CN116805172A - 一种ais数据驱动的原油船舶目的港预测方法 - Google Patents
一种ais数据驱动的原油船舶目的港预测方法 Download PDFInfo
- Publication number
- CN116805172A CN116805172A CN202310505090.9A CN202310505090A CN116805172A CN 116805172 A CN116805172 A CN 116805172A CN 202310505090 A CN202310505090 A CN 202310505090A CN 116805172 A CN116805172 A CN 116805172A
- Authority
- CN
- China
- Prior art keywords
- ship
- lat
- lon
- port
- information extraction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000010779 crude oil Substances 0.000 title claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 67
- 230000004927 fusion Effects 0.000 claims abstract description 23
- 238000010276 construction Methods 0.000 claims abstract description 18
- 230000006399 behavior Effects 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 17
- 229940050561 matrix product Drugs 0.000 claims description 10
- 101100182247 Caenorhabditis elegans lat-1 gene Proteins 0.000 claims description 6
- 101100182248 Caenorhabditis elegans lat-2 gene Proteins 0.000 claims description 6
- 101100021570 Caenorhabditis elegans lon-3 gene Proteins 0.000 claims description 6
- 101150061388 LON1 gene Proteins 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 101150004293 lon2 gene Proteins 0.000 claims description 6
- 238000007499 fusion processing Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- -1 utc2 Proteins 0.000 claims description 2
- 230000001717 pathogenic effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种AIS数据驱动的原油船舶目的港预测方法,包括如下步骤,S1、基于预处理后的AIS历史数据,确定船舶航行轨迹,根据船舶航行轨迹构建船舶空间信息提取网络;船舶航行轨迹包括船舶进出泊位行为以及船舶泊位归属;S2、基于预处理后的AIS历史数据,融合船舶类型、船舶长度、船舶载重和船舶建造年份,构建船舶偏好信息提取网络;S3、将船舶空间信息提取网络、船舶偏好信息提取网络以及船舶动态信息提取网络进行融合,构建信息融合网络,并基于信息融合网络进行目的港预测。优点是:解决了原油船舶运输目的港预测过程中空间信息与船舶运输偏好信息缺失而导致预测结果准确度偏低的问题。
Description
技术领域
本发明涉及目的港预测技术领域,尤其涉及一种AIS数据驱动的原油船舶目的港预测方法。
背景技术
现有的目的港预测方法主要以局部地区的原有目的港预测为主,使用随机森林、朴素贝叶斯以及循环神经网络网络实现预测,这种方式不能有效在全球范围内进行原油运输船舶目的港预测;缺少了空间信息与船舶运输偏好的识别,预测准确率较低。
发明内容
本发明的目的在于提供一种AIS数据驱动的原油船舶目的港预测方法,从而解决现有技术中存在的前述问题。
为了实现上述目的,本发明采用的技术方案如下:
一种AIS数据驱动的原油船舶目的港预测方法,包括如下步骤,
S1、基于预处理后的AIS历史数据,确定船舶航行轨迹,根据船舶航行轨迹构建船舶空间信息提取网络;船舶航行轨迹包括船舶进出泊位行为以及船舶泊位归属;
S2、基于预处理后的AIS历史数据,融合船舶类型、船舶长度、船舶载重和船舶建造年份,构建船舶偏好信息提取网络;
S3、将船舶空间信息提取网络、船舶偏好信息提取网络以及船舶动态信息提取网络进行融合,构建信息融合网络,并基于信息融合网络进行目的港预测。
优选的,船舶进出泊位行为的确定过程为,
A11、根据速度从给定单船的长度为N的AIS轨迹集合Ti,N中筛选出船舶速度小于预设节的轨迹点形成长度为m的轨迹集合Ti,m;
其中,Ti,N={t1(u,s,c,lon,lat),t2(u,s,c,lon,lat),...,tN(u,s,c,lon,lat)};u为世界统一时间,即utc;s为速度,lon为经度,lat为纬度,i为船舶命名的独立唯一id;Ti,m={t1(u,s,c,lon,lat),t2(u,s,c,lon,lat),...,tm(u,s,c,lon,lat)};
A12、依次计算集合Ti,m内两轨迹点之间的时间差以及距离;当两点之间的时间差小于预设时间阈值,且两点之间的距离小于预设距离阈值时,轨迹点t1和轨迹点t2可以聚类成一个簇;
两个轨迹点之间的时间差计算公式为,
utcDifference=u2-u1
其中,utcDifference为utc时间差;u1为第1个轨迹点t1所对应的时间;u2为第2个轨迹点t2所对应的时间;
两个轨迹点之间的距离计算公式为,
distance(lon2,lat2,lon1,lat1)
=R0*arccos(cos(lat1)
*coS(lat2)*cos(lon2-lon1)+sin(lat2)*sin(lat1))
其中,lon1,lat1为第1个轨迹点t1所对应的经纬度;lon2,lat2分别为第2个轨迹点t2所对应的经纬度;R0为地球半径;
A13、基于A12中的判断规则,将集合Ti,m将划分为由多个子集组成的集合
Ti,m,sub={sub1(t1(u,s,c,lon,lat),t2(u,s,c,lon,lat)),...,subK(tK(u,s,c,lon,lat),tK+1(u,s,c,lon,lat)),
其中,sub为子集;K为子集总数,每个子集代表了船舶的一次停止状态。
优选的,船舶泊位归属的确定过程为,
A21、假设两条船舶的停止状态分别为Sa=(u1,lon1,lat1,utc2,lon2,lat2)与Sb=(u3,lon3,lat3,utc4,lon4,lat4),且均在第一泊位B1=(blon1,blat1)与第二泊位B2=(blon2,blat2)的附近;
其中,u1和u3分别为两条船舶停止状态的起始时刻;u2和u4分别为两条船舶停止状态的结束时刻;lon1、lat1和lon3、lat3分别为u1和u3对应的经纬度;lon2、lat2和lon4、lat4分别为u2与u4对应的经纬度;blon1、blat1分别为第一泊位的经纬度;blon2、blat2分别为第二泊位的经纬度;
A22、分别计算Sa、Sb与B1、B2之间的距离,若u1小于u3,且distance(Sa,B1)<distance(Sb,B1),则u1与u2之间,第一泊位B1被Sa占用,Sb应停靠于第二泊位B2。
优选的,步骤S2中的融合过程具体为,
根据IMO匹配船舶类型、船舶长度、船舶载重和船舶建造年份数据,分别对将船舶类型和船舶长度进行分类并以二进制编码标识;将船舶载重和船舶建造年份通过最大最小归一化进行0-1之间的映射。
优选的,步骤S3中,基于信息融合网络进行目的港预测的具体过程为,
S31、基于船舶空间信息提取网络,根据船舶上一次停靠记录,提取出一个包含504个元素的向量;
S32、基于船舶偏好信息提取网络,将船舶的每个属性提取为一个256维的向量,并通过线性神经网络层将不同属性融合形成一个504维的向量;
S33、基于船舶动态信息提取网络,提取船舶的实时轨迹数据;
S34、将上述三种提取的数据进行融合,获取一个504维的向量;
S35、计算S34中获取的向量与港口的504维one-hot编码向量之间的余弦距离,余弦距离最小所对应的港口即为目的港。
优选的,步骤S31的提取过程具体为,基于船舶进出泊位行为和船舶泊位归属,构造船舶停靠时间和地点的集合S,并对集合S进行信息提取:
对于S={s1((ua,pm),...,(ub,pk)),…,sn((uc,po),...,(ud,pq))}中的每个元素st,和/>构成一个OD对,O为起点,D为目的地;集合S去重后构成节点集合V={v1,v2,…,vn},集合S中所有OD对去重后得到边集/> 从O到D航行的船舶数量构成了某个节点的权重/> V和W的矩阵乘积构成空间信息矩阵,实现船舶空间信息的提取;
其中,ua和ub分别为船舶s1的不同停泊时间,pm和pk为船舶s1的不同停船港;uc和ud分别为船舶sn的不同停泊时间;po和pq为船舶sn的不同停船港;vn为第n个节点,即第n个港口;为连接第n个节点和第n-1个节点的边,/>为该边的权重;
优选的,步骤S32的提取过程具体为,
S321、对于给定的原油油轮集合Z={z1(shipType,weight,year,length),...,zm(shipType,weight,year,length)},将集合Z分为三部分,分别为船舶嵌入矩阵船舶特征嵌入矩阵/> 港口嵌入矩阵/>
其中,shipType,weight,year,length分别为船舶类型、船舶载重、船舶建造年份和船舶长度;d为潜在嵌入维度;mship,lfeature和nport分别为船舶、港口和船舶属性的数量;uj,pj和fj分别为矩阵U,P和F中的第j行; R为实数空间;
S322、计算pj和fj中每个特征之间的矩阵乘积,即对于给定pj={a1,a2,…,ad}和则两者的矩阵乘积为/> 计算pj和fj之间的所有矩阵乘积,/>
S323、将pj和fj之间的矩阵乘积添加到uj中,则uj和pj*fj形成油轮偏好向量xj,xj=uj+pj*fj;
S324、xj和pj之间的矩阵内积作为船舶偏好信息提取网络的最终输出output,output=pj*xj。
优选的,所述信息融合网络的损失函数为交叉熵损失函数,
其中,k为类别;r为类别总数,在船舶目的港预测中为港口的独立热编码;hk为第k个类别的真实标签;gk是第k个类别对应的Softmax概率。
本发明的有益效果是:1、通过AIS数据,在船舶从装油港出发后对船舶进行位置跟踪,并对其目的港进行预测,解决了原油船舶运输目的港预测过程中空间信息与船舶运输偏好信息缺失而导致预测结果准确度偏低的问题。2、通过构建船舶空间信息提取网络和船舶偏好信息提取网络,并将其与船舶动态信息提取网络进行融合构建信息融合网络进行目的港的预测,提高预测准确率。
附图说明
图1是本发明实施例中预测方法的流程图;
图2是本发明实施例中船舶空间信息提取网络提取示意图;
图3是本发明实施例中船舶偏好信息提取网络提取示意图;
图4是本发明实施例中信息融合网络提取示意图。
图5是本发明实施例中信息融合网络与其他几种网络模型的预测效果对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本实施例中,提供了一种AIS数据驱动的原油船舶目的港预测方法,包括如下步骤,
S1、基于预处理后的AIS历史数据,确定船舶航行轨迹,根据船舶航行轨迹构建船舶空间信息提取网络;
S2、基于预处理后的AIS历史数据,融合船舶类型、船舶长度、船舶载重和船舶建造年份,构建船舶偏好信息提取网络;
S3、将船舶空间信息提取网络、船舶偏好信息提取网络以及船舶动态信息提取网络进行融合,构建信息融合网络,并基于信息融合网络进行目的港预测。
本发明方法主要包括三部分内容,分别是船舶空间信息提取网络的构建、船舶偏好信息提取网络的构建、利用信息融合网络进行目的港预测。
在进行这三部分内容之前,需要对AIS历史数据进行预处理,预处理的具体内容为,通过线性插值将不同时间间隔的AIS历史数据转换为间隔为预设时长的AIS数据。预设时长可以根据实际情况进行确定,以便更好的满足实际需求,本实施例中,预设时长设置为10分钟。
下面分别针对上述三部分内容进行说明:
一、船舶空间信息提取网络的构建
该部分对应步骤S1,从预处理后的AIS历史数据中提取船舶在不同港口之间的通行记录(船舶航行轨迹),从而建立船舶空间信息提取网络,具体是,通过过去预设年数内的AIS历史数据中提取出那些港口是直接连接的,以及港口之间的连接程度,即两个港口之间通过的船舶数量。通过提取的信息可以知道那些港口之间存在贸易联系,从而缩小目的港的预测范围,提高预测的准确度。预设年数可以根据实际情况进行选择,以便更好的满足实际需求,本实施例中预设年数设置为3年。
由于所述船舶航行轨迹包括船舶及进出泊位行为以及船舶进出时间,因此需要进行船舶进出泊位行为的确定以及船舶泊位归属的确定,分别如下:
1、船舶进出泊位行为的确定过程为,
(1)根据速度从给定单船的长度为N的AIS轨迹集合Ti,N中筛选出船舶速度小于预设节的轨迹点形成长度为m的轨迹集合Ti,m;预设节可以根据实际情况进行选择,以便更好的满足实际需求,本实施例中,预设节设置为0.5节。
其中,Ti,N={t1(u,s,c,lon,lat),t2(u,s,c,lon,lat),...,tN(u,s,c,lon,lat)};u为世界统一时间,即utc;s为速度,lon为经度,lat为纬度,i为船舶命名的独立唯一id;Ti,m={t1(u,s,c,lon,lat),t2(u,s,c,lon,lat),...,tm(u,s,c,lon,lat)};
(2)依次计算集合Ti,m内两轨迹点之间的时间差以及距离;当两点之间的时间差小于预设时间阈值,且两点之间的距离小于预设距离阈值时,轨迹点t1和轨迹点t2可以聚类成一个簇;V1和V2的取值可以根据实际情况进行选择,以便更好的满足实际需求。本实施例中,经验证,V1=864000秒,V2=200米。
两个轨迹点之间的时间差计算公式为,
utcDifference=u2-u1
其中,utcDifference为utc时间差;u1为第1个轨迹点t1所对应的时间;u2为第2个轨迹点t2所对应的时间;
两个轨迹点之间的距离计算公式为,
distance(lon2,lat2,lon1,lat1)
=R0*arccos(cos(lat1)
*cos(lat2)*cos(lon2-lon1)+sin(lat2)*sin(lat1))
其中,lon1,lat1为第1个轨迹点t1所对应的经纬度;lon2,lat2分别为第2个轨迹点t2所对应的经纬度;R0为地球半径;
(3)基于A12中的判断规则,将集合Ti,m将划分为由多个子集组成的集合
Ti,m,sub={sub1(t1(u,s,c,lon,lat),t2(u,s,c,lon,lat)),...,subK(tK(u,s,c,lon,lat),tK+1(u,s,c,lon,lat)),
其中,sub为子集;K为子集总数,每个子集代表了船舶的一次停止状态。
船舶在各个国家之间的航行轨迹是船舶空间信息提取网络建立的最好依据,因此计算船舶何时在哪个国家完成过停靠对于构建船舶空间信息提取网络存在重要意义。
本实施例中,船舶进出泊位行为确定的计算机程序代码参见表1。
表1船舶进出泊位行为确定算法
在完成船舶进出泊位行为确定后,需要根据船舶停止状态(进出泊位行为)与泊位之间的距离应用公式,进一步确定船舶是否停靠泊。但是由于船舶靠泊时泊位之间间隔较小(尤其是集装箱船舶),因此对一条停止状态需要确定最终的唯一泊位归属,即船舶泊位归属确定。
2、船舶泊位归属的确定过程为,
(1)假设两条船舶的停止状态分别为Sa=(u1,lon1,lat1,u2,lon2,lat2)与Sb=(u3,lon3,lat3,u4,lon4,lat4),且均在第一泊位B1=(blon1,blat1)与第二泊位B2=(blon2,blat2)的附近;
其中,u1和u3分别为两条船舶停止状态的起始时刻;u2和u4分别为两条船舶停止状态的结束时刻;lon1、lat1和lon3、lat3分别为u1和u3对应的经纬度;lon2、lat2和lon4、lat4分别为u2与u4对应的经纬度;blon1、blat1分别为第一泊位的经纬度;blon2、blat2分别为第二泊位的经纬度。
(2)分别计算Sa、Sb与B1、B2之间的距离,若u1小于u3,且distance(Sa,B1)<distance(Sb,B1),则u1与u2之间,第一泊位B1被Sa占用,Sb应停靠于第二泊位B2。
二、船舶偏好信息提取网络的构建
在船舶空间信息提取网络中,不同船舶的目的港存在一定的偏好。将船舶偏好分为船舶属性偏好和一般偏好,船舶属性偏好是通过船舶的长度、宽度和吃水深度等属性提取出来的,一般偏好是基于位移船舶身份的嵌入。基于船舶属性偏好、一般偏好和港口项目属性,构建一个用户属性偏好信息提取网络,以快速提取船舶偏好信息。
该部分对应步骤S2,通过从预设年数的AI S历史数据中提取船舶过去的到港记录,融合船舶类型,船舶长度、船舶载重、船舶建造年份等信息,建立船舶偏好信息提取网络。船舶的行驶偏好对于目的港的预测至关重要,通过构建船舶偏好信息提取网络,进一步提高预测的准确度。
本实施例中,融合过程具体为,
根据I MO匹配船舶类型、船舶长度、船舶载重和船舶建造年份数据,分别对将船舶类型和船舶长度进行分类并以二进制编码标识;将船舶载重和船舶建造年份通过最大最小归一化进行0-1之间的映射。
船舶类型和船舶长度的分类数量可以根据实际情况进行选择,以便更好的满足实际需求。本实施例中,船舶类型分为3类,分别为VLCC、SUZEMAX、AFRAMAX,船舶长度分为5类,分别为200米至230米,230米至250米,250米至270米,270米至300米,300米以上。
三、利用信息融合网络进行目的港预测
通过船舶的连续运动状态,可以提取一些有助于预测目的港的信息。本实施例中,连续采集了某船舶的6个AI S数据,并与其他数据融合,实现船舶动态信息的提取。全部信息包括三个部分,分别是:(1)空间信息:通过船舶空间信息提取网络,根据船舶上一次停靠的记录,提取出一个包含504个元素的向量;(2)偏好信息:通过船舶偏好信息提取网络,将船舶的每个属性提取成一个256维的向量,并通过线性神经网络层将不同属性融合形成一个504维的向量。船舶偏好信息提取网络由船舶嵌入层(用于编码顶点船舶I D)、特征嵌入层和端口嵌入层(用来编码端口I D)组成。(3)船舶动态信息:通过船舶动态信息提取网络实时获取船舶的动态信息,船舶动态信息提取网络由LSTM层和线性层组成。将上述提取的三类信息通过线性层进行融合,得到一个504维的向量,之后通过这个向量与港口的504维one-hot编码向量进行余弦距离计算,余弦距离最近所对应的港口即为目的港。
余弦距离计算为,
式中||x||和||y||分别为向量x=(x1,x2,…,xp)和y=(y1,y2,…,yp)的欧几里得范数。
该部分对应步骤S3,其中,如图4所示,基于信息融合网络进行目的港预测的具体过程为,
1、基于船舶空间信息提取网络,根据船舶上一次停靠记录,提取出一个包含504个元素的向量;参见图2,提取过程具体为,基于船舶进出泊位行为和船舶泊位归属,构造船舶停靠时间和地点的集合S,并对集合S进行信息提取:
对于S={s1((ua,pm),...,(ub,pk)),…,sn((uc,po),...,(ud,pq))}中的每个元素st,和/>构成一个OD对,O为起点,D为目的地;集合S去重后构成顶点集合V={v1,v2,…,vn},集合S中所有OD对去重后得到边集/> 从O到D航行的船舶数量构成了某个节点的权重/> V和W的矩阵乘积构成空间信息矩阵,实现船舶空间信息的提取;
其中,n为船舶档案中的船舶索引,ua和ub分别为船舶s1的不同停泊时间,pm和pk为船舶s1的不同停船港;uc和ud分别为船舶sn的不同停泊时间;po和pq为船舶sn的不同停船港;vn为第n个节点,即第n个港口;为连接第n个节点和第n-1个节点的边,/>为该边的权重。
2、基于船舶偏好信息提取网络,将船舶的每个属性提取为一个256维的向量,并通过线性神经网络层将不同属性融合形成一个504维的向量;参见图3,提取过程具体为,
(1)、对于给定的原油油轮集合Z={z1(shipType,weight,year,length),...,zm(shipType,weight,year,length)},将集合Z分为三部分,分别为船舶嵌入矩阵船舶特征嵌入矩阵/> 港口嵌入矩阵/>
其中,shipType,weight,year,length分别为船舶类型、船舶载重、船舶建造年份和船舶长度;d为潜在嵌入维度;mship,lfeature和nport分别为船舶、港口和船舶属性的数量;uj,pj和fj分别为矩阵U,P和F中的第j行;R为实数空间。
本实施例中,假设有两条船舶,则两条船通过one-hot转数字化,分别为向量(0,1)、(1,0),通过一个2×256的向量可以把(0,1)变换为256维的向量(0.1,0.2,…,0.8),这个过程叫做嵌入(embedding),用于将向量进行维度变换,使得对角元素不为0,更具有计算的意义,提升神经网络计算效果。其他嵌入矩阵的嵌入含义相同,形式在图3中。
(2)、首先计算pj和fj中每个特征之间的矩阵乘积,即对于给定pj={a1,a2,…,ad}和则两者的矩阵乘积为/> 再计算pj和fj之间的所有矩阵乘积,/>
经过嵌入之后每个元素都被映射到一个更高的空间,pj={a1,a2,…,ad}和则是类似船舶嵌入的256位向量,{a1,a2,…,ad}、{b1,b2,…,bd}分别为其中对应的第1个到第d个分量。
(3)、将pj和fj之间的矩阵乘积添加到uj中,则uj和pj*fj形成油轮偏好向量xj,xj=uj+pj*fj;
(4)、xj和pj之间的矩阵内积作为船舶偏好信息提取网络的最终输出output,output=pj*xj。
本实施例中,所述信息融合网络的损失函数为交叉熵损失函数,
其中,k为类别;r为类别总数,在船舶目的港预测中为港口的独立热编码;hk为第k个类别的真实标签;gk是第k个类别对应的Softmax概率。
3、基于船舶动态信息提取网络,提取船舶的实时轨迹数据;
4、将上述三种提取的数据进行融合,获取一个504维的向量;
5、计算4中获取的向量与港口的504维one-hot编码向量之间的余弦距离,余弦距离最小所对应的港口即为目的港。
本实施例中,可以采用预测准确率作为评价指标,进而确定本发明中的信息融合网络比其他目的港预测模型更为优越,预测更为准确。
其中,Accuracy为预测准确率;ncorrrect为预测正确的样本数,ntotal为总样本数。
本实施例中,通过具体的数据计算得到本发明方法中信息融合网络的预测准确率为74.3%,比现有模型效果至少提高5%以上。参见图5,展示了信息融合网络与其他几种模型的具体预测效果。
通过采用本发明公开的上述技术方案,得到了如下有益的效果:
本发明提供了一种AIS数据驱动的原油船舶目的港预测方法,通过AIS数据,在船舶从装油港出发后对船舶进行位置跟踪,并对其目的港进行预测,解决了原油船舶运输目的港预测过程中空间信息与船舶运输偏好信息缺失而导致预测结果准确度偏低的问题。通过构建船舶空间信息提取网络和船舶偏好信息提取网络,并将其与船舶动态信息提取网络进行融合构建信息融合网络进行目的港的预测,提高预测准确率。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (8)
1.一种AIS数据驱动的原油船舶目的港预测方法,其特征在于:包括如下步骤,
S1、基于预处理后的AIS历史数据,确定船舶航行轨迹,根据船舶航行轨迹构建船舶空间信息提取网络;船舶航行轨迹包括船舶进出泊位行为以及船舶泊位归属;
S2、基于预处理后的AIS历史数据,融合船舶类型、船舶长度、船舶载重和船舶建造年份,构建船舶偏好信息提取网络;
S3、将船舶空间信息提取网络、船舶偏好信息提取网络以及船舶动态信息提取网络进行融合,构建信息融合网络,并基于信息融合网络进行目的港预测。
2.根据权利要求1所述的AIS数据驱动的原油船舶目的港预测方法,其特征在于:船舶进出泊位行为的确定过程为,
A11、根据速度从给定单船的长度为N的AIS轨迹集合Ti,N中筛选出船舶速度小于预设节的轨迹点形成长度为m的轨迹集合Ti,m;
其中,Ti,N={t1(u,s,c,lon,lat),t2(u,s,c,lon,lat),...,tN(u,s,c,lon,lat)};u为世界统一时间,即utc;s为速度,lon为经度,lat为纬度,i为船舶命名的独立唯一id;Ti,m={t1(u,s,c,lon,lat),t2(u,s,c,lon,lat),...,tm(u,s,c,lon,lat)};
A12、依次计算集合Ti,m内两轨迹点之间的时间差以及距离;当两点之间的时间差小于预设时间阈值,且两点之间的距离小于预设距离阈值时,轨迹点t1和轨迹点t2可以聚类成一个簇;
两个轨迹点之间的时间差计算公式为,
utcDifference=u2-u1
其中,utcDifference为utc时间差;u1为第1个轨迹点t1所对应的时间;u2为第2个轨迹点t2所对应的时间;
两个轨迹点之间的距离计算公式为,
distance(lon2,lat2,lon1,lat1)=R0*arccos(cos(lat1)*cos(lat2)*cos(lon2-lon1)+sin(lat2)*sin(lat1))
其中,lon1,lat1为第1个轨迹点t1所对应的经纬度;lon2,lat2分别为第2个轨迹点t2所对应的经纬度;R0为地球半径;
A13、基于A12中的判断规则,将集合Ti,m将划分为由多个子集组成的集合
Ti,m,sub={sub1(t1(u,s,c,lon,lat),t2(u,s,c,lon,lat)),...,subK(tK(u,s,c,lon,lat),tK+1(u,s,c,lon,lat)),
其中,sub为子集;K为子集总数,每个子集代表了船舶的一次停止状态。
3.根据权利要求1所述的AIS数据驱动的原油船舶目的港预测方法,其特征在于:船舶泊位归属的确定过程为,
A21、假设两条船舶的停止状态分别为Sa=(u1,lon1,lat1,utc2,lon2,lat2)与Sb=(u3,lon3,lat3,utc4,lon4,lat4),且均在第一泊位B1=(blon1,blat1)与第二泊位B2=(blon2,blat2)的附近;
其中,u1和u3分别为两条船舶停止状态的起始时刻;u2和u4分别为两条船舶停止状态的结束时刻;lon1、lat1和lon3、lat3分别为u1和u3对应的经纬度;lon2、lat2和lon4、lat4分别为u2与u4对应的经纬度;blon1、blat1分别为第一泊位的经纬度;blon2、blat2分别为第二泊位的经纬度;
A22、分别计算Sa、Sb与B1、B2之间的距离,若u1小于u3,且distance(Sa,B1)<distance(Sb,B1),则u1与u2之间,第一泊位B1被Sa占用,Sb应停靠于第二泊位B2。
4.根据权利要求1所述的AIS数据驱动的原油船舶目的港预测方法,其特征在于:步骤S2中的融合过程具体为,
根据IMO匹配船舶类型、船舶长度、船舶载重和船舶建造年份数据,分别对将船舶类型和船舶长度进行分类并以二进制编码标识;将船舶载重和船舶建造年份通过最大最小归一化进行0-1之间的映射。
5.根据权利要求1所述的AIS数据驱动的原油船舶目的港预测方法,其特征在于:步骤S3中,基于信息融合网络进行目的港预测的具体过程为,
S31、基于船舶空间信息提取网络,根据船舶上一次停靠记录,提取出一个包含504个元素的向量;
S32、基于船舶偏好信息提取网络,将船舶的每个属性提取为一个256维的向量,并通过线性神经网络层将不同属性融合形成一个504维的向量;
S33、基于船舶动态信息提取网络,提取船舶的实时轨迹数据;
S34、将上述三种提取的数据进行融合,获取一个504维的向量;
S35、计算S34中获取的向量与港口的504维one-hot编码向量之间的余弦距离,余弦距离最小所对应的港口即为目的港。
6.根据权利要求6所述的AIS数据驱动的原油船舶目的港预测方法,其特征在于:步骤S31的提取过程具体为,基于船舶进出泊位行为和船舶泊位归属,构造船舶停靠时间和地点的集合S,并对集合S进行信息提取:
对于S={s1((ua,pm),...,(ub,pk)),...,sn((uc,po),...,(ud,pq))}中的每个元素st,和/>构成一个OD对,O为起点,D为目的地;集合S去重后构成节点集合V={v1,v2,…,vn},集合S中所有OD对去重后得到边集/> 从O到D航行的船舶数量构成了某个节点的权重/> V和W的矩阵乘积构成空间信息矩阵,实现船舶空间信息的提取;
其中,ua和ub分别为船舶s1的不同停泊时间,pm和pk为船舶s1的不同停船港;uc和ud分别为船舶sn的不同停泊时间;po和pq为船舶sn的不同停船港;vn为第n个节点,即第n个港口;为连接第n个节点和第n-1个节点的边,/>为该边的权重。
7.根据权利要求6所述的AIS数据驱动的原油船舶目的港预测方法,其特征在于:步骤S32的提取过程具体为,
S321、对于给定的原油油轮集合Z={z1(shipType,weight,year,length),...,zm(shipType,weight,year,length)},将集合Z分为三部分,分别为船舶嵌入矩阵船舶特征嵌入矩阵/> 港口嵌入矩阵/>
其中,shipType,weight,year,length分别为船舶类型、船舶载重、船舶建造年份和船舶长度;d为潜在嵌入维度;mship,lfeature和nport分别为船舶、港口和船舶属性的数量;uj,pj和fj分别为矩阵U,P和F中的第j行; R为实数空间;
S322、计算pj和fj中每个特征之间的矩阵乘积,即对于给定pj={a1,a2,…,ad}和则两者的矩阵乘积为/> 计算pj和fj之间的所有矩阵乘积,/>
S323、将pj和fj之间的矩阵乘积添加到uj中,则uj和pj*fj形成油轮偏好向量xj,xj=uj+pj*fj;
S324、xj和pj之间的矩阵内积作为船舶偏好信息提取网络的最终输出output,output=pj*xj。
8.根据权利要求6所述的AIS数据驱动的原油船舶目的港预测方法,其特征在于:所述信息融合网络的损失函数为交叉熵损失函数,
其中,k为类别;r为类别总数,在船舶目的港预测中为港口的独立热编码;hk为第k个类别的真实标签;gk是第k个类别对应的Softmax概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310505090.9A CN116805172B (zh) | 2023-05-06 | 2023-05-06 | 一种ais数据驱动的原油船舶目的港预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310505090.9A CN116805172B (zh) | 2023-05-06 | 2023-05-06 | 一种ais数据驱动的原油船舶目的港预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116805172A true CN116805172A (zh) | 2023-09-26 |
CN116805172B CN116805172B (zh) | 2023-12-12 |
Family
ID=88079134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310505090.9A Active CN116805172B (zh) | 2023-05-06 | 2023-05-06 | 一种ais数据驱动的原油船舶目的港预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116805172B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118194061A (zh) * | 2024-05-16 | 2024-06-14 | 大连海事大学 | 一种海洋卫星ais数据船舶航迹回溯方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110706518A (zh) * | 2019-08-19 | 2020-01-17 | 浙江海洋大学 | 一种船舶挂靠港预测技术 |
CN111581314A (zh) * | 2020-04-26 | 2020-08-25 | 亿海蓝(北京)数据技术股份公司 | 基于船舶轨迹的泊位识别方法及装置 |
CN115018368A (zh) * | 2022-06-28 | 2022-09-06 | 交通运输部规划研究院 | 一种基于海量ais数据的港口泊位占用率计算方法 |
CN115577868A (zh) * | 2022-12-12 | 2023-01-06 | 亿海蓝(北京)数据技术股份公司 | 在途船舶的目的港预测方法、装置、可读存储介质和船舶 |
-
2023
- 2023-05-06 CN CN202310505090.9A patent/CN116805172B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110706518A (zh) * | 2019-08-19 | 2020-01-17 | 浙江海洋大学 | 一种船舶挂靠港预测技术 |
CN111581314A (zh) * | 2020-04-26 | 2020-08-25 | 亿海蓝(北京)数据技术股份公司 | 基于船舶轨迹的泊位识别方法及装置 |
CN115018368A (zh) * | 2022-06-28 | 2022-09-06 | 交通运输部规划研究院 | 一种基于海量ais数据的港口泊位占用率计算方法 |
CN115577868A (zh) * | 2022-12-12 | 2023-01-06 | 亿海蓝(北京)数据技术股份公司 | 在途船舶的目的港预测方法、装置、可读存储介质和船舶 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118194061A (zh) * | 2024-05-16 | 2024-06-14 | 大连海事大学 | 一种海洋卫星ais数据船舶航迹回溯方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116805172B (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alrasheedi et al. | Evaluating the green growth indicators to achieve sustainable development: A novel extended interval‐valued intuitionistic fuzzy‐combined compromise solution approach | |
CN113553682B (zh) | 一种数据驱动的多层次船舶航路网络构建方法 | |
Sun et al. | DxNAT—Deep neural networks for explaining non-recurring traffic congestion | |
Li et al. | Forecaster: A graph transformer for forecasting spatial and time-dependent data | |
CN112527938A (zh) | 基于自然语言理解的中文poi匹配方法 | |
CN111597340A (zh) | 一种文本分类方法及装置、可读存储介质 | |
CN115660137B (zh) | 一种船舶风浪航行能耗精准估算方法 | |
CN110532546B (zh) | 一种融合地理位置和文本相似性的警情自动下发方法 | |
CN114943694A (zh) | 一种基于对抗生成网络与注意力的缺陷检测方法 | |
CN110674858A (zh) | 一种基于时空关联与大数据挖掘的交通拥堵检测方法 | |
CN117390141B (zh) | 一种农业社会化服务质量用户评价数据分析方法 | |
Zhu et al. | Feature selection and deep learning for deterioration prediction of the bridges | |
Chen et al. | Exploration and mining evaluation system and price prediction of uranium resources | |
Xu et al. | Trajectory clustering for SVR-based Time of Arrival estimation | |
CN116608861A (zh) | 一种船舶航迹行为异常检测方法、***、装置及存储介质 | |
Mei et al. | Port recommendation system for alternative container port destinations using a novel neural language-based algorithm | |
CN116805172B (zh) | 一种ais数据驱动的原油船舶目的港预测方法 | |
Attoh-Okine | Combining use of rough set and artificial neural networks in doweled-pavement-performance modeling—A hybrid approach | |
Liao et al. | Traj2Traj: A road network constrained spatiotemporal interpolation model for traffic trajectory restoration | |
Saremi et al. | Alternative sequence classification of neural networks for bridge deck condition rating | |
Xia | Navigational risk analysis based on GIS spatiotemporal trajectory mining: a case study in Nanjing Yangtze River Bridge waters | |
CN116665482A (zh) | 一种基于智慧停车的停车位推荐方法及装置 | |
Zhou et al. | Estimation of shipment size in seaborne iron ore trade | |
CN115565376A (zh) | 融合graph2vec、双层LSTM的车辆行程时间预测方法及*** | |
Wenzel et al. | A Neural Network Approach for ETA Prediction in Inland Waterway Transport |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |