CN115017809A - 一种船舶到港量预测系统及方法 - Google Patents
一种船舶到港量预测系统及方法 Download PDFInfo
- Publication number
- CN115017809A CN115017809A CN202210634375.8A CN202210634375A CN115017809A CN 115017809 A CN115017809 A CN 115017809A CN 202210634375 A CN202210634375 A CN 202210634375A CN 115017809 A CN115017809 A CN 115017809A
- Authority
- CN
- China
- Prior art keywords
- port
- data
- time
- ship
- space
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 28
- 238000010586 diagram Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 11
- 230000001364 causal effect Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000001502 supplementing effect Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/203—Specially adapted for sailing ships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G06Q50/40—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明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。
Description
技术领域
本发明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。
背景技术
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。
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。
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。
发明内容
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,本发明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。
为实现上述目的,本发明提供了如下方案:一种船舶到港量预测系统,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。
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;
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。
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;
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。
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;
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。
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;
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。
一种船舶到港量预测方法,包括:
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。
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,
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。
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,
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;
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;
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。
优选地,所述二维矩阵表示为:
其中,dij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。
本发明公开了以下技术效果:
(1)本发明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;
(2)本发明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;
(3)本发明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
为了更清楚地说明本发明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发明的一些实施例,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。
图1为本发明实施例的系统结构示意图;
图2为本发明实施例的时空卷积单元的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供了一种船舶到港量预测系统及方法,其中,所述系统包括:
数据清洗及转换单元,用于去除有噪声和不一致的样本数据,并补齐缺省值,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;时空图卷积层单元,对转换后的数据建模,经过训练操作寻求一组最优模型参数;全连接单元,用于将提取到的特征维度转化为符合输出维度要求的结果,并输出各港口船舶到港量预测值。
进一步,所述船舶到港量预测系统中的数据清洗及转换单元包括两个子单元:数据清洗子单元,用于去除不完全、有噪声和不一致的样本数据,并使用线性插值法填充缺省值;数据转换子单元,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。
进一步,所述船舶到港量预测系统包括2个时空图卷积层单元:第1个时空图卷积层单元,用于对输入的二维矩阵进行第一次时空图卷积运算;第2个时空图卷积层单元,用于对第1个时空图卷积层单元运算的结果进行第二次时空图卷积运算处理,并将结果输出到全连接单元。
进一步,所述船舶到港量预测系统中的第1个时空图卷积层单元与第2个时空图卷积层单元结构相同,如附图2,第1个时空图卷积层单元与第2个时空图卷积层单元均包括:第1个门控因果卷积层,共有64个卷积核,用于提取时间特征;基于空域的图卷积层,用于提取空间特征;第2个门控因果卷积层,共有64个卷积核,用于再次提取时间特征。
现有需求预测技术方法缺乏对于时间维度和空间维度的联合建模。并且,由于现有方法所需参数较多,模型的训练时间较长,影响模型的训练效率。因此,为同时捕获船舶到港量的时间维度和空间维度特征,并实现高效率预测,本发明提供一种基于空域的时空图卷积神经网络模型的船舶到港量预测方法。
一种船舶到港量预测方法,包括以下步骤:
(1)通过数据清洗及转换单元,去除有噪声和不一致的样本数据,并补齐缺省值,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;
(1.1)利用AIS数据中用于区分不同船舶的国际海事组织标号(IMO)属性,筛选并分组当日所有船舶上传的数据记录。
(1.2)接步骤(1.1),利用AIS数据中提供的出发港和目的港信息,筛选出属于同一出发港和目的港之间,即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。
(1.3)接步骤(1.2),利用AIS数据中存在的经纬度信息,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。
(1.4)接步骤(1.3),操作利用AIS数据中被剔除记录的相邻记录的坐标、航向、航速等动态信息,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。
(1.5)接步骤(1.4),以整点为依据,将全天划分为m个时间刻度,以左右三分钟判定边界,判断(1.4)中所有记录的时间刻度归属并标注时间刻度。
(1.6)接步骤(1.5),以主要港口经纬度为依据,计算相对距离以判断(1.5)中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。
(1.7)接步骤(1.6),以港口为统计单位,从(1.6)中已标注具体港口记录中分组统计记录数,得到同一天内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,构建如下二维矩阵:
其中,dij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。
(2)通过时空图卷积层单元,对转换后的数据建模,经过训练操作寻求一组最优模型参数。
(3)通过全连接单元,对时空图卷积层单元的输出结果进行维度重构,并输出港口到港量预测值。
为评估本发明实施例效果,利用MarineCadastre.gov提供的公开AIS数据,验证本发明所提方法的预测准确性。基准方法分别为传统循环神经网络(方法一)、长短期记忆神经网络(方法二)和门控循环单元网络(方法三)。验证指标分别为对称平均绝对百分比误差(Symmetrical Mean Absolute Percent Error,SMAPE)、均方根误差(Root Mean SquareError,RMSE)和平均绝对误差(Mean Absolute Error,MAE),计算公式为:
本实施例还提供一种船舶到港量预测装置,包括一种非暂时的用于存储程序的计算机存储介质。所述程序包括:数据清洗及转换单元,用于有噪声和不一致的样本数据,并补齐缺省值,结合港口信息将清洗后的数据转化为二维矩阵;时空图卷积层单元,对清洗后的数据建模,经过训练操作寻求一组最优模型参数;全连接单元,对时空图卷积层单元的输出结果进行维度重构,并输出港口船舶到港量预测值。
有鉴于长时间内船舶到港量都是处于一个不断增长的趋势,基于预测理论开展港口船舶到达量预测对于港口锚地的合理规划和水路交通的高效管理而言至关重要。本发明通过提出一种船舶到港量预测系统及方案能够从社会效益以及经济效益带来显著效果。
从社会效益:
①提高港口智能化水平。船舶到港量的预测可以有效地提升信息处理的水平和相关技术能力。
②减少碳排放。船舶到港量的预测可以更加高效地管理水路交通,进而减少船舶停靠港口的不必要时间,也就减少了船舶的碳排放。
③减少工人的劳动负担。码头的堵塞导致多国工人劳动负担增大,甚至出现罢工,开展港口船舶到达量预测可以大幅度削弱状况的发生。
从经济效益:
①有效缓解运费飙升。港口锚地的合理规划以及水路交通的高效管理有效改善港口堵塞问题,从而缓解运费的飙升。
②降低人工成本。船舶到港量预测技术可以提高港口智能化水平,减少港口工人数量,从而降低人工成本。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (9)
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:
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。
7.根据权利要求6所述的船舶到港量预测方法,其特征在于,
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的过程包括,
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。
8.根据权利要求7所述的船舶到港量预测方法,其特征在于,
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,
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;
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;
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。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210634375.8A CN115017809A (zh) | 2022-06-07 | 2022-06-07 | 一种船舶到港量预测系统及方法 |
US17/878,790 US20230392933A1 (en) | 2022-06-07 | 2022-08-01 | Ship arrival prediction system and method thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210634375.8A CN115017809A (zh) | 2022-06-07 | 2022-06-07 | 一种船舶到港量预测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115017809A true CN115017809A (zh) | 2022-09-06 |
Family
ID=83073912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210634375.8A Pending CN115017809A (zh) | 2022-06-07 | 2022-06-07 | 一种船舶到港量预测系统及方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230392933A1 (zh) |
CN (1) | CN115017809A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117217445A (zh) * | 2023-08-23 | 2023-12-12 | 北京交通大学 | 一种铁路多站货运需求预测方法和装置 |
CN117528551A (zh) * | 2024-01-08 | 2024-02-06 | 交通运输部水运科学研究所 | 一种港口运营网络的构建与数据感知方法及系统 |
-
2022
- 2022-06-07 CN CN202210634375.8A patent/CN115017809A/zh active Pending
- 2022-08-01 US US17/878,790 patent/US20230392933A1/en active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117217445A (zh) * | 2023-08-23 | 2023-12-12 | 北京交通大学 | 一种铁路多站货运需求预测方法和装置 |
CN117528551A (zh) * | 2024-01-08 | 2024-02-06 | 交通运输部水运科学研究所 | 一种港口运营网络的构建与数据感知方法及系统 |
CN117528551B (zh) * | 2024-01-08 | 2024-03-12 | 交通运输部水运科学研究所 | 一种港口运营网络的构建与数据感知方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
US20230392933A1 (en) | 2023-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115017809A (zh) | 一种船舶到港量预测系统及方法 | |
CN110517482B (zh) | 一种基于3d卷积神经网络的短时交通流预测方法 | |
CN113033073A (zh) | 一种基于数据驱动的无人船能效数字孪生方法及系统 | |
Cheng et al. | Using big data to track marine oil transportation along the 21st-century Maritime Silk Road | |
CN106777703A (zh) | 一种公交乘客实时分析系统及其构建方法 | |
CN112446096A (zh) | 一种基于航行大数据的船舶主机油耗动态预估方法 | |
CN114049545B (zh) | 一种基于点云体素的台风定强方法、系统、设备及介质 | |
CN112633602B (zh) | 一种基于gis地图信息的交通拥堵指数预测方法及装置 | |
CN112214721B (zh) | 一种基于ais数据的动态化船舶排放清单建立方法 | |
Zhang et al. | Short-term passenger flow forecast of rail transit station based on MIC feature selection and ST-LightGBM considering transfer passenger flow | |
CN114936332A (zh) | 一种风电场水域船舶交通流分析的方法、装置和存储介质 | |
CN113762338A (zh) | 一种基于多重图注意力机制的交通流预测方法、设备及介质 | |
CN110555551A (zh) | 一种智慧城市的空气质量大数据管理方法及系统 | |
CN116843071A (zh) | 一种用于智慧港口的运输网络运行指数预测方法及装置 | |
CN112613630B (zh) | 一种融合多尺度时空统计信息的短时交通需求预测方法 | |
Chen et al. | Dynamic simulation of land use changes in Port city: A case study of Dalian, China | |
CN114492233A (zh) | 一种基于webGIS平台及考虑综合利用要求的流域水模拟方法 | |
CN114139642A (zh) | 联合船舶行程语义对象与图论理论的船舶航线提取方法 | |
CN111145535B (zh) | 一种复杂场景下的行程时间可靠性分布预测方法 | |
Xie et al. | Tourism resource evaluation and countermeasures based on network communication and TOPSIS algorithm | |
CN113360544B (zh) | 基于捕捞时序关系的短时捕捞努力量分布预测方法 | |
CN116226403A (zh) | 基于行为特征图谱的船舶动向概率连续预测方法与装置 | |
CN113127591B (zh) | 一种基于Transformer和LSTM的位置预测方法 | |
CN114742206A (zh) | 综合多时空尺度多普勒雷达数据的降雨强度估计方法 | |
CN114565180A (zh) | 一种考虑空间依赖性的港口船舶交通流量预测方法 |
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 |