竞争对手船舶运力预测方法、计算机可读介质技术

本发明专利技术公开了竞争对手船舶运力预测方法、计算机可读介质；该预测方法包括步骤S1：获取竞争对手船舶定位AIS历史数据；S2：通过船舶定位AIS数据获得船舶在码头靠泊后吃水量的变化；并对获取的竞争对手船舶定位AIS历史数据进行特征工程和数据标注；S3：利用获得的批量标注数据集训练KNN最近邻模型和LightGBM模型，获得竞争对手船舶潜在目的地预测模型；S4：基于实时数据和获得的竞争对手船舶目的地预测模型，预测竞争对手船舶运力；其中，所述船舶运力包括船舶前往各个目的地的概率、船舶在目的地码头的装卸货量。利用该预测模型能够实时、有效地监测并预测竞争对手船舶运力走向。误判率低，耗时短，实时性强，节省人力，提高监测效率。测效率。测效率。

【技术实现步骤摘要】
竞争对手船舶运力预测方法、计算机可读介质


[0001]本申请属于数据处理
，具体涉及竞争对手船舶运力预测方法、计算机可读介质。

技术介绍

[0002]竞争对手分析在商业决策流程中是不可或缺的重要组成部分，在单次载货量以万吨为单位的远洋海运行业，竞争对手分析尤为重要，因为竞争对手的船舶运力走向蕴含着大量的商业信息，这些信息可协助本公司决策层作出运力跟随和运力避让等重大战略决策。
[0003]现有技术中，在识别竞争对手运力走向时，通常把AIS动态数据分时间段整合成半静态数据，通过人工识别船舶在特定时间段内是否出现在前往特定目的地必须经过的特定区域并判断船舶在此特定区域的前行方向来判断船舶潜在的目的地。这种方法由于使用半静态数据，存在误判率高，耗时长，实时性欠缺等问题，且相对自动监测算法而言会消耗更多人力。

技术实现思路

[0004]有鉴于此，一方面，一些实施例公开了竞争对手船舶运力预测方法，用于自动识别竞争对手船舶的运力走向及判定其潜在目的地；该预测方法包括步骤：
[0005]S1：获取竞争对手船舶定位AIS历史数据；
[0006]S2：通过定位AIS数据获得船舶在码头靠泊后吃水量的变化；并对获取的竞争对手船舶定位AIS历史数据进行特征工程和数据标注；
[0007]S3：利用获得的批量标注数据集训练KNN最近邻模型和LightGBM模型，获得竞争对手船舶潜在目的地预测模型；
[0008]S4：基于实时数据和获得的竞争对手船舶目的地预测模型，预测竞争对手船舶运力；其中，所述船舶运力包括船舶前往各个目的地的概率、船舶在目的地码头的装卸货量。
[0009]进一步，一些实施例公开的竞争对手船舶运力预测方法，步骤S2具体包括：
[0010]S201：对AIS历史数据集进行预处理；
[0011]S202：构建除AIS历史数据集以外的额外特征，并对AIS历史数据集进行标注；
[0012]S203：根据船舶靠泊前和靠泊后距靠泊点设定距离内的船舶吃水变化量分别估算货量变化量，进而估算装/卸货量；其中，货量变化量＝(靠泊前船舶吃水均值
‑
靠泊后船舶吃水均值)
×
船舶每厘米吃水吨数TPC；若货量变化量为正，则为卸货，若货物变化量为负，则为装货。
[0013]一些实施例公开的竞争对手船舶运力预测方法，步骤S201具体包括：对AIS历史数据中各船舶位置信息进行等距处理，分别对各船舶的位置信息进行插值得到航行路径，然后根据球面距离等距取航行路径的经纬度坐标。
[0014]一些实施例公开的竞争对手船舶运力预测方法，步骤S202具体包括：
[0015]为船舶构建额外特征X
1,t
、X
2,t
和X
3,t
；其中，记X
1,t
为t时刻船舶距目的地的距离，设置额外变量X
2,t
标记船舶航向，若X
1,t
‑
X
1,t
‑1<0，则，船舶在靠近目的地，标记X
2,t
为1；若X
1,t
‑
X
1,t
‑1＞0，则船舶在远离目的地，标记X
2,t
为
‑
1；对X
2,t
按时间进行有界累加得到新变量X
3,t
＝max(min(X
3,t
‑1+X
2,t
,B),A)，并使用移动平均方法对X
3,t
作平滑处理；其中，A、B分别表示累加下边界和上边界；
[0016]若该船舶在t时刻在目的地码头靠泊且在靠泊前后出现显著吃水量变化，则从t时刻向前搜索最大的时间段k，使得k满足在[t
‑
k,t)内X
3,t
为连续正序列，并将该船舶在此时间段内的数据标记为正样本，即把Y
1,t
‑
k
,
…
,Y
1,t
都标记为1；若有N个特定目的地，则分别进行上述操作，Y的第一个下标从1到n分别取值得Y
1,t
,
…
,Y
N,t
，X的第一个下标从1,2,3到3N
‑
2,3N
‑
1,3N分别取值得X
1,t
,X
2,t
,X
3,t
,
…
,X
3N
‑
2,t
,X
3N
‑
1,t
,X
3N,t
即可，其中，N为目的地数量，Y为目标变量；Y
n,t
为预测值，Y
n,t
为1说明t时刻船舶正在去往第n个目的地；X
3n,t
大于0表明船舶在t时刻属于在持续靠近第n个目的地的状态。
[0017]一些实施例公开的竞争对手船舶运力预测方法，步骤S3利用获得的批量标注数据集训练KNN最邻近模型和LightGBM模型的过程具体包括：
[0018]S301：将批量标注数据集划分为四部分；其中，第一部分用于获得历史航线数据以及作为KNN最邻近模型的训练集，第二部分作为KNN最邻近模型的验证集以及LightGBM模型的训练集，第三部分作为LightGBM模型的验证集，第四部分作为LightGBM的测试集；
[0019]S302：使用批量标注AIS历史数据的KNN训练集构建KNN最近邻模型，自变量为按最佳时间长度C切分后的经纬度序列L
*,t
，*表示所有的历史航线，因变量为经纬度序列L
*,t
对应的目的地标注Y
·
,t
，
·
表示所有的目的地，其中C为最佳时间长度参数；
[0020]S303：将LightGBM训练集中的数据按最佳时间长度C切分后，比对切分后的航行路径与距离最近的若干条历史航线的经纬度序列，通过求点线距离获得当前船舶在最佳时间长度C内的经纬度偏差序列e
t
，使用额外特征X
1,t
,X
2,t
,X
3,t
,
…
,X
3N
‑
2,t
,X
3N
‑
1,t
,X
3N,t
、经纬度偏差序列e
t
以及额外特征X
1,t
,X
2,t
,X
3,t
,
…
,X
3N
‑
2,t
,X
3N
‑
1,t
,X
3N,t
的差分数据与经纬度偏差序列e
t
的差分数据，经过随机森林筛选特征，用特征贡献度排名前80％的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.竞争对手船舶运力预测方法，其特征在于，该方法包括步骤：S1：获取竞争对手船舶定位AIS历史数据；S2：通过定位AIS数据获得船舶在码头靠泊后吃水量的变化；并对获取的竞争对手船舶定位AIS历史数据进行特征工程和数据标注；S3：利用获得的批量标注数据集训练KNN最近邻模型和LightGBM模型，获得竞争对手船舶潜在目的地预测模型；S4：基于实时数据和获得的竞争对手船舶目的地预测模型，预测竞争对手船舶运力；其中，所述船舶运力包括船舶前往各个目的地的概率、船舶在目的地码头的装卸货量。2.根据权利要求1所述的竞争对手船舶运力预测方法，所述步骤S2具体包括：S201：对AIS历史数据集进行预处理；S202：构建除AIS历史数据集以外的额外特征，并对AIS历史数据集进行标注；S203：根据船舶靠泊前和靠泊后距靠泊点设定距离内的船舶吃水变化量分别估算货量变化量，进而估算装/卸货量；其中，货量变化量＝(靠泊前船舶吃水均值
‑
靠泊后船舶吃水均值)
×
船舶每厘米吃水吨数TPC；若货量变化量为正，则为卸货，若货物变化量为负，则为装货。3.根据权利要求2所述的竞争对手船舶运力预测方法，其特征在于，所述步骤S201具体包括：对AIS历史数据中各船舶位置信息进行等距处理，分别对各船舶的位置信息进行插值得到航行路径，然后根据球面距离等距取航行路径的经纬度坐标。4.根据权利要求2所述的竞争对手船舶运力预测方法，其特征在于，所述步骤S202具体包括：为船舶构建额外特征X
1,t
、X
2,t
和X
3,t
；其中，记X
1,t
为t时刻船舶距目的地的距离，设置额外变量X
2,t
标记船舶航向，若X
1,t
‑
X
1,t
‑1<0，则，船舶在靠近目的地，标记X
2,t
为1；若X
1,t
‑
X
1,t
‑1＞0，则船舶在远离目的地，标记X
2,t
为
‑
1；对X
2,t
按时间进行有界累加得到新变量X
3,t
＝max(min(X
3,t
‑1+X
2,t
,B),A)，并使用移动平均方法对X
3,t
作平滑处理；其中，A、B分别表示累加下边界和上边界；若该船舶在t时刻在目的地码头靠泊且在靠泊前后出现显著吃水量变化，则从t时刻向前搜索最大的时间段k，使得k满足在[t
‑
k,t)内X
3,t
为连续正序列，并将该船舶在此时间段内的数据标记为正样本，即把Y
1,t
‑
k
,
…
,Y
1,t
都标记为1；若有N个特定目的地，则分别进行上述操作，Y的第一个下标从1到n分别取值得Y
1,t
,
…
,Y
n,t
，X的第一个下标从1,2,3到3N
‑
2,3N
‑
1,3N分别取值得X
1,t
,X
2,t
,X
3,t
,
…
,X
3N
‑
2,t
,X
3N
‑
1,t
,X
3N,t
，其中，N为目的地数量，Y为目标变量；Y
n,t
为目的地预测值，Y
n,t
为1说明t时刻船舶正在去往第n个目的地；X
3n,t
大于0表明船舶在t时刻属于在持续靠近第n个目的地的状态。5.根据权利要求1所述的竞争对手船舶运力预测方法，其特征在于，所述步骤S3中，利用获得的批量标注数据集训练KNN最邻近模型和LightGBM模型的过程具体包括：S301：将批量标注数据集划分为四部分；其中，第一部分用于获得历史航线数据以及作为KNN最邻近模型的训练集，第二部分作为KNN最邻近模型的验证集以及LightGBM模型的训练集，第三部分作为LightGBM模型的验证集，第四部分作为LightGBM的测试集；S302：使用批量标注AIS历史数据的KNN训练集构建KNN最近邻模型，自变量为按最佳时间长度C切分后的经纬度序列L
*,t
，*表示所有的历史航线，因变量...

【专利技术属性】
技术研发人员：詹昊林，
申请(专利权)人：中远海运科技北京有限公司，
类型：发明
国别省市：