Makine Öğrenmesiyle Liman Tıkanıklığını Haftalar Öncesinden Tahmin Etmek

Liman tıkanıklığı, tedarik zinciri aksaklıklarının en maliyetli biçimlerinden biridir — bireysel gecikmeler felaket boyutunda olmadığı için değil, zamanlaması etrafında plan yapmanın imkânsız olduğu için. Büyük bir aktarma merkezi önünde altı gün demir atan bir gemi bir çığ etkisi tetikler: kaçırılan bağlantı besleme servisleri, kaymaya başlayan teslim pencereleri, boşta bekleyen şasiler ve artık geçerli olmayan bir aralık için rezerve edilmiş iç taşımacılık. Maliyet, tek bir dramatik olay olmaksızın yöneticilere bildirim gerektirmeksizin sessiz sedasız birikir.

AI tabanlı tıkanıklık tahmini, operasyonel duruşu tepkisel yönetimden öngörücü eyleme dönüştürüyor — ve önceden uyarı süresindeki iyileştirme marjinal değil. Bir aksaklığı yönetmek ile ondan kaçınmak arasındaki fark budur.

Liman Tıkanıklığı Nasıl Gelişir — ve Neden Bizi Şaşırtır

Doğru sinyallere bakıyorsanız tıkanıklık nadiren uyarısız belirir. Gemi trafiği, rezervasyonlar elverişli sefer pencerelerine, uzun hafta sonu kesin tarihlerine ya da tatil sonrası stok yenileme dalgalarına yoğunlaştıkça günler içinde birikir. İşgücü mevcudiyeti, sözleşme müzakereleri, yerel resmî tatiller ve mevsimlik hastalık örüntüleriyle değişir. Terminal kapasitesi, vinçler devre dışı kaldığında ya da planlanmamış büyük kargo akını saha planlarını bozduğunda aniden daralabilir.

Sorun, bu sinyallerin tarihsel olarak yalnızca geriye dönük biçimde görünür olmasıdır. Liman idareleri haftalık geçiş istatistikleri yayımlar; deniz hatları bir limana uğramaktan vazgeçtikten sonra boş sefer duyuruları yapar; nakliye acenteleri tıkanıklığı ancak kamyoncuları dolu sahayı rapor etmek için aradığında öğrenir. Bu sinyallerden herhangi biri bir nakliyecinin planlama ekibine ulaştığında, tıkanıklık olayı çoktan olgunlaşmış ve seçenekler sınırlı hale gelmiştir.

Liman sağlığını izlemeye yönelik geleneksel araçlar — deniz hatları danışmaları, nakliye acentesi ağ güncellemeleri, liman idaresi basın açıklamaları — ortak bir sınırlamayla karşı karşıyadır: halihazırda gelişmiş olan koşulları raporlarlar, gelişmekte olan koşulları değil. Bu gecikme tam olarak makine öğrenmesi tıkanıklık modellerinin kapatmak üzere tasarlandığı şeydir.

Makine Öğrenmesi Modellerinin Erken Görebildikleri

AI tıkanıklık tahmin platformları, birden fazla ileriye dönük sinyali olasılıksal tahminlerde bir araya getirir. Veri girdileri genellikle şunlardır:

• AIS gemi trafik yoğunluğu — liman yaklaşımlarında, demirde ya da rıhtım kuyruğuna atanmış durumdaki gemi sayısı; önceki yıllarla aynı dönemle karşılaştırılmış
• Rezervasyon ve manifesto verisi — önümüzdeki iki ila altı haftada varış için onaylanmış kargo hacimleri
• Hava tahminleri — tropikal hava sistemleri, tayfun rotaları ve tarihsel olarak yanaşma gecikmelerine yol açan mevsimlik hava örüntüleri
• Terminal operasyonel verisi — rıhtım çizelgeleri, planlı bakım pencereleri, vinç mevcudiyeti
• İşgücü istihbaratı — sendika sözleşmesi durumu, bilinen tatiller ve müzakere gerginliğine ilişkin kamuya açık sinyaller

Bu girdileri yıllarca süren geçmiş liman uğrak kayıtlarıyla ilişkilendirerek makine öğrenmesi modelleri, bir terminal görünür biçimde bunalmadan haftalar önce yaklaşan tıkanıklığın imzalarını tanımlayabilir. Bazı platformlar artık belirli limanlardaki mevsimlik tıkanıklık örüntüleri için üç aya kadar tahmin penceresi, akut tıkanıklık olayları için ise 72 saatlik önceden bildirim iddia etmektedir.

Büyük limanlardaki pilot programlar, AI tarafından üretilen tıkanıklık tahminlerine göre hareket eden taşıyıcı katılımcılarda gemi giriş-çıkış süresinde yaklaşık %15 iyileşme göstermiş; bu kazanım tüm liman uğrakları ağında bileşik etki yaratmaktadır.

Önceden Uyarı Süresi Her Şeyi Değiştirir

İki haftalık tıkanıklık uyarısının aynı günkü tıkanıklık uyarısına göre operasyonel değeri doğrusal değil — üsteldir. İki haftayla bir lojistik ekibi şunları yapabilir:

• Sevkiyatları aynı varış noktasına intermodal bağlantılarla ulaşan alternatif tahliye limanlarına yeniden rezerve edebilir
• Alıcılarla orijinal ETA'ya bağlanan beklentiler oluşmadan önce revize teslimat pencerelerini müzakere edebilir
• Satın alma siparişlerini öne çekerek ya da erteleyerek stok pozisyonlamasını kaydırabilir
• Kayması gerekecek bir pencere için şasi ve römorku rezerve etmekten kaçınabilir

Aynı gün uyarısıyla bu seçeneklerden hiçbiri makul maliyetle kullanılamaz. Ekip aksaklıktan kaçınmak yerine onu yönetir.

Bir aktarma merkezindeki tıkanıklık olasılığına ilişkin üç aylık ileriye dönük görünüm daha da stratejik yanıtları mümkün kılar: taşıyıcı sözleşmelerinde doğrudan çağrı ile aktarma güzergahlarının karışımını ayarlamak, alternatif tahliye limanlarına yakın dağıtım merkezlerinde emniyet stoku önceden konumlandırmak ya da ağın yerine getiremeyeceği taahhütler yapılmadan önce müşterilere mevsimlik teslimat performansı beklentileri hakkında proaktif iletişim kurmak.

AI Tıkanıklık Tahmini Nerede Kullanılıyor

2026'daki en görünür üretim dağıtımları Asya-Pasifik'teki büyük terminalleri kapsıyor — Singapur, Tanjung Pelepas, Port Klang, Şangay — buradaki gemi yoğunluğu, makine öğrenmesi modellerinin ihtiyaç duyduğu eğitim verisini üretecek kadar yüksektir. Zamansal grafik evrişimsel ağlara ve ters pekiştirmeli öğrenmeye dayanan araştırma çerçeveleri akademik makalelerden ticari uygulamalara geçmeye başlamış; taşıyıcı grupları ve terminal operatörleri tescilli tıkanıklık tahminleme araçlarına yatırım yapmaktadır.

Ocak 2026'da özellikle liman lojistiği optimizasyonunu hedefleyen bir platform lansmanı, tıkanıklık noktalarını tahmin etmek ve gemi yanaşma çizelgelerini dinamik olarak optimize etmek için makine öğrenmesi kullandığını bildirdi; ilk dağıtımlar boşta demirleme süresinde ölçülebilir azalmalar gösterdi.

Akademik literatür de hızlanıyor. 2025–2026'da yayımlanan çalışmalar, gelecekteki sefer segment sürelerini tahmin etmek için çok görevli dönüştürücü çerçeveleri ve liman düzeyinde tedarik zinciri risk olaylarının erken uyarısı için zamansal grafik dikkat ağlarını öneriyor — ticari platform tasarımını bilgilendirmeye başlayan yaklaşımlar.

Tıkanıklık Sinyallerini Sevkiyat Düzeyindeki Eylemlere Bağlamak

Liman düzeyinde tıkanıklık tahmini, sevkiyat düzeyine bağlandığında en kullanışlı hale gelir. X Limanı'nın iki hafta içinde tıkanık olacağını bilmek ilginçtir; 47 açık sevkiyatınızın o tıkanıklık dönemine denk gelen varış pencereleriyle X Limanı üzerinden yönlendirildiğini bilmek ise eyleme geçirilebilirdir.

Liman durumu risk sinyallerinin yanı sıra çok taşıyıcılı görünürlüğü yüzey üreten platformlar, operasyon ekiplerinin etkilenen sevkiyatları tanımlamasına, iş etkisine göre önceliklendirmesine ve istisna iş akışlarını harekete geçmesi gereken plancılara yönlendirmesine olanak tanır — liman danışmalarını sevkiyat takip sistemiyle manuel olarak çapraz referanslama yapmadan. Gerçek zamanlı AIS türevli gemi durumu, ML tahminli liman tıkanıklığı ve normalleştirilmiş çok taşıyıcılı milestone verisinin birleşimi, tıkanıklık tahminini yalnızca analitik açıdan ilginç değil, operasyonel açıdan kullanışlı kılan şeydir.

Kaynak: Supply Chain Management Review