📦 컨테이너 반입량 예측 AI 서비스

📝 서비스 설명

본 서비스는 과거 5년간의 일별 컨테이너 반입 건수와 해당 날짜의 기상 데이터(평균 기온, 최저 기온, 최고 기온, 강수량, 풍속, 습도)를 기반으로 학습한 회귀 모델을 통해 당일을 포함한 8일치의 컨테이너 반입 건수를 예측하는 AI 서비스입니다.

OpenWeatherMap API를 활용하여 실시간 날씨 예측 데이터를 수집하며, 해당 데이터를 바탕으로 향후 8일간의 물동량 수요를 예측합니다.

---

🚀 실행 방법

1. API Key 설정

   • 프로젝트 루트 디렉토리에 .env 파일 생성 후 아래와 같이 입력 API_KEY=your_openweathermap_api_key

2. 필요 라이브러리 설치

pip install -r requirements.txt

3. FastAPI 실행

uvicorn main:app --reload

---

📊 모델 성능 요약

모델 구성	MAPE (%)
LightGBM 단독	38.64
LightGBM + CatBoost + MLP (Optuna X)	37.11
LightGBM + CatBoost + MLP + Optuna	35.32
✅ 최종 모델 (Optuna + Feature/Outlier 제거 + Grid Search)	24.56

• 최종 선택한 모델은 Optuna를 활용한 LightGBM + CatBoost + MLP 앙상블에, 불필요한 Feature 제거, 이상치 제거, Grid Search 기반 가중치 최적화를 적용한 모델입니다.

• Optuna만을 적용했을 때는 MAPE가 35.32% 로 다소 아쉬웠지만, Feature 및 이상치 제거, 가중치 튜닝을 추가로 수행한 결과 MAPE 24.56%로 약 10%의 성능 향상을 이루었습니다.

• 특히, 이상치 제거가 성능 개선에 가장 크게 기여한 것으로 분석되었습니다.

⚠️ 진행 과정 및 한계

🔸 단일 모델 성능의 한계

• LightGBM 단독 모델의 성능은 MAPE 38.64% 로 낮은 정확도를 보임

  → 단일 모델의 한계 존재

🔸 단순 앙상블의 한계

• LightGBM + CatBoost + MLP 앙상블 적용에도 불구하고 MAPE 37.11%

  → 모델 간 상호 보완성이 충분하지 않았음

🔸 Optuna 도입의 효과

• 각 모델에 Optuna를 이용한 하이퍼파라미터 최적화 적용

  → MAPE 35.32% 로 성능 일부 향상

🔸 최적화 기법 도입으로 성능 향상

• Feature 중요도 분석을 통해 중요도가 낮은 변수 제거

• 타겟 이상치 제거로 모델 안정성 개선

• Grid Search를 통한 앙상블 가중치 최적화

  → 최종적으로 MAPE 24.56% 도달

---

✅ 결론

• 단순 앙상블보다는 하이퍼파라미터 튜닝, Feature 선택, 이상치 제거 등 데이터 기반 전처리와 구조적 최적화가 더 큰 성능 향상을 이끌었음

• 이상치 제거가 전체 성능 향상에 가장 크게 기여

---

📉 파생 변수 기반 실험 (참고용)

다음과 같은 시계열 및 그룹 통계 기반 파생 변수를 추가하여 딥러닝 모델을 학습했을 경우, MAPE 2.95% 로 매우 높은 성능을 기록했습니다.

사용된 주요 파생 변수:

• 전일 입고 물량

• 최근 3일간 평균 입고 물량 (전일 기준)

• 최근 7일간 평균 입고 물량 (전일 기준)

• 전일 대비 입고 물량 증감

• 전일 대비 입고 물량 증감률

• 일주일 전 대비 입고 물량 증감

• 요일별 평균 입고 물량

• 월별 평균 입고 물량

⚠️ 그러나 해당 변수들을 생성하기 위한 과거 시계열 데이터 확보가 어려워 실제 모델에는 적용하지 못했습니다. 📈 추후 관련 데이터를 제공하는 API가 확보될 경우, 위 파생 변수를 활용한 고성능 모델 적용이 가능할 것으로 기대됩니다.

---

📮 향후 개선 방향

• 물류 및 항만 운영 관련 외부 API 연동 검토

• 실시간 예측 결과를 활용한 자동 물류 계획 추천 기능 추가

• 서버리스 환경 배포(AWS Lambda 등) 및 모바일 클라이언트 연계