《Journal of Marine Science and Engineering》:Prediction of Ship Estimated Time of Arrival Based on BO-CNN-LSTM Model
Qiong Chen,
Zhipeng Yang,
Jiaqi Gao,
Yui-yip Lau and
Pengfei Zhang
编辑推荐:
船舶到港时间(ETA)的准确预测对港口调度、物流管理和航行安全至关重要。传统方法依赖人工经验调参,效率低且易受主观因素影响。本研究提出一种融合贝叶斯优化(BO)、卷积神经网络(CNN)和长短期记忆网络(LSTM)的混合建模框架(BO-CNN-LSTM),利用自动识别系统(AIS)数据预测航程总时长,进而推导ETA。实验表明,该模型的决定系数R2达0.987,均方根误差(RMSE)为8.730,显著优于CNN、LSTM、随机森林等对比模型,为智能航运系统提供了高效精准的预测方案。
在全球贸易的动脉中,海上运输承担了约90%的货物流动,是国际供应链的支柱。然而,一个长期困扰航运业的难题是:船舶的预计到港时间(Estimated Time of Arrival, ETA)常常与实际到港时间存在显著偏差。对于遵循固定班期的集装箱船和客轮,这种偏差在长途航行中尤为突出;对于非班期运输的货船,不准确的ETA则会引发港口作业协调低效、等待时间延长和经济成本增加等一系列连锁反应。传统的ETA预测方法大多依赖于统计模型或基于经验的规则估算,难以充分挖掘船舶航行数据中复杂的时空特征,更无法自适应地应对航行速度变化、航线偏移、气象海况等动态因素的影响,导致预测精度受限。
为了攻克这一难题,一项发表在《Journal of Marine Science and Engineering》上的研究提出了一种创新的解决方案。研究人员设计了一个名为BO-CNN-LSTM的混合智能预测模型,旨在实现对船舶ETA的端到端精准预测。该模型巧妙地融合了三种核心技术:利用卷积神经网络(Convolutional Neural Network, CNN)从自动识别系统(Automatic Identification System, AIS)数据中提取局部空间特征;通过长短期记忆网络(Long Short-Term Memory, LSTM)捕捉航行过程中的时间动态依赖;并引入贝叶斯优化(Bayesian Optimization, BO)方法,自动、高效地搜寻模型的最佳超参数组合,从而在提升模型构建效率的同时确保预测性能的最优化。
本研究主要基于大规模的AIS数据集。初始数据集包含32,972条不同的航程记录,经过数据清洗(如剔除不完整航程、异常时间间隔等)后,保留了23,947条有效样本用于模型训练与测试。研究采用了皮尔逊(Pearson)相关性分析筛选出与航程时长最相关的四个关键输入变量:航行速度、船舶类型、航行距离和载重吨。其中,航行距离利用Ramer–Douglas–Peucker算法进行了处理。数据按9:1的比例划分为训练集和测试集,以确保评估的公正性。在模型构建层面,研究通过BO自动优化CNN-LSTM模型的超参数(如L2正则化系数、隐藏单元数、初始学习率),并以高斯过程(Gaussian Process, GP)作为代理模型,结合期望提升(Expected Improvement, EI)采集函数来指导寻优过程。
研究结果
- 1.
模型性能优越:实验评估表明,BO-CNN-LSTM模型在测试集上取得了优异的预测性能。其决定系数(R2)高达0.987,平均绝对误差(MAE)和均方根误差(RMSE)分别为6.078和8.730。这些指标显著优于单一的CNN、LSTM、CNN-LSTM组合模型,以及随机森林(Random Forest)、AdaBoost和Elman神经网络等传统机器学习模型,证明了所提混合框架的有效性。
- 2.
特征相关性验证:通过皮尔逊相关系数矩阵分析,研究确认了航行距离、航行速度、船舶类型和载重吨是影响航程总时长(ETA计算基础)的最关键因素,其相关性绝对值均大于0.1,为模型输入特征的选择提供了数据依据。
- 3.
技术整合优势:BO-CNN-LSTM模型成功实现了时空特征学习与自动超参数优化的有效集成。CNN负责提取AIS数据中的局部空间模式,LSTM捕获航程中的时间序列规律,而BO则替代了耗时费力的人工调参,使模型能够以更高的效率达到更优的配置。
研究结论与意义
本研究成功开发并验证了基于BO-CNN-LSTM混合模型的船舶ETA预测新方法。该模型不仅能够高精度地预测航程总时长,进而推算ETA,而且在面对不同船舶类型和航行距离时保持了稳定的预测性能。与现有主流预测模型相比,其表现出了明显的优越性。这项工作的意义在于:其一,为船舶ETA预测提供了一种高效、精准且自动化的解决方案,直接服务于港口智能调度、物流效率提升和航行安全保障;其二,所采用的混合建模思路——结合深度学习特征提取与贝叶斯优化调参——为处理复杂的时空预测问题提供了可借鉴的技术框架;其三,基于大规模真实AIS数据的实证分析,增强了研究成果的实用价值和说服力,为推动智能航运系统的发展提供了可靠的技术见解和方法论指导。