基于注意力增强Bi-LSTM与GAT-TCN融合的内河港口集群船舶交通流智能预测研究

本文针对内河港口集群水域船舶交通流预测难题，创新性地提出融合注意力机制的双向长短期记忆网络（Bi-LSTM）修复轨迹、改进密度聚类算法（MD-DBSCAN）构建交通网络，并开发图注意力时序卷积模型（GAT-TCN）精准预测时空流量，为港口协同调度与智能航行提供关键技术支撑（MAE=1.87, R2=0.77）。

　　

研究亮点

数据完整性在航线网络构建中至关重要，但数据缺失是该过程中的常见问题（Yang等，2023），由设备故障和人为错误等因素引起（Li等，2023b）。这可能损害数据完整性和分析的可靠性（Yang等，2019）。处理方法包括删除和填补：删除适用于少量缺失数据，但可能导致信息丢失；填补则能保持数据完整性。

关于数据处理，传统方法如线性插值、拉格朗日插值（Guo等，2021）和三次样条插值在处理大规模缺失或复杂模式时往往表现不佳。本研究引入注意力增强的双向长短期记忆网络（Bi-LSTM），通过捕捉前后时间步的依赖关系显著提升了填补精度。

方法论

本章提出了一种基于图神经网络的船舶交通流预测综合方法。为提升轨迹数据质量，采用基于注意力的Bi-LSTM网络进行轨迹修复，显著提高填补准确性。随后，应用MD-DBSCAN算法进行轨迹聚类，实现主干航路提取和轨迹网络构建。针对交通流预测，开发了一种结合图注意力网络（GAT）和时间卷积网络（TCN）的混合模型，有效捕捉网络节点的拓扑依赖关系和时序动态特征。

数据描述

珠江流域是中国南方最重要的内河航运枢纽之一，以其港口密集分布和水道网络复杂而著称。其子区域珠江口作为内河与沿海航运的关键交汇区，船舶交通尤为密集且航线高度交叉。这种复杂性给船舶交通流预测带来重大挑战，使得该地区成为验证预测模型的理想测试场。

优势与应用

本研究提出的方法在船舶交通流预测的关键环节——包括轨迹修复、轨迹聚类和流量预测——展现出显著优势。这些优势不仅提升了数据处理的准确性和效率，还为实际应用提供了可靠的技术支持。

在轨迹修复领域，与传统方法如线性插值、拉格朗日插值（Guo等，2021）和三次样条插值相比，注意力Bi-LSTM模型通过利用序列上下文信息，在处理大规模、非线性缺失数据时表现出更高鲁棒性和精度。在轨迹聚类方面，改进的MD-DBSCAN算法通过动态调整参数（ε和MinPts）适应局部密度变化，在混合稠密-稀疏交通场景中实现了更稳定的航路识别，优于传统DBSCAN及其变体。对于流量预测，GAT-TCN混合模型通过图注意力机制（GAT）动态捕捉节点间空间依赖，并结合时间卷积网络（TCN）处理长期时序模式，在复杂内河水道中实现了更精确的时空相关性建模。

结论

本研究通过整合多种先进技术，提出了应对内河港口集群复杂水域船舶交通流预测挑战的综合方法。首先，采用结合注意力机制与双向长短期记忆网络（Bi-LSTM）的轨迹重建方法，提升了数据完整性和准确性。继而，改进的基于密度聚类算法（MD-DBSCAN）通过动态调整参数识别主干航路，构建了更精确的交通网络。最后，开发的GAT-TCN预测模型有效融合了空间拓扑与时间动态特征。在珠江口实证研究中，该方法构建了包含60个节点的交通网络，预测指标（MAE=1.87, RMSE=2.52, PPTS=1.78, R2=0.77）显著优于基线模型，证实了其在捕捉动态时空船舶流和提高预测鲁棒性方面的优势。