技術要約：RoRo船のサービス時間予測におけるデジタルツインの忠実度

問題提起

ロールオン・ロールオフ（RoRo）ターミナルのオペレーションは、貨物の多様性と人間（タッグドライバー）への高い依存度により、プロセス時間の不確実性が高く、変動性が大きいという特徴があります。この不確実性は、本船の出発予定時刻（ETD）の予測を困難にします。正確なETD予測は、ダウンストリームのオペレーション、特に、岸壁での排出量と燃料コストを最小限に抑えるための、陸上電力の使用および本船エンジンの予熱の精密なタイミング調整において極めて重要です。

デジタルツイン（DT）はリアルタイムの意思決定支援への道筋を示していますが、RoRoターミナルへの導入には主に3つの障壁が存在します。

1. 経済的要因： すべてのタッグや貨物ユニットにIoTセンサーを設置するコスト、およびリアルタイムのデータ処理に必要なインフラストラクチャに伴う高額な費用。
2. 計算量的要因： スケジューリング問題は、動的かつ確率的な条件下では、最適解をリアルタイムで解くことが計算量的に困難（intractable）であること。
3. 人間的要因： 人間のオペレーターへの依存が、データだけでは完全に予測できない行動の変動性を生じさせること。

その結果、ターミナルオペレーターは、効果的な意思決定に必要な忠実度（精度とデータの粒度）と、高忠実度なシステムの開発・維持コストとの間でトレードオフに直面しています。本研究では、RoRoステベドリング（荷役）において、意味のある運用の意思決定を提供するために必要なデジタルツインの最小限の忠実度について調査します。

研究手法

本研究では、離散事象シミュレーション（DES）とルールベース・ヒューリスティック（RBH）に基づいた「実用的（pragmatic）」なデジタルツイン・アーキテクチャを提案します。このシステムは、ドイツのキール港の実データを用いてRoRoターミナルをモデル化しています。

システム・アーキテクチャ

フレームワークは、相互作用する2つのコンポーネントで構成されています。

• アナログツイン（AT）： 物理的なターミナル（グラウンドトゥルース）を表す、確率的な離散事象シミュレーション。タッグの動き、貨物ハンドリング、および先行制約をシミュレートします。
• デジタルツイン（DT）： 「シミュレーション内シミュレーション」を実行するシミュレートされたエージェント。ATから状態更新を受け取り、オペレーションを計画し、結果を予測します。

コア・モジュール

1. 計画モジュール： DTは、RBH（例：行単位または対角線方向の荷役）を使用して、実行可能なオペレーションシーケンスを生成します。ワークロードを分散させるため、ラウンドロビン方式で貨物をタッグに割り当てます。不確実性を考慮するため、DTはモンテカルロ法を用いて処理時間と移動時間を変化させながら、1つのスケジュールにつき $n=51$ 回の確率的シミュレーションを実行します。最適なスケジュールは、平均メイクスパン（作業完了時間）と、ワーストケース（上位5%）の平均メイクスパンの両方を最小化する加重目的関数に基づいて選択されます。
2. 予測および決定モジュール： DTは、シミュレートされたメイクスパンの分布を分析することでETDを予測します。本船のエンジン始動の最適なタイミング（出発の15分前にトリガーされる）を、$k$-分位点プロキシを用いて決定します。次の計画イテレーションのタイミングは、$p$-of-$q$ ルールによって制御され、残りのプロセス所要時間に基づいて待機時間を動的に調整します。

実験設計

本研究では、DTの忠実度を系統的に低下させることで、様々なシナリオに対する堅牢性をテストしています。

• 妥当性の低減（Validity Reduction）： 期待される処理時間における系統的な誤差（過大/過小評価）、想定されるランダム性のレベル（分散）の操作、およびプロセスロジックの変更（タッグがブロックされた操作をスキップすることを許可するなど）。
• 粒度の低減（Granularity Reduction）： リアルタイムの更新を周期的なスナップショット（25分ごと）に置き換え、遅延した再計画の影響を分析。
• 構造的混乱（Structural Disruptions）： プロセスの異なる段階（80分および95分）におけるタッグの故障をシミュレートし、リカバリ能力をテスト。

これらのシナリオは、以下の2つのベンチマークと比較されました。

1. 初回ETD（First ETD）： ステベドリング開始前に作成された、再計画を行わない静的な計画。
2. 残り16貨物ユニット（16 Cargo Units Left）： 16個の貨物ユニットが残った時にエンジン予熱をトリガーするルールベース・ヒューリスティック。

主な結果

100個の生成インスタンスに基づく計算研究により、以下の知見が得られました。

• ベースライン性能： DTは静的な計画を大幅に上回りました。予熱時間の平均絶対誤差（MAE）は、DTが 56秒 であったのに対し、First ETDベンチマークは 5分13秒、"16 Cargo Units" ルールは 2分8秒 でした。また、DTは反復的な再計画を通じて、平均船舶サービス時間（VST）を約4分短縮しました。
• 妥当性エラーに対する堅牢性： DTは、処理時間の想定が系統的に誤っている場合（例：実際の時間の150%または70%と仮定した場合）でも、堅牢性を維持しました。誤差は増大しましたが、反復的な再計画メカニズムがほとんどの偏差を補償し、影響をプロセスの最終段階に限定しました。
• 粒度損失に対する堅牢性： リアルタイムではなくスナップショットを介して更新された場合、DTの性能はわずかに低下しましたが（MAEは約1分20秒に増加）、依然としてベンチマークより優れた性能を示しました。システムは欠落したデータを効果的に補間しましたが、頻繁な仮定が再計画の範囲を制限しました。
• 混乱管理： タッグの故障が発生した場合、DTは残りのタスクを残りのタッグに再割り当てすることで、正常に適応しました。MAEはベースラインと比較して数秒程度のわずかな増加にとどまりましたが、ベンチマークは適応できず、10分を超える誤差が生じました。
• 複合ストレス・テスト： タッグの故障とスナップショット更新を組み合わせた場合でも、DTは（理想的な条件下で作動する）ベンチマークよりも低いMAE（1分25秒）を維持しました。

重要性と貢献

本論文は、RoRoターミナルにおけるデジタルツインの採用障壁は、想定されているよりも低いと主張しています。主な貢献は以下の通りです。

1. 実用的なアーキテクチャ： 単純なルールベースのDTと確率的シミュレーションを組み合わせることで、大規模なインフラ投資や複雑な最適化アルゴリズムなしでも、大きな価値を提供できることを示しました。
2. 忠実度のトレードオフ分析： 高い忠実度（リアルタイム、完全なデータ）が、効果的な意思決定に必ずしも必要ではないという実証的な証拠を提供しました。妥当性と粒度が低下したシステムであっても、静的な計画や単純なヒューリスティックよりも優れた性能を発揮します。
3. 回復力（Resilience）： 提案されたDTアーキテクチャは、構造的な混乱（タッグの故障）やデータの遅延に対して耐性があり、動的で不確実なRoRoオペレーションに適していることが証明されました。

限界と今後の課題

著者は以下の限界を認めています。

• 本モデルはすべての貨物がタッグによって扱われることを前提としており、ドライバーが扱うユニット（トラック）を除外しています。
• 積付計画およびヤード計画は静的なものとして扱われていますが、実際のオペレーションでは動的な組み替えが発生します。
• 人間の行動は従順であるとモデル化されており、「アルゴリズム嫌悪」を考慮していません。
• 本研究では、強化学習のような高度な最適化手法との比較を行っていません。

今後の研究として、歴史的データを用いてパラメータを自己校正し、系統的な誤差を修正する適応型DTの研究や、DTと人間のオペレーターとの相互作用の探求が示唆されています。また、速度のためのルールベース・ヒューリスティックと、プロセスの後半段階のための高度な最適化を組み合わせたハイブリッド・アプローチも提案されています。