Previsione dei flussi di container in un terminale marittimo attraverso reti neurali: studio del processo di import del terminale PSA Genova Pra’

Abstract

Il presente elaborato si concentra sull'analisi predittiva dei flussi di container mediante l'utilizzo di reti neurali, analizzando il processo di importazione del terminal PSA Genova Pra' come caso di studio, nodo cruciale nella rete logistica marittima del Mediterraneo settentrionale. Il risultato dell'analisi svolta costituisce la base per l'ottimizzazione delle operazioni portuali per migliorare l’efficienza e ridurre i costi, un obiettivo che risponde alla crescente complessità della logistica portuale e l’aumento delle fluttuazioni nei volumi di merci movimentate. L’elaborato inizia con una revisione delle principali fasi operative del terminal successivamente, vengono analizzati i principali modelli predittivi, con un focus particolare sulle applicazioni di machine learning, tra cui i modelli basati su reti neurali e alberi decisionali. Per la corretta realizzazione della metolodogia predittiva scelta, viene effettuata una analisi dei dati storici disponibili e una preliminare analisi statistica essenziale per la corretta realizzazione della metodologia scelta. I risultati ottenuti dimostrano che i modelli predittivi basati su reti neurali possono offrire previsioni accurate dei flussi di container, fornendo una base solida per decisioni operative più informate e tempestive, contribuendo non solo alla competitività del terminal, ma anche alla resilienza delle operazioni portuali nel lungo termine.

This thesis focuses on the predictive analysis of container flows using neural networks, analysing the import process of the PSA Genoa Pra' terminal as a case study, a crucial node in the Northern Mediterranean logistics network. The result of the analysis constitutes the basis for optimizing the port operations to improve efficiency and reduce costs, a goal that responds to the increasing complexity of port logistics and the increase in fluctuations in the volumes of goods handled. The paper begins with a review of the main terminal operational phases next, the main predictive models are analysed, with a special focus on machine learning applications, including models based on neural networks and decision trees. An analysis of available historical data and a preliminary statistical analysis essential for the correct implementation of the chosen predictive methodology is performed. The results obtained show that predictive models based on neural networks can offer accurate predictions of container flows, providing a solid basis for more informed and timely operational decisions, contributing not only to terminal competitiveness but also to the resilience of port operations in the long term.