一种基于航线-港区实体的集装箱船装卸箱量预测方法及系统

本发明属于集装箱码头管理，尤其涉及一种基于航线-港区实体的集装箱船装卸箱量预测方法及系统。

背景技术：

1、集装箱码头在全球物流网络中占据核心枢纽地位，承载着国际贸易中绝大多数实物商品的中转与集散。集装箱吞吐量作为衡量码头运营效率、服务质量和资源配置能力的基础性指标，其精准预测对优化堆场管理、合理调配机械设备和人力资源具有决定性作用。短期装卸箱量预测可直接用于堆场存量估算、空箱调拨调度、泊位排序优化等高频微观作业决策，对提升码头日常运营效率具有重大实用价值。

2、现有方法的缺点包括：

3、对装卸箱量的预设假设存在局限。现有大多数短期预测研究假设集装箱船的装卸箱量在靠泊前已通过电子数据交换（edi）预报而完全已知。然而，在实际码头运营中，航运公司通过邮件传达的初步箱量预估存在极大不确定性，对于预计到港时间超过三天的船舶，其报量往往是粗略的整数估计；不同航运公司的报告标准差异悬殊，部分公司缺少按箱型（如重箱和空箱）的细分数据；edi文件在传输后频繁被修改和重新提交。因此，装卸箱量具有显著的内在不确定性，客观上存在对稳健预测模型的迫切需求。

4、预测实体粒度不足。现有方法通常仅以航线为基本预测单元，未充分考虑多港区协同运营的实际场景。在综合性多港区码头中，多个港区虽然受统一管理，但各港区的堆场管理需要独立进行预测。由于同一航线的集装箱船可在不同港区靠泊装卸，甚至在需要装卸的集装箱分布于多个港区时，船舶会在短时间内依次在多个港区停靠。这些复杂的物理约束和运营特点表明，仅以航线作为预测实体是不充分的，需要引入港区维度建立更精细的预测实体。

5、缺少针对不同实体的个性化集成优化。现有方法通常使用单一算法或简单加权集成进行预测，难以兼顾不同航线实体的异质性特征。不同航线的行为模式存在巨大差异，例如主干航线和支线航线受宏观经济因素的影响程度不同。采用全局统一权重的集成方法无法捕捉各实体的局部最优解，导致预测精度受限。

技术实现思路

1、为了解决现有方法通常使用单一算法或简单加权集成进行预测，难以兼顾不同航线实体的异质性特征，不同航线的行为模式存在巨大差异，例如主干航线和支线航线受宏观经济因素的影响程度不同，采用全局统一权重的集成方法无法捕捉各实体的局部最优解，导致预测精度受限问题，本发明采用的技术方案是：基于航线-港区实体的集装箱船装卸箱量预测方法，包括以下步骤：

2、s1:获取集装箱码头历史的装卸数据，包括航线代码、港区标识、装卸箱量和到港时间，基于所述航线代码和港区标识的二维组合构建预测实体；

3、s2:对所述装卸数据进行预处理，按日聚合同一预测实体的装卸记录，将预测目标按作业方向和箱型进行分类，并构建动态协变量特征；

4、s3: 基于动态协变量特征和集装箱码头历史的装卸数据，采用多种异构时序预测模型对各预测目标独立训练；

5、s4:在所述多种异构时序预测模型训练完成后，采用逐项贪婪集成方法，基于训练过程中回测滑动窗口产生的验证集数据，为每个航线-港区组合实体独立执行贪婪前向选择，确定各预测实体的最优模型组合和权重分配，生成集成模型；

6、s5:对所有训练好多种异构时序预测模型进行测试评估，所述所有训练好的多种异构时序预测模型和所述集成模型，通过基于实体级别和日聚合级别的双层评估策略为每个预测目标选出最优模型，生成最优预测策略；

7、s6:根据所述最优预测策略，对待预测实体的历史数据进行预测，输出各预测目标的装卸箱量预测结果。

8、进一步地，所述基于航线代码和港区标识的二维组合构建预测实体，具体为：以航线代码与港区标识的拼接组合作为唯一实体标识；在多港区协同运营场景下，同一航线在不同港区的靠泊装卸被视为不同的预测实体。

9、进一步地，所述构建动态协变量特征包括：

10、构建内生特征，所述内生特征包括靠港间隔、历史窗口内装卸箱量的均值和标准差、以及上一次装卸箱量的滞后特征；

11、构建节假日距离特征，所述节假日距离特征为到港时间与最近法定假日之间的天数距离，以连续数值编码表示；

12、构建宏观经济指数特征，所述宏观经济指数特征包括采购经理指数及其子指标，宏观经济指数特征采用月末发布数据映射至次月的时间偏移机制；

13、构建集装箱运价指数特征，所述集装箱运价指数特征包括中国出口集装箱运价指数和上海出口集装箱运价指数及其变动率，采用周度发布数据映射至下周的时间偏移机制。

14、进一步地：所述异构时序预测模型包括统计模型、梯度提升树模型、深度学习模型和时序语言模型其中任一模型；

15、所述统计模型：利用自回归和平滑特性进行预测；

16、所述梯度提升树模型：将时序预测任务转化为表格回归问题，通过构建滞后特征理解时序结构，采用加性训练策略逐步降低预测偏差；

17、所述深度学习模型：包括基于线性分解的轻量模型和基于注意力机制的复杂模型；

18、所述时序语言模型：基于大规模时序数据预训练的基础模型。

19、进一步地，所述使用多种异构时序预测模型对各预测目标独立训练，采用回测滑动窗口验证方式，将历史数据分为多个窗口依次训练，以防止过拟合。

20、进一步地，所述逐项贪婪集成方法包括以下步骤：

21、对每个航线-港区组合实体，在该实体的验证集上独立执行贪婪前向选择；

22、在所述贪婪前向选择中，从空集合开始，每轮遍历候选模型库中的所有模型，选择加入后使该实体的加权绝对百分比误差最小的模型加入当前集成组合；

23、所述贪婪前向选择允许有放回选择，即同一模型可被多次选中以增加其在集成中的权重占比；

24、为每个实体保留专属的最优模型组合和权重分配；

25、若推理阶段遇到训练期间未出现过的新实体，则回退至全局贪婪集成权重。

26、进一步地，所述生成最优预测策略包括双层评估策略中任一策略，所述双层评估策略如下：

27、实体级别策略，基于各航线-港区组合实体的单次预测结果的加权绝对百分比误差选择最优模型或集成方案；

28、日聚合级别策略，将各航线-港区组合实体的预测结果，按到港日期映射并在港区范围内求和，基于日聚合的加权绝对百分比误差选择最优模型或集成方案。

29、进一步地，所述输出各预测目标的装卸箱量预测结果包括：

30、确定性点预测值，为各预测目标的标准箱量预测数值；

31、多分位数预测值，包括多个分位数水平的预测值，用于风险管理和资源调度决策。

32、一种基于航线-港区实体的集装箱船装卸箱量预测系统，包括：

33、数据获取模块，用于获取集装箱码头历史的装卸数据，包括航线代码、港区标识、装卸箱量和到港时间，基于所述航线代码和港区标识的二维组合构建预测实体；

34、数据处理模块，用于对所述装卸数据进行预处理，按日聚合同一预测实体的装卸记录，将预测目标按作业方向和箱型进行分类，并构建动态协变量特征；

35、模型训练模块，用于基于动态协变量特征和集装箱码头历史的装卸数据，采用多种异构时序预测模型对各预测目标独立训练；

36、集成模型生成模块：用于在所述多种异构时序预测模型训练完成后，采用逐项贪婪集成方法，基于训练过程中回测滑动窗口产生的验证集数据，为每个航线-港区组合实体独立执行贪婪前向选择，确定各预测实体的最优模型组合和权重分配，生成集成模型；

37、评估选优模块，用于对所有训练好多种异构时序预测模型进行测试评估，所述所有训练好的多种异构时序预测模型和所述集成模型，通过基于实体级别和日聚合级别的双层评估策略为每个预测目标选出最优模型，生成最优预测策略；

38、预测输出模块，用于根据所述最优预测策略，对待预测实体的历史数据进行预测，并输出各预测目标的装卸箱量预测结果。

39、本发明提供的一种基于航线-港区实体的集装箱船装卸箱量预测方法及系统，精细化的预测实体粒度：本发明通过引入港区维度，建立航线-港区二维组合实体，精准捕捉各航线在不同港区的独立靠泊特征和装卸规律。不同于传统方法将总量或航线作为整体进行建模，本发明使得在多港区协同运营场景下，各港区可独立获取预测结果，为堆场管理和资源调配提供精确的数据支撑。

40、个性化的逐项贪婪集成：本发明提出逐项贪婪集成策略，为不同的航线-港区组合实体独立进行贪婪前向选择，保留专属的最优模型组合和权重分配。相较于传统全局统一集成方法，逐项贪婪集成在保持宏观泛化能力的同时，通过局部优化显著提升了预测精度。

41、多目标分类独立训练：本发明将预测目标按作业方向和箱型进行分类，针对不同箱型数据特征的差异性独立训练模型。重箱装卸具有较强的时间连续性，而空箱装卸表现出高度稀疏性和间歇性，不同类别的预测目标需要针对性的建模策略，有利于提高整体预测精度。

42、多层次的特征工程与防泄漏机制：本发明构建了包括内生特征、节假日距离特征、宏观经济指数特征和集装箱运价指数特征在内的四类动态协变量，并采用时间偏移机制确保模型仅使用预测时点已公开的数据，有效防止了数据泄漏问题。

43、双层评估策略：本发明提供实体级别和日聚合级别的双层评估策略，实体级别关注微观预测精度，日聚合级别关注宏观业务层面的整体准确性，兼顾了标准算法评估与实际业务验收标准。