CN116596435A - 一种全球船舶货量统计分析方法及系统 - Google Patents

一种全球船舶货量统计分析方法及系统 Download PDF

Info

Publication number
CN116596435A
CN116596435A CN202310451438.0A CN202310451438A CN116596435A CN 116596435 A CN116596435 A CN 116596435A CN 202310451438 A CN202310451438 A CN 202310451438A CN 116596435 A CN116596435 A CN 116596435A
Authority
CN
China
Prior art keywords
ship
data
berthing
port
berth
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
Application number
CN202310451438.0A
Other languages
English (en)
Inventor
周瑜
魏永来
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.)
Cosco Shipping Technology Co Ltd
Shanghai Ship and Shipping Research Institute Co Ltd
Original Assignee
Cosco Shipping Technology Co Ltd
Shanghai Ship and Shipping Research Institute Co Ltd
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 Cosco Shipping Technology Co Ltd, Shanghai Ship and Shipping Research Institute Co Ltd filed Critical Cosco Shipping Technology Co Ltd
Priority to CN202310451438.0A priority Critical patent/CN116596435A/zh
Publication of CN116596435A publication Critical patent/CN116596435A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0831—Overseas transactions

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种全球船舶货量统计分析方法及系统，该方法基于船舶的AIS数据、港口数据和泊位数据，采用ST_Distance函数分别计算出船舶泊位数据中首个靠泊点到多个泊位的每个靠泊泊位线的距离，并通过特定的判断方法判断出船舶的靠泊泊位和靠泊港口以及在靠泊港口的装卸货动作，然后根据同一船舶的连续两条靠泊数据并结合AIS数据中的载重吨数据统计得到航行数据，并自动提取出在时间范围之内且满足筛选条件的所有船舶，根据航行数据将各个船舶的MMSI出现次数和载重吨数据进行汇总，得到各个船舶的航行总艘次和航行总载重吨，将每个船舶的靠泊港口、航行总艘次和航行总载重吨数据进行展示，能够直观地展示出货量进口最多的港口和货量出口最多的港口。

Description

一种全球船舶货量统计分析方法及系统
技术领域
本发明涉及航运信息化、智能化技术领域，具体涉及一种全球船舶货量统计分析方法及系统。
背景技术
随着经济全球化的发展，国际航运量也不断加大，航运有运量大和运费低两大优势，让其成为国际贸易中不可忽略的一部分，据统计全球90％以上的国际贸易依赖海运运输。近年来，集装箱凭借其航行速度快、装卸效率高等优势成为了如今全球海上国际贸易的重要组成部分。
集装箱货物流量及其流向是衡量地区之间物流运输往来情况的关键指标。当前国内乃至全球货运量都在逐年上涨，各个国家、港口都对自身集装箱信息进行统计。特别是随着经济的持续繁荣发展，各种有关货运数据信息量飞速增长，各个统计主体都积累了大量的运输数据。这些数据是主体掌握自身发展状况、预测发展前景、制定战略目标的重要依据。能否有效地利用这些数据，对未来物流行业的发展至关重要。但是各运输主体的信息数据一般只包括粗略的统计信息，如吞吐量、货种、货重、箱重、装车量、货物运输量、货物周转量等等。这些数据来源信息庞大，各个港口的统计口径并不一致，使得计算集装箱整体的流动情况很困难。
但是目前多数对集装箱货物数据信息的研究，都着眼于对规范统计管理指标体系、或对现有数据进行分析预测，而集装箱货物的具体运输情况往往隐藏于海量数据之中，给需要这些特定属性信息的需求者带来极大的不便。因此，亟需一种全球船舶货量统计分析方法对某一特定港口以及指定时间范围内的集装箱货物类型和货量信息的整体进行统计分析。
发明内容
为解决现有技术中存在的问题，本发明提供了一种全球船舶货量统计分析方法，基于船舶的AIS数据、港口数据和泊位数据，并采用特定的计算方法和判断方法对港口的整体运入、运出货量进行统计分析，能够快速、直观地展示出指定港口指定时间范围的货量信息，及时性高、统计全面，提高了工作效率，且能够有效提高行业竞争力和利润率。本发明还涉及一种全球船舶货量统计分析系统。
本发明的技术方案如下：
一种全球船舶货量统计分析方法，其特征在于，包括以下步骤：
数据采集步骤：根据用户的需求设定全球船舶数据采集的时间范围和筛选条件；
数据支撑步骤：提供预期使用的船舶AIS数据、港口数据和泊位数据，作为泊位及装卸货判断、航行数据统计和人机交互的数据基础和支撑；
泊位及装卸货判断步骤：通过ST_Distance函数分别计算出船舶泊位数据中首个靠泊点到多个泊位的每个靠泊泊位线的距离，并将距离小于预设距离阈值且与首个靠泊点距离最短的靠泊泊位线所在的泊位作为船舶的靠泊泊位，将靠泊泊位所在的港口作为船舶的靠泊港口；
根据由船舶AIS数据计算得到的船舶吃水变化自动判断船舶停靠在靠泊港口的装卸货动作，若计算到船舶在离开所述靠泊港口后吃水减少，且吃水减少量大于等于预设第一阈值，则判断船舶在该靠泊港口为卸货，若计算到船舶在离开所述靠泊港口后吃水增加，且吃水增加量大于等于预设第二阈值，则判断船舶在该靠泊港口为装货；
航行数据统计步骤：将靠泊港口、靠泊泊位、装卸货动作以及AIS数据中的靠泊开始时间和靠泊结束时间作为船舶的靠泊数据，根据同一船舶的连续两条靠泊数据，并结合AIS数据中的载重吨数据统计得到航行数据；
自动提取出在设定的时间范围之内且满足筛选条件的所有船舶，根据航行数据将各个船舶的MMSI出现次数和载重吨数据进行汇总，得到各个船舶的航行总艘次和航行总载重吨，并将汇总得到的航行总艘次和航行总载重吨结果以及根据航行数据获得的每个船舶的离港港口和靠泊港口反馈给人机交互步骤；
人机交互步骤：具有供用户选择的时间范围和筛选条件以及选择确认指令，并将每个船舶的离港港口、靠泊港口、航行总艘次和航行总载重吨数据在桑基图上进行展示。
优选地，所述数据采集步骤中，所述筛选条件包括靠泊开始时间、靠泊结束时间、目的港港口的上一港港口、目的港港口的上一港泊位、目的港港口、目的港泊位、货物种类、空满载状态、船舶列表和船型；
将目的港港口作为筛选条件输入后，再选择将目的港港口作为到港港口或离港港口，则航行数据统计步骤在设定的时间范围之内得到满足筛选条件的不同筛选结果，再继续输入除目的港港口以外的其他任一筛选条件，以得到优化的筛选结果。
优选地，所述AIS数据包括船舶移动业务识别码MMSI、经纬度位置、吃水深度、船舶状态、船型和载重吨，所述船型包括客船、集装箱船、液体散货船、干散货船、杂货船和特种船；所述船舶状态包括锚泊、靠泊和航行状态。
优选地，所述港口数据包括每个港口的国籍、港口经纬度和港口名称，根据所述港口经纬度将港口归并到各个海区和贸易区中，所述海区包括北冰洋大区、北大西洋大区、北太平洋大区、波罗的海大区、地中海大区、南大西洋大区、南极大洋大区、南太平洋大区、南中国海和印尼群岛水域和印度洋大区的若干组合；所述贸易区包括加勒比、南美东、北美西、印度孟加拉湾、东南亚、西非、黑海、北美东、中东、地中海、东非、远东、西北欧、南非、南美西和澳新的若干组合。
优选地，所述泊位数据包括泊位类型、货物种类和装卸类型，所述泊位类型包括集装箱泊位、干散泊位、液散泊位、客船泊位、修理泊位和通用泊位；所述货物种类包括集装箱、煤炭、铁矿石、钢材、水泥、砂石料、原油、LNG、LPG、粮食、原糖、铝土矿和汽车；所述装卸类型包括装货、卸货和装卸货的若干组合。
一种全球船舶货量统计分析系统，其特征在于，包括数据采集模块、数据支撑模块、泊位及装卸货判断模块、航行数据统计模块和人机交互模块，所述人机交互模块分别连接数据采集模块、数据支撑模块、泊位及装卸货判断模块和航行数据统计模块，所述数据采集模块、泊位及装卸货判断模块和航行数据统计模块依次相连，所述数据支撑模块分别连接泊位及装卸货判断模块和航行数据统计模块；
所述数据采集模块根据用户的需求设定全球船舶数据采集的时间范围和筛选条件；
所述数据支撑模块提供预期使用的船舶AIS数据、港口数据和泊位数据，作为泊位及装卸货判断、航行数据统计和人机交互的数据基础和支撑；
所述泊位及装卸货判断模块通过ST_Distance函数分别计算出船舶泊位数据中首个靠泊点到多个泊位的每个靠泊泊位线的距离，并将距离小于预设距离阈值且与首个靠泊点距离最短的靠泊泊位线所在的泊位作为船舶的靠泊泊位，将靠泊泊位所在的港口作为船舶的靠泊港口；并根据由船舶AIS数据计算得到的船舶吃水变化自动判断船舶停靠在靠泊港口的装卸货动作，若计算到船舶在离开所述靠泊港口后吃水减少，且吃水减少量大于等于预设第一阈值，则判断船舶在该靠泊港口为卸货，若计算到船舶在离开所述靠泊港口后吃水增加，且吃水增加量大于等于预设第二阈值，则判断船舶在该靠泊港口为装货；
所述航行数据统计模块将靠泊港口、靠泊泊位、装卸货动作以及AIS数据中的靠泊开始时间和靠泊结束时间作为船舶的靠泊数据，根据同一船舶的连续两条靠泊数据，并结合AIS数据中的载重吨数据统计得到航行数据；并自动提取出在设定的时间范围之内且满足筛选条件的所有船舶，根据航行数据将各个船舶的MMSI出现次数和载重吨数据进行汇总，得到各个船舶的航行总艘次和航行总载重吨，并将汇总得到的航行总艘次和航行总载重吨结果以及根据航行数据获得的每个船舶的靠泊港口反馈给人机交互模块；
所述人机交互模块具有供用户选择的时间范围和筛选条件以及选择确认指令，并将每个船舶的靠泊港口、航行总艘次和航行总载重吨数据在桑基图上进行展示。
优选地，所述筛选条件包括靠泊开始时间、靠泊结束时间、目的港港口的上一港港口、目的港港口的上一港泊位、目的港港口、目的港泊位、货物种类、空满载状态、船舶列表和船型；
将目的港港口作为筛选条件输入后，再选择将目的港港口作为到港港口或离港港口，则航行数据统计模块在设定的时间范围之内得到满足筛选条件的不同筛选结果，再继续输入除目的港港口以外的其他任一筛选条件，以得到优化的筛选结果。
优选地，所述AIS数据包括船舶移动业务识别码MMSI、经纬度位置、吃水深度、船舶状态、船型和载重吨，所述船型包括客船、集装箱船、液体散货船、干散货船、杂货船和特种船；所述船舶状态包括锚泊、靠泊和航行状态。
优选地，所述港口数据包括每个港口的国籍、港口经纬度和港口名称，根据所述港口经纬度将港口归并到各个海区和贸易区中，所述海区包括北冰洋大区、北大西洋大区、北太平洋大区、波罗的海大区、地中海大区、南大西洋大区、南极大洋大区、南太平洋大区、南中国海和印尼群岛水域和印度洋大区的若干组合；所述贸易区包括加勒比、南美东、北美西、印度孟加拉湾、东南亚、西非、黑海、北美东、中东、地中海、东非、远东、西北欧、南非、南美西和澳新的若干组合。
优选地，所述泊位数据包括泊位类型、货物种类和装卸类型，所述泊位类型包括集装箱泊位、干散泊位、液散泊位、客船泊位、修理泊位和通用泊位；所述货物种类包括集装箱、煤炭、铁矿石、钢材、水泥、砂石料、原油、LNG、LPG、粮食、原糖、铝土矿和汽车；所述装卸类型包括装货、卸货和装卸货的若干组合。
本发明的有益效果为：
本发明提供的一种全球船舶货量统计分析方法，首先根据用户的需求设定全球船舶数据采集的时间范围和筛选条件，并提供预期使用的船舶AIS数据、港口数据和泊位数据，再采用特定的计算方法和判断方法判断出船舶的靠泊泊位和靠泊港口，以及船舶在港口的装卸货动作，能够快速筛选出目标港口间航行的船舶；然后根据同一船舶的连续两条靠泊数据，并结合AIS数据中的载重吨数据统计得到航行数据，并自动提取出在设定的时间范围之内且满足筛选条件的所有船舶，根据航行数据将各个船舶的MMSI出现次数和载重吨数据进行汇总，得到各个船舶的航行总艘次和航行总载重吨，最后将每个船舶的离港港口、靠泊港口、航行总艘次和航行总载重吨数据在桑基图上进行展示，能够直观的展示出货量进口最多的港口、货量出口最多的港口，以及进出口贸易差的大小。本发明为基于海量船舶AIS数据统计指定港口的船载重吨、艘次的航运信息化及智能化方法，能够对特定港口、特定时间范围内的船舶的运入、运出货量进行快速直观地统计分析，及时性高、统计全面，且能够有效提高行业竞争力和利润率。
本发明还涉及一种全球船舶货量统计分析系统，该系统与上述的全球船舶货量统计分析方法相对应，可理解为是一种实现上述全球船舶货量统计分析方法的系统，包括数据采集模块、数据支撑模块、泊位及装卸货判断模块、航行数据统计模块和人机交互模块，各模块相互协同工作，基于船舶的AIS数据、港口数据和泊位数据，采用特定的计算方法和判断方法对港口的整体运入、运出货量进行统计分析，方便系统分析某一港口，运货到该港口，从该港口运货出去，以及每种货物类型的一个货量整体统计分析，使用桑基图能更一目了然，进口最多哪个港口，出口最多到哪个港口，进出口贸易差多大，能够快速统计并直观地展示出指定港口指定时间范围的货量信息，及时性高、统计全面，提高了工作效率，且能够有效提高行业竞争力和利润率。
附图说明
图1是本发明全球船舶货量统计分析方法的流程图。
图2是本发明全球船舶货量统计分析系统的结构框图。
具体实施方式
下面结合附图对本发明进行说明。
本发明涉及一种全球船舶货量统计分析方法，该方法的流程图如图1所示，依次包括以下步骤：
数据采集步骤：根据用户的需求设定全球船舶数据采集的时间范围和筛选条件；其中，时间范围为用户需要统计的时间范围，例如统计时间范围取2022年6月1日到2022年6月30日，筛选条件包括开始时间、结束时间、目的港港口的上一港港口、目的港港口的上一港泊位、目的港港口、目的港泊位、货物种类、空满载状态、船舶列表和船型。
数据支撑步骤：提供预期使用的船舶AIS数据、港口数据和泊位数据，作为泊位及装卸货判断、航行数据统计和人机交互的数据基础和支撑。具体地，先使用Java语言中的JDBC(是Java语言的PostgreSQL数据库接口)连接PostgreSQL数据库，从PostgreSQL数据库中查询所有船舶的AIS数据，港口数据和泊位数据，在获得上述数据后，对数据进行清洗，去除无用的干扰数据，并对AIS数据进行预处理，去掉AIS数据中有问题的数据(如缺失过多)，其中，船舶自动识别系统(AutomaticIdentificationSystem,简称AIS)是一种新型的助航设备。AIS基本功能是：将本船和他船的精确船舶经纬度位置信息、吃水深度、航速(矢量线)和时间戳等动态信息和船舶移动业务识别码MMSI、船舶状态(锚泊、靠泊和航行状态)、船型和载重吨等静态信息通过VHF每隔一段时间(一般在秒级或者分钟级)就自动、定时播发一条记录，在VHF覆盖范围内(20海里)装备AIS设备的船舶，可自动接收到这些信息。优选地，船型包括客船、集装箱船、液体散货船、干散货船、杂货船和特种船。
其中，港口数据优选包括每个港口的国籍、港口经纬度和港口名称等，并对港口数据进行多维度处理，方便个性化分析。具体包括：
我的港口：由用户自建分组并命名，然后每个分组可以按自己感兴趣的港口进行添加。
海区港口：根据港口经纬度将港口归并到各个海区和贸易区中。其中，海区包括北冰洋大区、北大西洋大区、北太平洋大区、波罗的海大区、地中海大区、南大西洋大区、南极大洋大区、南太平洋大区、南中国海和印尼群岛水域和印度洋大区等若干组合。
贸易区港口：根据港口经纬度将港口归并到贸易通用的贸易区里。贸易区包括加勒比、南美东、北美西、印度孟加拉湾、东南亚、西非、黑海、北美东、中东、地中海、东非、远东、西北欧、南非、南美西和澳新等若干组合。
港口标签：基于每个港口的属性、位置等信息，可以给每个港口设置的多个标签。例如：加油港、长江港、全球铁矿石发货港、地中海基本港等。
泊位及装卸货判断步骤：通过ST_Distance函数分别计算出船舶泊位数据中首个靠泊点到多个泊位的每个靠泊泊位线的距离，并将距离小于预设距离阈值且与首个靠泊点距离最短的靠泊泊位线所在的泊位作为船舶的靠泊泊位，将靠泊泊位所在的港口作为船舶的靠泊港口；
根据由船舶AIS数据计算得到的船舶吃水变化自动判断船舶停靠在靠泊港口的装卸货动作，若计算到船舶在离开所述靠泊港口后吃水减少，且吃水减少量大于等于预设第一阈值，则判断船舶在该靠泊港口为卸货，若计算到船舶在离开所述靠泊港口后吃水增加，且吃水增加量大于等于预设第二阈值，则判断船舶在该靠泊港口为装货；优选地，泊位数据包括泊位类型、货物种类和装卸类型，所述泊位类型包括集装箱泊位、干散泊位、液散泊位、客船泊位、修理泊位和通用泊位；所述货物种类包括集装箱、煤炭、铁矿石、钢材、水泥、砂石料、原油、LNG、LPG、粮食、原糖、铝土矿和汽车；所述装卸类型包括装货、卸货和装卸货等若干组合。
具体地，先取靠泊时间范围：例如总共3次靠泊点，取第一次靠泊点为开始时间，最后一次靠泊点为结束时间。然后通过ST_Distance函数分别计算出船舶泊位数据中首个靠泊点(例如120.22129836.006058)到多个泊位的每个靠泊泊位线的距离，并将距离小于预设距离阈值(比如预设距离阈值为100米)，即小于100米，且与首个靠泊点距离最短的靠泊泊位线所在的泊位作为船舶的靠泊泊位，将靠泊泊位所在的港口作为船舶的靠泊港口。再将所有船舶状态为靠泊状态的记录，合并成一条数据，并根据第一条的吃水深度和最后一条的吃水深度变化，记录船舶装卸货动作，若计算到船舶在离开所述靠泊港口后吃水减少，且吃水减少量大于等于预设第一阈值，即吃水减少量大于等于20％，则判断船舶在该靠泊港口(或称为停靠港口)为卸货，若计算到船舶在离开所述靠泊港口后吃水增加，且吃水增加量大于等于预设第二阈值，即吃水增加量大于等于20％，则判断船舶在该靠泊港口(或称为停靠港口)为装货。需要说明的是，该实施例预设20％仅为优选值，也可以采用其他阈值，如15％、18％、25％、26％等等，而且第一阈值和第二阈值的取值可以相等，也可以不等。
航行数据统计步骤：将靠泊港口、靠泊泊位、装卸货动作以及AIS数据中的靠泊开始时间和靠泊结束时间作为船舶的靠泊数据，根据同一船舶的连续两条靠泊数据，并结合AIS数据中的载重吨数据统计得到航行数据。其中，将上述连续两条靠泊数据中间所有连续的船舶状态为航行状态的数据，合并成一条数据，在离开港口为装货时，则该数据记录为满载，离开港为卸货时，则该数据记录为空载。同时根据MMSI获取对应船舶的载重吨数据，并将该载重吨数据标识为航行数据。
然后自动提取出在设定的时间范围之内且满足筛选条件的所有船舶，例如统计时间范围取2022年6月1日到2022年6月30日，筛选条件包括靠泊开始时间、靠泊结束时间、目的港港口的上一港港口、目的港港口的上一港泊位、目的港港口、目的港泊位、货物种类、空满载状态、船舶列表和船型。具体地，
S1：目的港港口为必输信息。若将目的港港口作为到港港口，则将靠泊时间在时间范围内的船舶货物数据，作为运货到目的港的数据；若将目的港作为离港港口，则将离港时间在时间范围内的船舶货物数据，作为从目的港运货出去的数据。其中，两组数据均包含：船舶MMSI、载重吨、离港时间、靠泊时间、离港港口、离港港口泊位、靠泊港口、靠泊港口泊位、空满载状态和载重吨。
S2：若将筛选条件选择了当前港口的上一港港口或当前港口的上一港泊位，即将目的港港口(即当前港口)作为了到港港口，则基于S1中运货到目的港的数据，通过离港港口和离港港口泊位筛选；如果同时再选择了当前港口的下一港港口或者当前港口的下一港泊位，又将目的港(即当前港口)作为了离港港口，则基于S1中从目的港运货出去的数据，通过靠泊港口和靠泊港口泊位筛选。
S3：若基于S2的筛选结果，再将筛选条件选择了货物种类，则根据货物种类筛选出对应的港口泊位，再根据港口泊位筛选出S2中的运货到目的港的数据和从目的港运货出去的数据。
S4：若基于S3的筛选结果，再将筛选条件选择了空满载状态，则根据空满载状态筛选S3中的运货到目的港的数据和从目的港运货出去的数据。
S5：若基于S4的筛选结果，再将筛选条件选择了船舶列表或者船型，则根据船型筛选出船舶MMSI，再根据船舶MMSI筛选S4中的运货到目的港的数据和从目的港运货出去的数据。
然后根据航行数据将各个船舶的MMSI出现次数和载重吨数据进行汇总，分别记为SAIL_SUM(航行总艘次)，DWT_SUM(航行总载重吨)，得到各个船舶的航行总艘次和航行总载重吨，并将汇总得到的航行总艘次和航行总载重吨结果，以及根据航行数据获得的每个船舶连续两次靠泊的靠泊港口和离港港口(即某个船舶从靠泊港口离开时，该靠泊港口作为离港港口)反馈给人机交互步骤。
人机交互步骤：具有供用户选择的时间范围和筛选条件以及选择确认指令，并将指定时间范围内，指定目的港的每个船舶运货到目的港的数据和从目的港运货出去的数据，即每个船舶的离港港口、靠泊港口、航行总艘次和航行总载重吨数据在桑基图上进行展示。
实施例：
假设有某一船舶的一批连续的AIS数据，如表1所示。
表1
根据表1中该船舶MMSI信息，收集到该船舶的信息如表2所示。
表2
收集到该船舶的港口和泊位数据如表3所示。
表3
基于上述数据，判断该船舶港口泊位匹配和装卸货动作。以第一次靠泊为例：
靠泊时间范围：如表1所示，该船舶在2022.6.9-2022.6.11总共有3次靠泊点，取第一次靠泊点为开始时间，最后一次靠泊点为结束时间。
港口泊位匹配：使用PostGIS的ST_Distance函数计算首个靠泊点(120.22129836.006058)到多个泊位的所有泊位线的距离，并将距离在100米以内，且与首个靠泊点距离最短的靠泊泊位线所在的泊位作为船舶的靠泊泊位，最终通过计算得到距离A港的泊位A1，距离为6米，距离最短，因此该船舶靠泊在A港的AI泊位。
吃水变化：(16–13)/13＝0.23>20％，该实施例根据业务逻辑，吃水变化超过20％，就认为发生了装卸货动作，此处吃水由13米变成16米，得到结果是装货。
将靠泊港口、靠泊泊位、装卸货动作，以及AIS数据中的靠泊开始时间和靠泊结束时间作为船舶的靠泊数据，靠泊数据如表4所示。
表4
基于靠泊数据，根据该船舶的连续两条靠泊数据，并结合AIS数据中的载重吨数据统计得到航行数据；
其中，取该船舶的连续两条靠泊数据，将前一港(即A港)作为离港港口，后一港(即B港)作为到港港口(或称靠泊港口、停靠港口)，获取港口名称和靠泊泊位。前一港的靠泊结束时间为离港时间，后一港的靠泊开始时间为到港时间。其中，通过AIS数据中的船舶MMSI，匹配到收集的船舶信息，获取到载重吨信息。航行数据如表5所示。
表5
船舶MMSI 123456789
离港时间 2022-06-1110:56:17+08
靠泊时间 2022-06-1611:41:22+08
离港港口 A港
离港港口泊位 泊位A1
靠泊港口 B港
靠泊港口泊位 泊位B1
空满载状态 满载
载重吨 146000
自动提取出在时间范围之内且满足筛选条件的所有船舶，例如，统计2022年6月1日到2022年6月30日，目的港为B港，泊位类型为集装箱的船舶。分为运货到目的港的数据和从目的港运货出去的数据。运货到目的港的数据，则靠泊港口为B港：
数据匹配：如表5所示，该船舶在B港的靠泊时间为6月16日，刚好时间都在6月1日到6月30日之间，因此靠泊港口为B港，泊位为B1。匹配到上述这条航行数据。
泊位类型匹配：条件里带了泊位类型为集装箱，基于泊位B1从收集的港口泊位中匹配，发现泊位B1的泊位类型为集装箱，该条数据有效。
航行总艏次：汇总航行的次数，该船舶只有一条数据，因此为1。
航行总载重吨：航行数据的载重吨累加，该船舶为146000。
而从目的港运货出去的数据，则离港港口为B港，同上，筛选出来没有数据。因此得到该船舶最终汇总数据，如表6所示。
表6
将最终结果展示在桑基图上，该船舶运货到目的港的数据有一条汇总数据，从目的港运货出去的数据没有。
本发明还涉及了一种全球船舶货量统计分析系统，该系统与上述全球船舶货量统计分析方法相对应，可理解为是实现上述方法的系统，如图2所示，该系统包括数据采集模块、数据支撑模块、泊位及装卸货判断模块、航行数据统计模块和人机交互模块，所述人机交互模块分别连接数据采集模块、数据支撑模块、泊位及装卸货判断模块和航行数据统计模块，所述数据采集模块依次连接泊位及装卸货判断模块和航行数据统计模块，所述数据支撑模块分别连接泊位及装卸货判断模块和航行数据统计模块，具体地，
数据采集模块，根据用户的需求设定全球船舶数据采集的时间范围和筛选条件；
数据支撑模块，提供预期使用的船舶AIS数据、港口数据和泊位数据，作为泊位及装卸货判断、航行数据统计和人机交互的数据基础和支撑；
泊位及装卸货判断模块，通过ST_Distance函数分别计算出船舶泊位数据中首个靠泊点到多个泊位的每个靠泊泊位线的距离，并将距离小于预设距离阈值且与首个靠泊点距离最短的靠泊泊位线所在的泊位作为船舶的靠泊泊位，将靠泊泊位所在的港口作为船舶的靠泊港口；
根据由船舶AIS数据计算得到的船舶吃水变化自动判断船舶停靠在靠泊港口的装卸货动作，若计算到船舶在离开所述靠泊港口后吃水减少，且吃水减少量大于等于预设第一阈值，则判断船舶在该靠泊港口为卸货，若计算到船舶在离开所述靠泊港口后吃水增加，且吃水增加量大于等于预设第二阈值，则判断船舶在该靠泊港口为装货；
航行数据统计模块，将靠泊港口、靠泊泊位、装卸货动作以及AIS数据中的靠泊开始时间和靠泊结束时间作为船舶的靠泊数据，根据同一船舶的连续两条靠泊数据，并结合AIS数据中的载重吨数据统计得到航行数据；
自动提取出在设定的时间范围之内且满足筛选条件的所有船舶，根据航行数据将各个船舶的MMSI出现次数和载重吨数据进行汇总，得到各个船舶的航行总艘次和航行总载重吨，并将汇总得到的航行总艘次和航行总载重吨结果以及根据航行数据获得的每个船舶的靠泊港口反馈给人机交互模块；
人机交互模块，具有供用户选择的时间范围和筛选条件以及选择确认指令，并将每个船舶的靠泊港口、航行总艘次和航行总载重吨数据在桑基图上进行展示。
优选地，筛选条件包括靠泊开始时间、靠泊结束时间、目的港港口的上一港港口、目的港港口的上一港泊位、目的港港口、目的港泊位、货物种类、空满载状态、船舶列表和船型；
将目的港港口作为筛选条件输入后，再选择将目的港港口作为到港港口或离港港口，则航行数据统计模块在设定的时间范围之内得到满足筛选条件的不同筛选结果，再继续输入除目的港港口以外的其他任一筛选条件，以得到优化的筛选结果。
优选地，AIS数据包括船舶移动业务识别码MMSI、经纬度位置、吃水深度、船舶状态、船型和载重吨，所述船型包括客船、集装箱船、液体散货船、干散货船、杂货船和特种船；所述船舶状态包括锚泊、靠泊和航行状态。
优选地，港口数据包括每个港口的国籍、港口经纬度和港口名称，根据所述港口经纬度将港口归并到各个海区和贸易区中，所述海区包括北冰洋大区、北大西洋大区、北太平洋大区、波罗的海大区、地中海大区、南大西洋大区、南极大洋大区、南太平洋大区、南中国海和印尼群岛水域和印度洋大区等若干组合；所述贸易区包括加勒比、南美东、北美西、印度孟加拉湾、东南亚、西非、黑海、北美东、中东、地中海、东非、远东、西北欧、南非、南美西和澳新等若干组合。
优选地，泊位数据包括泊位类型、货物种类和装卸类型，所述泊位类型包括集装箱泊位、干散泊位、液散泊位、客船泊位、修理泊位和通用泊位；所述货物种类包括集装箱、煤炭、铁矿石、钢材、水泥、砂石料、原油、LNG、LPG、粮食、原糖、铝土矿和汽车；所述装卸类型包括装货、卸货和装卸货等若干组合。
本发明提供了客观、科学的全球船舶货量统计分析方法及系统，基于船舶的AIS数据、港口数据和泊位数据，并采用特定的计算方法和判断方法对港口的整体运入、运出货量进行统计分析，航运信息化及智能化统计指定港口的船载重吨、艘次，能够快速、直观地展示出指定港口指定时间范围的货量信息，及时性高、统计全面，提高了工作效率，且能够有效提高行业竞争力和利润率。
应当指出，以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造，但不以任何方式限制本发明创造。因此，尽管本说明书参照附图和实施例对本发明创造已进行了详细的说明，但是，本领域技术人员应当理解，仍然可以对本发明创造进行修改或者等同替换，总之，一切不脱离本发明创造的精神和范围的技术方案及其改进，其均应涵盖在本发明创造专利的保护范围当中。

Claims (10)

1.一种全球船舶货量统计分析方法，其特征在于，包括以下步骤：
数据采集步骤：根据用户的需求设定全球船舶数据采集的时间范围和筛选条件；
数据支撑步骤：提供预期使用的船舶AIS数据、港口数据和泊位数据，作为泊位及装卸货判断、航行数据统计和人机交互的数据基础和支撑；
泊位及装卸货判断步骤：通过ST_Distance函数分别计算出船舶泊位数据中首个靠泊点到多个泊位的每个靠泊泊位线的距离，并将距离小于预设距离阈值且与首个靠泊点距离最短的靠泊泊位线所在的泊位作为船舶的靠泊泊位，将靠泊泊位所在的港口作为船舶的靠泊港口；
根据由船舶AIS数据计算得到的船舶吃水变化自动判断船舶停靠在靠泊港口的装卸货动作，若计算到船舶在离开所述靠泊港口后吃水减少，且吃水减少量大于等于预设第一阈值，则判断船舶在该靠泊港口为卸货，若计算到船舶在离开所述靠泊港口后吃水增加，且吃水增加量大于等于预设第二阈值，则判断船舶在该靠泊港口为装货；
航行数据统计步骤：将靠泊港口、靠泊泊位、装卸货动作以及AIS数据中的靠泊开始时间和靠泊结束时间作为船舶的靠泊数据，根据同一船舶的连续两条靠泊数据，并结合AIS数据中的载重吨数据统计得到航行数据；
自动提取出在设定的时间范围之内且满足筛选条件的所有船舶，根据航行数据将各个船舶的MMSI出现次数和载重吨数据进行汇总，得到各个船舶的航行总艘次和航行总载重吨，并将汇总得到的航行总艘次和航行总载重吨结果以及根据航行数据获得的每个船舶的离港港口和靠泊港口反馈给人机交互步骤；
人机交互步骤：具有供用户选择的时间范围和筛选条件以及选择确认指令，并将每个船舶的离港港口、靠泊港口、航行总艘次和航行总载重吨数据在桑基图上进行展示。
2.根据权利要求1所述的全球船舶货量统计分析方法，其特征在于，所述数据采集步骤中，所述筛选条件包括靠泊开始时间、靠泊结束时间、目的港港口的上一港港口、目的港港口的上一港泊位、目的港港口、目的港泊位、货物种类、空满载状态、船舶列表和船型；
将目的港港口作为筛选条件输入后，再选择将目的港港口作为到港港口或离港港口，则航行数据统计步骤在设定的时间范围之内得到满足筛选条件的不同筛选结果，再继续输入除目的港港口以外的其他任一筛选条件，以得到优化的筛选结果。
3.根据权利要求1所述的全球船舶货量统计分析方法，其特征在于，所述AIS数据包括船舶移动业务识别码MMSI、经纬度位置、吃水深度、船舶状态、船型和载重吨，所述船型包括客船、集装箱船、液体散货船、干散货船、杂货船和特种船；所述船舶状态包括锚泊、靠泊和航行状态。
4.根据权利要求1所述的全球船舶货量统计分析方法，其特征在于，所述港口数据包括每个港口的国籍、港口经纬度和港口名称，根据所述港口经纬度将港口归并到各个海区和贸易区中，所述海区包括北冰洋大区、北大西洋大区、北太平洋大区、波罗的海大区、地中海大区、南大西洋大区、南极大洋大区、南太平洋大区、南中国海和印尼群岛水域和印度洋大区的若干组合；所述贸易区包括加勒比、南美东、北美西、印度孟加拉湾、东南亚、西非、黑海、北美东、中东、地中海、东非、远东、西北欧、南非、南美西和澳新的若干组合。
5.根据权利要求1所述的全球船舶货量统计分析方法，其特征在于，所述泊位数据包括泊位类型、货物种类和装卸类型，所述泊位类型包括集装箱泊位、干散泊位、液散泊位、客船泊位、修理泊位和通用泊位；所述货物种类包括集装箱、煤炭、铁矿石、钢材、水泥、砂石料、原油、LNG、LPG、粮食、原糖、铝土矿和汽车；所述装卸类型包括装货、卸货和装卸货的若干组合。
6.一种全球船舶货量统计分析系统，其特征在于，包括数据采集模块、数据支撑模块、泊位及装卸货判断模块、航行数据统计模块和人机交互模块，所述人机交互模块分别连接数据采集模块、数据支撑模块、泊位及装卸货判断模块和航行数据统计模块，所述数据采集模块、泊位及装卸货判断模块和航行数据统计模块依次相连，所述数据支撑模块分别连接泊位及装卸货判断模块和航行数据统计模块；
所述数据采集模块根据用户的需求设定全球船舶数据采集的时间范围和筛选条件；
所述数据支撑模块提供预期使用的船舶AIS数据、港口数据和泊位数据，作为泊位及装卸货判断、航行数据统计和人机交互的数据基础和支撑；
所述泊位及装卸货判断模块通过ST_Distance函数分别计算出船舶泊位数据中首个靠泊点到多个泊位的每个靠泊泊位线的距离，并将距离小于预设距离阈值且与首个靠泊点距离最短的靠泊泊位线所在的泊位作为船舶的靠泊泊位，将靠泊泊位所在的港口作为船舶的靠泊港口；并根据由船舶AIS数据计算得到的船舶吃水变化自动判断船舶停靠在靠泊港口的装卸货动作，若计算到船舶在离开所述靠泊港口后吃水减少，且吃水减少量大于等于预设第一阈值，则判断船舶在该靠泊港口为卸货，若计算到船舶在离开所述靠泊港口后吃水增加，且吃水增加量大于等于预设第二阈值，则判断船舶在该靠泊港口为装货；
所述航行数据统计模块将靠泊港口、靠泊泊位、装卸货动作以及AIS数据中的靠泊开始时间和靠泊结束时间作为船舶的靠泊数据，根据同一船舶的连续两条靠泊数据，并结合AIS数据中的载重吨数据统计得到航行数据；并自动提取出在设定的时间范围之内且满足筛选条件的所有船舶，根据航行数据将各个船舶的MMSI出现次数和载重吨数据进行汇总，得到各个船舶的航行总艘次和航行总载重吨，并将汇总得到的航行总艘次和航行总载重吨结果以及根据航行数据获得的每个船舶的靠泊港口反馈给人机交互模块；
所述人机交互模块具有供用户选择的时间范围和筛选条件以及选择确认指令，并将每个船舶的靠泊港口、航行总艘次和航行总载重吨数据在桑基图上进行展示。
7.根据权利要求6所述的全球船舶货量统计分析系统，其特征在于，所述筛选条件包括靠泊开始时间、靠泊结束时间、目的港港口的上一港港口、目的港港口的上一港泊位、目的港港口、目的港泊位、货物种类、空满载状态、船舶列表和船型；
将目的港港口作为筛选条件输入后，再选择将目的港港口作为到港港口或离港港口，则航行数据统计模块在设定的时间范围之内得到满足筛选条件的不同筛选结果，再继续输入除目的港港口以外的其他任一筛选条件，以得到优化的筛选结果。
8.根据权利要求6所述的全球船舶货量统计分析系统，其特征在于，所述AIS数据包括船舶移动业务识别码MMSI、经纬度位置、吃水深度、船舶状态、船型和载重吨，所述船型包括客船、集装箱船、液体散货船、干散货船、杂货船和特种船；所述船舶状态包括锚泊、靠泊和航行状态。
9.根据权利要求6所述的全球船舶货量统计分析系统，其特征在于，所述港口数据包括每个港口的国籍、港口经纬度和港口名称，根据所述港口经纬度将港口归并到各个海区和贸易区中，所述海区包括北冰洋大区、北大西洋大区、北太平洋大区、波罗的海大区、地中海大区、南大西洋大区、南极大洋大区、南太平洋大区、南中国海和印尼群岛水域和印度洋大区的若干组合；所述贸易区包括加勒比、南美东、北美西、印度孟加拉湾、东南亚、西非、黑海、北美东、中东、地中海、东非、远东、西北欧、南非、南美西和澳新的若干组合。
10.根据权利要求6所述的全球船舶货量统计分析系统，其特征在于，所述泊位数据包括泊位类型、货物种类和装卸类型，所述泊位类型包括集装箱泊位、干散泊位、液散泊位、客船泊位、修理泊位和通用泊位；所述货物种类包括集装箱、煤炭、铁矿石、钢材、水泥、砂石料、原油、LNG、LPG、粮食、原糖、铝土矿和汽车；所述装卸类型包括装货、卸货和装卸货的若干组合。
CN202310451438.0A 2023-04-24 2023-04-24 一种全球船舶货量统计分析方法及系统 Pending CN116596435A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310451438.0A CN116596435A (zh) 2023-04-24 2023-04-24 一种全球船舶货量统计分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310451438.0A CN116596435A (zh) 2023-04-24 2023-04-24 一种全球船舶货量统计分析方法及系统

Publications (1)

Publication Number Publication Date
CN116596435A true CN116596435A (zh) 2023-08-15

Family

ID=87607029

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310451438.0A Pending CN116596435A (zh) 2023-04-24 2023-04-24 一种全球船舶货量统计分析方法及系统

Country Status (1)

Country Link
CN (1) CN116596435A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116993245A (zh) * 2023-09-26 2023-11-03 交通运输部科学研究院 区域水路运输量测算方法、装置、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116993245A (zh) * 2023-09-26 2023-11-03 交通运输部科学研究院 区域水路运输量测算方法、装置、电子设备及存储介质
CN116993245B (zh) * 2023-09-26 2023-12-15 交通运输部科学研究院 区域水路运输量测算方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
US12001992B2 (en) System and method for generating commodity flow information
Chou AHP model for the container port choice in the multiple-ports region
Guerrero Deep-sea hinterlands: Some empirical evidence of the spatial impact of containerization
Vernimmen et al. Schedule unreliability in liner shipping: Origins and consequences for the hinterland supply chain
Sharma et al. Performance based stratification and clustering for benchmarking of container terminals
CN111091226B (zh) 一种基于实际航运业务和数据挖掘的运力预测方法
US20150134558A1 (en) Method and system for tracking shipping cargo
CN116596435A (zh) 一种全球船舶货量统计分析方法及系统
CN107220521A (zh) 一种用于船舶污染物排放量计算的静态数据获取方法
Monios Cascading feeder vessels and the rationalisation of small container ports
CN112016730A (zh) 港口泊位装卸效率挖掘方法、装置、设备和储存介质
Bai et al. A destination choice model for very large gas carriers (VLGC) loading from the US Gulf
Štepec et al. Machine learning based system for vessel turnaround time prediction
CN114037230A (zh) 一种快速精准识别预计空载船舶信息的方法及系统
Lu et al. Container port production and management
CN114037257B (zh) 一种特种船舶竞争力分析方法及系统
CN114462839A (zh) 港口运行效率实时分析方法及系统
Ganshina et al. Analysis of the World Fleet Capacities in the Context of the Northern Sea Route with Help of the EDAS Methodology
Bernacki Assessing the Link between Vessel Size and Maritime Supply Chain Sustainable Performance. Energies 2021, 14, 2979
CN116993245B (zh) 区域水路运输量测算方法、装置、电子设备及存储介质
CN116681368A (zh) 一种大宗散货运力流向监控方法及系统
CN114386895B (zh) 一种供应链海运订舱系统
Degbe et al. Dry Ports Development: A Pivot Strategy to Enhance Sustainable Transit Traffic via West African Corridors
Bernacki Revealing the impact of increased tanker size on shipping costs
Divyaranjani et al. A Comparative Study on the Performance of Indian Ports that Handle Bulk Cargo

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