本技术介绍了一种船舶靠泊时间的预测方法,该方法采用EEMD-SSA-SVR模型。该过程包括:步骤1,数据收集与处理,涉及原始数据的采集、清洗、分解和归一化。
背景技术
近年来,全球化贸易的飞速发展带动了交通运输业的繁荣,日渐增加的海运周转量、港口之间的加剧竞争对码头的服务水平提出了更高的要求,由于泊位是港口的关键资源之一,因此研究船舶在泊时间的问题至关重要。通过合理安排泊位计划,在缩短船舶在港时间的基础上还可显著提高港口的生产效率,进而增强港口的整体竞争力。
船舶在泊时间主要指从船舶靠泊开始装卸货物到离开泊位这一连续过程的时间,受船型、船舶装卸吨、装载货物种类等因素影响,其数据呈现出非线性特征,导致其预测难度较大。船舶在泊时间的影响因素主要有:
1)船舶尺寸。不同船型的船长和船宽在靠泊或离泊时所需时间不同,船体越大,移动越困难,在停泊过程中需要更多的空间和较高的技术要求,导致停泊时间增加,特别是在泊位较为狭窄的港口,这一影响更为显著。同时,吃水较深的船舶需要特定深度的泊位,这可能导致泊位选择受限,增加在泊时间。
2)船舶载重吨。港口设施的适应性对大载重吨船舶的在泊时间有重要影响,大型船舶需要特定的泊位和更高效的装卸设备,若港口设施无法完全满足大型船舶的需求,可能会导致装卸效率降低,从而延长在泊时间。
3)货物种类及装卸量。船舶装载的货种,如散货、件杂货和集装箱货等在装卸作业时由于受到作业工具的限制,或清洁要求,会对装卸作业时间产生影响,如大型干散货可用抓斗或直接倾倒在堆场,而集装箱货则需分配岸桥和起重机等大型堆场设备辅助装卸作业。货物的装卸量则会直接影响船舶在泊作业时间,相同船型下装卸作业量的不同使得在泊时间有明显差异。
4)天气。在码头作业的实际操作过程中,恶劣天气降低了泊位作业的安全能力,并有可能伴随着诸如船舶移位、装卸货物困难、设备损坏和人员伤亡等情况,从而进一步延长在泊时间。
由于船舶在泊时间的数据具有波动性、非线性、非平稳时效性等复杂数据特征,受到港口运营效率、货物装卸速度、天气条件、航线安排等多种因素的影响,也受到经济、政策、技术进步等宏观因素的影响,各影响因素之间存在复杂的非线性动态交互关系,因此,船舶在泊时间预测模型需要具备强大且稳健的特征学习能力,才能科学有效地实现对在泊时间数据复杂特征的挖掘。此外,船舶在泊时间预测模型还需要能有效反映时间序列影响因素的非线性动态交互关系及强大的泛化能力,才能对未来趋势实现精准且稳定预测。已有学者对船舶在进港过程做出相关的研究,已有研究的重点主要集中在预测船舶到港时间和船舶在港作业时间的优化,而对船舶在泊时间的预测研究相对较少。
传统的船舶在泊时间预测通常采用船舶计划装卸集装箱量除以岸桥装卸效率的方式,得到集装箱船舶在泊时间的定值,事实上,船舶在泊时间同时受多种因素动态影响,显然在这些因素的非线性交织叠加下,传统方式预测精度较低,且并未考虑船舶在泊期间的鲁棒性,一般只适用于理想的研究。随着人工智能时代的来临,国内外关于船舶在泊时间预测的研究主要集中在利用船舶历史数据和各种人工智能技术上,越来越多的算法逐渐被应用于在泊时间预测。由于船舶在泊时间序列具有较强的非线性趋势,难以通过线性回归、指数平滑、自回归移动平均等传统的预测方法进行求解,相比之下,常见的方法包括深度学习中的反向传播神经网络(Back Propagation,BP)则可以更好地拟合非线性趋势,然而,这些算法很容易陷入局部最优,并且经常出现数据量太小从而无法进行精确BP神经网络训练的问题,因此,尽管有研究表明深度学习模型具有强大的预测能力,但其黑箱特性使得模型的决策过程难以解释。
综上所述,目前的船舶在泊时间预测方法还有待改进,因此,如何提升船舶在泊时间的预测精度是目前亟需解决的技术问题。
实现思路