基于图嵌入的战略性海运网络链路预测方法及其在关键物资运输中的应用

本研究针对战略性物资海运网络中新航线预测的难题，提出了一种基于图嵌入（Graph Embedding）的链路预测（Link Prediction）新方法。通过联合优化显性运输关系和隐性结构相似性，生成港口节点的低维嵌入向量，并结合LightGBM模型进行预测。在六类战略性物资（如煤炭、铁矿石）海运网络上的评估表明，该方法仅依赖网络拓扑结构即可有效捕捉海运网络的演化规律，性能优于多种传统方法，为港口规划、供应链优化和政策制定提供了数据驱动的决策支持。

　　

在全球贸易的宏大图景中，海运网络如同维系世界经济命脉的隐形高速公路，承载着超过80%的货物运输量。特别是能源、粮食、关键矿物等战略性物资的跨国运输，几乎完全依赖这张由港口和航线构成的复杂网络。然而，这张网络并非一成不变，新航线的开辟和旧航线的调整时刻都在发生，受到贸易需求、技术革新、政策变动乃至地缘冲突的多重影响。准确预测哪些港口之间未来最可能形成新的运输联系，不仅能为航运公司的航线规划提供前瞻性指导，更能帮助各国政府未雨绸缪，增强供应链韧性（Supply Chain Resilience），确保经济安全。

传统的预测方法，如基于地理距离、人口或经济规模的引力模型，在实际应用中往往表现不佳。近年来的研究发现，港口之间共同邻居（Common Neighbors）的数量等简单的网络拓扑特征，对预测未来连接的形成远比外部经济地理数据更为有效。这揭示了网络效应（Network Effects）在塑造海运格局中的主导作用。随着图表示学习（Graph Representation Learning）技术的飞速发展，为复杂网络的建模提供了新工具。这类方法能够将网络节点嵌入到低维向量空间，从而捕捉其丰富的结构信息，已在社交网络、推荐系统等领域取得巨大成功，但其在海运网络，尤其是战略性物资运输网络中的应用尚属探索前沿。

为了填补这一研究空白，武汉大学的研究团队在《Ocean 》上发表了一项创新性研究。他们开发了一个基于图嵌入的链路预测框架，专门用于预测战略性物资海运网络中港口之间的潜在新航线。该研究的核心创新在于，它巧妙地利用了战略性物资海运网络通常呈现出的近似二分（Bipartite）结构特性——即大多数港口主要扮演出发港或目的港中的单一角色。研究人员采用了一种名为BiNE（Bipartite Network Embedding）的算法，通过联合优化网络中的显性关系（实际运输活动）和隐性关系（通过共享邻居体现的结构相似性），为每个港口生成了低维度的嵌入向量（Embedding Vector）。这些向量随后被用作轻量级梯度提升机（LightGBM）分类模型的输入特征，以完成链路预测这一二元分类任务。

值得注意的是，研究人员在建模过程中发现，战略性物资海运网络的边权（代表运输量）分布极不均衡，少数重要航线占据了绝大部分的运输量。为了避免这种极端偏差对模型学习造成负面影响，他们在进行显性和隐性关系建模时，创新地将网络视为无权图（Unweighted Graph），即只关注连接是否存在，而非运输量的大小，从而确保了模型能够有效学习到那些运输量虽小但稳定存在的航线所蕴含的结构信息。

为了验证方法的有效性，研究团队利用Elane公司提供的2014年1月至2023年12月全球海运OD数据，构建了煤炭、铁矿石、原油、液化天然气（LNG）、液化石油气（LPG）和大豆这六类关键物资的海运网络。他们以2020年1月为界划分训练集和测试集，旨在评估模型在COVID-19疫情这一重大外部冲击发生后的预测能力。

4.2. 性能比较

实验结果表明，本研究提出的图嵌入方法在六种物资的海运网络上均取得了最佳预测性能。在AUC-ROC和AUC-PR两项核心评价指标上，该方法均显著优于Common Neighbors (CN)、Adamic-Adar (AA)、Preferential Attachment (PA) 和Random Walk with Restart (RWR) 这四种经典的基于网络结构的相似性方法。尤其对于煤炭、原油和大豆网络，CN和AA方法由于网络近乎二分、缺乏共同邻居而表现近乎随机猜测，凸显了图嵌入方法在捕捉复杂拓扑模式方面的优势。通过Bootstrap抽样计算出的95%置信区间较窄，证明了该模型性能的稳健性。进一步分析发现，铁矿石网络的预测准确度相对较低，研究人员将其归因于该网络连接模式更为分散，缺乏明显的核心-边缘结构，降低了网络演化的规律性，从而增加了预测难度。

4.3. 链路预测模型的应用

除了优异的预测性能，该模型还具有重要的实际应用价值。研究人员利用训练好的模型，预测了截至2023年12月尚未连接但未来形成航线概率最高的港口对。例如，对于煤炭网络，模型预测澳大利亚纽卡斯尔港与印度杜蒂戈林港、美国普拉克明港与中国岚山港之间具有很高的通航可能性。这些预测结果为航运公司的航线布局、港口的资源分配（如泊位调度、仓储扩容）以及政府部门的供应链风险管理和政策制定提供了前瞻性的数据支撑。

5. 讨论

本研究成功地将图嵌入技术应用于战略性物资海运网络的链路预测，验证了仅依靠网络拓扑结构即可有效捕捉其演化规律的观点。这不仅与“海运网络现状结构是预测未来贸易流远比国家人口潜力或GDP更重要的因素”这一前沿论断相吻合，也凸显了图表示学习在海运网络分析中的巨大潜力。尽管外部冲击（如地缘冲突、政策突变）可能影响网络演化，但战略性物资海运网络通常表现出较强的韧性，其拓扑结构不易因孤立事件而发生根本性改变。该模型提供的预测结果，能够直接转化为港口规划、航线优化、供应链韧性增强等方面的具体行动策略，具有明确的实践指导意义。

6. 结论

综上所述，这项研究提出了一种基于二分图嵌入的链路预测方法，用于 forecasting 战略性物资海运网络中的新航线。该方法通过有效捕捉网络拓扑特征，在多种物资的海运网络上实现了稳健且准确的预测，且无需依赖外部经济地理数据。研究成果不仅为理解复杂海运网络的演化机制提供了新视角，也为港口运营、物流决策和政策制定提供了实用的数据驱动工具，对于提升全球战略性物资供应链的稳定性和效率具有重要意义。未来的研究可考虑纳入精选的外部变量或采用动态网络嵌入方法，以进一步提升模型的解释力和预测精度。