基于贝叶斯网络的时空模型用于三峡库区船舶航行状态预测

《Engineering Applications of Artificial Intelligence》：A Bayesian-network-guided spatiotemporal model for ship navigation-status prediction in the Three Gorges Reservoir Area

　　摘要
三峡水库区域是中国内河水运系统中的一个关键瓶颈。快速的水文变化和密集的船舶交通会迅速改变货运船是否被允许在三峡大坝和葛洲坝大坝之间的可控航段内航行。因此，可靠地预测未来的航行状态对于船舶准入、交通组织和调度准备非常重要。本研究开发了一种基于贝叶斯网络的时空框架，可以预测2至8小时后的船舶航行状态。该模型使用一个固定的18节点贝叶斯网络来完成历史中间状态，提供基于图的依赖传播的拓扑结构，并在训练过程中提供辅助的后验指导。图神经网络和Transformer学习变量依赖性和时间演变，而最终预测仍然直接由记录的未来标签进行监督，推断仅使用历史观测数据。实验使用了来自200艘货运船的25216个事件级样本，这些样本涵盖了2024年的相对完整记录，结合了自动识别系统记录、水文数据、交通管理数据和气象数据。在2小时的预测时间内，三种水文条件下的精确度和召回率的调和平均值分别为0.948、0.814和0.826；相应的接收者操作特征曲线下面积平均值分别为0.984。与其他最强竞争模型的比较显示，其优势在更长的预测时间内更加明显。消融分析和扰动分析表明，标签监督是必不可少的，贝叶斯结构和后验指导是互补的，缺少核心依赖关系会降低性能。在该研究区域内，该模型可以支持船舶筛选、交通组织以及水道和船闸操作的滚动协调。

引言
三峡大坝和葛洲坝大坝之间的可控航段是长江上游航运系统中的一个重要运营环节。如图1所示，这一航段连接了水库调节、过坝运输、船闸操作以及上游和下游的交通组织，在空间上受到限制。其运行条件不仅影响单个船舶的运动，还影响船舶队列、船闸利用率以及整个三峡枢纽的运输连续性。2024年，三峡工程处理了大约1.59亿吨货物，其中约1.54亿吨通过船闸运输，这表明运输活动的规模依赖于协调的水道和船闸操作（中国三峡公司，2025年）。因此，及时了解这一航段的航行状态对于维持有序的枢纽运营和提高内河水运效率非常重要。
这一航段结合了水库水道和天然河流通道的运行特性。船舶航行状态与流量变化、水库调节、船闸操作、河道条件、船舶特性、上下游交通复杂性以及风、降雨和能见度降低等气象干扰有关。这些因素在不同时间尺度上发生变化，其综合模式在高水位、正常水位和低水位期间有所不同。例如，在高水位期间，流量波动和降雨可能在短时间内改变航行条件，而密集的交通则可能导致更大的拥堵和运营压力。因此，无法仅通过单一变量或孤立的时间点来可靠地推断未来的航行状态。其预测需要考虑与航行相关的变量之间的依赖关系及其在历史时间窗口内的演变。
本研究的预测目标不是仅由自然条件决定的物理可航行性，而是根据当前的水文、船舶、交通和运营条件记录的允许或不允许的航行状态。交通管理还可能考虑生态保护、职业安全和临时行政要求，但本研究不会独立评估这些要求的遵守情况。现有的监测和状态评估方法提供了关于当前状况的有用信息，但船舶准入筛选、交通组织和船闸协调需要足够的时间提前准备。仅在航行状态发生变化后进行响应会限制调整船舶序列、协调上下游交通或修改船闸操作安排的时间。使用目标时间之前可用的信息提前几小时预测船舶状态，可以支持更早地识别运营变化，并对水道和船闸操作进行滚动调整。此类预测提供决策支持，但不能替代航行管理人员的专业判断。

现有关于三峡水道及相关内河水运环境的研究为本研究提供了坚实的基础。张S等人（2019年）研究了三峡大坝和葛洲坝大坝之间的航行风险评估，而徐等人（2024年）开发了一个贝叶斯网络（BN）来评估给定条件下的货船航行状态。其他研究还探讨了进港航道和船闸的协同调度、三峡枢纽的智能调度、洪水期间的河道-船闸协调以及运输能力优化（张等人，2023a、2023b；张和Ke，2024；刘等人，2024a、2024b、2024c；张等人，2024a、2024b、2024c）。交通复杂性评估、主动交通状态预测和船舶相遇建模也提高了对内河水运运作的理解（吴等人，2025；刘等人，2024a、2024b、2024c；周等人，2024）。这些研究很好地解决了风险评估、调度和交通状况意识方面的需求，但它们的输出与针对特定船舶的未来航行状态预测不同。基于给定时间的证据的贝叶斯网络可以表示明确的依赖关系并估计当前状态，但它不会直接学习多小时历史序列中的变化。时间预测模型可以捕捉动态模式，但水文、船舶相关和交通变量之间的交互通常被隐式表示。本研究具体解决的问题是如何将已建立的航行状态依赖结构与时间学习相结合，以预测船舶的未来运营状态。
本研究提出了一种基于贝叶斯网络的时空模型，称为BGS-T，用于预测三峡-葛洲坝航段内的货船是否被记录为允许或不允许航行。该模型使用一个固定的18节点贝叶斯网络来完成历史中间状态，为图神经网络（GNN）推导变量依赖性拓扑，并在训练过程中提供辅助的后验指导。GNN和Transformer分别学习变量依赖性和时间演变，而最终预测由记录的未来航行状态标签进行监督。运营推断仅使用历史输入窗口内的信息。实验使用了2024年收集的多源数据，包括自动识别系统（AIS）记录、水文观测、交通管理记录和气象测量数据。原始档案包含54348条货船通过船闸的记录。经过数据完整性筛选后，保留了200艘具有相对完整全年记录的货船，得到了25216个事件级预测样本。实验涵盖了高水位、正常水位和低水位条件，以及2小时、4小时、6小时和8小时的预测时间范围。主要实验中的每个可训练模型各自运行了五次。在2小时的预测时间范围内，BGS-T在三种水文条件下的F1分数分别为0.944、0.948和0.952，相应的接收者操作特征曲线下面积（ROC-AUC）分别为0.982、0.984和0.986。随着预测时间范围从2小时增加到8小时，其平均F1分数从0.9480下降到0.9171，而LVSTformer的F1分数从0.9227下降到0.8701。BGS-T的表现也优于仅使用BN和BN-Smooth的模型，表明其预测性能并非仅仅通过简单复制或时间平滑贝叶斯网络的后验获得的。在当前水道和数据集的范围内，这些结果表明BGS-T提供了相对准确和稳定的多时间范围预测，以支持船舶准入筛选、短期交通组织以及水道和船闸操作的滚动协调。

本文的主要贡献总结如下：
首先，提出了一个多时间范围预测任务，从多源历史观测数据中预测2至8小时后的货船航行状态，为运营管理提供提前信息。
其次，BGS-T结合了基于BN的状态完成、依赖性拓扑和辅助后验指导，以及基于GNN的依赖传播和基于Transformer的时间学习。
第三，使用全年的运营数据和不同水文条件及预测时间范围进行了模型评估，并通过贝叶斯基线、客观和组件消融、先验specified扰动以及模型诊断来明确其性能、适用范围和主要故障条件。

本文的其余部分组织如下：第2节回顾了基于BN的航行风险评估、用于海事预测的时间学习、基于图的时空建模以及知识引导的深度学习。第3节介绍了提出的BGS-T方法。第4节描述了数据集构建、基线模型和实验设置。第5节报告了预测性能、消融和鲁棒性分析、解释结果以及在明显水文条件下的诊断分析。第6节总结了本文并讨论了其局限性和未来研究方向。

**贝叶斯网络-based航行风险评估**
贝叶斯网络（BNs）已广泛应用于海事航行风险评估，因为它们可以明确表示环境条件、船舶特性、交通状态、人为和组织因素以及运营约束之间的依赖关系。根据可用证据，BN可以更新未观测或不确定状态的概率分布，使其适用于涉及异构信息和不完整观测的安全问题。

**提出的框架概述**
在复杂的内河水道中进行短期航行状态预测需要异构的监测数据和结构化的领域知识。数据驱动的序列模型可以学习非线性时间模式，但通常仅隐式表示水文条件、船舶特性、交通交互和航行状态之间的依赖关系。BGS-T通过结合预定义的贝叶斯网络与基于图的依赖传播和基于Transformer的方式来解决这一问题。

**数据来源和船舶筛选**
本研究重点关注2024年三峡大坝和葛洲坝大坝之间的可控水道段。多源数据来自三峡导航管理局和三峡水文局，包括货船运行记录、自动识别系统记录、水文观测、交通管理记录和气象测量数据。年度运营档案包含了54348条货船通过船闸的记录。

**跨预测时间范围的总体预测性能**
为了评估总体预测性能，将BGS-T与九个具有不同预测机制的代表性基线进行了比较：仅使用BN、BN-Smooth、LSTM、GCN、GAT、STGCN、ASTGCN、TDMGCN和LVSTformer。考虑了四个预测时间范围，即Δt∈{12,24,36,48}时间步长，对应于2小时、4小时、6小时和8小时的时间分辨率。表9报告了2小时预测时间范围内的平均F1分数和ROC-AUC，而图10比较了不同时间范围内的平均F1分数。

**结论**
本研究提出了BGS-T，用于预测三峡大坝和葛洲坝大坝之间可控航段内的货船航行状态。作为一个固定的贝叶斯网络，它支持历史状态完成、图构建和辅助后验指导，而最终的预测器则直接由记录的未来标签进行监督。在25216个来自200艘货船的事件级样本上，BGS-T的F1分数分别为0.944。

**作者贡献声明**
Jie Man：撰写——原始草稿、验证、监督、方法论。
Xueqian Xu：资源、数据整理。
Bing Wu：调查。
Tsz Leung Yip：撰写——审阅与编辑、可视化。
Shanshan Wang：方法论。
Xinping Yan：概念化。

**利益冲突声明**
我们声明与可能不恰当地影响我们工作的其他个人或组织没有财务和个人关系，我们对任何产品、服务和/或公司没有专业或其他类型的个人利益，这些产品、服务公司和/或公司可能会影响本文中提出的立场或手稿的审查。

**致谢**
本文的研究得到了国家自然科学基金（项目编号52402432）和中央高校基本科研业务费（武汉理工大学：2026IVA033）的资助。

Jie Man | Xu Xueqian | Wu Bing | Yip Tsz Leung | Wang Shanshan | Yan Xinping