CN116681368A - 一种大宗散货运力流向监控方法及系统 - Google Patents
一种大宗散货运力流向监控方法及系统 Download PDFInfo
- Publication number
- CN116681368A CN116681368A CN202310309819.5A CN202310309819A CN116681368A CN 116681368 A CN116681368 A CN 116681368A CN 202310309819 A CN202310309819 A CN 202310309819A CN 116681368 A CN116681368 A CN 116681368A
- Authority
- CN
- China
- Prior art keywords
- berth
- data
- ship
- cargo
- berthing
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012417 linear regression Methods 0.000 claims abstract description 27
- 230000003068 static effect Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 18
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- 229910052742 iron Inorganic materials 0.000 description 4
- 238000004873 anchoring Methods 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- CZMRCDWAGMRECN-UGDNZRGBSA-N Sucrose Chemical compound O[C@H]1[C@H](O)[C@@H](CO)O[C@@]1(CO)O[C@@H]1[C@H](O)[C@@H](O)[C@H](O)[C@@H](CO)O1 CZMRCDWAGMRECN-UGDNZRGBSA-N 0.000 description 1
- 229930006000 Sucrose Natural products 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G06Q10/083—Shipping
- G06Q10/0833—Tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Probability & Statistics with Applications (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种大宗散货运力流向监控方法及系统，基于船舶的AIS历史数据和泊位数据，采用DBSCAN聚类算法对AIS历史数据中无货物种类的靠泊点经纬度数据进行聚类，获得多个簇，并基于线性回归算法形成多个靠泊泊位，再采用ST_Distance函数分别计算泊位数据中具有货物种类的泊位点经纬度与多个簇中各个靠泊泊位的距离，并将泊位数据中泊位的货物种类更新于与其距离最短的靠泊泊位，进而识别出各个靠泊泊位的货物种类，然后对某个船舶处于靠泊状态的所有靠泊点经纬度数据进行压缩，并基于ST_Distance函数形成具有货物种类的船舶动态信息，最后根据载重吨数据计算出大宗散货货量并将其与具有货物种类的船舶动态信息相融合，实时监控该船舶大宗散货的运力流向并进行展示。
Description
技术领域
本发明涉及航运信息化、智能化技术领域，具体涉及一种大宗散货运力流向监控方法及系统。
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。航运业务市场主要有干散货、油轮和集装箱三个部分组成。其中干散货在国际物流中尤为重要，它占据了国际贸易运输量的30％以上。而在干散货运输中，铁矿石、粮食、白糖等大宗散货作为工业、农业中的重要物质商品不但具有商品属性还具有极高的投资属性。而大宗散货市场与航运业作为全球经济的重要组成部分，也就成为了全球产业链的晴雨表。所以在全球贸易的大背景下，大宗散货的价格和流向往往可以展现出国际经济的走向和趋势。
目前对于航运业内的大宗散货却主要集中在其航运运价指数和指数的特性上。针对大宗散货和干散货船舶运输的直接关系仍然不明确，商品的流动性往往只能从如交易所、期货市场等金融机构获取结果，而无法在运输过程中或运输前做出预测分析。此外，现有的商品统计系统都为事后统计，即时性较低，只能作为对历史的分析和总结，而且监控大多也只是从港口管理者发出的信息进行监控，只有出货或进口量统计，对来源和去处统计的均不够全面。
发明内容
为解决对大宗散货的流动性监控过程中存在的即时性较低，统计的不够全面等问题，本发明提供了一种大宗散货运力流向监控方法，基于船舶的AIS历史数据和泊位数据，采用DBSCAN聚类算法、线性回归算法以及ST_Distance函数识别出AIS历史数据中靠泊泊位的货物种类，并结合具有货物种类的船舶动态信息和大宗散货货量对大宗商品的流动性进行监控，及时性高、统计全面，且能够有效提高行业竞争力和利润率。本发明还涉及一种大宗散货运力流向监控系统。
本发明的技术方案如下：
一种大宗散货运力流向监控方法，其特征在于，包括以下步骤：
数据采集步骤：采集船舶的AIS历史数据和泊位数据；
货物种类识别步骤：采用DBSCAN聚类算法对AIS历史数据中无货物种类的靠泊点经纬度数据进行聚类，获得多个簇，并基于线性回归算法对各个簇中的所有靠泊点经纬度数据进行训练，得到线性回归模型，将各个靠泊点的坐标经度输入所述线性回归模型中，得到多个新坐标纬度，根据输入的坐标经度和新坐标纬度生成多个新靠泊点经纬度，将多个新靠泊点经纬度连成线段，形成多个靠泊泊位，再采用ST_Distance函数分别计算泊位数据中具有货物种类的泊位与各个靠泊泊位的距离，并将泊位数据中泊位的货物种类更新于与其距离最短的靠泊泊位，进而识别出各个靠泊泊位的货物种类；
动态信息形成步骤：对某个船舶AIS历史数据中处于靠泊状态的所有靠泊点经纬度数据进行压缩，并采用ST_Distance函数分别计算压缩后的靠泊点经纬度与泊位数据中多个泊位位置的距离，将离压缩后的靠泊点经纬度距离最近的泊位作为该船舶的靠泊泊位，再将该船舶的靠泊泊位与已识别出货物种类的靠泊泊位进行匹配，获取该船舶靠泊泊位的货物种类，形成具有货物种类的船舶动态信息；
运力流向监控步骤：根据该船舶AIS历史数据中的载重吨数据计算出大宗散货货量，将大宗散货货量与具有货物种类的船舶动态信息相融合，实时监控该船舶大宗散货的运力流向并进行展示。
优选地，所述货物种类识别步骤中，在获得多个簇后，根据簇内距离最远的两个靠泊点经纬度确定靠泊泊位的位置、长度和大小，根据靠泊点的船艏向确定靠泊泊位的方向，将靠泊泊位的位置、长度、大小和方向存储在PostgreSQL数据库中，并将簇内的靠泊点简化成线以空间对象的方式存储在PostgreSQL数据库中。
优选地，所述数据采集步骤中，所述泊位数据包括泊位名称、泊位货物种类、泊位位置、泊位类型和泊位归属港口。
优选地，所述AIS历史数据包括静态数据和动态数据，所述静态数据包括船舶移动业务识别码、船舶类型、船舶状态、呼号、船名、船高、船长和船宽，所述动态数据包括船舶经纬度位置信息、时间戳、航向、航速和船艏向。
优选地，所述船舶状态包括锚泊状态、靠泊状态和航行状态。
一种大宗散货运力流向监控系统，其特征在于，包括依次连接的数据采集模块，货物种类识别模块、动态信息形成模块和运力流向监控模块，
数据采集模块，采集船舶的AIS历史数据和泊位数据；
货物种类识别模块，采用DBSCAN聚类算法对AIS历史数据中无货物种类的靠泊点经纬度数据进行聚类，获得多个簇，并基于线性回归算法对各个簇中的所有靠泊点经纬度数据进行训练，得到线性回归模型，将各个靠泊点的坐标经度输入所述线性回归模型中，得到多个新坐标纬度，根据输入的坐标经度和新坐标纬度生成多个新靠泊点经纬度，将多个新靠泊点经纬度连成线段，形成多个靠泊泊位，再采用ST_Distance函数分别计算泊位数据中具有货物种类的泊位与各个靠泊泊位的距离，并将泊位数据中泊位的货物种类更新于与其距离最短的靠泊泊位，进而识别出各个靠泊泊位的货物种类；
动态信息形成模块，对某个船舶AIS历史数据中处于靠泊状态的所有靠泊点经纬度数据进行压缩，并采用ST_Distance函数分别计算压缩后的靠泊点经纬度与泊位数据中多个泊位位置的距离，将离压缩后的靠泊点经纬度距离最近的泊位作为该船舶的靠泊泊位，再将该船舶的靠泊泊位与已识别出货物种类的靠泊泊位进行匹配，获取该船舶靠泊泊位的货物种类，形成具有货物种类的船舶动态信息；
运力流向监控模块，根据该船舶AIS历史数据中的载重吨数据计算出大宗散货货量，将大宗散货货量与具有货物种类的船舶动态信息相融合，实时监控该船舶大宗散货的运力流向并进行展示。
优选地，所述货物种类识别模块中，在获得多个簇后，根据簇内距离最远的两个靠泊点经纬度确定靠泊泊位的位置、长度和大小，根据靠泊点的船艏向确定靠泊泊位的方向，将靠泊泊位的位置、长度、大小和方向存储在PostgreSQL数据库中，并将簇内的靠泊点简化成线以空间对象的方式存储在PostgreSQL数据库中。
优选地，所述泊位数据包括泊位名称、泊位货物种类、泊位位置、泊位类型和泊位归属港口。
优选地，所述AIS历史数据包括静态数据和动态数据，所述静态数据包括船舶移动业务识别码、船舶类型、船舶状态、呼号、船名、船高、船长和船宽，所述动态数据包括船舶经纬度位置信息、时间戳、航向、航速和船艏向；
优选地，所述船舶状态包括锚泊状态、靠泊状态和航行状态。
本发明的有益效果为：
本发明提供的一种大宗散货运力流向监控方法，基于船舶的AIS历史数据和港口数据，采用DBSCAN聚类算法对AIS历史数据中无货物种类的靠泊点经纬度数据进行聚类，获得多个簇，并基于线性回归算法形成多个靠泊泊位，再采用ST_Distance函数分别计算泊位数据中具有货物种类的泊位与各个靠泊泊位的距离，并将泊位数据中泊位的货物种类更新于与其距离最短的靠泊泊位，进而识别出各个靠泊泊位的货物种类；然后对某个船舶AIS历史数据中处于靠泊状态的所有靠泊点经纬度数据进行压缩，能够将庞大的AIS原始数据精简成数量级较小的航次动态，方便后续统计；并采用ST_Distance函数分别计算压缩后的靠泊点经纬度与泊位数据中多个泊位位置的距离，将离压缩后的靠泊点经纬度距离最近的泊位作为该船舶的靠泊泊位，再将该船舶的靠泊泊位与已识别出货物种类的靠泊泊位进行匹配，获取该船舶靠泊泊位的货物种类，形成具有货物种类的船舶动态信息，最后根据该船舶AIS历史数据中的载重吨数据计算出大宗散货货量，将大宗散货货量与具有货物种类的船舶动态信息相融合，实时监控大宗散货的运力流向。能够对市场的长期变化规律进行探索，并能够反应一个地区一定时间内商品的需求量和商品出货地商品出口量的动态变化。本发明能够统计港口船舶一定时间内的货物吞吐量以及运输某大宗散货的运力，及时性高、统计全面，且能够有效提高行业竞争力和利润率。
本发明还涉及一种大宗散货运力流向监控系统，该系统与上述的大宗散货运力流向监控方法相对应，可理解为是一种实现上述大宗散货运力流向监控方法的系统，包括依次连接的数据采集模块，货物种类识别模块、动态信息形成模块和运力流向监控模块，各模块相互协同工作，基于船舶的AIS历史数据和泊位数据，采用DBSCAN聚类算法、线性回归算法以及ST_Distance函数识别出AIS历史数据中靠泊泊位的货物种类，并结合具有货物种类的船舶动态信息和大宗散货货量对大宗商品的流动性进行监控，能够统计港口船舶一定时间内的货物吞吐量以及运输某大宗散货的运力，及时性高、统计全面，且能够有效提高行业竞争力和利润率。
附图说明
图1是本发明大宗散货运力流向监控方法的流程图。
图2是本发明货物种类识别步骤的优选流程图。
图3是本发明泊位类型及泊位装卸货物种类示意图。
图4是动态信息形成步骤的优选流程图。
图5是本发明大宗散货的运力流向示意图。
具体实施方式
下面结合附图对本发明进行说明。
本发明涉及一种大宗散货运力流向监控方法，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：或进一步称为数据采集和预处理步骤：采集AIS历史数据和泊位数据，并优选进行预处理：具体地，先使用Python语言中的psycopg2(是Python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历史数据和泊位数据，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历史数据进行预处理，去掉AIS历史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、航向、航速(矢量线)、转向速度、时间戳和最近船舶会遇距离等动态信息和船名、呼号、船型、船长与船宽等静态信息通过VHF自动、定时播发，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，泊位数据包括泊位名称、泊位货物种类、泊位位置信息、泊位类型和泊位归属港口；其中，泊位数据是采用DBSCAN聚类算法对AIS历史数据中的靠泊点经纬度数据进行聚类，并根据每一类的船型和类的形状所整理出的。
货物种类识别步骤：采用DBSCAN聚类算法对AIS历史数据中无货物种类的靠泊点经纬度数据进行聚类，获得多个簇，并基于线性回归算法对各个簇中的所有靠泊点经纬度数据进行训练，得到线性回归模型，将各个靠泊点的坐标经度输入所述线性回归模型中，得到多个新坐标纬度，根据输入的坐标经度和新坐标纬度生成多个新靠泊点经纬度，将多个新靠泊点经纬度连成线段，形成多个靠泊泊位，再采用ST_Distance函数分别计算泊位数据中具有货物种类的泊位与各个靠泊泊位的距离，并将泊位数据中泊位的货物种类更新于与其距离最短的靠泊泊位，进而识别出各个靠泊泊位的货物种类；
具体地，如图2所示，在采集AIS历史数据后，从AIS历史数据中提取出靠泊坐标点和港口基础数据(包括港口坐标和港口名称)，并根据靠泊坐标点和港口基础数据获取AIS历史数据中港口状态为5(靠泊)的点，即获取靠泊点经纬度数据，并采用DBSCAN聚类算法对AIS历史数据中无货物种类的靠泊点经纬度数据进行聚类，获得多个簇，再基于线性回归算法对各个簇中的所有靠泊点经纬度数据进行训练，得到线性回归模型，将各个靠泊点的坐标经度输入至线性回归模型中，得到多个新坐标纬度，根据输入的坐标经度和新坐标纬度生成多个新靠泊点经纬度，将多个新靠泊点经纬度连成线段，形成多个靠泊泊位。
可以理解的是，也可以将各个靠泊点的坐标纬度输入至线性回归模型中，得到多个新坐标经度，根据输入的坐标纬度和新坐标经度同样可以生成多个新靠泊点经纬度，将多个新靠泊点经纬度连成线段，形成靠泊泊位。
在采用DBSCAN聚类算法对AIS历史数据中的靠泊点经纬度数据进行聚类后，根据簇内距离最远的两个靠泊点经纬度可以确定靠泊泊位的位置、长度和大小，根据靠泊点的船艏向可以确定靠泊泊位的方向，将靠泊泊位的位置、长度、大小、方向、以及将簇内的靠泊点简化成线以空间对象的方式存储在PostgreSQL数据库中。然后根据AIS历史数据中的船舶类型可以判断靠泊泊位的类型，例如，某个靠泊泊位有80％的靠泊船舶都为干散货船，那么该靠泊泊位就是干散货泊位。在得到靠泊泊位类型信息后，可以进一步对泊位装卸货物种类进行分析，因此优选引入埃信华迈(IHSMarkit)公司中的IHS数据，该公司的IHS数据内有泊位的名字、泊位货品种类以及泊位位置，故泊位数据中具有货物种类的泊位就是取自该公司的IHS数据，但IHS数据中的泊位没有泊位位置线，其只有泊位点的位置坐标，因此需要将泊位数据中的泊位点位置坐标与聚类出的簇所形成的多个靠泊泊位进行匹配，以便于后续对船舶靠泊泊位进行识别。
最后采用Postgis空间数据库中的ST_Distance(geometry,geometry)空间函数分别计算泊位数据中具有货物种类的泊位点经纬度与各个靠泊泊位的距离，并将泊位数据中泊位的货物种类更新于与其距离最短的靠泊泊位，进而识别出各个靠泊泊位的货物种类，就能在船舶靠泊后识别出船舶所运货物的种类，例如，船舶在靠泊黑德兰港后的泊位信息如图3所示，可以看出德黑兰港的泊位装卸类型为装货，泊位货物属性为铁矿石，泊位船舶类型为干散货船。
其中，Postgis数据库是对象关系型数据库PostgreSQL的一个扩展，Postgis数据库提供如下空间信息服务功能：空间对象、空间索引、空间操作函数和空间操作符，空间数据库像存储和操作数据库中其他任何对象一样去存储和操作空间对象，指定图形为点(point)、线(line)和面(polygon)。Postgis可以计算点到线的距离，以此来找距离最近的泊位或泊位点。
动态信息形成步骤：对某个船舶AIS历史数据中处于靠泊状态的所有靠泊点经纬度数据进行压缩，并采用ST_Distance函数分别计算压缩后的靠泊点经纬度与泊位数据中多个泊位位置的距离，将离压缩后的靠泊点经纬度距离最近的泊位作为该船舶的靠泊泊位，再将该船舶的靠泊泊位与已识别出货物种类的靠泊泊位进行匹配，获取该船舶靠泊泊位的货物种类，形成具有货物种类的船舶动态信息。
具体地，如图4所示，AIS历史数据主要包含有锚泊、靠泊和航行等状态，将某个船舶AIS历史数据中连续的相同状态的数据(即处于锚泊状态、靠泊状态和航行状态下的数据)进行压缩，形成无货物种类(即无商品属性)的船舶动态信息。其中，以靠泊状态为例，由于每个靠泊点的持续时间不一样，靠泊点由于信号问题有时候会有波动，大部分时候是同一个点，因此取频率最高的点作为靠泊点，通过压缩可以将庞大的AIS原始数据精简成数量级较小的航次动态，方便后续统计；然后采用ST_Distance函数分别计算压缩后的靠泊点经纬度与泊位数据中多个泊位位置的距离，将离压缩后的靠泊点经纬度距离最近的泊位作为该船舶的靠泊泊位，将距离靠泊泊位距离最近的港口作为靠泊港口，再将该船舶的靠泊泊位与已识别出货物种类的靠泊泊位进行匹配(即将已识别出的靠泊泊位的商品属性赋值给该船舶的靠泊泊位)，获取该船舶靠泊泊位的货物种类，这样形成了具有货物种类(即带有商品属性)的船舶动态信息。可以理解的是，船舶靠泊点距离对应靠泊泊位的距离不能超过200米，查询靠泊泊位时，只找靠泊点周围200米内最近的泊位。
运力流向监控步骤：大宗散货的运输基本遵循满装满卸的原则，每一次的运输量可以用船舶设计载重吨dwt来计算船舶运输大宗散货货量，因此根据该船舶AIS历史数据中的载重吨数据可以计算出船舶运输大宗散货货量，并将大宗散货货量与具有货物种类的船舶动态信息相融合，实时监控该船舶大宗散货的运力流向并进行展示，能够对市场的长期变化规律进行探索，并能够反应一个地区一定时间内商品的需求量和商品出货地商品出口量的动态变化。例如，如图5所示，本周(2022-08-05～2022-08-11)全球铁矿石完航145航次，总运力约为2612.65万吨，前一周(2022-07-29～2022-08-04)完航141航次，总运力约为2398.78万吨，环比增加8.92％，其中铁矿石船舶发货国主要为澳大利亚55.7％、巴西28.1％，其次是南非5.07％，加拿大3.59％，主要进口国为中国、日本、韩国。
本发明还涉及了一种大宗散货运力流向监控系统，该系统与上述大宗散货运力流向监控方法相对应，可理解为是实现上述方法的系统，该系统包括依次连接的数据采集模块，货物种类识别模块、动态信息形成模块和运力流向监控模块，具体地，
数据采集模块，采集船舶的AIS历史数据和泊位数据；
货物种类识别模块，采用DBSCAN聚类算法对AIS历史数据中无货物种类的靠泊点经纬度数据进行聚类，获得多个簇，并基于线性回归算法对各个簇中的所有靠泊点经纬度数据进行训练，得到线性回归模型，将各个靠泊点的坐标经度输入所述线性回归模型中，得到多个新坐标纬度，根据输入的坐标经度和新坐标纬度生成多个新靠泊点经纬度，将多个新靠泊点经纬度连成线段，形成多个靠泊泊位，再采用ST_Distance函数分别计算泊位数据中具有货物种类的泊位与各个靠泊泊位的距离，并将泊位数据中泊位的货物种类更新于与其距离最短的靠泊泊位，进而识别出各个靠泊泊位的货物种类；
动态信息形成模块，对某个船舶AIS历史数据中处于靠泊状态的所有靠泊点经纬度数据进行压缩，并采用ST_Distance函数分别计算压缩后的靠泊点经纬度与泊位数据中多个泊位位置的距离，将离压缩后的靠泊点经纬度距离最近的泊位作为该船舶的靠泊泊位，再将该船舶的靠泊泊位与已识别出货物种类的靠泊泊位进行匹配，获取该船舶靠泊泊位的货物种类，形成具有货物种类的船舶动态信息；
运力流向监控模块，根据该船舶AIS历史数据中的载重吨数据计算出大宗散货货量，将大宗散货货量与具有货物种类的船舶动态信息相融合，实时监控该船舶大宗散货的运力流向并进行展示。
优选地，在获得多个簇后，根据簇内距离最远的两个靠泊点经纬度确定靠泊泊位的位置、长度和大小，根据靠泊点的船艏向确定靠泊泊位的方向，将靠泊泊位的位置、长度、大小和方向存储在PostgreSQL数据库中，并将簇内的靠泊点简化成线以空间对象的方式存储在PostgreSQL数据库中。
优选地，泊位数据包括泊位名称、泊位货物种类、泊位位置、泊位类型和泊位归属港口。
优选地，AIS历史数据包括静态数据和动态数据，所述静态数据包括船舶移动业务识别码、船舶类型、船舶状态、呼号、船名、船高、船长和船宽，所述动态数据包括船舶经纬度位置信息、时间戳、航向、航速和船艏向。
优选地，船舶状态包括锚泊状态、靠泊状态和航行状态。
本发明提供了客观、科学的大宗散货运力流向监控方法及系统，基于船舶的AIS历史数据和泊位数据，采用DBSCAN聚类算法、线性回归算法以及ST_Distance函数识别出AIS历史数据中靠泊泊位的货物种类，并结合具有货物种类的船舶动态信息和大宗散货货量对大宗商品的流动性进行监控，及时性高、统计全面，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)
1.一种大宗散货运力流向监控方法，其特征在于，包括以下步骤：
数据采集步骤：采集船舶的AIS历史数据和泊位数据；
货物种类识别步骤：采用DBSCAN聚类算法对AIS历史数据中无货物种类的靠泊点经纬度数据进行聚类，获得多个簇，并基于线性回归算法对各个簇中的所有靠泊点经纬度数据进行训练，得到线性回归模型，将各个靠泊点的坐标经度输入所述线性回归模型中，得到多个新坐标纬度，根据输入的坐标经度和新坐标纬度生成多个新靠泊点经纬度，将多个新靠泊点经纬度连成线段，形成多个靠泊泊位，再采用ST_Distance函数分别计算泊位数据中具有货物种类的泊位与各个靠泊泊位的距离，并将泊位数据中泊位的货物种类更新于与其距离最短的靠泊泊位，进而识别出各个靠泊泊位的货物种类；
动态信息形成步骤：对某个船舶AIS历史数据中处于靠泊状态的所有靠泊点经纬度数据进行压缩，并采用ST_Distance函数分别计算压缩后的靠泊点经纬度与泊位数据中多个泊位位置的距离，将离压缩后的靠泊点经纬度距离最近的泊位作为该船舶的靠泊泊位，再将该船舶的靠泊泊位与已识别出货物种类的靠泊泊位进行匹配，获取该船舶靠泊泊位的货物种类，形成具有货物种类的船舶动态信息；
运力流向监控步骤：根据该船舶AIS历史数据中的载重吨数据计算出大宗散货货量，将大宗散货货量与具有货物种类的船舶动态信息相融合，实时监控该船舶大宗散货的运力流向并进行展示。
2.根据权利要求1所述的大宗散货运力流向监控方法，其特征在于，所述货物种类识别步骤中，在获得多个簇后，根据簇内距离最远的两个靠泊点经纬度确定靠泊泊位的位置、长度和大小，根据靠泊点的船艏向确定靠泊泊位的方向，将靠泊泊位的位置、长度、大小和方向存储在PostgreSQL数据库中，并将簇内的靠泊点简化成线以空间对象的方式存储在PostgreSQL数据库中。
3.根据权利要求1所述的大宗散货运力流向监控方法，其特征在于，所述数据采集步骤中，所述泊位数据包括泊位名称、泊位货物种类、泊位位置、泊位类型和泊位归属港口。
4.根据权利要求1所述的大宗散货运力流向监控方法，其特征在于，所述AIS历史数据包括静态数据和动态数据，所述静态数据包括船舶移动业务识别码、船舶类型、船舶状态、呼号、船名、船高、船长和船宽，所述动态数据包括船舶经纬度位置信息、时间戳、航向、航速和船艏向。
5.根据权利要求4所述的大宗散货运力流向监控方法，其特征在于，所述船舶状态包括锚泊状态、靠泊状态和航行状态。
6.一种大宗散货运力流向监控系统，其特征在于，包括依次连接的数据采集模块，货物种类识别模块、动态信息形成模块和运力流向监控模块，
数据采集模块，采集船舶的AIS历史数据和泊位数据；
货物种类识别模块，采用DBSCAN聚类算法对AIS历史数据中无货物种类的靠泊点经纬度数据进行聚类，获得多个簇，并基于线性回归算法对各个簇中的所有靠泊点经纬度数据进行训练，得到线性回归模型，将各个靠泊点的坐标经度输入所述线性回归模型中，得到多个新坐标纬度，根据输入的坐标经度和新坐标纬度生成多个新靠泊点经纬度，将多个新靠泊点经纬度连成线段，形成多个靠泊泊位，再采用ST_Distance函数分别计算泊位数据中具有货物种类的泊位与各个靠泊泊位的距离，并将泊位数据中泊位的货物种类更新于与其距离最短的靠泊泊位，进而识别出各个靠泊泊位的货物种类；
动态信息形成模块，对某个船舶AIS历史数据中处于靠泊状态的所有靠泊点经纬度数据进行压缩，并采用ST_Distance函数分别计算压缩后的靠泊点经纬度与泊位数据中多个泊位位置的距离，将离压缩后的靠泊点经纬度距离最近的泊位作为该船舶的靠泊泊位，再将该船舶的靠泊泊位与已识别出货物种类的靠泊泊位进行匹配，获取该船舶靠泊泊位的货物种类，形成具有货物种类的船舶动态信息；
运力流向监控模块，根据该船舶AIS历史数据中的载重吨数据计算出大宗散货货量，将大宗散货货量与具有货物种类的船舶动态信息相融合，实时监控该船舶大宗散货的运力流向并进行展示。
7.根据权利要求6所述的大宗散货运力流向监控系统，其特征在于，所述货物种类识别模块中，在获得多个簇后，根据簇内距离最远的两个靠泊点经纬度确定靠泊泊位的位置、长度和大小，根据靠泊点的船艏向确定靠泊泊位的方向，将靠泊泊位的位置、长度、大小和方向存储在PostgreSQL数据库中，并将簇内的靠泊点简化成线以空间对象的方式存储在PostgreSQL数据库中。
8.根据权利要求6所述的大宗散货运力流向监控系统，其特征在于，所述泊位数据包括泊位名称、泊位货物种类、泊位位置、泊位类型和泊位归属港口。
9.根据权利要求6所述的大宗散货运力流向监控系统，其特征在于，所述AIS历史数据包括静态数据和动态数据，所述静态数据包括船舶移动业务识别码、船舶类型、船舶状态、呼号、船名、船高、船长和船宽，所述动态数据包括船舶经纬度位置信息、时间戳、航向、航速和船艏向。
10.根据权利要求9所述的大宗散货运力流向监控系统，其特征在于，所述船舶状态包括锚泊状态、靠泊状态和航行状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310309819.5A CN116681368A (zh) | 2023-03-27 | 2023-03-27 | 一种大宗散货运力流向监控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310309819.5A CN116681368A (zh) | 2023-03-27 | 2023-03-27 | 一种大宗散货运力流向监控方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116681368A true CN116681368A (zh) | 2023-09-01 |
Family
ID=87782499
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310309819.5A Pending CN116681368A (zh) | 2023-03-27 | 2023-03-27 | 一种大宗散货运力流向监控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116681368A (zh) |
-
2023
- 2023-03-27 CN CN202310309819.5A patent/CN116681368A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CA2888444C (en) | Methods and systems for managing supply chain processes and intelligence | |
| Hummels | Transportation costs and international trade in the second era of globalization | |
| CN111445190A (zh) | 一种国际物流追踪系统 | |
| CN113793106B (zh) | 外贸物流处理系统及处理方法 | |
| CN109948968A (zh) | 一种大宗商品贸易物流跟踪分析方法 | |
| CN112435153A (zh) | 一种运输船货搓合平台和方法 | |
| Capineri et al. | Freight transport, seamlessness, and competitive advantage in the global economy | |
| Lim | Endogeneity of commodity price in freight cost models | |
| Kabashkin et al. | Development of the model of decision support for alternative choice in the transportation transit system | |
| CN116681368A (zh) | 一种大宗散货运力流向监控方法及系统 | |
| WO2002003221A2 (en) | Transportation of goods | |
| CN114298625B (zh) | 一种基于大数据的智能跨境海运采购分析系统 | |
| CN115271580A (zh) | 一种基于物流的供应商管理系统平台 | |
| US20040068426A1 (en) | Shipment management system and method | |
| CN113657830A (zh) | 一种化工运输配载方法以及系统 | |
| CN116883013B (zh) | 一种基于大数据的售后服务智能监管系统及方法 | |
| Lendjel et al. | Dhows tramping in the Horn of Africa: An initial characterization of their specific services using Djibouti port data | |
| CN118428563B (zh) | 一种堆场智能规划方法及系统 | |
| CN114003641A (zh) | 一种船舶航线运力统计方法和系统 | |
| Beresford et al. | A Critical Review of a Holistic Model Used for Assessing Multimodal Transport Systems. Logistics 2021, 5, 11 | |
| Prentice | Re-engineering grain logistics: bulk handling versus containerization | |
| TWI794625B (zh) | 原料運送管理追蹤系統 | |
| Dyomin et al. | The Use of Digital Technologies in Logistics Systems | |
| Aguilar-Mäkelä | Global shipping containers shortage | |
| Leinbach et al. | The global economy and freight transport flows |
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 |