaside operations in container terminals: literature overview, trends, and research directions. Flexible Services and Manufacturing Journal 2015; 27: 224-262.

- 비특허문헌 7 : Carlo HJ, Vis IFA, Roodbergen KJ. Storage yard operations in container terminals: Literature overview, trends, and research directions. European Journal of Operational Research 2014a; 235: 412-430.

- 비특허문헌 8 : Carlo HJ, Vis IFA, Roodbergen KJ. Transport operations in container terminals: Literature overview, trends, research directions and classification scheme. European Journal of Operational Research 2014b; 236: 1-13.

- 비특허문헌 9 : Gehla P, Cavalierib F, Franchin P. Approximate Bayesian network formulation for the rapid loss assessment of real-world infrastructure systems. Reliability Engineering and System Safety 2018; 177: 80-93.

- 비특허문헌 10 : Gharehgozli AH, Roy D, de Koster R. Sea container terminals: New technologies and OR models. Maritime Economics and Logistics 2015; 18: 103-140.

- 비특허문헌 11 : Cheon SH, Lee CY, Wang Y. Processing time ambiguity and port competitiveness. Production and Operations Management 2017; 26(12): 2187-2206.

- 비특허문헌 12 : Goedertiera S, de Weerdta J, Martensa D, Vanthienena J, Baesensa B. Process discovery in event logs: An application in the telecom industry. Applied Soft Computing 2011; 11: 1697-1710.

- 비특허문헌 13 : Gunther CW, van der Aalst WMP. Fuzzy mining - Adaptive process simplification based on multi-perspective metrics. In: Alonso G, Dadam P, Rosemann M, editors. Business Process Management. BPM 2007. Lecture Notes in Computer Science, vol 4714, Berlin: Springer; 2007, p. 328-343.

- 비특허문헌 14 : Ha MH, Yang Z. Comparative analysis of port performance indicators: Independency and interdependency. Transportation Research Part A: Policy and Practice 2017; 103: 264-278.

- 비특허문헌 15 : Kim KH, Lee H. Container Terminal Operation: Current Trends and Future Challenges. In: Lee CY, Meng Q, editors. Handbook of Ocean Container Transport Logistics, Cham: Springer; 2015, p.43-73.

- 비특허문헌 16 : Lehnfeld J, Knust S. Loading, unloading and premarshalling of stacks in storage areas: Survey and classification. European Journal of Operational Research 2014; 239: 297-312.

- 비특허문헌 17 : Liu H, Tian Z, Huang A, Yang Z. Analysis of vulnerabilities in maritime supply chains. Reliability Engineering and System Safety 2018; 169: 475-484.

- 비특허문헌 18 : Lun YHV, Lai KH, Cheng TCE. Managing container terminals. Shipping and logistics management, London: Springer; 2010, p.193-204.

- 비특허문헌 19 : Mileski JP, Wang P, Zeng Q. Alignments between strategic content and process structure: the case of container terminal service process automation. Maritime Economics and Logistics 2017.

- 비특허문헌 20 : van der Aalst WMP, de Medeiros AKA, Weijters AJMM. Genetic Process Mining. In: Ciardo G, Darondeau P, editors. Applications and Theory of Petri Nets 2005. ICATPN 2005. Lecture Notes in Computer Science, vol 3536. Berlin: Springer; 2005, p.48-69.

- 비특허문헌 21 : Ng AKY, Liu JJ. Global supply chains and trade logistics: From firm-focal to port-focal. PortFocal Logistics and Global Supply Chains, New York: Palgrave Macmillan; 2014, p. 32-57.

- 비특허문헌 22 : Reder M, Yuru?en NY, Melero JJ. Data-driven learning framework for associating weather conditions and wind turbine failures. Reliability Engineering and System Safety 2018; 169: 554-569.

- 비특허문헌 23 : van der Aalst WMP. Process mining: Discovery, conformance and enhancement of business process. Berlin: Springer; 2011.

- 비특허문헌 24 : van der Aalst WMP, Weijters T, Maruster L. Workflow mining: discovering process models from event logs. IEEE Transactions on Knowledge and Data Engineering 2004; 16(9): 1128-1142.

- 비특허문헌 25 : Weijters AJMM, van der Aalst WMP, de Medeiros AKA. Process mining with the Heuristics miner algorithm. BETA working paper series WP 166, Eindhoven University of Technology, Netherlands. 2006.

- 비특허문헌 26 : Yuan Y, Zhou S, Sievenpiper C, Mannar K, Zheng Y. Event log modeling and analysis for system failure prediction. IIE Transactions 2011; 43(9): 647-660.

- 비특허문헌 27 : Zhang Y, Lam JSL. Estimating economic losses of industry clusters due to port disruptions. Transportation Research Part A: Policy and Practice 2016; 91: 17-33.

- 비특허문헌 28 : Zhou Y, Li C, Zhou C, Luo H. Using Bayesian network for safety risk analysis of diaphragm wall deflection based on field data. Reliability Engineering and System Safety 2018; 180: 152-167.

본 발명은 선사 운영 관리성 평가 방법으로서, 이벤트(액티비티 처리) 분석 프레임워크에 따른 CWs를 조사하여 운영 프로세스의 관리성을 상정하고, 특정 CWs 관리의 구성요소를 제안 및 통계적 추정 모델을 통해 해당 관리요소에 의해 구성된 관리성 향상에 시사점을 제공하는 탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법과, 이를 실행하기 위한 컴퓨터 프로그램 및 이를 기록한 컴퓨터 판독 가능한 기록 매체를 제공하고자 한다.

상기 과제를 해결하기 위한 제1 양태로서 본 발명은, 컨테이너 워크플로우 분석을 통한 선사 운영 관리성 평가 방법으로, 컨테이너 항만 정보 시스템의 데이터베이스로부터 이벤트 로그를 추출하여 컨테이너 워크플로우를 생성하는 단계; 및 계획된 컨테이너 워크플로우와 실제 컨테이너 워크플로우 간의 운영 차이를 파악하는 단계;를 포함하되, 상기 이벤트 로그는 컨테이너 ID를 나타내는 아이디 속성, 수행 작업을 나타내는 액티비티 속성, 작업 시간을 나타내는 시간 속성 및 수행 장비를 나타내는 자원 속성을 포함하고, 상기 컨테이너 워크플로우의 구성요소로, 상기 수행 작업에 관한 물류 요소, 상기 수행 장비에 관한 장비 요소 및 상기 작업 시간에 관한 시간 요소를 포함하는 탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법을 제공한다.

또한, 상기 물류 요소는 상기 수행 작업의 종류 및 순서에 관한 것이고, 상기 장비 요소는 상기 수행 장비의 할당에 관한 것이고, 상기 시간 요소는 작업 종료 시간에 관한 것인 탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법을 제공한다.

또한, 상기 물류 요소의 차이는 (1×t) 행렬로 표시되는 작업 벡터 및 (t×t) 행렬(이상의 행렬에서, t는 계획된 컨테이너 워크플로우 작업 및 실제 컨테이너 워크플로우 작업의 합집합의 원소의 개수)로 표시되는 컨텍스트 벡터의 연산으로 구해지는 것을 특징으로 하는 탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법을 제공한다.

또한, 상기 작업 벡터는 하기 알고리즘 1에 따라 결정되고, 상기 컨텍스트 벡터는 하기 알고리즘 2에 따라 결정되는 것을 특징으로 하는 탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법을 제공한다:

[알고리즘 1]

알고리즘 1에서, j는 컨테이너 워크플로우의 인덱스이고, N _j 는 계획된 컨테이너 워크플로우 작업 및 실제 컨테이너 워크플로우 작업의 합집합이고, d는 N _j 의 작업 인덱스(d=1, ···, t)이고, A _j 는 j 번째 컨테이너 워크플로우의 작업 벡터이고, nd _d 는 d 번째 작업이고,

는 j 번째 컨테이너 워크플로우에서 d 번째 작업의 성분이고,

[알고리즘 2]

알고리즘 2에서,

는 j 번째 컨테이너 워크플로우에서 d 번째 및

번째 작업 사이의 성분이고,

는 j 번째 컨테이너 워크플로우에서 d 번째 및

번째 작업 사이의 작업 전환 수이고, T _j 는 j 번째 컨테이너 워크플로우의 컨텍스트 벡터이다.

또한, 상기 작업 벡터 및 상기 컨텍스트 벡터의 연산은 하기 알고리즘 3에 따라 수행되는 것을 특징으로 하는 탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법을 제공한다:

[알고리즘 3]

알고리즘 3에서, ∧는 및(and)이다.

또한, 상기 장비 요소의 차이는 하기 알고리즘 4에 따라 결정되는 것을 특징으로 하는 탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법을 제공한다:

[알고리즘 4]

알고리즘 4에서, t는 j 번째 컨테이너 워크플로우의 작업 수이고, D는 계획된 컨테이너 워크플로우의 작업 집합이고,

는 j 번째 컨테이너 워크플로우의 d 번째 작업의 수행 장비이고, m _d 는 계획된 컨테이너 워크플로우의 d 번째 작업의 장비이다.

또한, 상기 시간 요소의 차이는 하기 알고리즘 5에 따라 결정되는 것을 특징으로 하는 탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법을 제공한다:

[알고리즘 5]

알고리즘 5에서, ET는 계획된 컨테이너 워크플로우의 예상 실행 시간이고, ET _j 는 j 번째 컨테이너 워크플로우의 시간 차이이고, [Dj = {nd ₁ , nd ₂ , · ··, nd _t }]는 j 번째 컨테이너 워크플로우의 작업 집합이고, Sd _j 및 Ed _j 는 각각 j 번째 컨테이너 워크플로우에서 d 번째 작업의 시작 시간 및 종료 시간이고, LP는 ET _j 가 양이 되도록 하는 양의 값이다.

또한, 상기 파악된 운영 차이로부터 컨테이너 워크플로우의 상기 각 구성요소가 차이를 가질 확률로 나타내고, 선사의 상대적 연관 정도를 비교하여 각 선사의 운영 관리성을 추정하는 단계;를 더 포함하는 것을 특징으로 하는 탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법을 제공한다.

또한, 상기 각 구성요소가 차이를 가질 확률은 하기 수학식 1로 나타내는 것을 특징으로 하는 탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법을 제공한다:

[수학식 1]

수학식 1에서,

는 선사(s)의 구성요소(e)가 차이를 가질 확률이고, n _se 는 s 선사의 e 구성요소의 차이이고, n _s 는 s 선사의 구성요소 차이의 합이다.

또한, 상기 선사의 상대적 연관 정도는 하기 수학식 2의 승산비(odds ratio)로 나타내는 것을 특징으로 하는 탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법을 제공한다:

[수학식 2]

수학식 2에서,

는 m 선사에 대한 l 선사의 구성요소(e)의 승산비이고,

는 l 선사의 구성요소(e)가 차이를 가질 확률이고,

는 m 선사의 구성요소(e)가 차이를 가질 확률이다.

또한, 상기 선사의 상대적 연관 정도는 하기 수학식 3의 승산비(odds ratio)로 나타내는 것을 특징으로 하는 탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법을 제공한다:

[수학식 3]

수학식 3에서,

는 m 선사에 대한 l 선사의 p 구성요소 대신 q 구성요소가 차이를 가질 확률에 관한 승산비이고, n _lq 는 l 선사의 q 구성요소의 차이이고, n _lp 는 l 선사의 p 구성요소의 차이이고, n _mq 는 m 선사의 q 구성요소의 차이이고, n _mp 는 m 선사의 p 구성요소의 차이이다.

또한, 상기 운영 차이를 파악하는 단계는, 1 이하의 탄력성 기준을 부여하여 탄력성 기준이 낮을수록 구성요소의 차이가 같거나 감소하도록 하는 알고리즘을 적용하는 단계를 포함하는 것을 특징으로 하는 탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법을 제공한다.

또한, 상기 과제를 해결하기 위한 제2 양태로서 본 발명은, 상기 방법을 실행하기 위한 컴퓨터 프로그램을 제공한다.

또한, 상기 과제를 해결하기 위한 제3 양태로서 본 발명은, 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체를 제공한다.

본 발명에 따른 탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법은 물류, 장비, 시간의 세 가지 관리 요소의 관점에서 컨테이너 항구의 운영 프로세스 관리 필요성을 상정하고, 프로세스 분석 프레임워크를 제공한다.

또한, 본 발명은 최근의 이벤트 기반 학습 접근법인 프로세스 마이닝에 적용을 위해 세 가지 관리 요소의 운영 차이를 파악하는 알고리즘을 제공한다.

또한, 본 발명에서 통계적 추정 모델은 학습 성과를 분석하고 세 가지 관리 요소에 의해 구성된 관리성 향상에 시사점을 제공한다.

본 발명에서는 6개월에 걸쳐 4개 선사의 정기선박에 대해 수집된 실제 데이터셋이 분석 결과에 사용되었으며, 비교 결과는 다른 선사들이 운영 차이를 통제하기 위해 관리 요소에 의해 구성되는 다른 수준의 운영관리성을 필요로 한다는 것을 보여준다.

도 1은 컨테이너 항만에서의 컨테이너 처리 프로세스를 나타낸 모식도,
도 2는 본 발명에서 제안하는 프로세스 마이닝 및 통계분석을 통합한 프로세스 분석 프레임워크를 나타낸 모식도,
도 3은 본 발명에서 물류 차이 분석 예를 설명하는 도면,
도 4는 본 발명에서 장비 차이 감지 예를 설명하는 도면,
도 5는 본 발명의 실험예에서 단순화된 관리된 CWs를 나타낸 흐름도,
도 6은 본 발명의 실험예에서 휴리스틱 마이닝으로 파악된 CWs를 나타낸 흐름도,
도 7은 본 발명의 실험예에서 탄력성 기준에 따른 선사에 대한 물류 차이의 관찰 비율을 나타낸 그래프,
도 8은 본 발명의 실험예에서 탄력성 기준에 따른 선사에 대한 장비 차이의 관찰 비율을 나타낸 그래프,
도 9는 본 발명의 실험예에서 탄력성 기준에 따른 선사에 대한 시간 차이의 관찰 비율을 나타낸 그래프,
도 10은 본 발명의 실험예에서 탄력성 기준에서 선사 1의 선박에 대한 선사 2의 선박에서의 장비 차이 대신 물류 차이가 발생할 확률(물류-장비), 시간 차이 대신 물류 차이가 발생할 확률(물류-시간) 및 시간 차이 대신 장비 차이가 발생할 확률(장비-시간)을 나타낸 그래프,
도 11은 본 발명의 실험예에서 탄력성 기준에서 선사 1의 선박에 대한 선사 3의 선박에서의 장비 차이 대신 물류 차이가 발생할 확률(물류-장비), 시간 차이 대신 물류 차이가 발생할 확률(물류-시간) 및 시간 차이 대신 장비 차이가 발생할 확률(장비-시간)을 나타낸 그래프,
도 12는 본 발명의 실험예에서 탄력성 기준에서 선사 1의 선박에 대한 선사 4의 선박에서의 장비 차이 대신 물류 차이가 발생할 확률(물류-장비), 시간 차이 대신 물류 차이가 발생할 확률(물류-시간) 및 시간 차이 대신 장비 차이가 발생할 확률(장비-시간)을 나타낸 그래프.

이하에서는 본 발명의 바람직한 실시예를 첨부한 도면을 참고하여 상세하게 설명한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐리게 할 수 있다고 판단되는 경우 그 상세한 설명을 생략하기로 한다. 도면에서 본 발명을 명확하게 설명하기 위하여 설명과 관계없는 부분은 생략하였고, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 부여하였다. 또한, 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한, 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.

본 발명에 따른 탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법은 이벤트(액티비티 처리) 분석 프레임워크에 따른 컨테이너 워크플로우(container workflows, 이하 'CWs' 또는 'CW'로 칭하기도 한다.)를 조사하여 운영 프로세스의 관리성을 상정하고, 물류, 장비 및 시간과 같은 컨테이너 워크플로우 관리의 세 가지 구성요소를 제안한다.

따라서, 본 발명은 컨테이너 워크플로우 분석을 통한 선사 운영 관리성 평가 방법으로, 컨테이너 항만 정보 시스템의 데이터베이스로부터 이벤트 로그를 추출하여 컨테이너 워크플로우를 생성하는 단계; 및 계획된 컨테이너 워크플로우와 실제 컨테이너 워크플로우 간의 운영 차이를 파악하는 단계;를 포함하되, 상기 이벤트 로그는 컨테이너 ID를 나타내는 아이디 속성, 수행 작업을 나타내는 액티비티 속성, 작업 시간을 나타내는 시간 속성 및 수행 장비를 나타내는 자원 속성을 포함하고, 상기 컨테이너 워크플로우의 구성요소로, 상기 수행 작업에 관한 물류 요소, 상기 수행 장비에 관한 장비 요소 및 상기 작업 시간에 관한 시간 요소를 포함하는 탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법을 개시한다.

또한, 본 발명에 따른 탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법은 상기 파악된 운영 차이로부터 컨테이너 워크플로우의 상기 각 구성요소가 차이를 가질 확률로 나타내고, 선사의 상대적 연관 정도를 비교하여 각 선사의 운영 관리성을 추정하는 단계;를 더 포함할 수 있다.

세 가지 관리 구성요소의 관점에서 CWs를 살펴보면 취약한 운영 스케줄, 정보 차이, 부적절한 처리 능력 및 기타 예기치 못한 이벤트로 인한 시간에 따른 CWs의 차이가 발생할 수 있다(비특허문헌 17 참조). 본 발명에서는 3개의 관리 요소에 대한 계획된 CWs와 실제 CWs 간의 운영 차이를 파악하고, 서로 다른 선사의 선박으로부터 생성된 CWs 간의 비교 분석을 실시하고, 통계 분석의 추정에 근거하여 운영 관리성을 추정한다.

운영 차이는 관리 요소를 통합하는 맞춤형 프로세스 마이닝 기법인 이벤트 기반 학습 접근법으로 파악된다. 프로세스 마이닝은 기본적으로 데이터 마이닝의 일종이지만 이벤트 로그에서 관찰된 동작을 설명하는 프로세스 모델의 자동 구성을 목표로 하는 반면, 데이터 마이닝은 이전에 발견되지 않은 관계와 패턴에 대한 데이터 분석이다(비특허문헌 23 참조). 컨테이너 처리 이벤트 데이터는 프로세스 실행 중 발생한 일의 이력을 포함하는 방식으로 정리할 수 있으므로, 이벤트 데이터의 활용은 작업 현장에서 은폐된 작업과 예상치 못한 작업이 발생한 것에 대한 실용적 분석을 가능하게 한다. 파악된 차이 결과는 선사의 운영 관리성을 추정할 때 통계적 분석의 샘플이 된다. 샘플의 (지역) 승산비 추정은 운영 차이에 대한 시사점을 제공한다.

차이를 분석할 때, 시스템 신뢰성에 관한 연구는 시스템 실패 예측과 감지를 이해하기 위해 데이터 분석과 학습 접근법을 적용하고 있다. Yuan 등(비특허문헌 26 참조)은 시스템의 이벤트 로그와 이벤트 시퀀스를 분석하고 실패 예측을 위해 적합한 통계 모델을 제안하였다. Reder 등(비특허문헌 22 참조)은 비지도 k-평균 클러스터링(unsupervised k-means clustering)을 통해 데이터셋에서 규칙을 추출하여 운영 및 유지보수 전략을 개발하였다. Gehl 등(비특허문헌 9 참조)과 Zhou 등(비특허문헌 28 참조)은 과거 데이터셋에 근거하는 베이지안 네트워크 접근법(Bayesian network approaches)을 채용하고, 인프라 시스템의 리스크 분석을 실시하였다. Barabadi와 Ayele(비특허문헌 4 참조)은 데이터가 거의 없을 경우 Bayesian 네트워크와 함께, 과거 데이터셋에 기초한 복구율 분석에 가장 적합한 회귀 모델을 선택하는 프레임워크를 개발하였다. 실패 감지에 관한 연구와는 달리, 이 연구는 차이 감지가 CWs에 대한 스케줄링 활동에 대한 운영 프로세스의 적합성에 관심이 있기 때문에 프로세스 마이닝 접근법을 통해 CWs에 대해 운영 차이를 감지한다.

본 발명은 운영 프로세스에서 CWs를 조사함으로써 선사용 항만 운영 관리성 측정 프로세스를 제안한다. 이러한 목적을 달성하기 위해 본 발명은 이벤트 기반 학습 기법을 통해 운영 차이를 식별하고, 통계 데이터 분석을 통해 차이 결과의 함의를 해석하는 프레임워크적인 접근법을 개발하는 데 기여한다. 이는 학습 접근법을 이용하여 컨테이너 항만의 운영 관리성을 추정하기 위한 첫 번째 연구로 사료된다.

이하에서는, 프로세스 마이닝 기법에서 CWs와 프로세스 탐색 알고리즘에 대한 예비 연구에 관한 내용을 정리하고, 세 가지 관리 요소에서 차이 분석 프레임워크를 소개하고, 실제 실험 결과를 통해 본 발명의 발견에 대해 자세히 설명한 후 결론을 도출한다.

운영 프로세스에 대한 전제조건

본 항목에서는 컨테이너 항만의 표준화된 운영 프로세스에 대한 CWs를 설명하고, 프로세스 마이닝 접근법을 소개한다.

(1) 컨테이너 항만 서브시스템에 대한 CWs

컨테이너 항만은 서로 다른 운송 모드 간에 컨테이너를 이송하기 위한 시설로 선박으로부터 철도 또는 도로로의 컨테이너 흐름을 처리 및 통제하기 위한 활동/서비스 패키지를 제공하고, 그 반대의 경우도 있다. 컨테이너 항만의 주요 작업 대상물은 컨테이너로, 크레인, 트럭, 캐리어와 같은 다양한 처리 장비가 컨테이너 처리를 수행한다. 컨테이너 처리 프로세스는 항만 특성 및 컨테이너 유형에 따라 다르지만, 일반적인 컨테이너 처리 프로세스는 도 1과 같이 하역(Discharging), 선적(Loading), 인수(Receiving)(게이트 인), 인도(Delivering)(게이트 아웃)의 4가지 유형으로 분류할 수 있다. 각 처리 과정은 CWs라고 불리는 유닛 컨테이너를 넘겨주는 많은 작업으로 구성된다.

하역 처리 프로세스의 CWs는 다음과 같다. 선박이 도착하면 안벽 크레인(Quay Cranes; QCs)이 QC 작업 스케줄에 따라 선박으로부터 컨테이너를 하역한다. 컨테이너는 운반 차량에 중계되어 야적장(storage yard)으로 운송되고, 야드 크레인(Yard Cranes; YCs)에 의해 일시적으로 야드 슬롯(Yard Slots; YSs)에 보관된다. 목적지에 따라 컨테이너를 다른 선박으로 운송하거나 검사 후 트럭이나 열차로 운송하기 위해 게이트를 통해 인도될 수 있다. 전자는 선적에 대한 처리 프로세스와 관계가 있고, 후자는 인도에 대한 프로세스와 관계가 있다. 선적에 대한 처리 프로세스는 하역 프로세스의 역순이다. YC는 컨테이너를 들어올려 이송 차량에 적재하고, 이 차량은 QCs가 해당 선박에 컨테이너를 적재하는 부두로 컨테이너를 운반한다. 인수에 관한 처리 프로세스에 대해서는, 도로 트럭이 컨테이너를 가지고 항만으로 들어와, 통상 YCs에 의해 YSs에 임시로 보관되는 야적장으로 운반한다.

컨테이너 항만은 서브시스템 및 처리 장비에 대한 컨테이너 처리 활동을 통제하고, 이들 사이의 데이터 처리를 관리하는 선진 정보 시스템(비특허문헌 15 참조)을 보유하고 있다. 각각의 액티비티 처리는 컨테이너 처리 프로세스 전체에 걸쳐 대량의 이벤트 로그를 생성한다. 계획된 CWs와 실제 CWs의 운영 차이는 이벤트 로그 분석으로 파악될 수 있다. 본 발명에서는 데이터로부터 운영 차이를 학습하기 위해 프로세스 마이닝 접근법을 채택한다.

(2) 프로세스 마이닝 및 그 발견 알고리즘

프로세스 마이닝은 프로세스 분석을 위한 프로세스 모델을 발견하는 데 널리 사용되어 왔다. 프로세스 발견(process discovery), 순응도 검사(conformance checking) 및 확장(enhancement)의 세 가지 프로세스 마이닝 기법 중 본 발명은 프로세스 발견에 초점을 맞춘다. 프로세스 발견의 기본 개념은 간단하다: 시스템으로부터 이벤트 로그를 추출하고, 이벤트 로그에서 작업 동작을 설명하는 적절한 프로세스 모델을 구성한다(비특허문헌 12 참조). 이 프로세스는 또는 조인/분할, 조인/분할 및 루프와 같은 많은 구조들로 구성된다. 한정된 수의 프로세스 사례에 대한 이벤트를 포함하는 이벤트 로그를 고려하여 프로세스 마이너는 이벤트 로그에 동작을 정확하게 요약하고 일반성(충분한 동작을 허용)과 특수성(너무 많은 동작을 허용하지 않음) 사이의 올바른 균형을 맞추는 모델을 발견한다. 이벤트 로그의 동작을 정확하게 기술하는 모델을 이용함으로써 성능 병목현상의 파악이나 기존 규정에 맞지 않는 프로세스 모델에서의 경로의 로컬화 등 고도의 분석이 가능하다. α-알고리즘(α-algorithm)(비특허문헌 24 참조), 유전 프로세스 마이닝(genetic process mining)(비특허문헌 20 참조), 휴리스틱 마이닝(heuristic mining)(비특허문헌 25 참조), 퍼지 마이닝(fuzzy mining)(비특허문헌 13 참조)과 같은 마이닝 알고리즘에 관한 다양한 프로세스 발견 기법이 있다.

α-알고리즘은 동시성을 적절히 처리할 수 있는 최초의 프로세스 발견 알고리즘 중 하나로, 모든 허용 가능한 바이너리 시퀀스에 관해서 이벤트 로그가 완전하다고 가정하고, 이벤트 로그에 노이즈가 포함되어 있지 않다고 가정한다. 따라서, α-알고리즘은 노이즈와 이벤트 로그의 불완전성에 민감하다. 더욱이, 본래 α-알고리즘은 짧은 루프나 비로컬(non-local), 비자유(non-free) 선택 구조를 발견할 수 없다. 그럼에도 불구하고, α-알고리즘은 단순하며 많은 아이디어들이 더 복잡하고 강력한 기술에 내재되어 있다. 프로세스 발견 알고리즘의 초기 접근법은 로컬 검색이었고, 비자유 선택, 보이지 않는 작업 및 중복 작업과 같은 사소하지 않은 구성을 발견할 수 없었다.

글로벌 검색을 지원하는 유전 프로세스 마이닝은 de Medeiros 등(비특허문헌 3 참조)에 의해 개발되었다. 유전 프로세스 마이닝은 일반 유전 알고리즘과 유사한 4개의 주요 단계로, (a) 개시, (b) 선택, (c) 재생 및 (d) 종료가 있으며, 그 개념은 적절한 내부 표현의 정의, 적절한 적합도 측정 및 전체 검색 공간 커버를 보장하는 유전 연산자 등 세 가지 주요 관심사를 해결해야 한다. 유전 프로세스 마이닝은 직무 의존성을 나타내는 인과 행렬의 관점에서 검색 공간을 정의하며, 계산 시간의 상당한 개선을 위해 초기 개체군을 제공할 필요가 있다. 내부 표현을 지정하고 초기 개체군을 결정하면 적절한 적합도 함수가 요구된다. 적합도 함수는 개체(즉, 프로세스 모델)가 이벤트 로그의 동작을 얼마나 잘 재현할 수 있는지를 평가하고, 그 결과 알고리즘을 구동하여, 유전 연산자를 이용하여 각 세대의 새로운 개체를 구축한다. 유전 프로세스 마이닝은 노이즈와 불완전성을 처리할 수 있고 쉽게 채택 및 확장될 수 있기 때문에 유연하고 견고하다. 적합도 함수를 변경함으로써 특정 구성에 대한 선호도를 부여할 수 있다. 이러한 유전 프로세스의 장점에도 불구하고 대형 모델과 로그에는 효율적이지 않다. 허용 가능한 적합도를 가진 모델을 발견하는 데 매우 오랜 시간이 걸릴 수 있다.

Weijters 등(비특허문헌 25 참조)은 휴리스틱 마이닝이라고 하는 휴리스틱 기반의 프로세스 발견 방법을 개발하였다. 휴리스틱 마이닝은 직접적 의존성, 동시성 및 직접적이지 않은 연계성의 세 가지 유형의 활동과 이벤트 로그 사이의 관계에 관한 이벤트의 빈도를 취한다. 휴리스틱 마이닝의 기본 개념은 빈번하지 않은 경로를 모델에 통합해서는 안 된다는 것이다. 휴리스틱 마이닝은 이벤트 로그의 이벤트 간 종속 빈도를 사용하여 종속성 그래프(dependency graph)를 구성한다. 이 단계에서는 종속 임계값, 양의 관찰 임계값 및 최적 임계값에 대한 상대값의 세 가지 임계값 매개변수를 사용하여 노이즈와 낮은 빈도의 동작을 구별한다. 휴리스틱 마이닝의 주요 아이디어는 가장 높은 종속성 측정만을 고려하는 종속성 그래프에서 전제조건의 인과 행렬을 도출하는 것이다. 인과 행렬은 활동 간의 서로 다른 종속 관계를 구별하며, 결과적으로 AND/XOR-splits/joins를 성공적으로 식별하고 프로세스 모델에 나타낼 수 있다.

퍼지 마이닝은 주제도지도학(thematic cartography) 방법을 사용하여 프로세스에 대한 동적 뷰를 제공한다. 주제도지도학에서 주요 개념은 일반화인데, 시간이 지남에 따라 변할 수 있는 특정한 세부사항으로부터 추상화하는 것이다. 퍼지 마이닝에서는 두 가지 지표인 중요도와 상관관계가 확인된다. 중요도 지표는 이벤트 발생 빈도와 그 순서를 계산한다. 우선 관계가 자주 관찰될수록 더 중요하다. 상관관계 지표는 이벤트가 얼마나 밀접하게 관련되어 있는지를 측정하며, 그것은 그들이 공유하는 데이터나 액티비티 명칭의 유사성에 의해 측정될 수 있다. 프로세스 모델 생성에 있어 퍼지 마이닝은 중요하고 상관관계가 있는 이벤트의 정도에 기초하여 프로세스를 단순화한다. 즉, 중요도가 높은 동작은 유지되고, 동작이 매우 상관성이 높지만 중요도가 낮은 경우 이벤트가 클러스터로 집계되고, 동작의 상관성이 낮은 경우 배제된다. 이러한 측정을 바탕으로 이벤트 로그에 대한 뷰를 동적으로 생성할 수 있다. 이를 통해 분석자는 프로세스 모델의 특정 측면을 확대 및 축소할 수 있다.

차이 분석 프레임워크

본 항목에서는 도 2와 같이 프로세스 발견을 통해 운영 차이 분석을 위해 개발된 프로세스 분석 프레임워크를 소개한다. 프레임워크는 컨테이너 항만 정보 시스템의 데이터베이스로부터 이벤트 로그를 추출하여 CWs를 생성하고((1) 항목), 물류, 장비 및 시간의 세 가지 관점에서 계획된 CWs와 실제 CWs 간의 운영 차이를 분석하고((2) 항목), 분석 결과를 마련하여 운영 관리성을 추정한다((3) 항목)). 프레임워크는 CWs 세트를 위한 이벤트 로그를 추출하는 것으로 시작한다. CWs는 하기 표 1 및 표 2에 제시된 바와 같이, 수행된 컨테이너 처리 작업의 순서 형태로 생성된다. 생성된 CWs에는 계획된 작업 이력과 실제 작업 이력이 포함되며, 이 이력은 하위 항목에서의 프로세스 발견과 차이 감지에 모두 유용하다.

(1) 이벤트 로그 및 CWs 생성

제안된 프레임워크는 이벤트 로그의 추출에 프로세스 마이닝 기법을 활용하여 CWs를 생성하고, 이들의 운영 차이를 평가한다. 일반적으로 이벤트 로그는 케이스로 구성된 시스템 데이터베이스로부터 추출된 것이고, 여기서 케이스는 이벤트로 구성된다. 케이스에서 이벤트는 특별한 이벤트의 연속인 추적의 형태로 표현된다. 케이스는 속성을 가질 수 있고, 각각의 케이스에는 각 이벤트가 한 번만 나타나는 것과 같은 한정적인 이벤트 시퀀스인 특수한 의무적 속성 자취가 있다. 이벤트 로그는 케이스의 집합으로, 각 이벤트가 전체 로그에서 최대 한 번 나타난다. 이벤트 로그에 타임스탬프가 포함된 경우, 추적의 순서는 이러한 타임스탬프를 고려해야 한다(비특허문헌 23 참조).

프로세스 마이닝은 종종 "이력(history)", "감사 추적(audit trail)" 또는 "트랜잭션 로그(transaction log)"라고 불리는 시간 순서의 이벤트 시퀀스를 추출한다. 각 이벤트는 작업 또는 액티비티(즉, 프로세스에서 명확한 단계)을 말하며, 추출된 이벤트 로그는 "아이디(identification)", "액티비티(activity)", "시간(time)" 및 "자원(resource)"의 네 가지 속성으로 구성된다. "아이디"와 "액티비티" 속성은 각각 케이스와 이벤트를 가리킨다. 본 발명에서는 아이디, 액티비티, 시간 및 자원의 네 가지 속성은 각각 컨테이너 ID, 수행 작업, 작업 종료 시간 및 수행 장비를 말하며, 이들은 터미널 운영 시스템의 데이터베이스 실체이다.

CWs는 작업 종료 시간의 오름차순으로 각 컨테이너 ID의 수행된 작업을 배열하여 생성된다. 다음 작업은 이전 작업을 완료한 후에만 시작할 수 있으므로, 작업 종료 시간은 작업 순서를 만드는 유일한 요소이다. 속성을 바탕으로 추출한 샘플 이벤트 데이터인 상기 표 1의 예시적 이벤트 데이터를 활용하여 CWs의 생성 방법을 설명한다. 컨테이너 TCKU02의 경우, YardJobGateIn, QuayJobLoad 및 YardJobLoad의 3개의 작업이 포함되어 있다. 작업 종료 시간에 의해 해당 작업을 오름차순으로 정렬할 때 TCKU02의 컨테이너 CW는 하기 표 2에 제시된 바와 같이, YardJobGateIn → YardJobLoad → QuayJobLoad 가 된다.

(2) 차이 분석

개별 컨테이너는 계획된 또는 미리 정의된 워크플로우의 순서에 따라 처리되며, 사전 할당된 장비는 컨테이너 항만의 서브시스템을 통해 액티비티 처리를 수행한다. Bezerra 등(비특허문헌 5 참조)은 (i) 드물거나 빈번하지 않은 이벤트, (ii) 통상적인 변동 범위를 벗어난 상태, (iii) 예기치 않은 결과, 또는 (iv) 정상적인 형태나 규칙으로부터의 일탈과 같은 업무 프로세스에서 비정상적인 상황에 대한 일반적인 정의를 기술하였다. (i) 및 (ii)는 데이터베이스로부터 이벤트 데이터를 추출할 때 이벤트 데이터의 노이즈와 관련되며, (iii) 및 (iv)는 업무 프로세스의 예외적인 업무 실행과 관련된다. Beczerra 등이 제공하는 이상 상황(특히, 정의 (iii) 및 (iv))의 일반적 정의에 근거하여(비특허문헌 5 참조), 본 발명은 이 차이를 사전 할당된 장비로 계획된 워크플로우로 수행하지 않는 개별 컨테이너의 워크플로우로 간주한다. 세 가지 관리 요소에 대응하여, 프레임워크는 본 조사에서 많은 현장 운전자가 인정하는 가장 중요한 CW 차이인 물류, 장비 및 시간 차이의 세 가지 유형의 운영 차이를 감지한다. 물류 차이는 실제 CWs와 처리 프로세스에 따라 계획된 CWs의 유사성을 측정한다. 장비 차이는 사전 할당되지 않은 장비로 컨테이너를 처리할 때 CWs를 감지한다. 시간 차이는 CWs에 따른 액티비티 처리의 시간 차이를 측정한다.

물류 차이 분석

물류 차이는 계획된 CWs의 순서에서 액티비티 처리를 용이하게 하기 위하여 CW에 대한 운영 통제의 가능성을 이해하도록 한다. 물류 차이를 분석할 때 작업 벡터와 컨텍스트 벡터를 구축할 필요가 있다. 작업 벡터는 계획된 CW와 비교하여 실제 j 번째 CW의 동일한 작업의 유무를 감지하기 위해 사용되는 반면, 컨텍스트 벡터는 계획된 CW와 비교하여 j 번째 CW의 작업 순서를 감지하기 위한 것이다. 작업 벡터 및 컨텍스트 벡터는 0에서 1까지의 값의 형태로 결과를 나타낸다. 값이 1에 가까울 경우 j 번째 CW가 계획된 CW와 유사할 가능성이 높음을 의미한다. j 번째 CW의 작업 및 컨텍스트 벡터는 각각 하기 표 3 및 표 4의 두 가지 과정으로 구성될 수 있다.

작업 및 컨텍스트 벡터는 각각 매트릭스 (1×t) 및 (t×t)로 구성된다. A 및 T가 각각 계획된 CW의 작업 및 컨텍스트 벡터가 되도록 하고,

는 계획된 CW의 d 번째 및 d 번째 작업 사이의 요소가 되도록 한다. ∧ 및 ∨는 각각 'and' 및 'or'를 나타낸다. j 번째 CW에 대한 물류 차이는 하기 알고리즘 3으로 계산될 수 있다. 계획된 CW의 작업 및 컨텍스트 벡터도 각각 위의 두 가지 과정에 따라 계산될 수 있다.

[알고리즘 3]

및

는 각각 작업 및 컨텍스트를 이용하여 유사도를 측정하기 위한 것이다. 유사도는 차이의 역개념이라는 점에 유의한다. 도 3은 CWs 1 및 2의 물류 차이의 예를 보여주고 있다. 계획된 CW는 순차적으로 작업 1, 2, 3, 4로 구성되며, CW1 및 CW2는 순차적으로 작업 1, 2, 3 및 작업 1, 3, 2, 4, 5로 구성된다. 계획된 CW과 비교하여 CW1 및 CW2의 워크플로우 차이는 CW1에는 작업 4가 없고, CW2에는 작업 시퀀스가 다른 추가 작업 5가 있다는 것이다.

계획된 CW의 작업 집합과 CW1 및 CW2의 합집합은 각각 N ₁ ={1, 2, 3, 4} 및 N ₂ ={1, 2, 3, 4, 5}가 될 수 있다. 계획된 CW의 모든 작업이 N ₁ 의 요소로 포함되므로, N ₁ 과 비교한 계획된 CW(A)의 작업 벡터는 {1, 1, 1, 1}이 될 수 있다. 마찬가지로, N ₁ 에 4가 있지만 CW1에는 없기 때문에 N ₁ 과 비교한 CW1(A1)의 작업 벡터는 {1, 1, 1, 0}이 될 수 있다. 계획된 CW에 작업 5가 없으므로 N ₂와 비교한 계획된 CW(A)의 작업 벡터는 {1, 1, 1, 1, 0}이 될 수 있다. 마찬가지로, CW2에 있는 모든 작업이 N ₂ 의 요소로 포함되므로 N ₂ 와 비교한 CW2(A2)의 작업 벡터는 {1, 1, 1, 1, 1}이 될 수 있다.

계획된 CW와 CW1을 비교할 때 A 및 A ₁ 의 교집합 및 합집합 요소의 수를 각각 구한다. 즉, A ∩A ₁ = 3 및 A ∪ A ₁ = 4 이다. 동일한 방식으로 계획된 CW를 CW2와 비교하면, A 및 A ₂ 의 교집합 및 합집합 요소의 수는 A ∩ A ₂ = 4 및 A ∪ A ₂ = 5로 구해진다. 계획된 CW에서는 작업 간 1, 2 및 3회 전환이 각각 {1→2, 2→3, 3→4}, {1→3, 2→4} 및 {1→4}에서 발생하였다. CW1에서는 작업 간 1 및 2회 전환이 각각 {1→2, 2→3} 및 {1→3}에서 발생하였다. CW2에서는 작업 간 1, 2, 3 및 4회 전환이 각각 {1→3, 3→2, 2→4, 4→5}, {1→2, 3→4, 2→5}, {1→4, 3→5} 및 {1→5}에서 발생하였다. 계획된 CW, CW1 및 CW2에서 작업 간의 전환을 인식함으로써, 도 3과 같이 컨텍스트 벡터(T, T ₁ , T ₂ )를 구한다.

은 T 및 T1의 모든 요소의 합으로 계산되기 때문에 6.833(=1 + 1/2 + 1/3 + 1 + 1/2 + 1 + 1 + 1/2 +1)이다.

은 T 및 T1에서 모두 0이 아닌 요소의 합으로 계산되기 때문에 5(=1 + 1 + 1/2 + 1/2 + 1 + 1)이다. 같은 방법으로,

및

는 각각 10.75(=1 + 1/2 + 1/2 + 1 + 1/2 + 1 + 1/2 + 1 + 1/3 + 1/4 + 1 + 1/2 + 1 + 1/2 + 1/3 + 1) 및 6.667(=1 + 1/2 + 1/2 + 1 + 1/3 + 1/3 + 1/2 + 1 + 1 + 1/2)로 계산된다. CW1 및 CW2의 물류 차이는 각각 0.74 및 0.71로 구해진다. 따라서, CW1은 작업 구조 면에서 CW2와 비교하여 계획된 CW와 더 유사할 가능성이 있다.

장비 차이 분석

장비 차이로 액티비티 처리를 수행할 때 작업(CWs에 따른 컨테이너)과 장비 사이의 계획된 할당을 확인할 수 있도록 한다. 장비 차이는 하기 알고리즘 4에 의해 감지된다. [t]는 j 번째 CW의 작업 수이고, D는 계획된 CW의 작업 집합이고,

는 j 번째 CW의 d 번째 작업의 수행 장비이고, m _d 는 계획된 CW의 d 번째 작업의 장비이다.

[알고리즘 4]

도 4는 CWs 1 및 2의 장비 차이의 예를 보여주고 있다. CW1의 수행된 장비는 계획된 CW의 장비와 동일하지만, CW2는 계획된 CW와 비교하여 2대의 다른 장비(Vehicle 07 및 RMG 04)가 있다. 따라서, MD1 및 MD2는 각각 1 및 0.5로 계산된다. 요컨대, CW1은 수행된 장비의 관점에서 CW2보다 계획된 CW와 더 유사하다고 간주된다.

시간 차이 분석

시간 차이는 할당된 장비가 CWs에 따라 컨테이너에 대한 액티비티 처리를 수행할 때 처리 효율을 확인할 수 있도록 한다. 시간 차이는 계획된 실행 시간과 비교하여 실제 컨테이너 처리 시간의 차이를 측정한다. ET가 계획된 CW의 예상 실행 시간이 되도록 하고, ET _j 는 j 번째 CW의 시간 차이, D _j = {nd ₁ , nd ₂ , ···, nd _t }는 j 번째 CW의 작업 집합, S _dj 및 E _dj 는 각각 j 번째 CW에서 d 번째 작업의 시작 시간 및 종료 시간이 되도록 한다. j 번째 CW의 실제 작업 시간은

로 계산되며, ET _j 는 하기 알고리즘 5로 계산될 수 있다.

는 실제 작업 시간이 계획된 시간 도과 여부에 따라 음 또는 양의 값을 가지며, 큰 양의 상수를 더하면 항상 양의 값을 갖는다. LP는 큰 양의 값이다.

가 ET와 같으면 LP는 그 값을 유지하게 되고, 그렇지 않으면

와 ET의 차이만큼 줄어든다. 물류 및 장비 차이와 같이, 시간 차이도 0과 1 사이에 평준화한다. 값이 1에 가까울 경우, 실제 컨테이너 처리 시간은 계획된 실행 시간과 보다 유사한 것으로 간주된다는 것을 의미한다.

[알고리즘 5]

(3) 통계 분석을 통한 관리성 평가

운영 차이의 분석 결과는 하기 표 5와 같은 분할표의 형태가 될 수 있다. 분할표를 구성할 때, 관심이 되는 범주의 변수들 간의 통계적 상호의존성을 추정할 수 있다(비특허문헌 2 참조). 차이 감지 결과에 기초하여, (로컬) 승산비는 운영 차이 전반에 걸쳐 선사의 운영 관리성을 적절하게 추정할 것이다.

선사 1이 물류 차이를 가질 확률

은

로 나타낸다. 선사 1의 장비 및 시간 차이에 대해서는 각각

및

로 나타낸다. n ₁₁ , n ₁₂ 및 n ₁₃ 은 각각 선사 1의 물류, 장비 및 시간 차이에 대해 관찰로 감지된 수를 나타내고, n ₁ 은 n ₁₁ , n ₁₂ 및 n ₁₃ 의 합을 나타낸다.

> 1.0 일 경우, 선사 1의 운영 프로세스는 다른 차이보다 물류 차이를 가질 확률이 더 높다. 선사에 대한 시간 및 장비의 차이도 마찬가지이다.

선사들 사이의 상대적 연관성과 관련하여, 승산비가 유용한 함의를 제공할 것이다. 선사 1및 2의 물류 차이에 대한 상대적 연관 정도는 승산비

로 나타낸다. 즉, 선사 1의 물류 차이가 발생할 확률은 선사 2보다

배 더 높다.

의 값이 1.0에서 멀리 있을 때, 선사 1에서 물류 차이에 대한 연관 정도가 더 큰 것을 알 수 있다.

로컬 승산비는 선사 및 차이 사이의 함의를 추정하는 데 적합하다.

는 선사 1에 대한 비차이(non-discrepancy) 대신 물류 차이가 발생할 확률이 선사 2에 대하여

배로 추정된다는 것을 의미한다. 이와 유사하게,

를 통해 선사 1에 대한 장비 차이 대신 물류 차이가 발생할 확률이 선사 2에 대하여

배로 추정될 수 있다.

실험예

6개월 이상 4개 선사의 정기 선박에 대한 실제 데이터셋을 한국 컨테이너 항만으로부터 수집하였다. 하역, 선적, 게이트 인 및 게이트 아웃 프로세스와 관련된 이벤트 로그를 추출할 때 이벤트 로그로부터 약 18,620 건의 이벤트를 획득하고, 항만에 도착할 때 평균 4척의 컨테이너 선박으로부터 1,233 건의 CWs가 생성된다. 실증실험에 있어, 보관공간 할당 및 QC 작업일정이 준비되고, 개별 컨테이너의 워크플로우 등을 참조해야 한다고 상정한다. 각 QC에는 개별 컨테이너의 적재(하역) 순서와 선박의 지정된 위치로 구성된 작업 일정이 있다. 일반적으로 한국의 컨테이너 항만은 적재 및 하역 작업 시 QC에 3~4대의 차량을 할당한다는 점에 유의한다. 재정리(remarshalling) 및 일반관리(housekeeping) 작업은 작업 과정의 단순화를 위해 제외된다. YCs는 야드 블록에서 주로 도로 트랙과 차량이 요구하는 다양한 종류의 작업을 처리하기 때문에, 컨테이너 처리에 YC를 명시하지 않는다.

도 5는 관리된 CW라고 하는 컨테이너 항만에서 관리되는 단순화된 CW를 보여주고 있다. 이벤트에는 게이트 인(GF), 하역(GD), 시프트를 위한 하역(SD), 하역을 위한 리프트 오프(DF), 베이 시프트 오프(YY), 다른 블록 또는 구역 시프트(YO), 다른 블록 또는 구역 시프트 오프(YF), 게이트 아웃을 위한 리프트 온(GO), 선적을 위한 리프트 온(LO), 선적(GL) 및 시프트를 위한 선적(SL)을 위한 야드 작업이 포함된다. 일반적으로, 개별 컨테이너는 사전에 할당된 장비(관리된 CWs와 동일)로 계획된 워크플로우에 따라 처리된다. 다만, 전술한 바와 같이, 사전에 워크플로우를 정확하게 정의했더라도 (실제) 수행된 워크플로우가 관리된 CWs에 비해 다양할 수 있다. 이는 프로세스 마이닝을 통해 이벤트 로그로부터 CWs를 발견하고 관리된 CWs와 비교함으로써 쉽게 확인할 수 있다.

도 6은 계획된 작업과 실행된 작업 간의 차이 분석의 필요성과 이러한 차이 발생의 원인을 보여주고 있다. 도 6은 휴리스틱 마이닝을 사용하여 파악된 CWs를 나타낸다. 휴리스틱 마이닝은 각 노드가 이벤트를 나타내는 종속성 그래프 구조를 가지고 있다. 노드 번호는 해당 노드에서 발생하는 총 이벤트 수(예컨대, GD는 14,202회 발생), 호의 숫자는 두 이벤트 사이에 발생하는 흐름(예컨대, GD와 DF 사이에 4,157회 발생) 및 호 사이의 신뢰성 의존도(예컨대, GD와 DF 사이에 신뢰성 의존도가 0.998)을 나타낸다. 이벤트 간 신뢰성 의존도는 두 이벤트 사이의 양 및 음의 발생률의 차이를 양 및 음의 발생률에 1을 더한 값으로 나눈 값으로 계산한다(Weijters et al. 2006). 도 6에서는 관리된 CW에서는 설명할 수 없는 3개의 비정상적인 CWs를 감지할 수 있었다(이는 차이로 볼 수 있다). 붉은 점선은 비정상적인 CWs를 나타낸다. 예를 들어, DF 및 SL 사이의 연결은 관리된 CWs에는 나타나지 않는 반면, 파악된 CW에는 나타난다(②로 표시). DF 및 SL의 연결은 일부 컨테이너가 야드로부터 픽업 없이 QC에 의한 시프트를 위해 적재되었음을 나타낸다. 이 컨테이너들은 일반 야드에서 적재되는 대신 QC 하에 적재되었다.

물류, 장비 및 시간 차이는 상기 알고리즘 3 내지 5에 의해 계산되며, 이에 대한 기술 통계를 하기 표 6에 나타내었다. 100 분(minutes)의 큰 양의 값(LP)을 사용하여 시간 차이를 감지한다는 점에 유의한다. 세 가지 유형의 차이에 대한 감지 수준은 바람직한 탄력성 기준에 따라 결정된다. 탄력성 기준이 높을수록 감지 수준이 높아진다. 예를 들어 탄력성 기준으로 1.0을 적용할 때 CW에 대해 계획된 프로세스와 실제 프로세스 간의 차이(difference)가 차이(discrepancy)로 계산된다. 도 7 내지 9에서 볼 수 있듯이, 감지된 차이의 관찰은 탄력성 기준을 낮출 때 분명히 감소한다.

하기 표 7은 탄력성 기준을 1.0으로 했을 때 선사 1, 2, 3의 선박에서 물류, 장비 및 시간 차이가 발생할 확률을 나타내고 있다. 하기 표 7의 승산비 추정에 따르면, 특히, 선사 1은 선사 4보다 물류 차이가 발생할 확률이 1.032배 높은 반면, 선사 4의 시간 차이가 발생할 확률은 선사 1의 1.053배 높다. 한편, 선사 2는 물류 및 장비 차이가 발생할 확률이 선사 3보다 각각 1.105배 및 1.444배 높다.

하기 표 8은 추정된 승산비에 기초하여 탄력성 기준에 대한 선사 순위, 즉, 상대적인 연관도를 서로 비교할 때, 차이를 토대로 한 선사 순위를 나타내고 있다. 1.0의 탄력성 기준으로, 가장 높은 차이로부터 가장 낮은 차이로의 순위는 선사 2, 3, 1, 4 로 나타났다. 장비 및 시간 차이에 대해서도 유사하게 설명된다. 장비 및 시간 차이는 각각 선사 2, 1, 4, 3 및 선사 4, 3, 1, 2 순위로 나타났다.

항만 운영자가 높은 탄력성 기준(즉, 0.98~1.00의 탄력성 기준)을 갖는 선박에 대한 CWs의 운영 프로세스를 통제할 때, 선사 2의 선박에 대해서는 컨테이너의 워크플로우와 작업-장비 할당을, 선사 4의 선박에 대해서는 항만에서의 단위 장비의 처리 효율에 대해 보다 주의를 기울일 것을 권고한다. 탄력성 기준을 낮출 경우(즉, 0.97의 탄력성 기준)에는 운영자가 선사 1의 선박에 대해서는 CWs의 운영 프로세스 통제 및 단위 장비의 처리 효율을, 선사 2의 선박에 대해서는 작업 장비 할당에 더 많은 주의를 기울일 것을 권고한다.

하기 표 9는 선사 전체의 상대적 연관도 및 로컬 승산비 추정을 통한 세 가지 유형의 차이로서, 탄력성 기준이 1.0으로 설정되었을 때 선사 1, 2, 3의 선박이 서로 다른 선박에 대하여 다른 유형의 차이 대신에 물류, 장비 및 시간 차이를 가질 확률을 나타내고 있다. 선사 1에서 장비 및 시간 차이 대신 물류 차이가 발생할 확률은 선사 3에서보다 각각 0.791배 및 0.945배 높은(0.209배 및 0.055배 낮은) 반면, 선사 1에서 시간 차이 대신 장비 차이가 발생할 확률은 1.195배 높은 것으로 추정된다. 한편, 선사 3에서 장비 및 시간 차이 대신 물류 차이가 발생할 확률은 선사 4에서보다 각각 1.261배 및 1.113배 높은 반면, 선사 3에서 시간 차이 대신 장비 차이가 발생할 확률은 선사 4에서보다 0.883배 높은(0.117배 낮은) 것으로 추정된다. 이는 선사 1의 선박에 비해 선사 3의 선박에서 작업 장치 할당이나 단위 장치 효율보다는 CWs에 대한 운영 통제에 대한 운영자의 주의가 필요하지만, 관리 프로세스의 초점은 선사 3에 비해 선사 1의 선박에서 단위 장치 효율로부터 작업 장비 할당으로 옮겨갈 것으로 기대된다는 것을 의미한다. 그럼에도 불구하고, 선사 3의 선박은 선사 1의 선박이 선사 4의 선박보다 단위 장비 효율 대신 작업 장비 할당 관리에 더욱 집중하도록 하게 할 가능성이 높다. 선사 3의 선박은 선사 1의 선박이 단위 장비 효율 대신 CWs의 운영 통제 관리에 덜 집중하도록 하게 할 가능성이 높으나, 선사 4의 선박은 선사 1의 선박이 같은 관리에 더욱 집중하도록 하게 할 가능성이 높다.

이전의 분석에서는 탄력성 기준의 극한을 설정하였다. 탄력성 기준을 낮추면 운영 차이가 발생할 가능성이 낮아질 것으로 예상된다. 그러나, 낮은 탄력성 기준은 운영 차이에 대한 항만의 높은 준비성으로 해석될 수 있다. 탄력성 기준의 수준은 또한 선사에 대한 운영 관리성을 추정하는 데 중요할 수 있다. 도 10 내지 12는 선사 1의 관점에서 탄력성 기준에 대한 세 가지 유형의 차이에 대한 추정 로컬 승산비 변화를 나타낸다. 추정 승산비는 도 7 내지 9에서 도출된 차이의 관찰에 크게 의존한다. 특히, 선사 2의 선박에서 단위 처리 효율(시간 차이) 대신 작업 장비 할당(장비 차이)과 일치하지 않을 확률은 항상 선사 1의 선박의 경우보다 높고, 일반적으로 탄력성 기준을 낮출 때 더 높아진다(도 10). 이러한 증가 경향은 선사 2의 선박보다 선사 1의 선박에서 덜 효율적인 단위 처리(시간 차이)가 더욱 관찰되는 것에서 비롯된다. 또한, 덜 효율적인 단위 처리(시간 차이)의 관찰에서, 선사 2의 선박의 감소율은 작업 장비 할당(장비 차이)이 일치하지 않는 경우보다 평균 25% 높다. 도 12에서 변동 확률은 선사 1의 선박에서 관찰은 꾸준히 감소하지만 장비 및 시간 차이의 관찰은 단계적으로 감소하는 것에서 비롯된다.

운영 프로세스 상의 컨테이너 흐름을 효율적으로 관리함으로써 운영 성과를 달성할 수 있기 때문에, 실제 CWs가 운영 프로세스에 따라 계획되어 있는 CWs를 얼마나 가깝게 따르고 있는지를 측정하는 CWs의 운영 차이를 통제하는 것이 중요하다. 운영 차이는 물류, 장비 및 시간 차이의 세 가지 관리 요소로 구분되었으며, 이들 세 가지 관리 요소를 추정하여 운영 관리성을 측정할 수 있었다. 제안된 프로세스 마이닝 접근법은 이벤트 로그로부터 CWs의 운영 차이를 발견하고, (로컬) 승산비 추정 모델은 관리 요소의 관점에서 운영 관리성을 추정한다.

본 발명의 실험예는 4개 선사에 대한 컨테이너 항만의 실제 데이터셋을 사용하여 수행되었다. 비교 결과는 다른 선사들이 운영 차이를 통제하기 위해 관리 요소에 의해 구성되는 다른 수준의 운영관리성을 필요로 한다는 것을 보여준다. 탄력성 기준은 운영 차이 감지에 유효하며, 차이 관찰의 상대적인 비율 때문에 선사들 간의 추정 운영 관리성이 다양하였다.

이상 설명된 본 발명의 일 실시예에 따른 탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이나 컴퓨터 소프트웨어 분야의 당 업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크, 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상으로 본 발명의 바람직한 실시예를 도면을 참고하여 상세하게 설명하였다. 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다.

따라서, 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미, 범위 및 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims

컨테이너 워크플로우 분석을 통한 선사 운영 관리성 평가 방법으로,
컨테이너 항만 정보 시스템의 데이터베이스로부터 이벤트 로그를 추출하여 컨테이너 워크플로우를 생성하는 단계; 및
계획된 컨테이너 워크플로우와 실제 컨테이너 워크플로우 간의 운영 차이를 파악하는 단계;를 포함하되,
상기 이벤트 로그는 컨테이너 ID를 나타내는 아이디 속성, 수행 작업을 나타내는 액티비티 속성, 작업 시간을 나타내는 시간 속성 및 수행 장비를 나타내는 자원 속성을 포함하고,
상기 컨테이너 워크플로우의 구성요소로, 상기 수행 작업에 관한 물류 요소, 상기 수행 장비에 관한 장비 요소 및 상기 작업 시간에 관한 시간 요소를 포함하는 탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법.
제1항에 있어서,
상기 물류 요소는 상기 수행 작업의 종류 및 순서에 관한 것이고, 상기 장비 요소는 상기 수행 장비의 할당에 관한 것이고, 상기 시간 요소는 작업 종료 시간에 관한 것인 탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법.
제2항에 있어서,
상기 물류 요소의 차이는 (1×t) 행렬로 표시되는 작업 벡터 및 (t×t) 행렬(이상의 행렬에서, t는 계획된 컨테이너 워크플로우 작업 및 실제 컨테이너 워크플로우 작업의 합집합의 원소의 개수)로 표시되는 컨텍스트 벡터의 연산으로 구해지는 것을 특징으로 하는 탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법.
제3항에 있어서,
상기 작업 벡터는 하기 알고리즘 1에 따라 결정되고, 상기 컨텍스트 벡터는 하기 알고리즘 2에 따라 결정되는 것을 특징으로 하는 탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법:
[알고리즘 1]

알고리즘 1에서, j는 컨테이너 워크플로우의 인덱스이고, N _j 는 계획된 컨테이너 워크플로우 작업 및 실제 컨테이너 워크플로우 작업의 합집합이고, d는 N _j 의 작업 인덱스(d=1, ···, t)이고, A _j 는 j 번째 컨테이너 워크플로우의 작업 벡터이고, nd _d 는 d 번째 작업이고,
는 j 번째 컨테이너 워크플로우에서 d 번째 작업의 성분이고,
[알고리즘 2]

알고리즘 2에서,
는 j 번째 컨테이너 워크플로우에서 d 번째 및
번째 작업 사이의 성분이고,
는 j 번째 컨테이너 워크플로우에서 d 번째 및
번째 작업 사이의 작업 전환 수이고, T _j 는 j 번째 컨테이너 워크플로우의 컨텍스트 벡터이다.
제4항에 있어서,
상기 작업 벡터 및 상기 컨텍스트 벡터의 연산은 하기 알고리즘 3에 따라 수행되는 것을 특징으로 하는 탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법:
[알고리즘 3]

알고리즘 3에서, ∧는 및(and)이다.
제2항에 있어서,
상기 장비 요소의 차이는 하기 알고리즘 4에 따라 결정되는 것을 특징으로 하는 탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법:
[알고리즘 4]

알고리즘 4에서, [t]는 j 번째 컨테이너 워크플로우의 작업 수이고, D는 계획된 컨테이너 워크플로우의 작업 집합이고,
는 j 번째 컨테이너 워크플로우의 d 번째 작업의 수행 장비이고, m _d 는 계획된 컨테이너 워크플로우의 d 번째 작업의 장비이다.
제2항에 있어서,
상기 시간 요소의 차이는 하기 알고리즘 5에 따라 결정되는 것을 특징으로 하는 탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법:
[알고리즘 5]

알고리즘 5에서, ET는 계획된 컨테이너 워크플로우의 예상 실행 시간이고, ET _j 는 j 번째 컨테이너 워크플로우의 시간 차이이고, [Dj = {nd ₁ , nd ₂ , · ··, nd _t }]는 j 번째 컨테이너 워크플로우의 작업 집합이고, Sd _j 및 Ed _j 는 각각 j 번째 컨테이너 워크플로우에서 d 번째 작업의 시작 시간 및 종료 시간이고, LP는 ET _j 가 양이 되도록 하는 양의 값이다.
제1항 내지 제7항 중 어느 한 항에 있어서,
상기 파악된 운영 차이로부터 컨테이너 워크플로우의 상기 각 구성요소가 차이를 가질 확률로 나타내고, 선사의 상대적 연관 정도를 비교하여 각 선사의 운영 관리성을 추정하는 단계;
를 더 포함하는 것을 특징으로 하는 탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법.
제8항에 있어서,
상기 각 구성요소가 차이를 가질 확률은 하기 수학식 1로 나타내는 것을 특징으로 하는 탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법:
[수학식 1]

수학식 1에서,
는 선사(s)의 구성요소(e)가 차이를 가질 확률이고, n _se 는 s 선사의 e 구성요소의 차이이고, n _s 는 s 선사의 구성요소 차이의 합이다.
제9항에 있어서,
상기 선사의 상대적 연관 정도는 하기 수학식 2의 승산비(odds ratio)로 나타내는 것을 특징으로 하는 탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법:
[수학식 2]

수학식 2에서,
는 m 선사에 대한 l 선사의 구성요소(e)의 승산비이고,
는 l 선사의 구성요소(e)가 차이를 가질 확률이고,
는 m 선사의 구성요소(e)가 차이를 가질 확률이다.
제9항에 있어서,
상기 선사의 상대적 연관 정도는 하기 수학식 3의 승산비(odds ratio)로 나타내는 것을 특징으로 하는 탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법:
[수학식 3]

수학식 3에서,
는 m 선사에 대한 l 선사의 p 구성요소 대신 q 구성요소가 차이를 가질 확률에 관한 승산비이고, n _lq 는 l 선사의 q 구성요소의 차이이고, n _lp 는 l 선사의 p 구성요소의 차이이고, n _mq 는 m 선사의 q 구성요소의 차이이고, n _mp 는 m 선사의 p 구성요소의 차이이다.
제8항에 있어서,
상기 운영 차이를 파악하는 단계는, 1 이하의 탄력성 기준을 부여하여 탄력성 기준이 낮을수록 구성요소의 차이가 같거나 감소하도록 하는 알고리즘을 적용하는 단계를 포함하는 것을 특징으로 하는 탄력적 항만 운영을 위한 선사 운영 관리성 평가 방법.
제8항의 방법을 실행하기 위한 컴퓨터 프로그램.
제8항의 방법을 실행하기 위한 컴퓨터 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체.