CN116911468B - 一种基于大数据的全球船运信息监控*** - Google Patents
一种基于大数据的全球船运信息监控*** Download PDFInfo
- Publication number
- CN116911468B CN116911468B CN202311167658.7A CN202311167658A CN116911468B CN 116911468 B CN116911468 B CN 116911468B CN 202311167658 A CN202311167658 A CN 202311167658A CN 116911468 B CN116911468 B CN 116911468B
- Authority
- CN
- China
- Prior art keywords
- weather
- sub
- sea area
- duration
- time
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 95
- 238000000034 method Methods 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 30
- 238000013480 data collection Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002123 temporal effect Effects 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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于大数据的全球船运信息监控***,涉及海运航线时长预测技术领域,将全球海域划分为若干子海域,收集每个子海域中的历史天气数据,训练预测各种天气特征的气象值序列的天气预测模型,对于每片子海域,收集每艘运输船在经过该片子海域时,生成的历史航行时长数据,为每片子海域训练出预测运输船在该子海域中航行时间的时长预测模型,预先收集全球航运中的所有运输船的航线信息,对于每艘按照航线进行航行的运输船,实时收集该运输船所在的子海域编号,以及该子海域的实时天气数据,实时更新每艘运输船的剩余航行时长;为每艘运输船带来更为准确的航行时长预测,提高预计到达时间的准确性。
Description
技术领域
本发明涉及海运航线时长预测技术领域,具体是一种基于大数据的全球船运信息监控***。
背景技术
在全球海运过程中,海面天气的快速变化常常成为影响运输船航行时间准确预估的主要因素之一。海洋环境的不稳定性,包括风向风速的突然变化、海浪的涨落以及气候***的影响,都可能导致船舶在航行过程中遭遇各种不同的气象条件。这种变幅广泛且多变的海面天气状况,对于船舶的航速、航向以及整体航行计划都产生着深远的影响。
在海运过程中,船舶的航行时间预估是重要的运营指标,直接关系到货物的及时交付和物流成本的控制。对于航运公司、供应链管理者以及贸易伙伴而言,精准地预测船舶抵达目的港的时间具有战略性和运营性意义。准确的航行时间预测有助于优化物流计划和资源配置,确保货物在承诺的时间内按时到达,从而避免了不必要的滞期和延误。此外,它也有助于降低库存成本,因为供应链参与者可以根据预测的航行时间精确控制库存水平,减少过多的库存积压。在国际贸易中,准确地航行时间预测能够提高业务可靠性,增强合作伙伴信任。
而目前对航行时间的预估往往是基于历史数据或当前的海面天气情况,难以应对时刻变化的海面天气;
为此,本发明提出一种基于大数据的全球船运信息监控***。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种基于大数据的全球船运信息监控***,为每艘运输船带来更为准确的航行时长预测,提高预计到达时间的准确性。
为实现上述目的,根据本发明的实施例1提出一种基于大数据的全球船运信息监控***,包括历史天气数据收集模块、天气预测模型训练模块、历史航行时长数据收集模块、时长预测模型训练模块、航线信息收集模块、实时航运数据收集模块以及剩余时长计算模块;其中,各个模块之间电性连接;
历史天气数据收集模块,用于将全球海域划分为若干子海域,并收集每个子海域中的历史天气数据;
所述收集每个子海域中的历史天气数据的方式为:
对于每片子海域,收集过去所有经过该片子海域的运输船,在航行过程中记录的历史天气数据,所述历史天气数据包括每种天气特征对应的若干气象值序列;
所述在航行过程中记录的历史天气数据的方式为:
对于每艘运输船的每一次历史航行过程,根据运输船的实时位置,判断该运输船所在的子海域;
将该运输船进入该子海域至离开该子海域的时长内,记录的每种天气特征随时间变化的气象值组成的序列作为该子海域的一条气象值序列;
所述历史天气数据收集模块将历史天气数据发送至天气预测模型训练模块;
天气预测模型训练模块,用于基于历史天气数据,训练出预测各种天气特征的气象值序列的天气预测模型;
所述训练出预测各种天气特征的气象值序列的天气预测模型的方式为:
对于每片子海域的每种天气特征:
预设预测时间步长、滑动步长以及滑动窗口长度,将对应的每条集合中每条气象值序列,使用滑动窗口方法转化为若干个训练样本,将每组训练样本作为天气预测模型的输入,所述天气预测模型以未来的预测时间步长的每一时刻的气象值组成的振幅序列作为输出,每个训练样本后续预测时间步长内,在气象值序列的后续预测时间步长内的气象值序列段作为预测目标,对天气预测模型进行训练;生成预测未来的预测时间步长内的气象值序列的天气预测模型;
所述天气预测模型训练模块将天气预测模型发送至剩余时长计算模块;
历史航行时长数据收集模块,用于对于每片子海域,收集每艘运输船在经过该片子海域时,生成的历史航行时长数据;
所述收集每艘运输船在经过该片子海域时,生成的历史航行时长数据的方式为:
在每艘运输船按预先设定的航线开始航行时,收集该运输船的船体特征数据以及该航线在每片子海域中的长度;
每艘运输船在经过每片子海域过程中,获得该船体特征数据、该片子海域中每种天气特征的气象值的平均值以及对应航线在该子海域中的长度,将所有船体特征数据、每种气象值的平均值和对应航线在该子海域中的长度组成的向量作为该片子海域的一组时长训练特征向量,将该运输船通过该子海域的时长作为该时长训练特征向量对应的航行时长标签;
所述时长训练特征向量和航行时长标签组成一组该子海域的所述历史航行时长数据;
所述历史航行时长数据收集模块将所有历史航行时长数据发送至时长预测模型训练模块;
时长预测模型训练模块,用于基于历史航行时长数据,为每片子海域训练出预测运输船在该子海域中航行时间的时长预测模型;
所述为每片子海域训练出预测运输船在该子海域中航行时间的时长预测模型的方式为:
将每条时长训练特征向量作为时长预测模型的输入,所述时长预测模型以对每组时长训练特征向量的预测的时长标签为输出,以历史航行时长数据中,时长训练特征向量对应的时长标签为预测目标,以最小化对所有时长标签的预测误差之和作为训练目标;对时长预测模型进行训练,直至预测误差之和达到收敛时停止训练,训练出对于每片子海域,根据时长训练特征向量输出预测的时长标签的时长预测模型;
所述时长预测模型训练模块将训练完成的时长预测模型发送至时长计算模块;
航线信息收集模块,用于预先收集全球航运中的所有运输船的航线信息;
所述航线信息包括每艘运输船的船体特征数据、预计航行的航线、该航线经过的所有子海域以及经过每个子海域的长度;
所述航线信息收集模块将所有航线信息发送至剩余时长计算模块;
实时航运数据收集模块,用于对于每艘按照航线进行航行的运输船,实时收集该运输船所在的子海域编号,以及该子海域的实时天气数据;
所述实时收集该运输船所在的子海域,以及该子海域的实时天气数据的方式为:
实时收集每艘运输船发送的启航信号;在接收到任意一艘运输船的启航信号后,实时收集该运输船的位置,以及该运输船记录的各种天气特征的气象值,直至运输船抵达航线终点;基于运输船的位置获得对应的子海域编号,基于实时收集的各种天气特征的气象值,生成每个子海域内的每种天气特征的实时气象值序列;所述实时天气数据包括每种天气特征的实时气象值序列;
所述实时航运数据收集模块将每艘航行中的运输船的子海域编号以及对应子海域的实时天气数据发送至剩余时长计算模块;
剩余时长计算模块,用于基于实时天气数据、航线信息、天气预测模型和时长预测模型,实时更新每艘运输船的剩余航行时长;
所述实时更新每艘运输船的剩余航行时长的方式为:
对于每片子海域,实时判断是否存在至少一条运输船的位置位于该子海域,若存在,则将最近发送实时天气数据的运输船作为预测运输船;
将预测运输船生成的实时天气数据中每条气象值序列转化为对应的训练样本,并将转化的训练样本输入至天气预测模型中,获得每种天气特种在预测时间步长内的预测的气象值序列,并基于预测的气象值序列,计算出每种天气特征气象值的平均值作为预测平均值;
对于每艘航行中的运输船,基于其当前所在的子海域位置和对应的航线,统计剩余的需要经过的子海域以及需要经过每个子海域的长度;
对于每片需要经过的子海域,将该运输船的船体特征数据、每片每种天气特征气象值最新的预测平均值以及对应航线经过该子海域的长度作为实时时长训练特征向量,将实时时长训练特征向量输入至时长预测模型中,获得该运输船经过每片需要经过的子海域的时长,累加所有需要经过的子海域的时长,获得剩余航行时长。
与现有技术相比,本发明的有益效果是:
本发明通过预先将全球海域划分为若干子海域,并收集每个子海域中的历史天气数据,并对于每片子海域,收集每艘运输船在经过该片子海域时,生成的历史航行时长数据,基于历史天气数据,训练出预测各种天气特征的气象值序列的天气预测模型,基于历史航行时长数据,为每片子海域训练出预测运输船在该子海域中航行时间的时长预测模型,再预先收集全球航运中的所有运输船的航线信息,对于每艘按照航线进行航行的运输船,实时收集该运输船所在的子海域编号,以及该子海域的实时天气数据,最后基于实时天气数据、航线信息、天气预测模型和时长预测模型,实时更新每艘运输船的剩余航行时长;从而可以在无需额外的天气监测设备的条件下,为每艘运输船带来更为准确的航行时长预测,提高预计到达时间的准确性。
附图说明
图1为本发明实施例中的基于大数据的全球船运信息监控***的模块连接关系图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,一种基于大数据的全球船运信息监控***,包括历史天气数据收集模块、天气预测模型训练模块、历史航行时长数据收集模块、时长预测模型训练模块、航线信息收集模块、实时航运数据收集模块以及剩余时长计算模块;其中,各个模块之间电性连接;
其中,所述历史天气数据收集模块主要用于将全球海域划分为若干子海域,并收集每个子海域中的历史天气数据;
具体地,所述将全球海域划分为若干子海域的方式为:
根据全球海域的实际地理条件、每条航线航行的路线等,对海域进行子海域的划分;
在一个优选的实施例中,对海域进行子海域的划分的方式可以为:将海运航线按等距离划分为若干航线段,根据航运经验,为每个航线段选择一片覆盖该子航线段的海域作为子海域;可以理解的是,全球海运中,主要航线的数量是有限的,可选的港口也是有限的,因此根据航线来划分子海域,可较为容易地对海域进行划分;
进一步地,所述收集每个子海域中的历史天气数据的方式为:
对于每片子海域,收集过去所有经过该片子海域的运输船,在航行过程中记录的历史天气数据,所述历史天气数据包括每种天气特征对应的若干气象值序列;
在一个优选的实施例中,所述在航行过程中记录的历史天气数据的方式为:
可以理解的是,参与全球海运的运输船,在每次航行过程中,均会记录并通过卫星通信等方式,向监控后台发送实时位置以及实时天气等数据;
对于每艘运输船的每一次历史航行过程,根据运输船的实时位置,判断该运输船所在的子海域;
将该运输船进入该子海域至离开该子海域的时长内,记录的每种天气特征随时间变化的气象值组成的序列作为该子海域的一条气象值序列;优选的,所述天气特征为影响运输船航行速度的若干气象,包括但不限于风速、风向以及可见度等,所述风向可以为与航线防线的夹角;所述气象值为每种天气特征对应的具体数值;
所述历史天气数据收集模块将历史天气数据发送至天气预测模型训练模块;
其中,所述天气预测模型训练模块主要用于基于历史天气数据,训练出预测各种天气特征的气象值序列的天气预测模型;
具体地,所述训练出预测各种天气特征的气象值序列的天气预测模型的方式为:
对于每片子海域的每种天气特征:
预设预测时间步长、滑动步长以及滑动窗口长度,将对应的每条集合中每条气象值序列,使用滑动窗口方法转化为若干个训练样本,将每组训练样本作为天气预测模型的输入,所述天气预测模型以未来的预测时间步长的每一时刻的气象值组成的振幅序列作为输出,每个训练样本后续预测时间步长内,在气象值序列的后续预测时间步长内的气象值序列段作为预测目标,对天气预测模型进行训练;生成预测未来的预测时间步长内的气象值序列的天气预测模型;优选的,所述天气预测模型可以为RNN神经网络模型或LSTM神经网络模型;
需要说明的是,滑动窗口方法是循环神经网络模型或时间序列预测模型的常规技术手段,本发明在此不再做原理性说明;但为了使本发明更便于理解,本发明提供如下的关于滑动窗口方法的示例:
假设我们要用历史数据[1,2,3,4,5,6]来训练一个时间预测模型,设置预测时间步长为1,滑动步长设置为1以及滑动窗口长度设置为3;则生成3组训练数据和对应的预测目标数据:[1,2,3]、[2,3,4]以及[3,4,5]作为训练数据,以[4]、[5]以及[6]分别作为预测目标;
所述天气预测模型训练模块将天气预测模型发送至剩余时长计算模块;
其中,所述历史航行时长数据收集模块主要用于对于每片子海域,收集每艘运输船在经过该片子海域时,生成的历史航行时长数据;
具体的,所述收集每艘运输船在经过该片子海域时,生成的历史航行时长数据的方式为:
在每艘运输船按预先设定的航线开始航行时,收集该运输船的船体特征数据以及该航线在每片子海域中的长度;其中,所述船体特征数据包括运输船本身的影响航行速度的若干船体数据;优选的,所述船体特征数据包括但不限于运输船类型、运输船大小、载重以及排水量等,其中,所述运输船类型可以包括货船、集装箱船、油轮等;所述运输船大小可以为运输船的体积;
每艘运输船在经过每片子海域过程中,获得该船体特征数据、该片子海域中每种天气特征的气象值的平均值以及对应航线在该子海域中的长度,将所有船体特征数据、每种气象值的平均值和对应航线在该子海域中的长度组成的向量作为该片子海域的一组时长训练特征向量,将该运输船通过该子海域的时长作为该时长训练特征向量对应的航行时长标签;
所述时长训练特征向量和航行时长标签组成一组该子海域的所述历史航行时长数据;
所述历史航行时长数据收集模块将所有历史航行时长数据发送至时长预测模型训练模块;
其中,所述时长预测模型训练模块主要用于基于历史航行时长数据,为每片子海域训练出预测运输船在该子海域中航行时间的时长预测模型;
优选的,所述为每片子海域训练出预测运输船在该子海域中航行时间的时长预测模型的方式为:
将每条时长训练特征向量作为时长预测模型的输入,所述时长预测模型以对每组时长训练特征向量的预测的时长标签为输出,以历史航行时长数据中,时长训练特征向量对应的时长标签为预测目标,以最小化对所有时长标签的预测误差之和作为训练目标;对时长预测模型进行训练,直至预测误差之和达到收敛时停止训练,训练出对于每片子海域,根据时长训练特征向量输出预测的时长标签的时长预测模型;所述机时长预测模型是多项式回归模型或SVR模型中的任意一个;
优选的,所述预测误差可以是均方差误差或交叉熵误差中的任意一个;
所述时长预测模型训练模块将训练完成的时长预测模型发送至时长计算模块;
其中,所述航线信息收集模块主要用于预先收集全球航运中的所有运输船的航线信息;
具体地,所述航线信息包括每艘运输船的船体特征数据、预计航行的航线、该航线经过的所有子海域以及经过每个子海域的长度;
可以理解地是,运输船在航行前会预先制定航行排期,航行排期中包含有出发时间:船舶排期规定船舶在特定日期出发,以确保按时运输;航行过程:船舶根据排期计划开始航行,经过海上航线;而船体特征数据为运输船固有的特征,可以预先收集;
所述航线信息收集模块将所有航线信息发送至剩余时长计算模块;
其中,所述实时航运数据收集模块主要用于对于每艘按照航线进行航行的运输船,实时收集该运输船所在的子海域编号,以及该子海域的实时天气数据;
在一个优选的实施例中,所述实时收集该运输船所在的子海域,以及该子海域的实时天气数据的方式为:
实时收集每艘运输船发送的启航信号;在接收到任意一艘运输船的启航信号后,实时收集该运输船的位置,以及该运输船记录的各种天气特征的气象值,直至运输船抵达航线终点;基于运输船的位置获得对应的子海域编号,基于实时收集的各种天气特征的气象值,生成每个子海域内的每种天气特征的实时气象值序列;所述实时天气数据包括每种天气特征的实时气象值序列;
所述实时航运数据收集模块将每艘航行中的运输船的子海域编号以及对应子海域的实时天气数据发送至剩余时长计算模块;
其中,所述剩余时长计算模块主要用于基于实时天气数据、航线信息、天气预测模型和时长预测模型,实时更新每艘运输船的剩余航行时长;
在一个优选的实施例中,所述实时更新每艘运输船的剩余航行时长的方式为:
对于每片子海域,实时判断是否存在至少一条运输船的位置位于该子海域,若存在,则将最近发送实时天气数据的运输船作为预测运输船;
将预测运输船生成的实时天气数据中每条气象值序列转化为对应的训练样本,并将转化的训练样本输入至天气预测模型中,获得每种天气特种在预测时间步长内的预测的气象值序列,并基于预测的气象值序列,计算出每种天气特征气象值的平均值作为预测平均值;
对于每艘航行中的运输船,基于其当前所在的子海域位置和对应的航线,统计剩余的需要经过的子海域以及需要经过每个子海域的长度;
对于每片需要经过的子海域,将该运输船的船体特征数据、每片每种天气特征气象值最新的预测平均值以及对应航线经过该子海域的长度作为实时时长训练特征向量,将实时时长训练特征向量输入至时长预测模型中,获得该运输船经过每片需要经过的子海域的时长,累加所有需要经过的子海域的时长,获得剩余航行时长;可以理解的是,通过全球各艘运输船之间的信息共享,获得各片子海域的天气信息,从而可以在无需额外的天气监测设备的条件下,为每艘运输船带来更为准确的航行时长预测,提高预计到达时间的准确性。
以上的预设的参数或预设的阈值均由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (7)
1.一种基于大数据的全球船运信息监控***,其特征在于,包括历史天气数据收集模块、天气预测模型训练模块、历史航行时长数据收集模块、时长预测模型训练模块、航线信息收集模块、实时航运数据收集模块以及剩余时长计算模块;其中,各个模块之间电性连接;
历史天气数据收集模块,用于将全球海域划分为若干子海域,并收集每个子海域中的历史天气数据,并将历史天气数据发送至天气预测模型训练模块;
天气预测模型训练模块,用于基于历史天气数据,训练出预测各种天气特征的气象值序列的天气预测模型,并将天气预测模型发送至剩余时长计算模块;
历史航行时长数据收集模块,用于对于每片子海域,收集每艘运输船在经过该片子海域时,生成的历史航行时长数据,并将所有历史航行时长数据发送至时长预测模型训练模块;
时长预测模型训练模块,用于基于历史航行时长数据,为每片子海域训练出预测运输船在该子海域中航行时间的时长预测模型,并将训练完成的时长预测模型发送至时长计算模块;
航线信息收集模块,用于预先收集全球航运中的所有运输船的航线信息,并将所有航线信息发送至剩余时长计算模块;
实时航运数据收集模块,用于对于每艘按照航线进行航行的运输船,实时收集该运输船所在的子海域编号,以及该子海域的实时天气数据,并将每艘航行中的运输船的子海域编号以及对应子海域的实时天气数据发送至剩余时长计算模块;
剩余时长计算模块,用于基于实时天气数据、航线信息、天气预测模型和时长预测模型,实时更新每艘运输船的剩余航行时长;
所述实时更新每艘运输船的剩余航行时长的方式为:
对于每片子海域,实时判断是否存在至少一条运输船的位置位于该子海域,若存在,则将最近发送实时天气数据的运输船作为预测运输船;
将预测运输船生成的实时天气数据中每条气象值序列转化为对应的训练样本,并将转化的训练样本输入至天气预测模型中,获得每种天气特种在预测时间步长内的预测的气象值序列,并基于预测的气象值序列,计算出每种天气特征气象值的平均值作为预测平均值;
对于每艘航行中的运输船,基于其当前所在的子海域位置和对应的航线,统计剩余的需要经过的子海域以及需要经过每个子海域的长度;
对于每片需要经过的子海域,将该运输船的船体特征数据、每片每种天气特征气象值最新的预测平均值以及对应航线经过该子海域的长度作为实时时长训练特征向量,将实时时长训练特征向量输入至时长预测模型中,获得该运输船经过每片需要经过的子海域的时长,累加所有需要经过的子海域的时长,获得剩余航行时长。
2.根据权利要求1所述的一种基于大数据的全球船运信息监控***,其特征在于,所述收集每个子海域中的历史天气数据的方式为:
对于每片子海域,收集过去所有经过该片子海域的运输船,在航行过程中记录的历史天气数据,所述历史天气数据包括每种天气特征对应的若干气象值序列;
所述在航行过程中记录的历史天气数据的方式为:
对于每艘运输船的每一次历史航行过程,根据运输船的实时位置,判断该运输船所在的子海域;
将该运输船进入该子海域至离开该子海域的时长内,记录的每种天气特征随时间变化的气象值组成的序列作为该子海域的一条气象值序列。
3.根据权利要求2所述的一种基于大数据的全球船运信息监控***,其特征在于,所述训练出预测各种天气特征的气象值序列的天气预测模型的方式为:
对于每片子海域的每种天气特征:
预设预测时间步长、滑动步长以及滑动窗口长度,将对应的每条集合中每条气象值序列,使用滑动窗口方法转化为若干个训练样本,将每组训练样本作为天气预测模型的输入,所述天气预测模型以未来的预测时间步长的每一时刻的气象值组成的振幅序列作为输出,每个训练样本后续预测时间步长内,在气象值序列的后续预测时间步长内的气象值序列段作为预测目标,对天气预测模型进行训练;生成预测未来的预测时间步长内的气象值序列的天气预测模型。
4.根据权利要求3所述的一种基于大数据的全球船运信息监控***,其特征在于,所述收集每艘运输船在经过该片子海域时,生成的历史航行时长数据的方式为:
在每艘运输船按预先设定的航线开始航行时,收集该运输船的船体特征数据以及该航线在每片子海域中的长度;
每艘运输船在经过每片子海域过程中,获得该船体特征数据、该片子海域中每种天气特征的气象值的平均值以及对应航线在该子海域中的长度,将所有船体特征数据、每种气象值的平均值和对应航线在该子海域中的长度组成的向量作为该片子海域的一组时长训练特征向量,将该运输船通过该子海域的时长作为该时长训练特征向量对应的航行时长标签;
所述时长训练特征向量和航行时长标签组成一组该子海域的所述历史航行时长数据。
5.根据权利要求4所述的一种基于大数据的全球船运信息监控***,其特征在于,所述为每片子海域训练出预测运输船在该子海域中航行时间的时长预测模型的方式为:
将每条时长训练特征向量作为时长预测模型的输入,所述时长预测模型以对每组时长训练特征向量的预测的时长标签为输出,以历史航行时长数据中,时长训练特征向量对应的时长标签为预测目标,以最小化对所有时长标签的预测误差之和作为训练目标;对时长预测模型进行训练,直至预测误差之和达到收敛时停止训练,训练出对于每片子海域,根据时长训练特征向量输出预测的时长标签的时长预测模型。
6.根据权利要求5所述的一种基于大数据的全球船运信息监控***,其特征在于,所述航线信息包括每艘运输船的船体特征数据、预计航行的航线、该航线经过的所有子海域以及经过每个子海域的长度。
7.根据权利要求6所述的一种基于大数据的全球船运信息监控***,其特征在于,所述实时收集该运输船所在的子海域,以及该子海域的实时天气数据的方式为:
实时收集每艘运输船发送的启航信号;在接收到任意一艘运输船的启航信号后,实时收集该运输船的位置,以及该运输船记录的各种天气特征的气象值,直至运输船抵达航线终点;基于运输船的位置获得对应的子海域编号,基于实时收集的各种天气特征的气象值,生成每个子海域内的每种天气特征的实时气象值序列;所述实时天气数据包括每种天气特征的实时气象值序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311167658.7A CN116911468B (zh) | 2023-09-12 | 2023-09-12 | 一种基于大数据的全球船运信息监控*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311167658.7A CN116911468B (zh) | 2023-09-12 | 2023-09-12 | 一种基于大数据的全球船运信息监控*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116911468A CN116911468A (zh) | 2023-10-20 |
CN116911468B true CN116911468B (zh) | 2023-12-08 |
Family
ID=88368065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311167658.7A Active CN116911468B (zh) | 2023-09-12 | 2023-09-12 | 一种基于大数据的全球船运信息监控*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116911468B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117910674B (zh) * | 2024-03-19 | 2024-05-31 | 平潭综合实验区智慧岛投资发展有限公司 | 一种基于机器学习的海上船舶指挥方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103531043A (zh) * | 2013-09-27 | 2014-01-22 | 重庆大学 | 基于航线匹配的船舶点到点航行时间估算方法 |
CN112132346A (zh) * | 2020-09-24 | 2020-12-25 | 中国科学院空天信息创新研究院 | 一种基于船舶类型的船舶航行轨迹预测方法 |
CN112801376A (zh) * | 2021-01-31 | 2021-05-14 | 华为技术有限公司 | 确定船只的预计到达时间的方法、装置和存储介质 |
CN113112059A (zh) * | 2021-03-31 | 2021-07-13 | 亿海蓝(北京)数据技术股份公司 | 船舶靠泊时间预测方法及*** |
CN114330640A (zh) * | 2021-11-01 | 2022-04-12 | 上海汇航捷讯网络科技有限公司 | 基于船舶ais大数据的船舶进出港靠离泊时间预测方法 |
WO2022091377A1 (ja) * | 2020-10-30 | 2022-05-05 | 株式会社日立製作所 | 計算機システム及び船舶の港到着時刻の予測方法 |
CN116307069A (zh) * | 2023-01-11 | 2023-06-23 | 杭州数澜科技有限公司 | 一种基于多任务学习的船舶航行时间预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102215520B1 (ko) * | 2018-09-13 | 2021-02-15 | 주식회사 웨더아이 | 연안 기상 정보를 포함하는 선박의 항로 정보를 제공하는 방법 및 서버 |
-
2023
- 2023-09-12 CN CN202311167658.7A patent/CN116911468B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103531043A (zh) * | 2013-09-27 | 2014-01-22 | 重庆大学 | 基于航线匹配的船舶点到点航行时间估算方法 |
CN112132346A (zh) * | 2020-09-24 | 2020-12-25 | 中国科学院空天信息创新研究院 | 一种基于船舶类型的船舶航行轨迹预测方法 |
WO2022091377A1 (ja) * | 2020-10-30 | 2022-05-05 | 株式会社日立製作所 | 計算機システム及び船舶の港到着時刻の予測方法 |
CN112801376A (zh) * | 2021-01-31 | 2021-05-14 | 华为技术有限公司 | 确定船只的预计到达时间的方法、装置和存储介质 |
CN113112059A (zh) * | 2021-03-31 | 2021-07-13 | 亿海蓝(北京)数据技术股份公司 | 船舶靠泊时间预测方法及*** |
CN114330640A (zh) * | 2021-11-01 | 2022-04-12 | 上海汇航捷讯网络科技有限公司 | 基于船舶ais大数据的船舶进出港靠离泊时间预测方法 |
CN116307069A (zh) * | 2023-01-11 | 2023-06-23 | 杭州数澜科技有限公司 | 一种基于多任务学习的船舶航行时间预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116911468A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6633795B2 (ja) | 機械学習を用いた船舶の損失航跡データ推定システム | |
US8935174B2 (en) | Analyzing voyage efficiencies | |
JP5420723B2 (ja) | 船舶の最適航路計算システム、船舶の運航支援システム、船舶の最適航路計算方法、及び船舶の運航支援方法 | |
JP4756331B2 (ja) | 環境負荷低減型航海計画提供システム | |
CN103531043B (zh) | 基于航线匹配的船舶点到点航行时间估算方法 | |
CN116911468B (zh) | 一种基于大数据的全球船运信息监控*** | |
Wang et al. | A survey of technologies for unmanned merchant ships | |
Tu et al. | Modeling historical AIS data for vessel path prediction: A comprehensive treatment | |
US20040193367A1 (en) | Method and system for marine vessel tracking system | |
US11674805B2 (en) | System and method for voyage consumption optimization | |
WO2008096376A1 (en) | Route selecting method and apparatus | |
JP2009286230A (ja) | 船舶の運航支援システムと船舶の運航支援方法 | |
CN109658439A (zh) | 船舶压港状态识别方法、装置、设备以及存储介质 | |
CN113156947A (zh) | 一种船舶在动态环境下的路径规划的方法 | |
CN117391244A (zh) | 一种融合多源信息的船舶轨迹预测方法 | |
Chen et al. | Art and science of ship voyage optimization: A critical review | |
KR20210116798A (ko) | 디지털 트윈을 이용하여 선박의 경제운항을 위한 파랑 정보 수집 장치 | |
Xu et al. | Trajectory clustering for SVR-based Time of Arrival estimation | |
Hensel et al. | Green shipping: using AIS data to assess global emissions | |
WO2023215980A1 (en) | System and method for enhanced estimated time of arrival for vessels | |
Mouzakitis et al. | Optimising maritime processes via artificial intelligence: the vesselai concept and use cases | |
Bonham et al. | Analysing port and shipping operations using big data | |
CN115577868A (zh) | 在途船舶的目的港预测方法、装置、可读存储介质和船舶 | |
Ward et al. | Decision Support for Voyaging | |
Paulauskas et al. | Accuracy evaluation of Ro-Ro and Ro-Pax ships arrival to the ports |
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 |