《Journal of Ocean Engineering and Science》:An Innovative Approach to Predicting Vessel Traffic Flow and Visualizing Traffic Density in Multiple-bridge Inland Waterways
编辑推荐:
多桥梁内河航道构成了最受限且高风险的航行环境之一。桥梁的密集分布以及由此导致的航道的碎片化产生了复杂的时空变异性,现有预测模型难以捕捉这种变异性,从而限制了它们在研究区域的适用性。本研究提出了一种时空变分模型——时空变分自编码器(ST-VAE),用于多桥梁内河
多桥梁内河航道构成了最受限且高风险的航行环境之一。桥梁的密集分布以及由此导致的航道的碎片化产生了复杂的时空变异性,现有预测模型难以捕捉这种变异性,从而限制了它们在研究区域的适用性。本研究提出了一种时空变分模型——时空变分自编码器(ST-VAE),用于多桥梁内河航道中的多步船舶交通流与密度预测。该框架集成了一个嵌入式图增强长短期记忆(LSTM)编码器,该编码器利用桥梁间的连通性,结合一个变分潜在空间和一个分布式采样网络,以表征交通演化中的不确定性。研究利用武汉13个连续桥区的自动识别系统(AIS)数据,构建了高流量(V-high)和低流量(V-low)季节的两个数据集,并针对12至48小时的预测任务与十个基线模型进行了评估。在24小时预测窗口的V-high数据集上,ST-VAE的平均绝对误差(MAE)为2.57,平均绝对百分比误差(MAPE)为3.83%,分别比最优基线低24%和61%,且皮尔逊相关系数(PCC)达到98.0%。对于48小时预测,MAE和MAPE相比最强竞争者分别降低了34%和50%。一周滚动实验进一步表明,ST-VAE的PCC保持在90%以上,同时MAE比最优消融模型低约38%。最后,采用K-means聚类将预测的流量转化为三个密度等级,揭示了关键桥梁附近的持续瓶颈,并为桥梁密集内河航道的拥堵监测与交通管理提供了可操作的支持。
**研究背景、问题与研究动机**
内河航道中,多桥梁区域是结构受限且高风险的通航环境。以长江武汉段为例,到2022年主城区已建成11座跨江大桥,部分桥间距不足2公里,形成典型的多桥梁走廊。桥墩布局、航道分割和水动力条件导致通航宽度缩减至自然河段的约40%,主航道被分段。船舶在桥区间航行时,机动灵活性、避碰余量和视线视距均受到约束,微小速度波动(0.3~0.6节)可能在10~20分钟内向上游传播,引发级联减速、航行轨迹空间压缩以及交会追越模式的突变。全国AIS统计显示,桥区航段仅占长江干线通航总长度的不到6%,却贡献了2016至2022年间超过28%的航行延误和超过35%的船桥碰撞或险情事件。然而,现有预测模型难以捕捉由桥区拓扑结构引起的复杂时空变异性:传统统计方法(如ARIMA、SVR)无法处理时空交互;深度学习模型(如LSTM、TCN)往往将空间因素作为辅助输入,难以完整表征水网拓扑对交通行为的塑造;图卷积模型虽能建模拓扑关系,但大多采用静态空间表示,无法适应桥区动态的时空耦合。为此,研究人员提出了时空变分自编码器(ST-VAE),旨在集成空间拓扑、多尺度时间依赖和潜在状态推断,实现多桥梁航道中的多步船舶交通流预测与密度可视化。该研究发表在《Journal of Ocean Engineering and Science》。
**主要关键技术方法**
研究人员构建了多桥区域图网络:以13个桥区为节点,以相邻桥区间的可航连接为边,基于实际通航连通性动态生成邻接关系,并依据季节性通航比例设定边权重(南槽0.8,北槽0.2)。采用嵌入式图增强长短期记忆(G-LSTM)作为时空编码器:将谱图卷积(GCN)直接嵌入LSTM的输入门、遗忘门和输出门中,使得空间拓扑在每个时间步参与信息过滤与状态更新。利用变分自编码器(VAE)与分布式采样神经网络(DSNN)建模不确定性:VAE构造潜在变量的后验分布,DSNN包含采样网络(SN)和密度估计网络(DEN),通过采样一致性损失和密度匹配损失增强潜在空间表达力。多步生成解码器通过递归采样将潜在状态映射回交通流空间,实现12~48小时预测。密度可视化采用K-means聚类将连续预测流量转为高、中、低三个密度等级。实验数据来源为2021年6月至2022年2月武汉13个桥区的AIS数据,构建了高流量(V-high,2021年6~8月)和低流量(V-low,2021年12月~2022年2月)数据集。
**研究结果**
**5.1 不同模型结果对比**
研究人员在V-high数据集上分别进行12、24、36、48小时预测,与10个基线模型(AST-GCN、GRU-STGCN、T-GCN、STSR-LSTM、TD-VAE、VAE、LSTM、GRU、XGBoost、SVR)对比。结果表明,ST-VAE在所有预测窗口上MAE和MAPE均为最低,PCC最高。以24小时为例,ST-VAE的MAE为2.57,MAPE为3.83%,PCC达98.0%;MAE和MAPE分别比最优基线(AST-GCN)低24%和61%。48小时预测中,MAE和MAPE比最强竞争者(GRU-STGCN)低34%和50%。计算复杂度方面,ST-VAE的24小时和48小时预测耗时分别为102.59秒和213.22秒,在融合模型中处于较低水平。
**5.2 不同数据规模结果对比**
研究人员通过缩减训练数据比例(100%至25%),对比ST-VAE与AST-GCN、T-GCN、TD-VAE的MAE变化。结果显示,即使在仅用50%训练数据时,ST-VAE仍保持最低误差,而AST-GCN和T-GCN在数据规模变化时误差波动显著,TD-VAE改善有限。这表明ST-VAE在数据稀疏条件下具有强结构泛化能力。
**5.3 模型泛化性能**
研究人员对2021年6月至2022年2月多个月份进行扩展交叉验证。ST-VAE在不同月份(对应不同水文季节和交通强度)的MAE稳定在1.3~1.6,MAPE在3.29%~4.31%,PCC在89.45%~92.41%之间。结果表明,潜在空间约束、图空间编码和循环时序机制共同维持了ST-VAE在季节变化和非平稳流条件下的预测稳定性。
**5.4 消融实验**
研究人员构建了三个消融模型:GCN-VAE(移除LSTM)、G-LSTM(移除VAE)、LSTM-VAE(移除GCN)。在V-high数据集上对比四个预测窗口的平均MAE、MAPE和PCC。结果显示:移除LSTM后,短期预测误差显著增大(24h MAE从2.57升至4.39),说明LSTM门控机制对捕捉快速变化和局部峰值至关重要;移除VAE后,长期预测(>24h)误差快速累积(一周预测PCC降至67%),表明VAE潜在空间约束有效抑制了误差传播和趋势漂移;移除GCN后,预测曲线出现时间滞后且随预测窗口加剧,说明图卷积提供的“结构锚定”对消除系统滞后必不可少。消融实验验证了GCN、LSTM、VAE三者在空间相关性、时序递归和潜在正则化中的互补作用。
**5.5 长期预测结果对比**
研究人员进行一周滚动预测(2021年8月10日和2022年2月10日起),对比ST-VAE与三个消融模型。ST-VAE在V-high和V-low数据集上的PCC分别为91.35%和90.12%,均高于90%,而缺少VAE的G-LSTM模型PCC降至67.12%和60.53%,趋势漂移显著。结果表明,ST-VAE能够保持一周的整体趋势,同时准确捕捉高低频变化。
**总结讨论与结论翻译**
**结论翻译**:本研究针对多桥梁航道系统中强时空耦合、频繁扰动和显著的瓶颈效应等挑战,提出了时空变分推理模型ST-VAE。该模型将图卷积结构、门控循环单元和潜在空间变分编码集成到一个统一框架中,能够联合建模动态交通演化、拓扑依赖和潜在的结构不确定性。以武汉主城区13个桥区的AIS数据作为主要实验数据集,通过短期预测、长期预测和数据规模敏感性分析进行了全面评估。结果表明,ST-VAE在MAE、MAPE和PCC指标上始终优于AST-GCN、GRU-STGCN、T-GCN和TD-VAE等代表性基线模型。消融研究进一步证实了每个结构模块的必要性和有效性,验证了模型的整体设计逻辑。基于准确的交通流预测,本研究进一步引入了交通密度分类与可视化方法,将连续预测流量映射为离散密度等级。以V-high和V-low数据集分别代表高需求和低需求场景,可视化了四个关键时间点的密度等级时空分布。结果表明,ST-VAE能够可靠地识别桥梁密集水道的潜在拥堵时段和空间瓶颈。该能力为航道管理机构提供了主动调度锚地、规划临时封航、优化交通组织策略的支持;为船舶操作员和航行员提供了高密度区域的早期感知,有助于优化航线、减少排队时间、缓解潜在冲突。在多桥梁航道中,准确的交通密度预测增强了态势感知并提高了整体航行效率,为智能航道管理和智慧航运发展提供了实用价值。