复杂内河港口群海上交通网络构建与船舶流量预测的智能方法研究

本文提出一种融合注意力增强Bi-LSTM轨迹修复、改进MD-DBSCAN聚类和GAT-TCN混合模型的方法，有效解决内河港口群水域船舶轨迹数据缺失、航路网络提取不稳定及流量预测精度不足的问题。实验表明，该方法在珠江河口构建的60节点交通网络中，MAE、RMSE、PPTS和R2分别达1.87、2.52、1.78和0.77，显著提升时空动态流量预测鲁棒性。

　　

Section snippets

Maritime traffic network

数据完整性在航路网络构建中至关重要，但数据缺失是常见问题（Yang et al., 2023），由设备故障和人为错误等因素引起（Li et al., 2023b）。这会损害数据完整性和分析可靠性（Yang et al., 2019）。处理方法包括删除和插补：删除适用于少量缺失数据，但可能导致信息损失；插补则能保持数据完整性。

关于数据处理，现有方法包括基于统计的插补（如均值插补）和基于机器学习的插补（如LSTM）。然而，传统方法在复杂内河水域中可能无法充分捕捉轨迹的非线性特征。本文采用注意力增强的双向长短期记忆网络（Bi-LSTM）进行轨迹修复，通过注意力机制加权重要时间步信息，显著提升修复精度。

Methodology

本章提出基于图神经网络的船舶流量预测综合方法。首先使用注意力机制增强的Bi-LSTM网络进行轨迹修复，显著提高插补准确性；随后应用MD-DBSCAN算法进行轨迹聚类，动态调整ε和MinPts参数以提取主干航路并构建轨迹网络；针对流量预测，开发了图注意力网络（GAT）与时序卷积网络（TCN）的混合模型（GAT-TCN），同步捕捉网络节点间的拓扑依赖性和时序动态特征。

Data description

珠江流域是中国南方重要的内河航运枢纽，港口密集、水道网络复杂。珠江河口作为内河与沿海航运的关键交汇区，船舶交通极度密集、航线高度交错，此类复杂性为船舶流量预测带来重大挑战，使其成为验证所提方法有效性的理想区域。

Advantages and applications

本研究方法在轨迹修复、轨迹聚类和流量预测等关键方面展现显著优势。轨迹修复中，注意力Bi-LSTM较传统插值法（如拉格朗日插值、三次样条）更好处理非线性序列；轨迹聚类中，MD-DBSCAN通过动态参数适应混合密度水域，提升航路提取稳定性；流量预测中，GAT-TCN模型融合空间拓扑建模（GAT）和长时序依赖捕捉（TCN），优于单一LSTM或GCN基线模型。这些优势为实际应用如联合调度、自主导航和拥堵规避提供可靠技术支持。

Conclusions

本研究通过集成多种先进技术，解决了内河港口群复杂水域的船舶流量预测难题。首先采用注意力机制与Bi-LSTM网络结合进行轨迹重建，提升数据完整性和准确性；继而通过增强密度聚类算法（MD-DBSCAN）动态调整参数，识别主干航路并构建交通网络；最后开发GAT-TCN混合模型，有效捕捉节点间时空依赖关系。在珠江河口数据的实证验证中，所构建的60节点网络和预测模型显著优于基线方法，为内河港口群智能交通管理和资源优化提供关键支撑。