El crecimiento del comercio mundial está ejerciendo una presión cada vez mayor sobre los puertos. Con miles de buques moviéndose a diario, incluso ligeros retrasos afectan la programación de atraques, la ocupación del patio y el uso de grúas y camiones. Predecir con exactitud cuánto tiempo permanece un buque en puerto es más importante que nunca.
Pero hasta ahora, muchas previsiones dependían de factores estáticos: especificaciones del barco, volumen de carga o promedios históricos. Ese tipo de modelos no logra captar lo que realmente ocurre en un puerto: un sistema vivo, cambiante y sometido a variaciones constantes.
Para resolver esta limitación, investigadores de la Universidad Nacional de Pusan diseñaron un modelo totalmente nuevo. Está basado en series temporales y en indicadores operativos derivados de la teoría de colas, una herramienta matemática que describe cómo se comportan sistemas donde muchos elementos compiten por pocos recursos.
Lo que hace diferente a este modelo no es solo el uso de datos, sino la forma de interpretarlos. En lugar de ver el puerto como un conjunto de variables fijas, lo entiende como un sistema interdependiente que se transforma minuto a minuto. Cada variación en la llegada de buques, en las tasas de servicio o en la carga del patio se convierte en un indicador dinámico que el modelo usa para predecir lo que ocurrirá poco después.
El equipo, encabezado por el profesor Hyerim Bae, demostró que incorporar estos indicadores a modelos de aprendizaje profundo mejora la precisión del pronóstico del tiempo de retorno de los buques hasta en un 28%. No es un pequeño ajuste: es una diferencia que puede cambiar la forma en que se programa un puerto entero.
Según Bae, la clave está en capturar cómo se influyen entre sí las distintas etapas del proceso. Si un buque tarda más en ser atendido en el muelle, eso afectará al patio. Y si el patio se satura, los siguientes buques tendrán que esperar más. El modelo entiende esa cadena de efectos y la incorpora al pronóstico.
El investigador de posgrado Daesan Park explica que este enfoque traduce operaciones complejas en métricas simples y medibles. Eso permite a los gestores anticipar picos de congestión y ajustar recursos en lugar de reaccionar tarde, cuando ya se ha formado el cuello de botella.
Una de las ventajas del modelo es que no está limitado a puertos. Los autores plantean que puede adaptarse a aeropuertos, hospitales o sistemas de transporte urbano, donde también ocurren procesos encadenados. Es decir, el marco puede predecir cómo se moverán los pacientes por un hospital, cómo una avería en un metro afectará toda la red o cómo se propagará un retraso en una terminal aérea.
El estudio demuestra que, en sistemas complejos, observar los promedios ya no es suficiente. Lo importante es entender cómo fluctúan las condiciones segundo a segundo. Y eso es precisamente lo que hace este modelo.
Los investigadores creen que las terminales portuarias podrán usar esta herramienta para mejorar la asignación de grúas, anticipar saturaciones de patios, reducir gastos energéticos y evitar esperas prolongadas de buques. En un sector en el que un retraso de una hora puede costar miles de dólares, la precisión se convierte en una ventaja estratégica.
El trabajo abre la puerta a puertos más inteligentes y con decisiones basadas en datos reales, no en promedios. Y, sobre todo, demuestra que incluso pequeñas variaciones en la operación diaria pueden predecirse si se sabe dónde mirar.
Fuente: ScienceDirect
