Acceso usuarios
El aumento del comercio contenerizado ha intensificado la necesidad de una asignación eficiente de recursos en las opera-ciones portuarias, especialmente en los problemas de asignación de atraques (Berth Allocation Problem, BAP), asignación de grúas de muelle (Quay Crane Assignment Problem, QCAP) y programación de grúas de muelle (Quay Crane Scheduling Problem, QCSP). Aunque tradicionalmente se han utilizado enfoques basados en programación matemática y metaheurísti-cas para resolver estos problemas, su escalabilidad y adaptabilidad siguen siendo limitadas. Los avances recientes en apren-dizaje automático (Machine Learning, ML) ofrecen nuevas posibilidades de optimización. Este artículo realiza una revisión sistemática de la literatura sobre enfoques que aplican técnicas de aprendizaje automático a las operaciones portuarias en el lado marítimo (BAP, QCAP, QCSP y sus variantes integradas). Quedan fuera del alcance de esta revisión operaciones como la planificación del transporte en el muelle, las actividades del lado terrestre o las operaciones de patio. La revisión se llevó a cabo siguiendo las directrices PRISMA y se basó en publicaciones indexadas en Scopus y Web of Science. Los trabajos se-leccionados se analizan y clasifican en nueve dimensiones. Los resultados muestran un claro predominio de la optimización económica, siendo el BAP el problema abordado con mayor frecuencia. Los estudios iniciales aplicaban principalmente técnicas de regresión y enfoques predictivos. Por su parte, las investigaciones más recientes han evolucionado hacia el apren-dizaje profundo por refuerzo y soluciones prescriptivas, abriendo nuevas oportunidades para unas operaciones portuarias más sostenibles y adaptativas. Finalmente, se identifican las principales tendencias y oportunidades en la aplicación del aprendizaje automático a las operaciones portuarias.
The surge in containerised trade has intensified the need for efficient resource allocation in port operations, particularly in berth allocation (BAP), quay crane assignment (QCAP) and quay crane scheduling (QCSP) problems. While mathematical programming and metaheuristic approaches have traditionally been used to solve these problems, their scalability and adapt-ability remain limited. Recent advances in Machine Learning (ML) offer new optimisation possibilities. This paper conducts a systematic literature review of approaches that apply machine learning techniques to seaside port operations (BAP, QCAP, QCSP, and their integrated variants). Operations such as quayside transport planning, landside or yard activities are outside the scope of this review. The review was conducted following PRISMA guidelines and was based on publications indexed in Scopus and Web of Science. The selected works are analysed and classified across nine dimensions. The results highlight a predominant focus on economic optimisation, with BAP being the most frequently addressed problem. Earlier studies broad-ly applied regression techniques and predictive approaches. At the same time, more recent research has shifted towards deep reinforcement learning and prescriptive solutions, opening new opportunities for sustainable and adaptive port operations. Finally, it has identified key trends and opportunities in ML applications for port operations.
