CN112085286A - 一种船舶行为预测模型建立方法及船舶行为预测模型 - Google Patents

一种船舶行为预测模型建立方法及船舶行为预测模型 Download PDF

Info

Publication number
CN112085286A
CN112085286A CN202010965724.5A CN202010965724A CN112085286A CN 112085286 A CN112085286 A CN 112085286A CN 202010965724 A CN202010965724 A CN 202010965724A CN 112085286 A CN112085286 A CN 112085286A
Authority
CN
China
Prior art keywords
ship
prediction model
grid
behavior prediction
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010965724.5A
Other languages
English (en)
Other versions
CN112085286B (zh
Inventor
周远鹏
陈震宇
姚易言
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202010965724.5A priority Critical patent/CN112085286B/zh
Publication of CN112085286A publication Critical patent/CN112085286A/zh
Application granted granted Critical
Publication of CN112085286B publication Critical patent/CN112085286B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开的船舶行为预测模型建立方法，涉及计算机技术领域，船舶行为预测模型建立方法，通过人工对海图进行标注，建立中国水系网格系统，根据船舶历史航行数据集合及中国水系网格系统，建立船舶行为预测模型，根据航线预测数据库和时间预测数据库，建立船舶位置预测模型，该船舶行为预测模型鲁棒性较好，计算效率高，人工成本及时间成本低，提高了预测船舶真实行为的精准度。另外，本发明实施例还提供了一种利用上述船舶行为预测模型建立方法得到的船舶行为预测模型。

Description

一种船舶行为预测模型建立方法及船舶行为预测模型
技术领域
本发明涉及计算机技术领域，具体涉及一种船舶行为预测模型建立方法及船舶行为预测模型。
背景技术
随着船舶历史航行数据的日益增多，如何有效地应用这些数据成为了重点难题。虽然船舶自动识别系统已经普及，但是船舶历史航行数据仍然没有发挥出足够的价值。船舶行为的预测与船舶运输供应链行业息息相关，但是目前市面上仍然是通过人为经验判断来对绝大部分船舶行为进行预测。当前虽然已经出现了一些相关船舶行为预测技术，但大都存在有几个问题：
(1)基于固定轨迹，如果船舶有异常行为，只能发现异常而无法预测；
(2)基于黑盒模型，研究内容无法与现实相联系且鲁棒性较差；
(3)耗费大量运算力，但实际应用却少，成本较高；
(4)对噪声十分敏感，在真实环境中应用时，误差很大。
发明内容
为解决现有技术的不足，本发明实施例提供了一种船舶行为预测模型建立方法及船舶行为预测模型。
第一方面，本发明实施例提供的船舶行为预测模型建立方法包括以下步骤：
S1通过人工对海图进行标注，建立中国水系网格系统，包括：
S11通过H3算法，将整个中国区域分为面积大小相同的多个多边形网格，生成第一多边形网格集；
S12从所述多边形网格集中选取含有水系的网格，生成第二多边形网格集；
S13根据深度优先原则，对所述第二多边形网格集进行人工标注，建立河流走向索引；
S14对处于不同水域的多边形网格进行划分，生成中国水系网格系统；
S2根据船舶历史航行数据集合及所述中国水系网格系统，建立船舶行为预测模型，包括：
S21从所述船舶历史航行数据集合中选取连续的航行数据；
S22根据所述航行数据，获取各个船舶在设定时间段内从始发港口所在的网格驶向目的港口所在的网格行驶过程中产生的行为数据；
S23根据所述行为数据，建立航线预测数据库S1；
S24根据所述航行数据，获取各个船舶在设定时间段内在各个网格内停留的时间，建立时间预测数据库S2；
S3根据航线预测数据库S1和时间预测数据库S2，建立船舶位置预测模型，包括：
根据公式
Figure BDA0002682228470000021
计算各个船舶在某一时间到达网格w的概率，生成船舶行为预测模型，其中，Ei为航线预测数据库S1预测的航线与时间预测数据库S2预测的船舶在网格w停留的时间、所述航行数据中的航速、航速、航向、船舶首向组成的数据集合。
优选地，在根据船舶历史航行数据集合及所述中国水系网格系统，建立船舶行为预测模型之前，所述方法还包括：
对所述船舶历史航行数据集合进行预处理，包括：
根据层次聚类方法，更正所述船舶历史航行数据集合中的错误数据；
基于连续的船舶历史行为数据建模，补全所述船舶历史航行数据集合中不连续的船舶历史行为数据。
优选地，在生成船舶行为预测模型之后，所述方法还包括：
利用所述船舶行为预测模型，预测各个船舶当前所在航线的拥堵状况、目标港口的吞吐量。
优选地，所述船舶历史航行数据集合还包括：
船舶的mmsi编号、通讯时间、所在的经度、所在的纬度、船舶类型。
第二方面，本发明实施例提供了一种利用上述第一方面所述的船舶行为预测模型建立方法得到的船舶行为预测模型，该模型包括：
航线预测模块，用于预测船舶当前所在的航线；
时间预测模块，用于预测船舶在各个网格停留的时间；
船舶位置预测模型，用于预测船舶在某一时间到达某个网格的概率。
本发明实施例提供的船舶行为预测模型建立方法及船舶行为预测模型生成的船舶行为预测模型，最大化利用船舶历史航行数据计算船舶真实的行为，具有以下有益效果：
(1)基于白盒模型，计算的内容可以被行业从业人员理解，鲁棒性较好；
(2)计算效率高，人工成本及时间成本低；
(3)对噪声以及船舶的人为异常情况容忍度极高，能够从海量数据里精准获得船舶的真实行为。
说明书附图
图1为本发明实施例提供的船舶行为预测模型建立方法流程示意图；
图2为本发明实施例提供的生成中国水系网格系统示意图。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
如图1所示，本发明实施例提供的船舶行为预测模型建立方法及船舶行为预测模型包括以下步骤：
S101，通过人工对海图进行标注，建立中国水系网格系统，包括：
S1011通过H3算法，将整个中国区域分为面积大小相同的多个多边形网格，生成第一多边形网格集；
S1012从所述多边形网格集中选取含有水系的网格，生成第二多边形网格集；
S1013根据深度优先原则，对所述第二多边形网格集进行人工标注，建立河流走向索引；
S1014对处于不同水域的多边形网格进行划分，生成中国水系网格系统。
其中，船舶行为预测模型是基于航线建立的，将船舶从一个港口到另一个港口的路线称为航线，把船舶实际走完一条航线的行为成为一个航次。船舶的主要行为由航次决定。
S102，根据船舶历史航行数据集合及中国水系网格系统，建立船舶行为预测模型，包括：
S1021从所述船舶历史航行数据集合中选取连续的航行数据；
S1022根据所述航行数据，获取各个船舶在设定时间段内从始发港口所在的网格驶向目的港口所在的网格行驶过程中产生的行为数据；
S1023根据所述行为数据，建立航线预测数据库S1；
S1024根据所述航行数据，获取各个船舶在设定时间段内在各个网格内停留的时间，建立时间预测数据库S2；
作为一个具体的实施例，
Figure BDA0002682228470000051
Figure BDA0002682228470000052
其中，stt为始发港口所在的网格，end为目的港口所在的网格，W为网格集合，stay为船舶在各个网格停留的时间，船舶方向D包括-1和1，P是按照月或季度划分的时间段。
S103，根据航线预测数据库S1和时间预测数据库S2，建立船舶位置预测模型，包括：
根据公式
Figure BDA0002682228470000053
计算各个船舶在某一时间到达网格w的概率，生成船舶行为预测模型，其中，Ei为航线预测数据库S1预测的航线与时间预测数据库S2预测的船舶在网格w停留的时间、上述航行数据中的航速、航速、航向、船舶首向组成的数据集合。
其中，船首向是船舶头朝向，航向是船舶开往的方向。
可选地，在根据船舶历史航行数据集合及中国水系网格系统，建立船舶行为预测模型之前，该方法还包括：
对船舶历史航行数据集合进行预处理，包括：
根据层次聚类方法，更正船舶历史航行数据集合中的错误数据；
基于连续的船舶历史行为数据建模，补全该船舶历史航行数据集合中不连续的船舶历史行为数据。
可选地，在生成船舶行为预测模型之后，该方法还包括：
利用船舶行为预测模型，预测各个船舶当前所在航线的拥堵状况、目标港口的吞吐量。
其中，对于某一条航线，将当前航线所有的船舶位置写入船舶行为预测模型，可以获得该航线每个航段不同时间同方向行驶的船舶数目，从而预测航线拥堵程度。
对于特定港口，通过船舶行为预测模型计算所有船舶可能到达这里的时间和概率，获得未来一定时间内可以到达该港口的船舶总数量，从而提前预测港口的吞吐量。
可选地，该船舶历史航行数据集合包括：
船舶的mmsi编号、通讯时间、所在的经度、所在的纬度、船舶类型。
其中，船舶类型包括客船和货船。
另外，本发明实施例还提供了一种利用上述船舶行为预测模型建立方法得到的船舶行为预测模型，该模型包括：
航线预测模块，用于预测船舶当前所在的航线；
时间预测模块，用于预测船舶在各个网格停留的时间；
船舶位置预测模型，用于预测船舶在某一时间到达某个网格的概率。
本发明实施例提供的船舶行为预测模型建立方法及船舶行为预测模型，通过人工对海图进行标注，建立中国水系网格系统，根据船舶历史航行数据集合及中国水系网格系统，建立船舶行为预测模型，根据航线预测数据库和时间预测数据库，建立船舶位置预测模型，该船舶行为预测模型鲁棒性较好，计算效率高，人工成本及时间成本低，提高了预测船舶真实行为的精准度。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (6)

1.一种船舶行为预测模型建立方法，其特征在于，包括：
S1通过人工对海图进行标注，建立中国水系网格系统，包括：
S11通过H3算法，将整个中国区域分为面积大小相同的多个多边形网格，生成第一多边形网格集；
S12从所述多边形网格集中选取含有水系的网格，生成第二多边形网格集；
S13根据深度优先原则，对所述第二多边形网格集进行人工标注，建立河流走向索引；
S14对处于不同水域的多边形网格进行划分，生成中国水系网格系统；
S2根据船舶历史航行数据集合及所述中国水系网格系统，建立船舶行为预测模型，包括：
S21从所述船舶历史航行数据集合中选取连续的航行数据；
S22根据所述航行数据，获取各个船舶在设定时间段内从始发港口所在的网格驶向目的港口所在的网格行驶过程中产生的行为数据；
S23根据所述行为数据，建立航线预测数据库S1；
S24根据所述航行数据，获取各个船舶在设定时间段内在各个网格内停留的时间，建立时间预测数据库S2；
S3根据航线预测数据库S1和时间预测数据库S2，建立船舶位置预测模型，包括：
根据公式
Figure FDA0002682228460000011
计算各个船舶在某一时间到达网格w的概率，生成船舶行为预测模型，其中，Ei为航线预测数据库S1预测的航线与时间预测数据库S2预测的船舶在网格w停留的时间、所述航行数据中的航速、航速、航向、船舶首向组成的数据集合。
2.根据权利要求1所述的船舶行为预测模型建立方法，其特征在于，在根据船舶历史航行数据集合及所述中国水系网格系统，建立船舶行为预测模型之前，所述方法还包括：
对所述船舶历史航行数据集合进行预处理，包括：
根据层次聚类方法，更正所述船舶历史航行数据集合中的错误数据；
基于连续的船舶历史行为数据建模，补全所述船舶历史航行数据集合中不连续的船舶历史行为数据。
3.根据权利要求1所述的船舶行为预测模型建立方法，其特征在于，在生成船舶行为预测模型之后，所述方法还包括：
利用所述船舶行为预测模型，预测各个船舶当前所在航线的拥堵状况、目标港口的吞吐量。
4.根据权利要求1所述的船舶行为预测模型建立方法，其特征在于，所述船舶历史航行数据集合还包括：
船舶的mmsi编号、通讯时间、所在的经度、所在的纬度、船舶类型。
5.一种采用上述权利要求1-4得到的船舶行为预测模型，其特征在于，包括：
航线预测模块，用于预测船舶当前所在的航线；
时间预测模块，用于预测船舶在各个网格停留的时间；
船舶位置预测模型，用于预测船舶在某一时间到达某个网格的概率。
6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-3所述的步骤。
CN202010965724.5A 2020-09-15 2020-09-15 一种船舶行为预测模型建立方法及系统 Active CN112085286B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010965724.5A CN112085286B (zh) 2020-09-15 2020-09-15 一种船舶行为预测模型建立方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010965724.5A CN112085286B (zh) 2020-09-15 2020-09-15 一种船舶行为预测模型建立方法及系统

Publications (2)

Publication Number Publication Date
CN112085286A true CN112085286A (zh) 2020-12-15
CN112085286B CN112085286B (zh) 2022-04-15

Family

ID=73737080

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010965724.5A Active CN112085286B (zh) 2020-09-15 2020-09-15 一种船舶行为预测模型建立方法及系统

Country Status (1)

Country Link
CN (1) CN112085286B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112833882A (zh) * 2020-12-30 2021-05-25 成都方位导向科技开发有限公司 一种动态加权航线自动推荐方法
CN113838308A (zh) * 2021-11-24 2021-12-24 亿海蓝（北京）数据技术股份公司 港口阻塞度衡量方法和系统、船舶、港口管理系统
CN114037230A (zh) * 2021-10-28 2022-02-11 中远海运科技股份有限公司 一种快速精准识别预计空载船舶信息的方法及系统
CN114066303A (zh) * 2021-11-25 2022-02-18 交通运输部规划研究院 一种基于ais的港口规划适应性分析方法及系统
CN114202581A (zh) * 2021-12-09 2022-03-18 云赛智联股份有限公司 一种长江禁渔智能管控系统及方法
CN114509996A (zh) * 2022-01-10 2022-05-17 阿里云计算有限公司 设备作业时长预测、指令调度方法、设备及存储介质
CN115511174A (zh) * 2022-09-22 2022-12-23 中远海运科技股份有限公司 一种船舶风险预测方法和系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103531043A (zh) * 2013-09-27 2014-01-22 重庆大学 基于航线匹配的船舶点到点航行时间估算方法
CN107256438A (zh) * 2017-05-26 2017-10-17 亿海蓝（北京）数据技术股份公司 预测船舶港口停留时间的方法及装置
CN107316501A (zh) * 2017-06-28 2017-11-03 北京航空航天大学 一种基于网格搜索的支持向量机行程时间预测方法
CN109960692A (zh) * 2019-03-12 2019-07-02 中国电子科技集团公司第二十八研究所 船舶航向模型的数据可视化方法、设备及计算机存储介质
CN110610165A (zh) * 2019-09-18 2019-12-24 上海海事大学 一种基于yolo模型的船舶行为分析方法
CN110706518A (zh) * 2019-08-19 2020-01-17 浙江海洋大学 一种船舶挂靠港预测技术
CN110889198A (zh) * 2019-11-01 2020-03-17 中国科学院国家空间科学中心 一种基于多因素联合学习的航位概率分布预测方法及系统
CN111179638A (zh) * 2020-01-08 2020-05-19 中国船舶重工集团公司第七二四研究所 一种基于时间序列的船舶ais目标航行监控方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103531043A (zh) * 2013-09-27 2014-01-22 重庆大学 基于航线匹配的船舶点到点航行时间估算方法
CN107256438A (zh) * 2017-05-26 2017-10-17 亿海蓝（北京）数据技术股份公司 预测船舶港口停留时间的方法及装置
CN107316501A (zh) * 2017-06-28 2017-11-03 北京航空航天大学 一种基于网格搜索的支持向量机行程时间预测方法
CN109960692A (zh) * 2019-03-12 2019-07-02 中国电子科技集团公司第二十八研究所 船舶航向模型的数据可视化方法、设备及计算机存储介质
CN110706518A (zh) * 2019-08-19 2020-01-17 浙江海洋大学 一种船舶挂靠港预测技术
CN110610165A (zh) * 2019-09-18 2019-12-24 上海海事大学 一种基于yolo模型的船舶行为分析方法
CN110889198A (zh) * 2019-11-01 2020-03-17 中国科学院国家空间科学中心 一种基于多因素联合学习的航位概率分布预测方法及系统
CN111179638A (zh) * 2020-01-08 2020-05-19 中国船舶重工集团公司第七二四研究所 一种基于时间序列的船舶ais目标航行监控方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王永明 等: ""船舶进离港行为捕获算法设计与实现"", 《上海海事大学学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112833882A (zh) * 2020-12-30 2021-05-25 成都方位导向科技开发有限公司 一种动态加权航线自动推荐方法
CN114037230A (zh) * 2021-10-28 2022-02-11 中远海运科技股份有限公司 一种快速精准识别预计空载船舶信息的方法及系统
CN113838308A (zh) * 2021-11-24 2021-12-24 亿海蓝（北京）数据技术股份公司 港口阻塞度衡量方法和系统、船舶、港口管理系统
CN113838308B (zh) * 2021-11-24 2022-02-15 亿海蓝（北京）数据技术股份公司 港口阻塞度衡量方法和系统、船舶、港口管理系统
CN114066303A (zh) * 2021-11-25 2022-02-18 交通运输部规划研究院 一种基于ais的港口规划适应性分析方法及系统
CN114066303B (zh) * 2021-11-25 2022-07-19 交通运输部规划研究院 一种基于ais的港口规划适应性分析方法及系统
CN114202581A (zh) * 2021-12-09 2022-03-18 云赛智联股份有限公司 一种长江禁渔智能管控系统及方法
CN114509996A (zh) * 2022-01-10 2022-05-17 阿里云计算有限公司 设备作业时长预测、指令调度方法、设备及存储介质
CN115511174A (zh) * 2022-09-22 2022-12-23 中远海运科技股份有限公司 一种船舶风险预测方法和系统

Also Published As

Publication number Publication date
CN112085286B (zh) 2022-04-15

Similar Documents

Publication Publication Date Title
CN112085286B (zh) 一种船舶行为预测模型建立方法及系统
Yan et al. Data analytics for fuel consumption management in maritime transportation: Status and perspectives
Xiao et al. Maritime traffic probabilistic forecasting based on vessels’ waterway patterns and motion behaviors
Maki et al. A new weather-routing system that accounts for ship stability based on a real-coded genetic algorithm
Halvorsen-Weare et al. Robust supply vessel planning
WO2010082989A2 (en) Analyzing voyage efficiencies
Anan et al. New artificial intelligence technology improving fuel efficiency and reducing CO2 emissions of ships through use of operational big data
Li et al. Berth allocation and scheduling at marine container terminals: A state-of-the-art review of solution approaches and relevant scheduling attributes
Chaal Ship operational performance modelling for voyage optimization through fuel consumption minimization
CN118071212B (zh) 基于模型的物流效率指标智能分析及优化方法及系统
Chen et al. Art and science of ship voyage optimization: A critical review
Cho et al. GMM-based online optimization for container stacking in port container terminals
Fikioris et al. Optimizing vessel trajectory compression for maritime situational awareness
El Mekkaoui et al. Machine learning models for efficient port terminal operations: case of vessels’ arrival times prediction
Aylak The impacts of the applications of artificial intelligence in maritime logistics
Mannarini et al. VISIR-1. b: Ocean surface gravity waves and currents for energy-efficient navigation
Mason Quantifying voyage optimisation with wind-assisted ship propulsion: a new climate mitigation strategy for shipping
Baştürk et al. Optimizing ship speed depending on cargo and wind-sea conditions for sustainable blue growth and climate change mitigation
Yuen et al. Special issue on ‘Artificial Intelligence & big data in shipping’
WO2022162092A1 (en) A method for optimizing a shipping route and related electronic device
Kontzinos et al. STATE-OF-THE-ART ANALYSIS OF ARTIFICIAL INTELLIGENCE APPROACHES IN THE MARITIME INDUSTRY
Rosa et al. Planning the berth allocation problem in developing countries with multiple cargos and cargo priority by a mathematical model and a clustering search metaheuristic
Walther Development of a weather routing system for analysis and optimization of ship voyages
Monisha et al. A step towards IMO greenhouse gas reduction goal: effectiveness of machine learning based CO2 emission prediction model
CN114827132B (zh) 一种船务文件传输控制方法、系统、装置和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant