面向大宗商品供应链的基于多源数据匹配与航次语义绑定的船舶目的地预测方法

摘要: 本发明涉及智慧航运,尤其涉及面向大宗商品供应链的基于多源数据匹配与航次语义绑定的船舶目的地预测方法。背景技术:1、铁矿石、煤炭、粮食等大宗商品海运流向直接影响矿...
面向大宗商品供应链的基于多源数据匹配与航次语义绑定的船舶目的地预测方法

本发明涉及智慧航运,尤其涉及面向大宗商品供应链的基于多源数据匹配与航次语义绑定的船舶目的地预测方法。

背景技术:

1、铁矿石、煤炭、粮食等大宗商品海运流向直接影响矿山发运、贸易采购、港口接卸、钢厂原料库存、航运运力调度以及监管部门对重点物资供应链安全的研判。以铁矿石为例,其运输链路通常涉及大型装货港、远洋干散货船、专业化接卸港、钢铁企业库存和国际贸易合同安排,具有货种集中、航线跨度大、港口接卸条件要求高、船舶尺度约束明显等特征。

2、现有业务中,船舶目的地判断通常依赖船员在ais中的目的地申报、港口代理信息、人工经验或一般船舶轨迹模型。上述方式存在以下不足:ais目的地字段存在缺失、缩写不规范、更新滞后甚至错误填报等问题;仅使用经纬度、航速、航向等通用轨迹信息,难以判断同一艘船在不同航次中实际承运何种货物;若未先完成ais、船舶档案、泊位和挂靠记录之间的匹配,则难以准确形成船舶、航次、出发港、到达港、货种的监督学习样本;传统模型多将目的港作为单层分类对象,未充分利用装货港、货种、贸易流、接卸港、泊位条件之间的供应链约束关系;单一模型难以同时适配离港初期、航行中期和临近到港等不同阶段的预测需求。

3、因此,需要一种先完成多源数据统一与匹配、再进行航次切分和货种识别、最后开展目的地分层预测的技术方案。

技术实现思路

1、根据上述提出的技术问题,而提供一种面向大宗商品供应链的基于多源数据匹配与航次语义绑定的船舶目的地预测方法。本发明对ais数据、船舶档案数据、港口泊位数据和船舶挂靠数据进行标准化处理和多源关联匹配,构建每艘船舶的统一数据视图;其次依据挂靠事件和ais轨迹连续性进行航次切分,形成具有出发港、离港时间、目的港、目的国家和轨迹序列的历史航次样本;基于船舶物理属性、泊位货种属性、港口贸易流、吃水变化和历史航次规律识别目标货种运输航次;构建受目标货种、出发港、港口接卸能力和船型适配条件约束的候选目的地集合,并采用短期相似航次预测、中长期轨迹图像预测、动态权重融合的组合模型输出目的国家、目的港及相应置信度。

2、本发明采用的技术手段如下:

3、一种面向大宗商品供应链的基于多源数据匹配与航次语义绑定的船舶目的地预测方法,包括:获取与船舶目的地预测相关的多源异构数据,并构建数据集;基于所述数据集构建以船舶唯一身份为核心的船舶主索引,形成以船舶为单位的多源融合数据集;以船舶挂靠事件和ais轨迹连续性为依据,对船舶历史航行过程进行航次切分;根据综合特征识别每一条航次是否为目标货种运输航次;通过识别约束生成包括候选目的国家和候选目的港的候选集合;针对所述候选集合中的目标货种运输航次的待预测船舶,构造实时状态向量并计算综合距离,得到短期预测概率;将离港后的轨迹片段编码为轨迹图像,并采用卷积神经网络得到中长期预测概率;根据航行阶段、轨迹完整度和模型置信度对所述短期预测概率和中长期预测概率进行动态加权融合,得到融合概率,按照融合概率由高到低输出预测结果。

4、进一步地,所述多源异构数据包括:ais数据、船舶档案数据、港口泊位数据和船舶挂靠数据;所述ais数据用于刻画船舶动态航行状态,所述船舶档案数据用于提供船舶静态物理属性,所述港口泊位数据用于反映船舶在港作业位置及货物装卸属性,所述船舶挂靠数据用于确定船舶实际进出港事件和航次边界;

5、将第艘船舶的ais数据集表示为:

6、

7、其中,为船舶海上移动业务识别码,为船舶国际唯一识别号,为统一时间戳,为船舶类型,和分别为经度和纬度,为地面航速,为地面航向,为船首向,为航行状态,为转向率,为船舶当前吃水;

8、将第艘船舶的船舶档案数据集表示为:

9、

10、其中,为载重吨,为设计吃水,为船长,为船宽,为建造年份,为船东公司;

11、将第个港口泊位数据集表示为:

12、

13、其中,为泊位名称,为港口名称,为泊位用途或泊位描述,为泊位对应货种,为泊位功能,和分别为泊位允许靠泊船舶的最大吃水和最大载重吨;

14、将第艘船舶挂靠数据集表示为:

15、

16、其中,为到港时间,为靠泊时间,为离港时间,为港口所属国家或地区;

17、对多源异构数据进行字段标准化、时间标准化和空间坐标统一处理。

18、进一步地,构建所述船舶主索引时,采用船舶国际唯一识别号imo作为主键进行匹配;当部分数据缺失船舶国际唯一识别号imo时,采用mmsi、船名、呼号、船舶尺度和时间邻近关系进行辅助匹配;

19、将全体ais数据集合表示为b,全体船舶档案数据集合表示为a,全体泊位数据集合表示为p,全体挂靠数据集合表示为c;将ais数据与船舶档案数据进行属性关联,得到带有静态属性的动态轨迹数据集:

20、

21、将ais轨迹与港口泊位数据进行空间关联,通过将ais轨迹点投影至地理信息系统中,判断轨迹点是否落入港口或泊位的空间边界范围内;若船舶在某一泊位空间范围内停留时间超过预设阈值,则判定船舶与泊位发生空间关联:

22、

23、其中,为空间距离阈值,为最小停留时间阈值,表示空间距离计算函数,用于计算ais轨迹点位置与港口或泊位空间边界之间的最短距离;表示第条融合轨迹记录对应的船舶地理位置坐标,包括经度和纬度;表示第个港口或泊位的空间边界范围,表示同一船舶在港口或泊位空间边界范围内连续停留的时间长度;表示ais轨迹记录与港口泊位数据完成空间关联后形成的空间关联数据集合,其中每一个元素表示第条融合轨迹记录与第个港口或泊位满足空间距离约束和停留时间约束,判定为存在有效空间关联。

24、将ais轨迹与船舶挂靠数据进行时间关联;对于同一船舶,若ais轨迹时间落入某一挂靠记录的到港、靠泊或离港时间窗口内,则将ais轨迹与对应挂靠事件绑定:

25、

26、其中,表示ais轨迹记录与船舶挂靠数据完成时间关联后形成的时间关联数据集合。

27、形成以船舶为单位的多源融合数据集:

28、

29、其中,表示船舶唯一身份标识,表示该船舶对应的ais动态轨迹序列,表示该船舶的静态档案信息;表示该船舶与港口或泊位发生空间关联后形成的泊位事件信息,表示该船舶对应的港口挂靠事件信息。

30、进一步地,所述对船舶历史航行过程进行航次切分,具体包括:

31、对于同一艘船舶,按照时间顺序排列港口挂靠事件:

32、

33、其中,表示第艘船舶的第次挂靠事件,表示第艘船舶在观测期内发生的港口挂靠事件总数。以第次挂靠港的离港事件作为一个航次的起点,以第次挂靠港的到港事件作为该航次的终点,构建第个航次:

34、

35、

36、其中,表示由第艘船舶的第m次挂靠事件与第m+1次挂靠事件共同确定的第m个航次样本;为出发港,为离港时间,为实际目的港,为到港时间,为该航次离港后至到港前的ais轨迹序列;

37、形成具有监督学习标签的历史航次库:

38、

39、其中,表示历史航次库中涉及的船舶总数;表示表示第艘船舶在观测期内形成的航次数量,即该船舶由连续挂靠事件切分得到的有效航次样本数。

40、进一步地,所述综合特征包括:船舶物理属性、港口泊位属性、货种关键词、吃水变化和历史贸易流特征;

41、所述识别每一条航次是否为目标货种运输航次时,基于船舶类型和物理属性进行初步筛选,筛选船舶类型为散货船的航次:

42、

43、其中,表示从历史航次库中筛选得到的散货船航次集合;表示第艘船舶的船舶类型字段;表示散货船类型。

44、当运输的大宗商品为铁矿石时,根据铁矿石运输船舶常用船型筛选好望角型船舶、超大型矿砂船或其他适配船型,根据载重吨设置阈值:

45、

46、其中,表示第艘船舶的载重吨;、、为根据目标货种运输船型设定的载重吨阈值;

47、基于港口和泊位属性识别目标货种,构建铁矿石相关泊位关键词集合:

48、

49、其中,表示铁矿石;表示矿石类货物;表示矿物或矿产品;表示金属或金属矿,用于辅助识别与金属矿石装卸相关的泊位;表示矿石码头或矿石专用泊位;

50、若某航次的出发港或装货泊位名称、泊位用途、货种字段中包含关键词集合中的关键词,或该泊位属于铁矿石核心装货港、卸货港集合,则增强该航次为铁矿石运输航次的置信度:

51、

52、其中,表示第艘船舶第m个航次的泊位货种置信变量;当该航次对应的出发港、装货泊位名称、泊位用途或货种字段中包含铁矿石相关关键词,或者货种类型字段被标记为铁矿石时,取值为1,表示该航次具有铁矿石运输特征;否则取值为0。表示第个港口或泊位的名称、用途描述或文本说明字段;表示第个港口或泊位对应的货种类型字段,用于标识该泊位主要装卸或接卸的货物种类。

53、基于船舶吃水变化识别货物装载状态,若船舶在装货港离港后的吃水显著大于到港前或空载状态吃水,则判断该航次具有装载大宗干散货的特征:

54、

55、其中,表示第艘船舶第个航次的吃水变化量,用于刻画该航次离港后相对于到港前或空载状态的装载变化特征;表示船舶在装货港离港后一定时间窗口内的吃水值;表示船舶在到港前一定时间窗口内或空载状态下的参考吃水值。

56、结合出发港与目的港贸易流关系进行校验,若某航次出发港属于铁矿石主要出口港,且目的港属于铁矿石主要进口港或具备铁矿石接卸能力,则进一步增强该航次为铁矿石运输航次的置信度;

57、构建目标货种识别函数:

58、

59、其中,为船舶类型得分,为船型尺度得分,为泊位货种得分,为吃水变化得分,为贸易流校验得分,、、、、为权重系数;

60、当时,将该航次识别为铁矿石运输航次,形成铁矿石运输航次库:

61、

62、其中,表示铁矿石运输航次识别的置信度阈值或综合评分阈值;表示由历史航次库中筛选得到的铁矿石运输航次库。

63、进一步地,所述识别约束包括:出发港、目标货种、历史贸易流、港口接卸能力和船舶尺度;

64、对于待预测航次,已知船舶身份、目标货种、出发港、离港时间和实时轨迹片段;设出发港为,目标货种为,船舶载重吨为,当前吃水为;

65、根据历史铁矿石运输航次库统计由出发港出发的历史目的国家集合:

66、

67、其中,表示第艘船舶第个航次的出发港,即航次对应的离港港口;表示航次所识别或标记的目标货种类型。

68、在候选国家内筛选具有目标货种接卸能力的港口,形成候选目的港集合:

69、

70、其中,表示第个候选港口;表示或其相关泊位具备装卸、接卸或服务能力的货种类型。

71、根据船舶尺度和泊位条件进行适配性约束,得到候选集合:

72、

73、其中,表示港口或其对应泊位允许靠泊船舶的最大载重吨限制;表示允许靠泊船舶的最大吃水限制。

74、进一步地,将所述实时状态向量表示为:

75、

76、其中,和为当前位置,为航速,为航向,为船首向,为转向率,为当前吃水,为出发港,为目标货种,为载重吨;在历史铁矿石运输航次库中检索与当前状态最相似的历史航次或历史轨迹点;综合距离由空间位置、航向、航速、吃水、出发港、船型和货种等因素共同决定:

77、

78、其中,为空间距离,为空间距离权重系数,为航向差异,为航向差异权重系数,为航速差异,为航速差异权重系数,为吃水差异,为吃水差异权重系数,为出发港一致性差异,为出发港一致性差异权重系数,为船型或载重吨差异,为船型或载重吨差异权重系数;

79、按照综合距离从小到大选取前个历史样本,统计其实际目的国家和目的港分布,得到短期预测概率:

80、

81、

82、其中,表示基于短期相似航次模型得到的待预测航次目的国家为的预测概率;表示基于短期相似航次模型得到的待预测航次目的港为的预测概率;为个相似样本中目的国家为的样本数量,为个相似样本中目的港为的样本数量。

83、进一步地,利用所述卷积神经网络对历史铁矿石运输航次库中的每一条航次,提取自出发港离港后的轨迹序列:

84、

85、其中,表示第个ais轨迹点对应的经度坐标;表示第个ais轨迹点对应的纬度坐标。

86、将轨迹点映射到统一空间网格或图像坐标中,形成轨迹图像,以目的国家或目的港作为监督学习标签,构建训练样本:

87、

88、其中,为该航次的目的国家标签或目的港标签,采用卷积神经网络学习轨迹图像到目的地概率分布的映射:

89、

90、其中,表示以为模型参数的卷积神经网络映射函数,用于将轨迹图像映射为目的国家或目的港的预测概率分布;表示卷积神经网络中的可训练参数;表示基于卷积神经网络模型得到的目的地预测概率;表示在输入轨迹图像条件下,模型判断该航次目的地标签为的概率。

91、输出层采用softmax函数计算各候选目的国家或目的港的概率:

92、

93、其中,表示目的地类别标签,表示卷积神经网络输出层中对应第个候选目的地类别的未归一化得分。

94、对于目的港预测,在cnn输出的目的国家基础上,在该国家对应的候选目的港集合内进一步进行港口层级预测。

95、进一步地,将所述融合概率表示为:

96、

97、其中,为动态权重,0≤≤1,为cnn模型对目的地类别的中长期预测概率,表示knn模型对目的地类别的短期预测概率;

98、设当前航行时间为,历史平均航行时间为,则航行进度为:

99、

100、当较小时,说明船舶处于离港初期,轨迹尚未接近目的地,此时提高权重;当较大时,说明船舶接近目的地,此时提高权重;

101、对于目的国家和目的港,分别计算融合概率:

102、

103、

104、按照概率由高到低输出预测结果,所述预测结果包括待预测船舶身份信息、目标货种识别结果、出发港和离港时间、候选目的国家及概率、候选目的港及概率、预测置信度、对应的历史相似航次、港口接卸能力和泊位适配性说明。

105、较现有技术相比,本发明具有以下优点:

106、本发明先统一了每艘船舶的ais、档案、泊位和挂靠数据,再进行航次切分和货种识别,避免在尚未完成数据匹配时直接判断货种或目的地,提高了数据基础的可靠性。本发明通过船舶类型、载重吨、泊位属性、吃水变化、港口贸易流和挂靠事件多源交叉验证,将通用船舶轨迹转化为具有货运语义的目标货种航次,降低非目标货种、空载航次和无关船型对预测模型的干扰。

107、本发明通过出发港锚定和货种贸易流约束,预测结果不仅给出可能去哪一个港口,还能够说明该结果与装货港、货种流向、港口接卸能力和船型适配条件之间的关系。本发明中的knn利用实时位置、航向、转向率、出发港和船舶属性实现短期快速匹配;cnn利用轨迹图像提取全局空间分布特征实现中长期识别;动态融合机制可缓解单一模型在不同航行阶段性能不均衡的问题。

108、本发明中的目的国家预测可服务于货物流向、贸易格局和供应链风险早期研判;目的港预测可服务于港口接卸计划、泊位安排、堆场调度、疏港组织和到货预警。本发明中的预测结果可按船舶、航次、货种、出发港、目的国家、目的港、置信度、预测时间格式输出,便于接入港航物流可视化平台、供应链风险预警平台、港口生产调度系统和监管决策系统。