📦 개인화 컨테이너 모니터링 및 혼잡도 예측 시스템 (작성중)

서비스 설명

• 광양항 서부 컨테이너터미널 홈페이지에서 공개중인 컨테이너 반출입데이터 중 2025년 1월 1일 ~ 2025년 7월 29일까지의 데이터를 학습하고 최근 데이터를 통해 현재 장치장에 거치되어있는 컨테이너중 사용자의 회사 소유 컨테이너를 조회하는 기능과 장치장 상황을 공지하고 이후 상황을 예측하려는 시스템

---

실행 방법

1. API Key 설정

• env파일 생성
• OPENAI_API_KEY='자신의 api key 입력'
• .gitignore 파일에 .env 삽입

2. 주요 라이브러리

• fastapi=0.112.1
• pydantic=2.8.2
• tensorflow=2.19.0 #모델 학습에 사용한 버전으로 다른버전 사용 시 에러발생할수도 있음
• keras=3.10.0 #모델 학습에 사용한 버전으로 다른버전 사용 시 에러발생할수도 있음
• numpy=2.3.2 #tesnorflow와 호환버전
• pandas=2.1.3 #numpy와 호환버전
• scikit-learn #numpy와 호환버전
• typing

3. FastAPI 실행

• uvicorn app:app --reload

프로젝트 구조

📂 container_monitoring(root)
 ├── data/              # 전처리 전 CSV데이터
     └──터미널 반출입 목록조회_GUEST_2025-08-07_111836.csv
 ├── models/            # 학습된 모델 파일(.h5)
     └── best_lstm_model.h5
 ├── notebooks/         # 분석 및 실험용 Jupyter 노트북 (미정)
 ├── src/               # FastAPI/React 등 구현 코드
 ├── .env               # openai의 api키 삽입 등의 환경변
 ├── .gitignore
 ├── affiliation_api.py # 사용자의 소속에 맞는 컨테이너의 상황만 필터링 하여 출력
 ├── app.py             # FastAPI 어플리케이션 정의 및 데이터 전처리, 예측 실행
 ├── llm_summary.py     # 예측된 내용을 바탕으로 이후 상황을 브리핑해주는 생성형 ai
 ├── occupancy_calculator_functional.py # 현재 장치장 점유율의 상황을 계산
 ├── README.md
 └── requirements.txt   # Python 의존성

데이터 전처리

사용한 컬럼명 : 선사, 컨테이너번호, 상태, 운송유형(반입/반출), 터미널 반입/반출일시, 장치장위치

• 광양항 서부 컨테이너터미널 홈페이지 E-service 에서 공개하고 있는 터미널 반출입 목록을 엑셀형태로 2025년 1월 1일~ 2025년 7월 29일까지의 데이터를 약 2주간격으로 다운받은 후 csv파일로 다시 저장하여 pandas를 이용해 데이터프레임으로 로드
• df.columns = df.columns.str.strip() 실행을 통해 컬럼 명에 있는 공백을 모두 제거
• 데이터프레임 merge 후 컨테이너번호와 터미널 반입일시가 같은 데이터를 중복데이터로 간주하고 제거 (총 데이터 610,631건) -> 이렇게 하는 이유는 데이터를 일정간격으로 여러번 다운로드 받으면서 컨테이너의 반입일시와 반출일시 사이의 간격이 긴 경우 중복되는 데이터가 있었기 때문
• 터미널 반입일시로부터 반출일시까지를 계산하고 해당 데이터가 어떤 장치장에 거치되어있었는지를 시계열 데이터로 전환
• 기준시간 30분 간격으로 전체 장치장에 얼마나 컨테이너가 있었는지를 학습

사용한 모델

• LSTM
• LSTM + CNN
• 모델 선정 이유 : LSTM은 시계열 의존성을 학습 가능한 모델로써 하루 단위의 패턴, 주말/평일 패턴 등의 장기적인 반복성을 효과적으로 학습할 수 있음 CNN 모델을 결합하면서 특정 시간대에 집중되는 반출입이나 갑작스러운 점유율 급상승등의 단기 패턴을 학습할 수 있음. CNN이 먼저 특징을 압축하고 LSTM이 특징을 시간흐름에 맞춰 학습하게 되면서 성능향상과 동시에 계산량이 줄어 학습속도 향상과 불필요한 노이즈를 줄일수 있게 됨

📊 모델 성능 요약

모델 구성	MAE	R2 SCORE
LSTM	0.016	-21.1183
CNN + LSTM	0.0142	-6.1511
CNN + LSTM_10min	0.0003	0.9991

• 최종 선택한 모델은 CNN + LSTM_10min

• CNN + LSTM 과 CNN + LSTM_10min의 차이점은 앞서 생성한 시계열데이터를 30분 단위를 기준으로 정한 것과 10분 단위를 기준으로 정한 것의 차이

• 최초 LSTM만 사용했을 때보다 CNN을 결합한 모델에서 약 11% 성능향상이 있었고 R2 스코어도 음수였지만 데이터 패턴을 더 잘 반영하기 시작했음

• 단위 시간을 10분으로 더 세분화 한 모델에서 MAE의 비약적인 성능향상과 함께 R2 스코어가 1에 가까운 모습을 보였음

  기준 시간을 더 줄여보려고 했으나 gpu 메모리가 부족했음. 더 좋은 gpu가 있다면 기준시간을 더 줄여 학습하여 더 높은 성능을 낼 수 있을것으로 예상

---