---
type: paper
slug: wonho-sohn-2025-itsg-lstm-port
title: >-
  Inter-country trade similarity graph-based long short-term memory for port
  throughput prediction
authors:
  - '[[wonho-sohn]]'
  - '[[dongcheol-lim]]'
  - '[[suhyeon-kim]]'
  - '[[junghyelee]]'
year: 2025
venue: '[[engineering-applications-of-artificial-intelligence]]'
doi: 10.1016/j.engappai.2025.111766
categories:
  - '[[maritime-logistics]]'
  - '[[machine-learning]]'
methods:
  - '[[lstm]]'
  - '[[graph-convolutional-network]]'
  - '[[text-mining]]'
  - '[[word2vec]]'
  - '[[graph-based-sequential-prediction]]'
themes:
  - '[[port-throughput-prediction]]'
  - '[[trade-similarity-graph]]'
  - '[[bill-of-lading]]'
  - '[[bulk-cargo]]'
  - '[[ulsan-port]]'
aliases:
  - ITSG-LSTM
last_updated: '2026-05-17T21:30:00+09:00'
---
# Inter-country trade similarity graph-based long short-term memory for port throughput prediction

*[[wonho-sohn]], [[dongcheol-lim]], [[suhyeon-kim]], [[junghyelee]] (2025)* · [[engineering-applications-of-artificial-intelligence]] · [DOI ↗](https://doi.org/10.1016/j.engappai.2025.111766)

> 항만 물동량 예측의 *macro-level aggregate time series* 한계를 극복하기 위해, *Bill of Lading (BL)* 의 trade-transaction text 를 [[word2vec]] 으로 임베딩하고 그 cosine similarity 로 *국가 간 trade 유사도 graph (ITSG)* 를 시점별로 생성한 뒤, [[graph-convolutional-network]] 과 [[lstm]] 을 end-to-end 결합한 ITSG-LSTM 모델을 제안. 울산항 2007-2017 의 액체·건 벌크 화물에서 baseline (ARIMA, LSTM, Transformer, TimeMixer, StemGNN, MTGNN 등) 을 능가하는 RMSE 4.7-6.9%, uMBRAE 13.0-14.5% 개선.

- **RQ**: 항만 물동량 예측에서 *trade 상대국 간 관계 (micro-level)* 를 graph 로 표현하고 trade transaction text 의 semantic similarity 로 edge 를 구성하면 *macro-level* aggregate 시계열 baseline 보다 정확도가 얼마나 향상되는가?
- **방법론**: [[word2vec]] (skip-gram, $\lambda=10$, $\delta=100$), [[graph-convolutional-network]] (node = 국가, edge = ITS $\geq \epsilon$), [[lstm]] (sequence length 3-12), [[graph-based-sequential-prediction]] (end-to-end, MSE loss + differencing loss)
- **데이터**: 울산항 BL 데이터 2007-2017 (LBC 172,803 sample · 123 국가, DBC 65,524 sample · 93 국가), 월별 132 ITSG snapshot, train 108 (2007-2015) / test 24 (2016-2017)
- **주요 발견**: LBC 전체에서 ITSG-LSTM ($\epsilon$=0.7) RMSE 6,564 ↓ SARIMA 9,326 · LSTM 7,052 · TimeMixer 7,940. DBC 전체 RMSE 104.4 ↓ LSTM 115.9 · MTGNN 121.5. 광석 RMSE 47.5 ↓ MTGNN 52.3 · TimeMixer 54.0. Ablation 에서 ITSG-LSTM > GCN-only > LSTM-only, *graph + sequential 결합 시너지* 확인.
- **시사점**: 항만의 *strategic decision-making* (terminal capacity, storage, freight rate) 의 정량 기반. 호주-인도네시아 LBC ITS=0.90 vs 호주-멕시코 LBC ITS=0.62 같은 *supply-demand 경쟁/보완 관계* 가 graph 구조로 surface 됨.

![Fig. 1 ITSG-LSTM 전체 flowchart. ITSG generation (BL → TTD → Word2vec → c-TTD embedding → cosine similarity → adjacency) + ITSG-LSTM prediction (GCN → READOUT → LSTM → FC) 의 end-to-end pipeline.](/papers/202511_SohnW_Inter_country_trade_similarity_graph_based_long_short_term_memory_for_port_throughput_prediction/fig1.png)

## 요약

본 paper 는 [[junghyelee]] 의 *실타래 5 — graph + 항만 logistics 응용* 라인에서 [[suhyeon-kim-2021-lbc-data-mining]] 의 multi-stage data mining 을 *graph-enhanced sequential learning* 으로 발전시킨 작업이다. [[wonho-sohn]] · [[dongcheol-lim]] · [[suhyeon-kim]] 의 D3M Lab port trio + 지도교수 [[junghyelee]] 의 공저. 기존 port throughput prediction 문헌은 ARIMA / SARIMA / Holt-Winters 같은 univariate (Schulze-Prinz 2009, Bui-Kim 2019) 와 LSTM / hybrid LSSVR (Xie et al. 2013, Tsai-Huang 2017, Kim et al. 2021) 같은 multivariate 모형으로 발전했지만 모두 *macro-level aggregate statistics* 만 사용. 한편 maritime 의 *complex network* 문헌 (Ducruet et al. 2021, Tsiotas-Ducruet 2021) 은 port-as-node / route-as-edge 의 *global shipping network* 위에서 centrality / modularity 분석에 머물러 *port-centric prediction* 에는 미적용이었다. 본 paper 는 *port-centric BL 데이터* 의 *super-node 편향* 문제 (target port 가 모든 trading partner 와 single hub 로 연결되는 한계) 를 *target port 를 별도 node 로 두지 않고 trading countries 끼리만 edge* 로 표현하는 ITSG 로 우회.

방법론은 두 단계로 분해된다. (1) **ITSG generation**: BL 데이터의 trade transaction text 를 *trade transaction document (TTD)* 로 구조화 — 시간 $t$, 국가 $v$, entry purpose $p$ (import/export), item categorization level $l$ (HS code 1·2·3 자리) 별로 word sequence 생성. 각 TTD corpus 에 skip-gram [[word2vec]] 적용 ($\lambda$=10, $\delta$=100) 으로 word embedding $E^{l,p}$ 추출, document-term matrix $M^{l,p}$ 와 곱해 TTD embedding $Z^{l,p}$ 산출, 모든 $(l, p)$ 를 concatenate 해 c-TTD embedding $Z$ 얻음. 시점 $t$ 에서 두 국가 $v_1, v_2$ 의 cosine similarity 가 threshold $\epsilon$ (0.7, 0.8, 0.9 실험) 이상이면 edge 연결, adjacency $A_t$ 생성. 노드 feature $X_t$ 는 각 국가의 카테고리별 throughput. (2) **ITSG-LSTM**: GCN layer 가 node feature 를 한-hop neighbor 와 aggregate, READOUT (node-wise sum) 으로 graph-level embedding $H_{G_t}$ 추출, 시퀀스 $[H_{G_{t-s}}, \ldots, H_{G_{t-1}}]$ 를 LSTM 의 many-to-one 으로 처리해 final FC layer 가 $\hat y_t$ 예측. Loss 는 standard MSE + differencing MSE 결합 — high-volatility bulk cargo 에서 *over-smoothing* 방지.

검증은 울산항 (LBC 동아시아 1 위, DBC 국내 5 위) BL 데이터 11 년에서 4 개 target (total LBC, Crude Oil, total DBC, Ore) 으로 수행. LBC 전체 RMSE: SARIMA 9,326 → LSTM 7,052 → ITSG-LSTM ($\epsilon$=0.7) 6,564 (LSTM 대비 7% 개선). DBC 전체 RMSE: LSTM 115.9 → MTGNN 121.5 → ITSG-LSTM 104.4. Ore RMSE: MTGNN 52.3 → TimeMixer 54.0 → ITSG-LSTM ($\epsilon$=0.8) 47.5. uMBRAE 기준 개선은 13.0% (LBC) · 14.5% (DBC). Qualitative validation: 2017 년 12 월 호주의 LBC 거래 패턴이 인도네시아 (Chemical/Oil Products 위주) 와 유사 (ITS=0.90) 하고 멕시코 (Crude Oil 위주) 와 다름 (ITS=0.62) — ITS 가 *supply-demand interaction* 의 정량 surface. Ablation: ITSG-LSTM > GCN-only (LBC MAE 5,732 vs 10,042) > LSTM-only — graph + sequential 둘 다 필요. 한계: (i) node feature 가 throughput 만, macro 지표 (commodity price, GDP) 미반영. (ii) $\epsilon$ · $\lambda$ · $\delta$ 의 optimal 값이 데이터 의존. (iii) Word2vec 의 *transductive* 특성 — test set 의 신규 단어 처리 불가. (iv) 울산항 단일 port, container cargo 같은 multi-item consolidation 에 직접 적용 불가.

## 핵심 결과

**LBC 전체 throughput 예측 (Table 3, 24-month test)**

| Model | MAE (k) | RMSE (k) | MAPE | SMAPE | uMBRAE |
|---|---:|---:|---:|---:|---:|
| ARIMA | 11,830 | 13,407 | 13.27 | 14.50 | 1.67 |
| SARIMA | 8,228 | 9,326 | 9.28 | 9.85 | 1.31 |
| LSTM | 6,303 | 7,052 | 7.28 | 7.44 | 1.03 |
| Transformer | 7,971 | 8,906 | 9.04 | 9.50 | 1.25 |
| TimeMixer | 7,349 | 7,940 | 8.37 | 8.71 | 1.22 |
| MTGNN | 8,179 | 8,856 | 9.33 | 9.76 | 1.29 |
| **ITSG-LSTM ($\epsilon$=0.7)** | 5,732 | **6,564** | **6.53** | 6.74 | 0.99 |
| **ITSG-LSTM ($\epsilon$=0.9)** | **5,695** | 7,264 | 6.78 | **6.67** | **0.87** |

**DBC 전체 throughput 예측 (Table 5)**

| Model | MAE (k) | RMSE (k) | MAPE | uMBRAE |
|---|---:|---:|---:|---:|
| LSTM | 93.5 | 115.9 | 12.98 | 0.92 |
| MTGNN | 83.8 | 121.5 | **10.39** | 0.85 |
| **ITSG-LSTM ($\epsilon$=0.7)** | 79.7 | **104.4** | 10.72 | 0.80 |
| **ITSG-LSTM ($\epsilon$=0.9)** | **79.4** | 107.0 | 10.61 | **0.71** |

**Ore throughput 예측 (Table 6)**

| Model | MAE (k) | RMSE (k) | SMAPE | uMBRAE |
|---|---:|---:|---:|---:|
| LSTM | 65.1 | 75.3 | 23.95 | 1.21 |
| TimeMixer | 41.5 | 54.0 | 14.43 | 0.72 |
| MTGNN | 41.4 | 52.3 | 14.53 | 0.71 |
| **ITSG-LSTM ($\epsilon$=0.8)** | 37.0 | **47.5** | 12.93 | 0.69 |
| **ITSG-LSTM ($\epsilon$=0.9)** | **35.9** | 46.4 | **12.63** | **0.66** |

**Ablation (Table E.1 LBC)**: ITSG-LSTM 5,732 < LSTM 6,303 < GCN 10,042 (MAE). graph + sequential 결합이 단독보다 우월.

**ITS 정성 사례 (Table 2)**: 호주-인도네시아 LBC ITS=0.90 (둘 다 Chemical/Oil Products), 호주-멕시코 LBC ITS=0.62 (Crude Oil 차이). DBC 는 정반대 — 호주-멕시코 ITS=0.92 (Ore/Fertilizer 공유), 호주-인도네시아 ITS=0.53 (Corn vs Ore).

## 방법론 노트

ITSG 생성의 핵심은 *transaction text* 를 *graph edge weight* 로 변환하는 두 단계 embedding. 먼저 word-level [[word2vec]] embedding 행렬과 document-term frequency 의 행렬 곱으로 TTD-level embedding:

$$
Z^{l,p} = M^{l,p} \cdot E^{l,p}, \quad Z = \text{CONCAT}_{l,p}(Z^{l,p})
$$

$M^{l,p} \in \mathbb{R}^{TV \times N_{l,p}}$ 는 document-term frequency, $E^{l,p} \in \mathbb{R}^{N_{l,p} \times \delta}$ 는 word embedding, $Z^{l,p} \in \mathbb{R}^{TV \times \delta}$ 가 TTD embedding, 최종 c-TTD embedding $Z \in \mathbb{R}^{TV \times LP\delta}$. 시점 $t$ 의 두 국가 $v_1, v_2$ 의 ITS:

$$
\text{sim}(z_{t,v_1}, z_{t,v_2}) = \frac{z_{t,v_1} \cdot z_{t,v_2}}{\|z_{t,v_1}\| \|z_{t,v_2}\|}, \quad A_t[v_1, v_2] = \mathbb{1}[\text{sim} \geq \epsilon]
$$

ITSG-LSTM 의 forward (GCN layer $k$):

$$
H_t^{(k+1)} = \sigma(A_t H_t^{(k)} W^{(k)} + b^{(k)})
$$

graph embedding 은 READOUT (node-wise sum) 후 LSTM 의 sequence input $H_t = [H_{G_{t-s}}, \ldots, H_{G_{t-1}}]$. 최종 FC 가 $\hat y_t = w_{fc}^\top h_{t-1} + b_{fc}$. Objective:

$$
\mathcal{L} = \frac{1}{N} \sum_t (y_t - \hat y_t)^2 + \frac{1}{N-1} \sum_t (\Delta_t - \hat\Delta_t)^2
$$

여기서 $\Delta_t = y_t - y_{t-1}$. Differencing loss 가 high-volatility bulk cargo 의 *over-smoothing* 방지. Identification 의 핵심은 (i) BL 의 item text 가 *trade pattern* 의 informative proxy, (ii) Word2vec 의 cosine similarity 가 *substitutable trade* 의 정량 representation, (iii) GCN 의 message passing 이 *similar-trade country cluster* 의 throughput co-movement 를 학습. Optimal $\epsilon$ 은 trade-off — 너무 낮으면 over-connected 로 over-smoothing, 너무 높으면 sparse 로 graph 정보 손실. 실험에서 0.7-0.9 모두 LSTM-baseline 능가.

## 연구 계보

직접 predecessor 는 [[suhyeon-kim-2021-lbc-data-mining]] (*Expert Systems with Applications*) — 같은 D3M Lab trio + [[junghyelee]] 의 multi-stage data mining 접근. 본 paper 가 그 framework 에 *graph-based learning* 차원 추가. 기술적 building blocks: Mikolov et al. (2013) Word2vec, Hochreiter-Schmidhuber (1997) LSTM, Kipf-Welling (2016) GCN, Scarselli et al. (2008) GNN, Vaswani et al. (2017) Transformer. Port throughput prediction 선행: Schulze-Prinz (2009) ARIMA, Tsai-Huang (2017) neural network, Xie et al. (2013, 2017) hybrid LSSVR, Gosasang et al. (2011) MLP. Graph-sequential 인접 작업: Zhao et al. (2019) T-GCN (traffic), Li et al. (2019) GCN+LSTM+attention, Cao et al. (2021) StemGNN, Wu et al. (2020) MTGNN. Maritime complex network 선행: Ducruet et al. (2021), Tsiotas-Ducruet (2021), Zhu-Jiang (2023). [[junghyelee]] 의 *연구 궤적* 안 *실타래 5 (Graph) + 실타래 9 (Maritime application)* 의 교차점. 후속 작업 영역은 (i) macroeconomic feature 추가, (ii) dynamic graph (snapshot 대신 continuous), (iii) multi-port extension — 모두 본 paper 의 limitations 절에 명시.

## See also

- [[junghyelee]]
- [[wonho-sohn]]
- [[dongcheol-lim]]
- [[suhyeon-kim]]
- [[suhyeon-kim-2021-lbc-data-mining]]
- [[lstm]]
- [[graph-convolutional-network]]
- [[word2vec]]
- [[graph-based-sequential-prediction]]
- [[port-throughput-prediction]]
- [[bill-of-lading]]
- [[bulk-cargo]]
- [[ulsan-port]]
- [[engineering-applications-of-artificial-intelligence]]