Inter-country trade similarity graph-based long short-term memory for port throughput prediction

Wonho Sohn, Dongcheol Lim, Suhyeon Kim, 이정혜 (2025) · engineering-applications-of-artificial-intelligence

ITSG-LSTM — 국가 간 무역 유사도 graph 기반 항만 물동량 예측. A Multi-stage Data Mining Approach for Liquid Bulk Cargo Volume Analysis based on Bill of Lading Data (LBC volume analysis) 의 graph-enhanced 발전. Bill of Lading 데이터 + text mining (Word2Vec) 으로 국가 간 무역 유사도 graph 생성 → graph-based sequential learning 으로 최종 예측. 액체 + 건화물 모두 RMSE 4.7-13.0% 개선.

• RQ: 항만 물동량 예측에 trade 상대국 간 관계 (trade similarity) 를 graph 로 통합하면 정확도 개선?
• 방법론: BL data + text mining (Word2Vec) → ITSG (Inter-country Trade Similarity Graph) → ITSG-LSTM (graph + sequential learning)
• 데이터: Bill of Lading 데이터 (liquid bulk + dry bulk cargo)
• 주요 발견: (1) RMSE 개선 6.9% (liquid), 4.7% (dry) vs baselines. (2) uMBRAE 개선 13.0% (liquid), 14.5% (dry). (3) Trade similarity graph 가 trade 관계 정보 포착. (4) Word2Vec 으로 trade transaction text 의 semantic similarity.
• 시사점: 항만 산업의 strategic decision-making 도구. Smart Port digital transformation 의 정량 기반.

요약

이 paper 는 이정혜 의 *3 기 SNU TEMEP 의 항만 물류 + graph ML 응용. Wonho Sohn (LBC paper 의 같은 저자) + Dongcheol Lim + Suhyeon Kim (D3M Lab 의 port 라인 trio) 의 협업. A Multi-stage Data Mining Approach for Liquid Bulk Cargo Volume Analysis based on Bill of Lading Data 의 graph + sequential 발전.

방법론적 핵심: ITSG 생성 + LSTM 결합.

(i) ITSG (Inter-country Trade Similarity Graph): BL data 의 trade transaction text 를 Word2Vec 으로 임베딩 → 국가 간 trade similarity 계산 (cosine similarity) → graph adjacency.

(ii) ITSG-LSTM: ITSG 위의 graph convolution (각 node = 국가) + LSTM (시간 dynamics). Graph + sequential end-to-end.

핵심 발견: 액체 벌크 + 건 벌크 두 화물 모두에서 ITSG-LSTM > baseline (LSTM, ARIMA, etc.):

• Liquid bulk: RMSE -6.9%, uMBRAE -13.0%
• Dry bulk: RMSE -4.7%, uMBRAE -14.5%

Trade 상대국 정보 가 목표 항만 물동량 예측의 critical input.

이정혜 의 연구 궤적 안에서 이 paper 는 실타래 5 (Graph) + 항만 도메인 라인. A Multi-stage Data Mining Approach for Liquid Bulk Cargo Volume Analysis based on Bill of Lading Data 의 직접 발전.

핵심 결과

화물 type	RMSE 개선	uMBRAE 개선
Liquid bulk	6.9%	13.0%
Dry bulk	4.7%	14.5%

• ITSG: trade similarity graph (Word2Vec)
• ITSG-LSTM: graph + sequential learning end-to-end

방법론 노트

ITSG 생성:

For each country pair (i, j):
  Extract trade transaction texts from BL data
  Compute Word2Vec embedding similarity sim(i, j)
  ITSG.add_edge(i, j, weight=sim(i, j))

ITSG-LSTM forward:

Graph convolution on ITSG → node features
LSTM on temporal dimension → port throughput prediction

식별 가정: (i) BL text 의 informative, (ii) Word2Vec 임베딩의 trade similarity 의미, (iii) graph + sequential 의 시너지.

연구 계보

이 paper 는 (i) A Multi-stage Data Mining Approach for Liquid Bulk Cargo Volume Analysis based on Bill of Lading Data 직접 선행, (ii) Mikolov et al. (2013) Word2Vec, (iii) Hochreiter & Schmidhuber (1997) LSTM — 의 결합. 이정혜 의 연구 궤적 실타래 5 의 항만 응용.

See also

• 이정혜
• Wonho Sohn
• Suhyeon Kim
• lstm
• graph-based-learning
• port-throughput-prediction
• engineering-applications-of-artificial-intelligence
• A Multi-stage Data Mining Approach for Liquid Bulk Cargo Volume Analysis based on Bill of Lading Data

인접 그래프

1-hop 이웃 8개

• 인물 4
• 방법론 3
• 논문 1

↻ 초기화

휠 = 확대/축소 · 드래그 = 이동 · hover = 라벨 · 클릭 = 페이지 이동

이 문서를 가리키는 페이지

논문 (1)

• A Multi-stage Data Mining Approach for Liquid Bulk Cargo Volume Analysis based on Bill of Lading Data

인물 (1)

• 이정혜