Viabilidad de la Asignación de Muelles mediante Machine Learning en SSA Marine Canadá

Abstract

La asignación de muelles en terminales portuarios es un proceso complejo que, cuando se gestiona manualmente, genera tiempos de espera elevados y uso ineficiente de recursos. Este problema motivó el presente estudio en el terminal Lynnterm, operado por SSA Marine Canadá en North Vancouver. El objetivo fue estudiar la viabilidad de desarrollar un modelo de Machine Learning para predecir y apoyar la asignación de berths en SSA Marine Canadá, utilizando datos históricos y variables en tiempo real. Para ello, se analizaron 188.938 registros de reservas de carga (3.119 escalas únicas de buques) registros del período enero de 2010 a marzo de 2026 y se complementó el análisis con una encuesta aplicada a cinco operadores del terminal. Se evaluaron ocho algoritmos de clasificación supervisada, desde una línea base determinista hasta modelos de ensamble, empleando como métricas la exactitud y el F1 ponderado, con validación cruzada temporal (TimeSeriesSplit) de cinco pliegues. El algoritmo XGBoost alcanzó una exactitud del 66,7% (F1 ponderado = 0,661) para la clasificación del muelle asignado, superando en 25,7 puntos porcentuales (una mejora relativa del 62,7%) la línea base determinista basada en el grupo de carga más frecuente. Las variables con mayor poder explicativo fueron la tasa de afinidad reciente del buque por muelle, el último muelle utilizado, los indicadores de ocupación simultánea de berths y, para escalas de exportación, el área de almacenamiento en que se encuentra la carga en el terminal antes del arribo del buque. Los resultados permiten determinar si las condiciones técnicas, operativas y organizacionales del terminal son suficientes para sustentar el desarrollo e implementación de un modelo predictivo de este tipo. Se concluye que es viable, con condiciones, el desarrollo de un modelo de Machine Learning para la asignación de berths en SSA Marine Canadá. Los datos históricos del sistema presentan la calidad y volumen necesarios para entrenar modelos con capacidad predictiva real, y el personal operativo muestra apertura hacia la adopción tecnológica cuando se les presenta evidencia concreta de mejora. Se recomienda implementar el modelo XGBoost como herramienta de apoyo a la decisión, complementando el juicio experto del planificador en lugar de reemplazarlo.

Berth allocation in port terminals is a complex process that, when managed manually, leads to excessive waiting times and inefficient use of resources. This challenge motivated the present study at Lynnterm terminal, operated by SSA Marine Canada in North Vancouver. The objective was to study the feasibility of developing a Machine Learning model to predict and support berth allocation at SSA Marine Canada, using historical data and real-time variables. To achieve this, 188,938 cargo booking records (3,119 unique vessel calls) records from the period January 2010 to March 2026 were analyzed, complemented by a structured survey applied to five terminal operators. Eight supervised classification algorithms were compared, ranging from a deterministic baseline to ensemble models, evaluated using accuracy and weighted F1 with temporal cross-validation (TimeSeriesSplit, five folds). XGBoost achieved an accuracy of 66.7% (weighted F1 = 0.661) for berth classification, outperforming the deterministic baseline by 25.7 percentage points (a 62.7% relative improvement). The most influential variables were the vessel's recent berth affinity rate, the last berth visited, concurrent berth occupancy indicators, and for export voyages the terminal storage area where cargo is staged prior to vessel arrival. The findings allow determining whether the technical, operational and organizational conditions of the terminal are sufficient to support the development and implementation of this type of predictive model. It is concluded that the development of a Machine Learning model for berth allocation at SSA Marine Canada is feasible under certain conditions, providing concrete evidence for decision-making regarding its potential implementation.