CrossRanker：用于目的地预测的跨维度船舶信号融合技术

《Engineering Applications of Artificial Intelligence》：CrossRanker: Cross-dimensional vessel signals fusion for destination prediction

两阶段AI框架CrossRanker融合轨迹相似性与静态船舶特征，提升海运目的地预测精度和稳定性，尤其在早期航程阶段误差降低20%。

　　

张成凯|拉基巴·拉亚娜|白玲|刘铮

不列颠哥伦比亚大学应用科学学院，加拿大不列颠哥伦比亚省基洛纳市，V1V 1V7

摘要

全球超过80%的贸易通过海上运输完成。随着全球航运活动的增长以及船舶目的地的不确定性，物流和决策过程变得越来越复杂。因此，准确的目的地预测对于提高港口效率和支持海上运营规划至关重要。本文介绍了CrossRanker，这是一个基于人工智能（AI）的两阶段框架，它结合了从轨迹中获取的信号和静态船舶信息来进行船舶目的地预测。CrossRanker的创新之处在于它将轨迹相似性与静态船舶特征相结合，从而提高了预测的准确性和稳定性。在整个航行过程中，CrossRanker的平均Top-1准确率（即预测目的地中排名最高的那个）约为78%。在早期阶段，它将预测偏差降低了约19%（从标准差402.01降至323.93），并将平均预测距离误差（以公里为单位）抑制了约20%（在15%–35%的轨迹覆盖率下，从370.24公里降至295.91公里）。这些改进表明，在部分轨迹信息可用的情况下，CrossRanker的预测行为更加一致，并有助于在港口相关操作中更早地了解船舶的目的地。

引言

海上运输是全球经济的重要组成部分，是国际贸易和商业的支柱。它通过长距离运输货物，有效地将生产者和消费者联系在一起。目前，全球超过80%的贸易量是通过海上航线完成的（Li和Yang，2023年）。然而，航运业面临着各种压力，使得承运人难以平衡供需（UNCTAD，2024年）。全球航运贸易的快速增长给港口、贸易商和物流公司带来了更大的物流管理和决策挑战（Shin等人，2024年）。根据UNCTAD（2024年）的研究，集装箱航运行业目前正处于产能过剩的阶段，这迫使承运人考虑采取诸如推迟交货、让船舶闲置甚至拆解等措施来有效管理过剩的运力。其中一个主要障碍是缺乏公开且准确的船舶目的地数据。这种信息透明度不足给承运人实施最佳运力管理计划带来了重大挑战。准确的船舶目的地信息可以通过提高调度效率和减少拥堵来显著改善港口运营（Lee等人，2021年）。一个自然的问题是，既然船舶可以在AIS消息中声明其预定目的地，并且公共网站也会显示这一信息，为什么还需要进行目的地预测呢？实际上，AIS中的目的地字段是文本形式的，由操作员更新，可能会出现缺失、延迟、信息泛化（例如地区名称）、路线变更或输入错误等情况。先前的研究（如Yang等人，2021年）指出，在某些运输领域（例如散货运输）中，存在大量错误的目的地信息。因此，商业平台会在缺乏、不一致或策略性地隐瞒船舶目的地声明的情况下，用预测的目的地数据来补充原始的AIS信息。此外，预测全球航行船舶的目的地可以提供关于货运需求的实时洞察，帮助航运公司做出更明智的决策。这样的预测还有助于整个全球贸易行业，使其能够根据海上行业的快速变化动态进行战略调整（Zhang等人，2024年）。

传感和测量技术的进步，以及全球航运业中在线数据中心的增长，使得各种信息更加容易获取。这些信息包括船舶类型、结构细节、导航轨迹和实时吃水深度等数据。其中，自动识别系统（AIS）是最广泛使用的工具，作为船舶的自我报告监控系统。根据《国际海上人命安全公约》（SOLAS）的规定，所有总吨位达到300吨或以上的船舶都必须配备AIS（Zhang等人，2020年）。除了AIS数据外，还可以通过在线数据中心获取特定船舶的属性（如类型和结构细节），并将这些信息与AIS记录结合起来，以增强用于目的地预测的信号。

本文的目标是开发一种基于融合技术的策略，以实现准确和稳定的船舶目的地预测。为此，我们提出了CrossRanker，这是一个两阶段排名框架，它结合了从轨迹中获取的信号和静态船舶信息来进行目的地-港口预测。在第一阶段，通过TrajBERT-DSSM模型从时空AIS观测数据中估计轨迹相似性，然后将其与静态船舶特征结合起来，生成一个全面的相似性排名。在第二阶段，使用轨迹相似性对候选目的地进行重新排名，以获得最终的目的地预测结果。

本研究的贡献总结如下：

• •
  传统的船舶目的地预测方法依赖于单一维度的信号，这通常导致早期预测准确率较低，在观测数据稀少时表现不稳定。本研究提出了CrossRanker框架，该框架结合了从轨迹中获取的信号和静态船舶信息来进行目的地预测。通过在两阶段排名设计中整合这些多维度信号，提出的框架克服了单一维度方法的局限性，提高了目的地分类的准确性和预测的稳定性，尤其是在早期预测阶段。
• •
  对于船舶目的地预测来说，多维度信号融合仍然是一个挑战。本文研究了船舶信号融合策略的设计，并提出了CrossRanker框架。CrossRanker采用两阶段排名过程，结合了轨迹相似性和静态船舶特征，使得船舶类型、结构细节、导航轨迹、吃水深度、航行距离和航行进度等信息能够协同使用。

实验表明，与其他领先的基于融合的策略相比，CrossRanker在所有航行阶段都表现出更优越的性能，突显了其在实际海上应用中的有效性。

本文的结构如下：第2节全面回顾了现有的船舶轨迹和目的地预测方法。第3节概述了多维度船舶信号数据，解释了所提出的预测框架，并提供了用于性能评估的指标。第4节介绍了实验设计，随后是对实验结果的展示和深入讨论。最后，第5节总结了主要贡献，讨论了局限性，并提出了未来研究的方向。

部分内容展示

文献综述

船舶信号测量和跟踪系统的改进和完善（Yang等人，2021年）促使人们更加关注基于机器学习的预测应用在海上领域的应用。预测应用研究包括短期和长期船舶预测（Li等人，2023年）。短期预测研究主要集中在碰撞预测和交通管理等方面（Zhang等人，2024年）。长期研究则主要关注船舶的长期行为

多维度船舶信号描述

三个关键的信息维度与船舶目的地预测相关：静态、时间和空间。每个维度提供的信号反映了船舶航行的不同方面，包括船舶能力、航行进展和航线几何形状。综合考虑这些维度可以为目的地预测提供比单独依赖任何单一信息源更全面的基础。

• •
  静态维度：静态船舶维度提供的信号包括

数据描述和实验设置

实验数据集涵盖了在637个港口之间航行的2565艘船舶。2565艘船舶的记录被分为80%和20%两部分，其中2052艘船舶的AIS数据用于构建训练数据集，513艘船舶用于测试。总共通过交叉比较构建了22,592,263对比较数据，包括轨迹和特征比较，用于训练目的。然后，在513艘船舶之间对这些测试数据进行交叉比较

结论

本研究提出了CrossRanker，这是一个两阶段框架，用于船舶目的地预测，它通过多维度排名设计将轨迹相似性与静态和关系型船舶信号结合起来。所提出的框架通过结合全面的第一阶段候选名单构建和基于轨迹的第二阶段重新排名过程，解决了单一来源预测策略的局限性。通过这种方式，CrossRanker提高了航行的目的地识别能力

CRediT作者贡献声明

张成凯：撰写——审稿与编辑，撰写——初稿，可视化，验证，监督，软件开发，资源管理，项目管理，方法论研究，数据分析，概念化。拉基巴·拉亚娜：撰写——审稿与编辑。白玲：撰写——审稿与编辑，撰写——初稿。刘铮：撰写——审稿与编辑，撰写——初稿，项目管理。

利益冲突声明

作者声明他们没有已知的可能会影响本文研究工作的财务利益或个人关系。