摘要
海上运输承载了全球80%以上的货物，高效的港口运营对国际贸易至关重要。准确的船舶到港时间预测对于泊位分配、资源调度和运营管理具有重要意义。然而，预测准确性往往受到复杂海况、船舶信息延迟以及依赖人工经验等因素的影响。为解决上述挑战，本研究提出了一种结合单向长短期记忆网络（UniLSTM）和双向长短期记忆网络（BiLSTM）与注意力机制的深度学习方法，用于预测船舶预计到达时间（ETA）。所提出的模型基于美国纽约港的自动识别系统（AIS）数据进行评估。同时，采用沙普利加性解释（SHAP）方法分析不同变量对预测结果的贡献。结果表明，BiLSTM的性能优于UniLSTM，而注意力机制的引入进一步提升了预测精度。特别是，基于注意力的BiLSTM的均方根误差（RMSE）与传统的循环神经网络（RNN）相比，平均降低了5.7，且预测到达时间与实际到达时间之间的偏差不超过5%。这些发现能够为港口运营商和航运公司在泊位分配、资源调度和运营决策方面提供支持。
