中国航海

基于非集计和LSTM模型的港口水域船舶短时交通流预测研究

PDF下载

蔡嘉诚 , 连峰 , 杨忠振

中国航海 | 海上交通安全 2025,48(1): 77-83

收起

中国航海 | 海上交通安全 2025, 48(1): 77-83

基于非集计和LSTM模型的港口水域船舶短时交通流预测研究

全屏

蔡嘉诚, 连峰, 杨忠振

作者信息

宁波大学海运学院，浙江宁波 315832

蔡嘉诚（1999—），男，硕士生，研究方向为港航运输管理。E-mail:2013415619@qq.com

通讯作者:

杨忠振（1964—），男，教授，博士，研究方向为交通运输规划与管理。E-mail:yangzhongzhen@nbu.edu.cn

Research on short-term ship traffic flow prediction in port waters based on disaggregated model and long short-term memory (LSTM) model

Jiacheng CAI, Feng LIAN, Zhongzhen YANG

Affiliations

Marine College, Ningbo University, Ningbo 315832, China

出版时间: 2025-03-25 doi: 10.3969/j.issn.1000-4653.2025.01.010

文章导航

摘要

收起

随着海运量的持续高涨，港区航道船舶交通流密度不断增加，港口水域通航环境日趋复杂，港口水域船舶短时交通流预测在航道交通组织与航行安全保障中的作用愈发重要。为解决集计预测模型精度低的问题，基于进港船舶自动识别系统（AIS）数据，采用非集计的方法构建长短时记忆网络（LSTM）与历史轨迹匹配的混合预测模型，用以计算港口水域船舶短时航行轨迹，把船舶航行轨迹与进港航道断面的交叉次数作为短时航道断面的船舶流量。基于2020年6—12月宁波舟山港水域的AIS数据的验证计算显示，非集计方法的预测精度高达80%，明显高于传统的集计方法，该方法的提出为港口实施航道交通流管控策略、提高航道利用率奠定了技术基础。

关键词

非集计模型 / 船舶自动识别系统 / 长短时记忆网络 / 港口航道 / 短时段轨迹预测

Abstract

收起

With the continuous increase in seaborne trade volume, ship traffic density in port areas is rising, and navigation conditions in port waters are becoming more complex. Short-term ship traffic prediction in port waters is playing an increasingly critical role in ship traffic control and navigation safety management. To address the limitation of low accuracy in aggregate models, this paper, based on ship Automatic Identification System (AIS) data, employs a disaggregate method to construct a hybrid prediction model. This model combines the Long Short-Term Memory (LSTM) network with ships' historical trajectories to calculate short-term ship trajectories in port waters. The counts of ships' trajectories intersecting with an approach channel section are used to predict the short-term ship flow across the section. A numerical example from Ningbo-Zhoushan Port during June to December 2020 demonstrates that the forecasting accuracy of the proposed model reaches up to 80%, significantly higher than that of traditional aggregate models. The model developed here provides a technical foundation for ports to implement ship traffic control methods and improve channel utilization rates.

Key words

disaggregate model / ship traffic / AIS / LSTM / port channel / short term trajectory

引用本文

蔡嘉诚, 连峰, 杨忠振. 基于非集计和LSTM模型的港口水域船舶短时交通流预测研究. 中国航海, 2025 , 48 (1) : 77 -83 . DOI: 10.3969/j.issn.1000-4653.2025.01.010

Jiacheng CAI, Feng LIAN, Zhongzhen YANG. Research on short-term ship traffic flow prediction in port waters based on disaggregated model and long short-term memory (LSTM) model[J]. Navigation of China, 2025 , 48 (1) : 77 -83 . DOI: 10.3969/j.issn.1000-4653.2025.01.010

基金

收起

国家自然科学基金项目(72271132; 72072097)

参考文献

收起

2025年第48卷第1期

PDF下载

引用本文

BibTeX

文章信息

doi: 10.3969/j.issn.1000-4653.2025.01.010

接收时间：2023-04-22
首发时间：2026-03-17
出版时间：2025-03-25

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2023-04-22

基金

国家自然科学基金项目(72271132; 72072097)

作者信息

宁波大学海运学院，浙江宁波 315832

通讯作者:

杨忠振（1964—），男，教授，博士，研究方向为交通运输规划与管理。E-mail:yangzhongzhen@nbu.edu.cn

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/zghh/CN/10.3969/j.issn.1000-4653.2025.01.010

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT