一种船舶到港量预测系统及方法技术方案

本发明专利技术公开了一种船舶到港量预测系统及方法，包括：数据获取模块，用于获取船舶到港量的历史样本数据；数据处理模块，与数据获取模块连接，用于对历史样本数据进行处理，并将处理后的数据转化为二维矩阵；时空图卷积层模块，与数据处理模块连接，用于对转换后的数据建模，通过训练操作获得最优模型参数；全连接模块，与时空图卷积层模块连接，用于将时空图卷积层模块的输出结果进行维度重构，输出获得各港口船舶到港量预测值。本发明专利技术能够实现时间维度和空间维度的联合建模，提升港口船舶到港量预测精度；通过采用更少参数和更高训练效率的时空图卷积神经网络，提升模型预测速度，便于港口进行泊位安排，进港调度工作。进港调度工作。进港调度工作。

【技术实现步骤摘要】
一种船舶到港量预测系统及方法


[0001]本专利技术属于港航物流大数据分析领域，特别是涉及一种船舶到港量预测系统及方法。

技术介绍

[0002]针对船舶到港量总体呈现递增趋势，既受经济等因素影响又存在波动性的特点，2018年浙江海洋大学学者提出将三次指数平滑与灰色马尔科夫链预测模型相结合,建立船舶到港量的灰色马尔科夫链优化预测模型。但该预测模型精度对于呈递增关系的随机事件有一定保障，但只要有递减的异常点则精度大幅降低。
[0003]此外，灰色马尔科夫链预测模型缺乏对时间维度和空间维度的联合建模，预测精度不高。基于航运贸易路网产生的船舶行驶数据，具有明显的非欧几里得结构，其数据特点是排列不整齐，且具有复杂空间拓扑结构。传统的深度学习模型不能够有效处理这种数据结构，图神经网络的出现填补了这部分的空白，实现图数据和深度学习模型的有效结合。此前已有相关学者针对道路交通网络，使用图卷积网络进行建模并预测道路交通流量，并取得了良好效果，水路路网与道路路网有一定的相似性，可以考虑使用图神经网络对水路路网及其航运交通情况进行建模。
[0004]为了解决现有技术难以高效率、高精度预测船舶到港量的问题，迫切需要一种船舶到港预测系统、方法及装置。

技术实现思路

[0005]针对现有技术难以充分提取船舶行驶时空特征，进而难以高效率、高精度预测船舶到港量预测的不足，本专利技术提出一种船舶到港量预测系统及方法，具有参数少、效率高、预测精度高的优点。
[0006]为实现上述目的，本专利技术提供了如下方案：一种船舶到港量预测系统，包括：
[0007]数据获取模块，用于获取船舶到港量的历史样本数据；
[0008]数据处理模块，与所述数据获取模块连接，用于对所述历史样本数据进行处理，并将处理后的数据转化为二维矩阵；
[0009]时空图卷积层模块，与所述数据处理模块连接，用于对转换后的数据建模，通过训练操作获得最优模型参数；
[0010]全连接模块，与所述时空图卷积层模块连接，用于将所述时空图卷积层模块的输出结果进行维度重构，输出获得各港口船舶到港量预测值。
[0011]优选地，所述数据处理模块包括数据清洗单元、数据转换单元；
[0012]所述数据清洗单元用于去除历史样本数据中的噪声和不一致的样本数据，并基于线性插值法填充缺省值；
[0013]所述数据转换单元用于结合港口船舶到港量信息将清洗后的数据转化为二维矩阵。
[0014]优选地，所述时空图卷积层模块包括第一时空卷积层单元、第二时空卷积层单元；
[0015]所述第一时空卷积层单元用于对输入的二维矩阵进行第一次时空图卷积运算，获得第一运算结果；
[0016]所述第二时空卷积层单元用于根据所述第一运算结果进行第二次时空图卷积运算处理，获得第二运算结果，并将所述第二运算结果输出到全连接单元。
[0017]优选地，所述第一时空卷积层单元、第二时空卷积层单元均包括第一门控因果卷积层、第二门控因果卷积层；
[0018]所述第一门控因果卷积层用于第一次提取时间特征；
[0019]所述第二门控因果卷积层用于第二次提取时间特征。
[0020]优选地，所述全连接模块包括维度重构单元、特征转化单元、预测单元；
[0021]所述维度重构单元用于根据所述最优模型参数进行维度重构；
[0022]所述特征转化单元用于将维度重构后的特征维度进行转化，获得符合维度要求的输出结果；
[0023]所述预测单元用于根据所述输出结果进行预测，获得各港口船舶到港量预测值。
[0024]一种船舶到港量预测方法，包括：
[0025]获取船舶到港量的历史样本数据，对所述历史样本数据进行处理，并将处理后的数据转化为二维矩阵；对转换后的数据建模，通过训练操作获得最优模型参数；基于所述最优模型参数进行维度重构，输出获得各港口船舶到港量预测值。
[0026]优选地，对所述历史样本数据进行处理，并将处理后的数据转化为二维矩阵的过程包括，
[0027]通过所述数据清洗单元去除历史样本数据中的噪声和不一致的样本数据，并基于线性插值法填充缺省值；基于所述数据转换单元结合港口船舶到港量信息将清洗后的数据转化为二维矩阵。
[0028]优选地，去除历史样本数据中的噪声和不一致的样本数据，补齐缺省值，并将清洗后的数据转化为二维矩阵的过程包括，
[0029]基于船舶到港量的历史样本数据，筛选并分组当日船舶上传的数据记录；基于数据记录中的出发港和目的港信息，获得同一货运班线的动态信息，并将记录分组并按时间戳升序排列；
[0030]基于船舶到港量的历史样本数据中的经纬度信息，计算相邻时间戳记录对应的船舶相对距离，将突变点筛选并剔除；基于被剔除记录的相邻记录的坐标、航向、航速动态信息，使用线性插值法补全突变点动态信息以及其他记录的缺省动态信息；以整点为依据，将全天划分为m个时间刻度，预设时间段以判定边界，判断记录的时间刻度归属并标注时间刻度；
[0031]以港口经纬度为依据，计算相对距离以判断已标注时间刻度的记录是否位于某港口，标注具体港口后，只保留连续被标记港口记录的第一条记录；以港口为统计单位，从已标注具体港口记录中分组统计记录数，得到同一天内的m个时间刻度下，不同港口的在港船舶总数，以港口船舶到港量矩阵为例，构建二维矩阵。
[0032]优选地，所述二维矩阵表示为：
[0033][0034]其中，d
ij
表示第i个时间刻度下第j个港口的船舶到港量，共m个时间刻度，n个港口。
[0035]本专利技术公开了以下技术效果：
[0036](1)本专利技术提供的一种船舶到港量预测系统及方法，可用于港口船舶到港量预测，丰富港口船舶到港量预测方法；
[0037](2)本专利技术能够实现时间维度和空间维度的联合建模，提升港口船舶到港量预测精度；
[0038](3)本专利技术采用更少参数和更高训练效率的时空图卷积神经网络，提升模型预测速度，便于港口进行泊位安排，进港调度工作。
附图说明
[0039]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0040]图1为本专利技术实施例的系统结构示意图；
[0041]图2为本专利技术实施例的时空卷积单元的结构示意图。
具体实施方式
[0042]下面将结合本专利技术实施例中的附图，对本专利技术实施例中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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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他实施例，都属于本专利技术保护的范围。
[0043]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种船舶到港量预测系统，其特征在于，包括：数据获取模块，用于获取船舶到港量的历史样本数据；数据处理模块，与所述数据获取模块连接，用于对所述历史样本数据进行处理，并将处理后的数据转化为二维矩阵；时空图卷积层模块，与所述数据处理模块连接，用于对转换后的数据建模，通过训练操作获得最优模型参数；全连接模块，与所述时空图卷积层模块连接，用于将所述时空图卷积层模块的输出结果进行维度重构，输出获得各港口船舶到港量预测值。2.根据权利要求1所述的船舶到港量预测系统，其特征在于，所述数据处理模块包括数据清洗单元、数据转换单元；所述数据清洗单元用于去除历史样本数据中的噪声和不一致的样本数据，并基于线性插值法填充缺省值；所述数据转换单元用于结合港口船舶到港量信息将清洗后的数据转化为二维矩阵。3.根据权利要求1所述的船舶到港量预测系统，其特征在于，所述时空图卷积层模块包括第一时空卷积层单元、第二时空卷积层单元；所述第一时空卷积层单元用于对输入的二维矩阵进行第一次时空图卷积运算，获得第一运算结果；所述第二时空卷积层单元用于根据所述第一运算结果进行第二次时空图卷积运算处理，获得第二运算结果，并将所述第二运算结果输出到全连接单元。4.根据权利要求3所述的船舶到港量预测系统，其特征在于，所述第一时空卷积层单元、第二时空卷积层单元均包括第一门控因果卷积层、第二门控因果卷积层；所述第一门控因果卷积层用于第一次提取时间特征；所述第二门控因果卷积层用于第二次提取时间特征。5.根据权利要求1所述的船舶到港量预测系统，其特征在于，所述全连接模块包括维度重构单元、特征转化单元、预测单元；所述维度重构单元用于根据所述最优模型参数进行维度重构；所述特征转化单元用于将维度重构后的特征维度进行转化，获得符合维度要求的输出结果；所述预测单元用于根据所述输出结果进行预测，获得各港口船舶到港量预测值。6.一种船舶到港量预测方法，其特征在于，包括...

【专利技术属性】
技术研发人员：肖光年，欧元帅，崔庆安，顾邦平，肖宇，王恬，陈柳，王春雨，
申请(专利权)人：上海海事大学，
类型：发明
国别省市：