基于大数据挖掘的港口运输网络运行指数预测方法与流程

本发明涉及港口智能管理，尤其涉及基于大数据挖掘的港口运输网络运行指数预测方法。

背景技术：

1、随着港口智能化建设发展，港口管理平台通常通过视频监控、北斗定位、船舶ais、闸口识别、设备监测、作业管理和隐患管理等方式采集港区运行数据，并借助gis地图、三维可视化界面和数字孪生场景展示人员、车辆、船舶、设备及作业状态。

2、现有技术多停留在数据展示、报警记录和事后统计层面，对港区多源运行数据之间的时空关联挖掘不足。港口运输网络中，不同港区节点之间存在车辆通行、货物流转、船舶靠泊、作业衔接和风险传导关系，单一节点的异常状态可能沿业务链条持续传递。现有预测方法通常直接基于历史指标生成运行指数，难以区分节点自身连续变化与关联节点传导影响，容易造成局部波动误判或者传导风险遗漏。

3、现有港口运行指数预测结果通常仅以数值或等级输出，缺少与数字孪生港区场景的未来状态回放结合，难以呈现运行压力的演化过程。对于指数升高原因，现有方法多依赖报警数量、人工经验或者简单规则判断，缺少通过回放验证关键因素影响的过程，导致预测结果可解释性不足。

4、因此，如何提供基于大数据挖掘的港口运输网络运行指数预测方法是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出基于大数据挖掘的港口运输网络运行指数预测方法，本发明利用改进dcrnn模型、数字孪生回放和反事实溯源技术，对港区多源运行数据进行时空预测、状态回放和原因分析，具备预测准确性高、压力传导过程清晰、指数升高原因可追溯的优点。

2、根据本发明实施例的基于大数据挖掘的港口运输网络运行指数预测方法，包括如下步骤：

3、获取港口多源运行数据，对港口多源运行数据执行预处理，得到港区节点历史状态序列；

4、依据港区关键空间单元之间的运输关联关系构建港口运输网络结构数据，将港口运输网络结构数据与港区节点历史状态序列输入dcrnn模型；

5、在dcrnn模型的dcgru单元中设置时间记忆更新通道和空间扩散接收通道，提取单一节点连续运行趋势，接收关联节点传导影响，根据节点自身运行趋势与外部传导进行分离计算；

6、基于改进后的dcrnn模型预测未来多个时间片内港区节点运行状态；

7、将预测得到的港区节点运行状态加载至数字孪生港区场景，按照港区业务传导关系执行未来状态回放，依据回放过程确定港区运行压力演化结果；

8、依据港区运行压力演化结果计算未来港口运输网络运行指数，复制数字孪生港区场景构建回放场景，对导致指数升高的关键因素执行单因素恢复回放，依据恢复前后指数变化和传导路径变化确定指数升高原因链；

9、将指数升高原因链和未来港口运输网络运行指数输入大语言模型，输出港口运输网络运行指数预测语句。

10、可选的，所述对港口多源运行数据执行预处理具体包括：

11、采集港口多源运行数据，按照预设采样时间对港口多源运行数据进行时间划分，删除重复记录和异常记录，补齐缺失字段，将具有空间位置的数据映射至对应港区节点，对不同量纲的数据字段执行标准化处理，按照港区节点编号和时间片顺序排列处理后的港口多源运行数据，得到港区节点历史状态序列。

12、可选的，所述依据港区关键空间单元之间的运输关联关系构建港口运输网络结构数据具体包括：

13、将港区关键空间单元设定为港区节点，依据车辆通行路径、船舶进出港路径、货物流转路径、作业衔接路径和风险传导路径确定港区节点之间的综合运输影响关系；

14、根据综合运输影响关系的传导方向构建港区节点之间的有向连接边，根据港区节点之间的通行频次、流转频次、作业衔接次数和风险传导次数确定有向连接边的连接强度；

15、按照港区节点编号、有向连接边方向和连接强度生成港口运输网络结构数据；

16、将港口运输网络结构数据作为dcrnn模型的空间扩散输入，将港区节点历史状态序列作为dcrnn模型的时间序列输入。

17、可选的，所述时间记忆更新通道具体包括：

18、从港区节点历史状态序列中读取同一港区节点在连续时间片内的节点状态向量，将当前时间片节点状态向量、前一时间片节点状态向量和前一时间片节点记忆状态作为时间记忆更新通道的输入，对当前时间片节点状态向量和前一时间片节点状态向量执行差分处理，得到节点状态变化量；

19、依据节点状态变化量判断节点状态的连续增强、连续减弱和平稳保持状态，生成状态变化标识；

20、根据状态变化标识和前一时间片节点记忆状态生成记忆保留系数和记忆更新系数，按照记忆保留系数保留前一时间片节点记忆状态中与连续趋势一致的部分，按照记忆更新系数写入当前时间片节点状态向量中与连续趋势变化对应的部分，得到当前时间片节点记忆状态；

21、将连续时间片内得到的当前时间片节点记忆状态按时间顺序输出为单一节点连续运行趋势。

22、可选的，所述空间扩散接收通道具体包括：

23、读取目标港区节点的入向有向连接边，依据入向有向连接边获取关联节点的单一节点连续运行趋势和连接强度，将关联节点的单一节点连续运行趋势与对应连接强度相乘后进行求和，得到关联节点传导影响；

24、关联节点传导影响为关联节点经入向有向连接边传递至目标港区节点的外部状态变化量；

25、将目标港区节点的单一节点连续运行趋势作为节点自身运行趋势，将关联节点传导影响作为外部传导，对节点自身运行趋势和外部传导进行趋势方向一致性判断；

26、当节点自身运行趋势与外部传导的趋势方向一致时，将外部传导并入节点自身运行趋势，得到目标港区节点的扩散记忆状态；

27、当节点自身运行趋势与外部传导的趋势方向不一致时，阻断外部传导写入，将节点自身运行趋势作为目标港区节点的扩散记忆状态。

28、可选的，所述基于改进后的dcrnn模型预测未来多个时间片内港区节点运行状态具体包括：

29、将目标港区节点的扩散记忆状态输入改进后的dcrnn模型的解码单元，按照预设预测步长生成下一时间片的港区节点运行状态，将下一时间片的港区节点运行状态作为后续预测输入循环解码，直至达到预设预测时间长度，得到未来多个时间片内港区节点运行状态。

30、可选的，所述按照港区业务传导关系执行未来状态回放具体包括：

31、基于港区空间基础数据和港区业务对象数据构建数字孪生港区场景，建立港区节点与数字孪生港区场景对象之间的映射关系；

32、将未来多个时间片内港区节点运行状态按照港区节点编号和预测时间片加载至对应数字孪生港区场景对象，按照预测时间片顺序逐帧更新数字孪生港区场景对象的运行状态；

33、依据港区节点运行状态与预设正常运行阈值的偏离程度确定每个港区节点在每个预测时间片的压力等级；

34、按照港区业务传导关系比对相邻预测时间片内关联港区节点的压力等级变化，记录压力传导关系；

35、根据压力等级、压力传导关系、压力持续时间和受影响港区节点数量，形成港区运行压力演化结果。

36、可选的，所述依据港区运行压力演化结果计算未来港口运输网络运行指数具体包括：

37、依据港区运行压力演化结果计算未来港口运输网络运行指数，包括将各预测时间片内港区节点的压力等级转换为节点压力值；

38、根据连续压力传导关系确定传导放大系数，根据压力持续时间确定持续修正系数，根据受影响港区节点数量确定范围修正系数；

39、将各港区节点的节点压力值汇总后，结合传导放大系数、持续修正系数和范围修正系数进行归一化处理，得到未来港口运输网络运行指数。

40、可选的，所述依据恢复前后指数变化和传导路径变化确定指数升高原因链具体包括：

41、复制完成未来状态回放的数字孪生港区场景，保留预测时间片、港区节点映射关系和港区业务传导关系，构建与原回放过程对应的恢复回放场景；

42、从港区运行压力演化结果中选取压力等级达到受限或者阻塞的港区节点作为待恢复节点，将待恢复节点在恢复回放场景中的港区节点运行状态调整为正常运行阈值范围内，保持其他港区节点运行状态不变；

43、基于调整后的恢复回放场景重新执行未来状态回放并重新计算港口运输网络运行指数，比较恢复前后的港口运输网络运行指数变化和压力传导关系变化；

44、将指数下降幅度达到预设下降阈值且压力传导关系被中断的待恢复节点确定为指数升高原因节点，按照指数升高原因节点在原回放过程中的传导先后顺序生成指数升高原因链。

45、可选的，所述输出港口运输网络运行指数预测语句具体包括：

46、将未来港口运输网络运行指数、指数对应预测时间片、指数升高原因链、指数升高原因节点和压力传导关系整理为结构化提示文本；

47、将结构化提示文本输入大语言模型，大语言模型按照预设语句模板生成港口运输网络运行指数预测语句；

48、港口运输网络运行指数预测语句至少包含预测时间、未来港口运输网络运行指数、运行状态等级、指数升高原因链和处置提示内容。

49、本发明的有益效果是：

50、（1）改进dcrnn模型分别处理港区节点自身连续运行趋势和关联节点传导影响，能够减少局部短时波动对整体预测结果的干扰，提高港口运输网络运行指数预测的稳定性。

51、（2）将预测得到的港区节点运行状态加载至数字孪生港区场景，并按照港区业务传导关系执行未来状态回放，能够反映运行压力的形成、持续和传导过程，提高运行指数与港区实际运行过程的匹配度。

52、（3）通过恢复回放场景执行单因素恢复回放，依据恢复前后指数变化和传导路径变化确定指数升高原因链，并结合大语言模型生成预测语句，提高预测结果的可解释性和管理决策可用性。