Modeling of a sea container terminal using a queuing network

封面

如何引用文章

全文:

详细

The article focuses on the problem of modeling and forecasting the operation of a sea container terminal under the unevenness of cargo arrival and the influence of random factors on the service duration. The mathematical model takes the form of a queuing network (QN), whose nodes simulate the operation of the terminal structural elements. The movement of requests between nodes occurs according to a given route matrix. To describe transport flows arriving from sea and land, we use both ordinary and batch Poisson flows of requests. The constructed model is identified for a sea container terminal in the north of Vietnam – one of the largest in Southeast Asia. The model consists of 14 nodes and includes two incoming Poisson flows, one of which is batch. The route matrix and the parameters of incoming flows are determined by statistical processing of data from open sources and field observations. The mathematical model is implemented, and scenario simulation is performed. Based on the results obtained, we conclude the current capacity of the system and forecast its performance with an increase in the volume of container flows, in particular, with the arrival of ultra-large container vessels in the future.

作者简介

Anna Lempert

Matrosov Institute for System Dynamics and Control Theory of Siberian Branch of RAS

Email: lempert@icc.ru
Irkutsk

Maxim Zharkov

Matrosov Institute for System Dynamics and Control Theory of Siberian Branch of RAS

Email: zharkm@mail.ru
Irkutsk

Alexander Kazakov

Matrosov Institute for System Dynamics and Control Theory of Siberian Branch of RAS, Irkutsk National Research Technical University

Email: kazakov@icc.ru
Irkutsk

Giang Vu

Irkutsk National Research Technical University

Email: giangtrang14022016@gmail.com
Irkutsk

参考

  1. Анализ размера и доли рынка контейнерных перевозок - тенденции роста и прогнозы (2024–2029 гг.) [Электрон-ный ресурс]. – Режим доступа: https://www.mordorintelligence.com/ru/industry-reports/global-container-shipping-market.
  2. АЛЕКСАНДРОВ А.Э., ЯКУШЕВ Н.В. Стохастическая постановка динамической транспортной задачи с за-держками с учетом случайного разброса времени до-ставки и времени потребления // Управление большими системами. – 2006. – №12–13. – С. 5–14.
  3. БАШАРИН Г.П., БОЧАРОВ П.П., КОГАН Я.А. Анализ очередей в вычислительных сетях. Теория и методы расчета. – М.: Наука, 1989. – 336 с.
  4. БЫЧКОВ И.В., КАЗАКОВ А.Л., ЖАРКОВ М.Л. Форми-рование предложений по увеличению пропускной спо-собности Улан-Баторской железной дороги с примене-нием теории массового обслуживания // Вычислитель-ные технологии. – 2023. – Том 28, №6. – С. 17–36. – doi: 10.25743/ICT.2023.28.6.003.
  5. ЗУБ И.В., ЕЖОВ Ю.Е., СТЕНИН Н.Н. Модель выбора портового перегрузочного оборудования на основе мо-делирования технологической линии порта // Вестник Государственного университета морского и речного флота имени адмирала С.О. Макарова. – 2020. – №12. – С. 1016–1028. – doi: 10.21821/2309-5180-2020-12-6-1016-1028.
  6. КАЗАКОВ А.Л., МАСЛОВ А.М. Построение модели не-равномерного транспортного потока на примере же-лезнодорожной грузовой станции // Современные тех-нологии. Системный анализ. Моделирование. – 2009. – №3. – С. 27–32.
  7. КУПЦОВ Н.В., КУЗНЕЦОВ А.Л., ШАТИЛИН А.В. Раз-работка модели вероятностной оценки пропускной спо-собности морского грузового фронта экспортного угольного терминала // Вестник государственного уни-верситета морского и речного флота им. адмирала С.О. Макарова. – 2020. – Т.12, №1. – С. 17–34. – doi: 10.21821/2309-5180-2020-12-1-17-34.
  8. МОРОЗОВ Н.Ю., ГРИШИН Е.М., ПРАВДИВЕЦ Н.А. и др. Оптимизация пунктов перевалки "морской порт – железная дорога" // Управление большими системами: сборник трудов. – 2022. – №99. – С. 135–156. – doi: 10.25728/ubs.2022.99.6.
  9. ПОЛИН Е.П. МОИСЕЕВА С.П., МОИСЕЕВ А.Н. Приме-нение отрицательного биномиального распределения для аппроксимации стационарного распределения числа заявок в СМО с входящим MAP-потоком, интенсив-ность которого зависит от состояния системы // Управление большими системами: сборник трудов. – 2024. – №108. – С. 40–56.
  10. BOLCH G., GREINER S., DE MEET H. et al. Queueing Networks and Markov Chains: Modeling and Performance Evaluation with Computer Science Applications. – NY.: John Wiley & Sons, 1998. – 726 p.
  11. BYCHKOV I., KAZAKOV A., LEMPERT A. et al. Model-ing of railway stations based on queuing networks // Ap-plied Sciences. – 2021. – Vol. 11(5). – P. 2425. – doi: 10.3390/app11052425.
  12. BYCHKOV I.V., KAZAKOV A.L., LEMPERT A.A. et al. An intelligent management system for the development of a regional transport logistics infrastructure // Automation and Remote Control. – 2016. – Vol. 77. – P. 332–343. – doi: 10.1134/S0005117916020090.
  13. CANONACO P. LEGATO P., MAZZA R.M. et al. A queuing network model for the management of berth crane opera-tions // Computers & Operations Research. – 2008. – Vol. 35. – P. 2432–2446. – doi: 10.1016/j.cor.2006.12.001.
  14. CHEE-HOCK NG, BOON-HEE S. Queueing Modelling Fundamentals With Applications in Communication Net-works. – Chichester: John Wiley & Sons, 2008. – 294 p.
  15. CHEN G., GOVINDAN K., GOLIAS M.M. Reducing truck emissions at container terminals in a low carbon economy: proposal of a queueing-based bi-objective model for opti-mizing truck arrival pattern // Transportation Research Part E: Logistics and Transportation Review. – 2013. – Vol. 55. – P. 3–22. – doi: 10.1016/j.tre.2013.03.008.
  16. DRAGOVIĆ B., PARK N.-K., ZRNIĆ N.D. et al. Mathemat-ical Models of Multiserver Queuing System for Dynamic Performance Evaluation in Port // Mathematical Problems in Engineering. – 2012. – Vol. 2012. – P. 19. – doi: 10.1155/2012/710834.
  17. EDMOND E.D., MAGGS R.P. How useful are queue models in port investment decisions for container berths? // Journal of the Operational Research Society. – 1978. – Vol. 29, No. 8. – P. 741–750.
  18. BABELI K., HESS S., HESS M. Capacity utilization of the container terminal as multiphase service system // European Transport / Trasporti Europei. – 2022. – Vol. 86, No. 4. – P. 1–15.
  19. KAZAKOV A., LEMPERT A., ZHARKOV M. An approach to railway network sections modeling based on queuing networks // Journal of Rail Transport Planning & Manage-ment. – 2023. – Vol. 27. – P. 100404. – doi: 10.1016/j.jrtpm.2023.100404.
  20. KOZAN E. Comparison of analytical and simulation plan-ning models of seaport container terminals // Transportation Planning and Technology. – 1997. – Vol. 20. – P. 235–248. – doi: 10.1080/03081069708717591.
  21. LEGATO P., CANONACO P., MAZZA R.M. Yard Crane Management by Simulation and Optimisation // Maritime Economics & Logistics. – 2009. – Vol. 11. – P. 36–57. – doi: 10.1057/mel.2008.23.
  22. LEGATO P., MAZZA R.M. Queueing analysis for opera-tions modeling in port logistics // Maritime Business Review. – 2020. – Vol. 5. – P. 67–83. – doi: 10.1108/MABR-09-2019-0035.
  23. LEGATO P., MAZZA R.M. Queueing networks for support-ing container storage and retrieval // Maritime Business Re-view. – 2023. – Vol. 8. – P. 301–317. – doi: 10.1108/MABR-01-2023-0009.
  24. RAJ G., ROY D., DE KOSTER R. et al. Stochastic modeling of integrated order fulfillment processes with delivery time promise: Order picking, batching, and last-mile delivery // European Journal of Operational Research. – 2024. – Vol. 316. – P. 1114–1128. – doi: 10.1016/j.ejor.2024.03.003.
  25. ROY D., DE KOSTER R. Optimal Stack Layout Configura-tions at Automated Container Terminals Using Queuing Network Models // In: Böse J.W. (eds) Handbook of Termi-nal Planning. Operations Research / Computer Science Inter-faces Series. – Cham: Springer, 2020. – doi: 10.1007/978-3-030-39990-0_19.
  26. ROY D., VAN OMMEREN J.-K., DE KOSTER R. et al. Modeling landside container terminal queues: Exact analy-sis and approximations // Transportation Research Part B: Methodological. – 2022. – Vol. 162. – P. 73–102. – doi: 10.1016/j.trb.2022.05.012.
  27. ROŽIĆ T., IVANKOVIĆ B., BAJOR I. et al. A Network-Based Model for Optimization of Container Location As-signment at Inland Terminals // Appl. Sci. – 2022. – Vol. 12. – P. 5833. – doi: 10.3390/app12125833.
  28. ZHANG X., ZENG Q., CHEN W. Optimization model for truck appointment in container terminals // Procedia – Social and Behavioral Sciences. – 2013. – Vol. 96. – P. 1938–1947. – doi: 10.1016/j.sbspro.2013.08.219.
  29. ZHANG X., ZENG Q., YANG Z. Optimization of truck ap-pointments in container terminals // Marit. Econ. Logist. – 2019. –Vol. 21. – P. 125–145. – doi: 10.1057/s41278-018-0105-0.
  30. ZHARKOV M.L., KAZAKOV A.L., LEMPERT A.A. Tran-sient process modeling in micrologistic transport systems // IOP Conf. Series: Earth and Environmental Science. – 2021. – Vol. 629. – P. 012023. – doi: 10.1088/1755-1315/629/1/012023.

补充文件

附件文件
动作
1. JATS XML
下载


Creative Commons License
此作品已接受知识共享署名-非商业性使用 4.0国际许可协议的许可。

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».