基于国际贸易相似性图卷积网络的港口吞吐量长短期预测模型研究

为解决港口吞吐量预测中难以捕捉国际贸易关系的问题，研究人员提出基于国际贸易相似性图(ITSG)的长短期记忆网络(ITSG-LSTM)模型，通过文本挖掘和GCN-LSTM融合架构，实现了液体散货(LBC)和干散货(DBC)吞吐量预测精度提升6.9%-14.5%，为港口战略决策提供新工具。

　　

随着经济全球化加速，港口作为国际贸易枢纽面临吞吐量预测精度不足的挑战。传统基于宏观统计的ARIMA、SARIMA等模型难以反映微观层面的国家间贸易关系，而全球生产网络变革使贸易模式日趋复杂。韩国蔚山港的案例显示，80%货物吞吐量受国际贸易关系直接影响，但现有方法无法有效整合提单(BL)数据中的结构化吞吐量与非结构化贸易文本信息。

针对这一难题，韩国国立研究基金会(NRF)支持的研究团队创新性地提出国际贸易相似性图(ITSG)概念，构建融合GCN与LSTM的端到端预测模型ITSG-LSTM。该研究通过文本挖掘技术处理BL数据中的贸易交易历史，利用Word2vec生成贸易交易文档(TTD)嵌入向量，据此构建反映国家间贸易相似性的ITSG图结构。模型采用GCN提取图级嵌入特征，结合LSTM捕捉时序规律，在蔚山港LBC和DBC数据集上验证显示：相较现有最优模型，均方根误差(RMSE)分别降低6.9%和4.7%，非标度平均有界相对绝对误差(UMBRAE)改善达13.0%和14.5%。

关键技术包括：1) 基于BL数据的TTD文本嵌入生成；2) 利用余弦相似度构建ITSG图结构；3) GCN-LSTM混合架构设计；4) 多指标验证体系(RMSE、UMBRAE等8项指标)。

【ITSG生成】
通过Word2vec将贸易交易文本转化为300维嵌入向量，计算国家间余弦相似度构建动态ITSG，节点表示贸易国，边权重反映交易模式相似性。实验显示该图能有效捕捉国际供需交互特征。

【ITSG-LSTM预测】
模型采用两层GCN提取图嵌入特征，双向LSTM层处理时序数据。消融实验证实，同时使用吞吐量趋势和ITSG特征时预测效果最优，证明贸易关系信息的增益价值。

【案例验证】
选取蔚山港2015-2020年LBC(原油、成品油等)和DBC(谷物、矿石等)数据测试。相比SARIMA、Prophet等基线模型，ITSG-LSTM在COVID-19期间仍保持稳定预测性能，突显其对贸易突变的适应性。

该研究的创新性体现在：首次将图表示学习引入港口预测领域，创建ITSG新范式；开发首个能同时处理贸易文本与吞吐量时序的混合模型；实证证明微观贸易关系对宏观预测的增强作用。局限在于未考虑地缘政治等外部因素，未来可结合知识图谱进一步优化。这项发表于《Engineering Science and Technology, an International Journal》的成果，为智慧港口建设提供了具有产业应用价值的决策支持工具。