[发明专利]基于船舶AIS大数据的船舶进出港靠离泊时间预测方法

说明书

本发明公开了基于船舶AIS大数据的船舶进出港靠离泊时间预测方法，本方法通过AIS系统获取各船舶的船名、水上移动业务标识（MMSI）、船舶空间位置、船速、船型、时间戳等属性。另外除了AIS状态数据，还用到船舶和港口的静态数据，包括船舶大小、TEU量、类型、港口TEU量和港口归属航线等属性；根据历史的船舶进出港口时间计算出一些统计性特征：历史港口的吞吐量，船只未来到达的天数，还有船舶航行的平均速度；考虑到原始数据混乱的问题，需要对其数据进行清理，从而为预测任务打好基础；将预测任务拆分成了两个部分：港内时长预测和港间时长预测；同时训练深度神经网络和机器学习模型，然后将分段的结果求和得到最终的剩余时长。

技术领域

本发明涉及船舶进出港时间预测领域，具体为基于船舶AIS大数据的船舶进出港靠离泊时间预测方法。

背景技术

随着水上交通运输行业现代化、智能化及一体化方向全面发展，AIS系统作为一种新型的数字助航系统和设备，能够记录船舶时空信息，蕴含了大量的船舶航行的历史数据，包括船名、水上移动业务标识（MMSI）、船舶空间位置、船速、船型、时间戳等属性。目前，国内外各港口及内河航道已广泛应用该AIS系统，航业相关政府部门及企业已经积累了大量的航海信息资源，借助于先进的数据分析手段及方法，对AIS航行数据进行深度挖掘，可以从中获取反映航道交通状态及船舶行为的有效信息，从而为航运资源的管理与调配提供依据，极大程度地避免航道拥堵，提高航运效率。

类似于集装箱班轮，其它固定班次的运输方式也有自己的“船期表”，飞机航班有时刻表，火车班次同样有列车时刻表。但由于运输方式的不同特点，飞机和火车的ETA时间都是精确到分钟的，集装箱班轮却只能精确到天，并且准班率远低于另外两种运输方式。此外，火车通常不会取消班次，或是减少挂靠站点，飞机和班轮则既有可能取消航次，又有可能临时修改挂靠港或是跳港。因此，集装箱班轮船期成为设计国际物流解决方案中最不可控的因素，也是多式联运货主最难把控的运输风险点。

由于各种因素的限制，船公司提供的船期表平均误差高达30-40小时（远洋+近洋平均值）。影响船舶到港时间的原因非常复杂，天气、塞港、季节以及船公司的指令等都可能成为重要因素。虽然有了卫星AIS技术可以追踪船舶航行轨迹和实时动态，但由于AIS报文中显示的ETA时间是由船员填写且管理不够规范，准确性问题严重往往不可用，而当前船舶位置的显示对于只想了解未来准确ETA的货主而言帮助不大。所以，用人工智能AI来对船舶进出港靠离泊时间进行预测是意义重大的；为此提供了基于船舶AIS大数据的船舶进出港靠离泊时间预测方法。

发明内容

本发明的目的是针对现有技术的缺陷，提供基于船舶AIS大数据的船舶进出港靠离泊时间预测方法，以解决上述背景技术提出的问题。

为实现上述目的，本发明提供如下技术方案：基于船舶AIS大数据的船舶进出港靠离泊时间预测方法，具体的方法如下：

步骤1：通过AIS系统获取各船舶的历史航行数据信息；

步骤2：利用AIS数据和港口泊位围栏计算历史进出港和靠离泊时间，进而得到港口的吞吐量，作业速度，行驶速度最大最小平均值等统计数据；

步骤3：利用相邻挂靠港为一对港口组合作为训练样本，用距到达下一港口的剩余时长作为模型label，利用速度，船型，首尾港口的geohash，时间年月日等特征训练港间时长预测的机器学习模型；

步骤4：利用每个港口内的点作为训练样本；以离开该港口的剩余时长作为模型label，利用港口的属性，该港口历史拥堵统计值，时间年月日以及未来该港口到达船数量等特征训练港内拥堵预测的深度神经网络模型；

步骤5：最终预测依次输出完整路径下每对港间和港内的预计时长，将中间路段相加得到最终到达目的港的预测时间。