楊春 王一丹 徐暉 胡勤友 潘亞蘭

摘要：超大型油船（very large crude carrier，VLCC）目的港預(yù)測(cè)對(duì)海運(yùn)原油流向預(yù)測(cè)以及貨源地未來(lái)運(yùn)力估計(jì)具有重要作用。針對(duì)VLCC的AIS目的港信息存在缺失、更新不及時(shí)、不準(zhǔn)確等現(xiàn)象，提出一種基于隱馬爾科夫模型的VLCC目的港預(yù)測(cè)方法。分析船舶AIS軌跡數(shù)據(jù)，得到油船歷史?？扛劭谛蛄?根據(jù)VLCC軌跡提取習(xí)慣航路，以航路中的交叉點(diǎn)為依據(jù)設(shè)置觀測(cè)線;利用船舶航行軌跡數(shù)據(jù)判斷船舶是否經(jīng)過(guò)觀測(cè)線以及經(jīng)過(guò)觀測(cè)線的方向，對(duì)不同方向分別計(jì)算船舶在掛靠港間的轉(zhuǎn)移概率矩陣和船舶掛靠港與觀測(cè)線間的輸出概率矩陣，建立VLCC目的港預(yù)測(cè)模型并進(jìn)行預(yù)測(cè)。研究結(jié)果表明：在大多數(shù)情況下VLCC目的港預(yù)測(cè)的準(zhǔn)確率可以達(dá)到70%以上;航線越固定、運(yùn)行越規(guī)律的船舶，預(yù)測(cè)準(zhǔn)確率越高;船舶越靠近目的港，預(yù)測(cè)越準(zhǔn)確;重載狀態(tài)下的船舶目的港預(yù)測(cè)更準(zhǔn)確。

關(guān)鍵詞： 智能交通; AIS軌跡數(shù)據(jù); 超大型油船（VLCC）; 目的港預(yù)測(cè); 隱馬爾科夫模型

Abstract： Destination port prediction of very large crude carriers （VLCCs） plays an important role in forecasting the flow of maritime crude oil and estimating the future capacity of the source. Aiming at the fact that VLCC destination port information from AIS is missing， untimely and inaccurate， a prediction method for VLCC destination ports is proposed based on the hidden Markov model. The AIS trajectory data are analyzed to obtain the historical calling port sequence. The customary route is extracted based on the VLCC trajectory， and the route observation line is set based on the route intersections. The ship trajectory data are used to determine whether the ship passes through the observation line and the direction through the observation line， the transition probability matrix of the ship between the calling ports and the output probability matrix between the ship calling port and the observation line in different directions are calculated， and a prediction model for VLCC destination ports is built to carry out the prediction. The research results show that： in most cases， the accuracy of the VLCC destination port prediction can reach more than 70%; the more fixed the ship route and the more regular the ship operation， the higher the prediction accuracy; the closer the ship is to the destination port， the more accurate the prediction is; the ship destination port prediction under heavy load is more accurate.

Key words： smart transportation; AIS trajectory data; very large crude carrier （VLCC）; destination port prediction; hidden Markov model

0 引 言

據(jù)克拉克森統(tǒng)計(jì)，目前全球原油油船總計(jì)2 142艘，超大型油船（very large crude carrier，VLCC）總計(jì)818艘，占比達(dá)38.2%。中國(guó)是原油貿(mào)易大國(guó)，2019年經(jīng)海上運(yùn)輸?shù)脑瓦M(jìn)口量超4.1億t，其中VLCC的運(yùn)輸量占比82%以上。VLCC作為原油的主要運(yùn)載工具，有較規(guī)律的掛靠港和航線，其船舶自動(dòng)識(shí)別系統(tǒng)（automatic identification system， AIS）軌跡數(shù)據(jù)詳細(xì)記錄了船舶的動(dòng)態(tài)和航次信息。

利用AIS數(shù)據(jù)進(jìn)行海運(yùn)原油流量和流向的統(tǒng)計(jì)和預(yù)測(cè)、船隊(duì)智慧經(jīng)營(yíng)的研究已經(jīng)成為學(xué)術(shù)界、金融界和航運(yùn)界的研究熱點(diǎn)。當(dāng)前擁有“世界第一”規(guī)模油船船隊(duì)的中遠(yuǎn)海運(yùn)能源運(yùn)輸股份有限公司正在重塑VLCC船隊(duì)發(fā)展格局，為“一帶一路”建設(shè)打造可靠的原油運(yùn)輸保障團(tuán)隊(duì)[1]。張春賀[2]在深入研究分析了世界石油的貿(mào)易流向后，強(qiáng)調(diào)全球石油（包括原油和成品油）貿(mào)易量的三分之二依賴(lài)油船進(jìn)行運(yùn)輸，全球石油流向很大程度上決定了油船船隊(duì)的流向。ARMITAGE[3]基于全球VLCC的AIS數(shù)據(jù)，統(tǒng)計(jì)2019年VLCC航行時(shí)間分布，并以此推斷當(dāng)年全球各區(qū)域的原油流向情況。楊秋平等[4]通過(guò)VLCC歷史航跡數(shù)據(jù)獲取其主要航線后，基于線性規(guī)劃算法設(shè)計(jì)開(kāi)發(fā)了一種航線配船和船隊(duì)規(guī)劃的決策系統(tǒng)，用來(lái)提高VLCC船隊(duì)總營(yíng)運(yùn)利潤(rùn)。林貴鋒等[5]分別從全球經(jīng)濟(jì)、油船運(yùn)輸市場(chǎng)以及VLCC運(yùn)力供給等角度分析了國(guó)際油船運(yùn)輸市場(chǎng)的發(fā)展趨勢(shì)，并對(duì)我國(guó)VLCC船隊(duì)的經(jīng)營(yíng)發(fā)展提出建議。

準(zhǔn)確的船舶目的港信息對(duì)上述研究具有重要的價(jià)值。一方面，只要知道了重載船舶的目的港，就可以知道其卸貨港，便于對(duì)其所載原油的流向以及抵達(dá)卸貨港的時(shí)間及早做出判斷，從而及早幫助相關(guān)機(jī)構(gòu)對(duì)原油流量和流向進(jìn)行統(tǒng)計(jì)和預(yù)測(cè);另一方面，航運(yùn)公司對(duì)市場(chǎng)運(yùn)力供給狀況非常關(guān)注，準(zhǔn)確及時(shí)的船舶預(yù)抵港信息將有助于航運(yùn)公司對(duì)市場(chǎng)運(yùn)力供給狀況進(jìn)行評(píng)估。比如，航運(yùn)公司會(huì)關(guān)注未來(lái)一段時(shí)間內(nèi)抵達(dá)波斯灣富查伊拉港口所有空載VLCC的數(shù)量，將其作為波斯灣區(qū)域航運(yùn)市場(chǎng)運(yùn)力供需評(píng)估的一個(gè)依據(jù)，這就需要對(duì)全球VLCC是否能夠在這一時(shí)間段內(nèi)趕到富查伊拉港口進(jìn)行判斷。此時(shí)，需要掌握重載VLCC的目的港（卸貨港），用來(lái)判斷其到達(dá)卸貨港的時(shí)間、從該卸貨港到富查伊拉港口的時(shí)間以及必要的卸貨和加油時(shí)間之和是否小于特定的時(shí)間閾值。

AIS數(shù)據(jù)包含了航次信息，即船舶目的港和ETA信息。但由于人為和技術(shù)原因，目前船舶AIS目的港信息經(jīng)常存在缺失、更新不及時(shí)、不規(guī)范甚至錯(cuò)誤的情況，影響了實(shí)際應(yīng)用效果。因此，有必要對(duì)船舶目的港進(jìn)行預(yù)測(cè)，彌補(bǔ)現(xiàn)有AIS數(shù)據(jù)的不足，更好地支撐AIS數(shù)據(jù)的應(yīng)用分析。

船舶目的港預(yù)測(cè)研究比陸地交通的要落后一些。陸地交通工具目的地的預(yù)測(cè)方法有很多并且正日趨完善。例如，NETO等[6]將馬爾科夫模型與部分匹配算法結(jié)合，預(yù)測(cè)用戶(hù)軌跡、下一目的地以及歷史數(shù)據(jù)中未出現(xiàn)過(guò)的區(qū)域。XIA 等[7]結(jié)合變量階馬爾科夫模型和用戶(hù)的時(shí)空規(guī)則提出了一種位置預(yù)測(cè)方法，這種方法對(duì)于軌跡較少的位置預(yù)測(cè)具有顯著作用。LASSOUED等[8]將車(chē)輛GPS信息映射為道路鏈接序列，并以此為輸入，利用隱馬爾科夫模型對(duì)行駛車(chē)輛的目的地和路徑進(jìn)行預(yù)測(cè)。

對(duì)于海上交通而言，分析AIS數(shù)據(jù)，充分挖掘其背后的價(jià)值已成為必然趨勢(shì)。WIJAYA等[9]在HBase上存儲(chǔ)和處理AIS大數(shù)據(jù)集，開(kāi)發(fā)了一種預(yù)測(cè)船舶運(yùn)動(dòng)行為的算法，在數(shù)據(jù)處理速度上有顯著提高。FUJINO等[10]利用主題模型中的線性判別算法從大量AIS數(shù)據(jù)中提取船舶航線。KANG等[11]基于VLCC時(shí)間序列數(shù)據(jù)，采用人工神經(jīng)網(wǎng)絡(luò)（artificial neural networks， ANN）訓(xùn)練算法，結(jié)合Levenberg-Marquardt和Bayesian正則化算法，對(duì)VLCC市場(chǎng)進(jìn)行了預(yù)測(cè)。REGLI等[12]結(jié)合了AIS和船舶固定裝置，提出了一種根據(jù)AIS信息預(yù)測(cè)油船市場(chǎng)運(yùn)價(jià)的模型。然而，目前尚無(wú)利用AIS數(shù)據(jù)進(jìn)行船舶目的港預(yù)測(cè)的研究。因此，本文結(jié)合招商輪船VLCC智慧經(jīng)營(yíng)項(xiàng)目，嘗試?yán)肁IS數(shù)據(jù)，對(duì)全球VLCC的目的港進(jìn)行預(yù)測(cè)研究。

1 基于隱馬爾科夫模型的VLCC目的港預(yù)測(cè)

本文利用隱馬爾科夫模型預(yù)測(cè)VLCC目的港。隱馬爾科夫模型包含兩個(gè)隨機(jī)過(guò)程：第一個(gè)隨機(jī)過(guò)程是馬爾科夫鏈，由一個(gè)確定的狀態(tài)集以及狀態(tài)間的轉(zhuǎn)移概率矩陣確定，在隱馬爾科夫模型中，此類(lèi)狀態(tài)不能被直接觀察到，故稱(chēng)其為隱狀態(tài);第二個(gè)隨機(jī)過(guò)程是隱狀態(tài)在轉(zhuǎn)移過(guò)程中產(chǎn)生的可觀察狀態(tài)，具體產(chǎn)生的可觀察狀態(tài)依賴(lài)于與特定隱狀態(tài)相關(guān)的概率分布。本文將VLCC目的港作為隱馬爾科夫模型中的隱狀態(tài)，在主航路上標(biāo)記觀測(cè)線，將船舶經(jīng)過(guò)的具體觀測(cè)線以及經(jīng)過(guò)觀測(cè)線的方向作為隱馬爾科夫模型中的可觀察狀態(tài)。

隱馬爾科夫模型描述的是隱狀態(tài)與由其生成的可觀察狀態(tài)之間的關(guān)系，可用一個(gè)五元組λ=（S，O，P，B，π）表示[13]，其中：S為船舶掛靠港集合，S={s1，s2，…，sN}， sj為船舶經(jīng)過(guò)的第j個(gè)掛靠港;L為船舶航行中經(jīng)過(guò)的觀測(cè)線集合，L={l1，l2，…，lM}，lk為第k條觀測(cè)線;P為隱狀態(tài)轉(zhuǎn)移矩陣，即船舶在掛靠港間的轉(zhuǎn)移概率矩陣，P={pij}，pij表示從港口si轉(zhuǎn)移到港口sj的概率（見(jiàn)圖1）;B為隱狀態(tài)輸出可觀察狀態(tài)關(guān)系矩陣，即船舶掛靠港與觀測(cè)線之間的輸出概率矩陣，B={bjk}，bjk=p（lk|sj），1≤j≤N，1≤k≤M，bjk表示目的港為港口sj時(shí)經(jīng)過(guò)觀測(cè)線lk的概率;π表示初始掛靠港概率分布。在本文的表述中，掛靠港指船已實(shí)際掛靠過(guò)的港口，目的港指船即將前往的港口。

假設(shè)某船有3個(gè)掛靠港，船舶掛靠港序列為（s1，s2，s3，s2，s1，s3，s1），為隱狀態(tài)序列;航路觀測(cè)線序列為（l1，l2，l6，l4，l3，l5，l4），為可觀察狀態(tài)序列。二者對(duì)應(yīng)關(guān)系見(jiàn)圖2，其中：橫向箭頭代表港口之間的轉(zhuǎn)移關(guān)系，即隱狀態(tài)之間的轉(zhuǎn)移關(guān)系;縱向箭頭代表港口與觀測(cè)線之間的關(guān)系，即隱狀態(tài)與可觀察狀態(tài)之間的關(guān)系。

2 模型建立

利用隱馬爾科夫模型對(duì)VLCC目的港進(jìn)行預(yù)測(cè)，主要分為訓(xùn)練階段和預(yù)測(cè)階段兩個(gè)部分，見(jiàn)圖3。在訓(xùn)練階段，先對(duì)AIS數(shù)據(jù)進(jìn)行處理得到建模數(shù)據(jù)，然后對(duì)VLCC的歷史AIS數(shù)據(jù)進(jìn)行學(xué)習(xí)和挖掘，從中學(xué)習(xí)運(yùn)動(dòng)特征，構(gòu)造預(yù)測(cè)模型。在預(yù)測(cè)階段，基于訓(xùn)練階段得到的模型，輸入待查詢(xún)船已有的軌跡數(shù)據(jù)，進(jìn)行目的港分析和預(yù)測(cè)。

2.1 船舶AIS數(shù)據(jù)處理

2.1.1 AIS數(shù)據(jù)預(yù)處理

對(duì)AIS數(shù)據(jù)進(jìn)行處理，得到實(shí)驗(yàn)所需的軌跡序列，步驟如下：

步驟1 將MMSI位數(shù)不為9、港口代碼或名稱(chēng)有明顯錯(cuò)誤的數(shù)據(jù)刪除，將經(jīng)度不在180°W～180°E、緯度不在90°S～90°N范圍內(nèi)的數(shù)據(jù)刪除。

步驟2 統(tǒng)計(jì)VLCC歷史軌跡數(shù)據(jù)并提取VLCC歷史掛靠港數(shù)據(jù)，數(shù)據(jù)字段包含MMSI（海上移動(dòng)識(shí)別碼）、portcode（港口代碼）、triggertime（停靠時(shí)間）、restarttime（啟航時(shí)間）、mpostion（所處位置經(jīng)緯度）。

步驟3 統(tǒng)計(jì)VLCC習(xí)慣航路觀測(cè)線數(shù)據(jù)集合，數(shù)據(jù)字段包含lineID（觀測(cè)線ID）、linename（觀測(cè)線名稱(chēng)）、linestring（觀測(cè)線起始點(diǎn)經(jīng)緯度）。

步驟4 將VLCC歷史掛靠港數(shù)據(jù)進(jìn)行進(jìn)一步處理。比較相鄰兩條數(shù)據(jù)，若MMSI相同且掛靠港相同，說(shuō)明有重復(fù)記錄，則保留當(dāng)前數(shù)據(jù)，刪除下一條數(shù)據(jù);若MMSI不同則上下兩條數(shù)據(jù)均保留。

步驟5 重復(fù)步驟4處理所有船舶歷史掛靠港數(shù)據(jù)。

SAMOS船（MMSI：311040100）歷史掛靠港數(shù)據(jù)存儲(chǔ)結(jié)構(gòu)見(jiàn)表1。

2.1.2 船舶習(xí)慣航路的觀測(cè)線設(shè)置

VLCC航線的規(guī)律性使得VLCC在掛靠港之間具有較固定的路線，因此可根據(jù)AIS數(shù)據(jù)繪制船舶軌跡得到習(xí)慣航路。在航路分叉點(diǎn)前的主航路上畫(huà)一條與其成90°的線段作為觀測(cè)線。若整段航路無(wú)分叉點(diǎn)則只設(shè)置一條觀測(cè)線。以此類(lèi)推，為分叉點(diǎn)后的航路設(shè)置觀測(cè)線，如圖4所示：S1，S2，…，S7表示船舶的習(xí)慣航路;l1，l2，…，l7表示習(xí)慣航路上的觀測(cè)線;D1，D2，D3表示船舶在該點(diǎn)處有不同的前行方向或者船舶從不同的方向行駛到此處。

根據(jù)VLCC習(xí)慣航路和設(shè)置的觀測(cè)線可預(yù)測(cè)船舶即將抵達(dá)的港口。在數(shù)據(jù)比較充足時(shí)，以觀測(cè)線為斜邊，根據(jù)線段兩端點(diǎn)經(jīng)緯度確定水域，根據(jù)船舶當(dāng)前經(jīng)緯度判斷船舶是否位于該水域，進(jìn)而判斷船舶是否經(jīng)過(guò)該觀測(cè)線。然而，船舶在航行期間因衛(wèi)星通信不穩(wěn)定而容易產(chǎn)生數(shù)據(jù)丟失現(xiàn)象，無(wú)法及時(shí)獲取船舶當(dāng)前經(jīng)緯度信息。此時(shí)，可根據(jù)連續(xù)兩個(gè)時(shí)間點(diǎn)船舶經(jīng)緯度坐標(biāo)形成的線段與觀測(cè)線是否跨越來(lái)判斷船舶是否經(jīng)過(guò)觀測(cè)線。

2.1.3 船舶經(jīng)過(guò)觀測(cè)線的方向判斷

船舶運(yùn)動(dòng)與車(chē)輛、飛機(jī)等的運(yùn)動(dòng)相比有其獨(dú)特性：船舶在正常航行過(guò)程中不會(huì)突然停止、轉(zhuǎn)彎或倒轉(zhuǎn)，其從一種運(yùn)動(dòng)狀態(tài)轉(zhuǎn)換到另一種運(yùn)動(dòng)狀態(tài)需要更多時(shí)間和空間[14]。因此，本文基于所設(shè)置的觀測(cè)線判斷VLCC經(jīng)過(guò)觀測(cè)線的方向，如圖5所示：以觀測(cè)線為基準(zhǔn)，將觀測(cè)水域分為逆時(shí)針180°和順時(shí)針180°兩個(gè)區(qū)間，以此將船舶經(jīng)過(guò)觀測(cè)線的方向劃分為d1和d2兩個(gè)方向，再通過(guò)船舶經(jīng)過(guò)觀測(cè)線時(shí)的恒向線航向和該觀測(cè)線的方位角進(jìn)行判斷。

2.2 預(yù)測(cè)模型建立步驟

VLCC利用AIS數(shù)據(jù)進(jìn)行目的港預(yù)測(cè)，主要分為以下步驟。

步驟1 計(jì)算隱狀態(tài)轉(zhuǎn)移矩陣P。VLCC掛靠港為隱狀態(tài)，P的行和列均為掛靠港。先根據(jù)MMSI對(duì)船舶進(jìn)行分組，然后根據(jù)其經(jīng)過(guò)觀測(cè)線的方向再次分組，按時(shí)間升序排列得到方向不同的兩個(gè)掛靠港記錄。遍歷掛靠港數(shù)據(jù)，上下連續(xù)兩個(gè)港口表示由始發(fā)港轉(zhuǎn)移到目的港，利用式（1）得到P。

步驟2 計(jì)算隱狀態(tài)輸出可觀察狀態(tài)關(guān)系矩陣B。VLCC是否經(jīng)過(guò)觀測(cè)線為可觀察狀態(tài)，B的行為觀測(cè)線，列為船舶掛靠港。根據(jù)船舶航行軌跡判斷其經(jīng)過(guò)觀測(cè)線的方向，得到船舶經(jīng)過(guò)的港口及觀測(cè)線，按時(shí)間升序排列。以KMTC INCHEON船（MMSI：373220000）為例，如表2所示，若方向d1、d2對(duì)應(yīng)的值為1，則該船從該方向經(jīng)過(guò)對(duì)應(yīng)觀測(cè)線。遍歷數(shù)據(jù)中的觀測(cè)線和掛靠港集合，得到船舶從不同方向經(jīng)過(guò)觀測(cè)線lk抵達(dá)目的港sj的次數(shù)yjk和概率bjk。

步驟3 預(yù)測(cè)VLCC目的港。輸入待查詢(xún)船的MMSI和已有的航跡數(shù)據(jù)。若該船尚未經(jīng)過(guò)觀測(cè)線，則在矩陣P中根據(jù)MMSI查詢(xún)?cè)摯诓煌较虻竭_(dá)各個(gè)可能港口的概率;若該船已經(jīng)過(guò)觀測(cè)線，則在矩陣B中根據(jù)MMSI和該船經(jīng)過(guò)觀測(cè)線的方向獲取該船到達(dá)各個(gè)可能港口的概率。

步驟4 統(tǒng)計(jì)概率。按照降序排列預(yù)測(cè)結(jié)果，展示預(yù)測(cè)的港口及其對(duì)應(yīng)的概率值，將最大概率對(duì)應(yīng)的港口作為目的港預(yù)測(cè)結(jié)果。

3 實(shí)驗(yàn)分析

3.1 實(shí)驗(yàn)環(huán)境和數(shù)據(jù)說(shuō)明

本文的實(shí)驗(yàn)數(shù)據(jù)存儲(chǔ)于Cassandra數(shù)據(jù)庫(kù)，同時(shí)結(jié)合MySQL關(guān)系數(shù)據(jù)庫(kù)進(jìn)行數(shù)據(jù)處理，利用Spark和Java實(shí)現(xiàn)算法。實(shí)驗(yàn)所用數(shù)據(jù)是由HiFleet船隊(duì)在線提供的2016-01-01 00：00：00—2018-12-31 24：00：00期間的載重27萬(wàn)t以上油船的歷史掛靠港信息和AIS數(shù)據(jù)。

3.2 實(shí)驗(yàn)結(jié)果及分析

將2019-05-01 00：00：00—2019-06-30 24：00：00期間的油船歷史軌跡數(shù)據(jù)作為測(cè)試集。

3.2.1 主要航線上VLCC目的港預(yù)測(cè)結(jié)果驗(yàn)證

VLCC航線較固定，大部分時(shí)間在特定區(qū)域之間轉(zhuǎn)移，其中主要的原油裝貨區(qū)域有中東波斯灣、西非的安哥拉和幾內(nèi)亞灣、巴西、美國(guó)墨西哥灣等，原油卸貨區(qū)域有遠(yuǎn)東（包括中國(guó)、日本和韓國(guó)）、印度和泰國(guó)等區(qū)域。匯總主要航線上的VLCC AIS數(shù)據(jù)進(jìn)行目的港預(yù)測(cè)結(jié)果驗(yàn)證。VLCC目的港預(yù)測(cè)準(zhǔn)確率對(duì)高于波斯灣到遠(yuǎn)東、印度的VLCC目的港預(yù)測(cè)準(zhǔn)確率，這是由于從遠(yuǎn)東到巴西、墨西哥灣的航程較長(zhǎng)，航線相對(duì)少且較固定，而波斯灣地區(qū)作為盛產(chǎn)石油地區(qū)，港口眾多且相互之間距離比較近，大量的VLCC往返均經(jīng)過(guò)此區(qū)域，導(dǎo)致目的港預(yù)測(cè)準(zhǔn)確率下降。某些航線目的港預(yù)測(cè)結(jié)果見(jiàn)表3～6。

可以看到，在部分船舶目的港預(yù)測(cè)上，出現(xiàn)了僅預(yù)測(cè)出港口所在區(qū)域，未預(yù)測(cè)出具體港口的現(xiàn)象，這是因?yàn)樵摯诤叫羞^(guò)程中以新航線航行，經(jīng)過(guò)了新的觀測(cè)線。因此，下一步研究是匯總所有船舶經(jīng)過(guò)的觀測(cè)線數(shù)據(jù)，形成公有的隱狀態(tài)輸出可觀察狀態(tài)關(guān)系矩陣，用于預(yù)測(cè)采用新航線航行的船舶。

3.2.2 VLCC目的港預(yù)測(cè)準(zhǔn)確率與船舶距離目的港遠(yuǎn)近關(guān)系分析

隨機(jī)選取部分船舶，觀察其在兩個(gè)港口之間目的港預(yù)測(cè)準(zhǔn)確率的變化趨勢(shì)，見(jiàn)圖7。由圖7可知，船舶距離目的港越近，經(jīng)過(guò)的觀測(cè)線數(shù)量越多，模型不斷修正目的港預(yù)測(cè)結(jié)果，目的港預(yù)測(cè)準(zhǔn)確率呈上升趨勢(shì)。

3.2.3 VLCC目的港預(yù)測(cè)準(zhǔn)確率與船舶載貨狀態(tài)關(guān)系分析

正常情況下，VLCC往往以滿(mǎn)載狀態(tài)從原油裝貨區(qū)航行至原油卸貨區(qū)，以空載狀態(tài)從原油卸貨區(qū)航行至原油裝貨區(qū)。以船舶在卸貨港卸貨結(jié)束作為起始時(shí)刻，到裝貨港進(jìn)行裝貨，然后再去卸貨港進(jìn)行卸貨作為結(jié)束時(shí)刻的這個(gè)過(guò)程稱(chēng)為船舶的一個(gè)裝卸貨航次。本文將主要航線上的船舶的裝卸貨航次分為“卸貨-裝貨”航次和“裝貨-卸貨”航次兩個(gè)部分，對(duì)處于空載和滿(mǎn)載狀態(tài)的VLCC分別進(jìn)行目的港預(yù)測(cè)。隨機(jī)選取測(cè)試集中的100艘空載狀態(tài)和100艘滿(mǎn)載狀態(tài)的船舶，對(duì)其進(jìn)行目的港預(yù)測(cè)，記錄預(yù)測(cè)結(jié)果，統(tǒng)計(jì)預(yù)測(cè)的目的港及其對(duì)應(yīng)的概率，對(duì)概率集進(jìn)行分位數(shù)統(tǒng)計(jì)，見(jiàn)圖8。

由圖8可以看到，每個(gè)分位數(shù)處的目的港預(yù)測(cè)概率均比較接近且保持較高水平，這證明了本文所提出的目的港預(yù)測(cè)模型的預(yù)測(cè)結(jié)果具有一定的參考價(jià)值。滿(mǎn)載船舶的目的港預(yù)測(cè)概率比空載船舶的高，這一結(jié)果與VLCC的航行特性相吻合，部分原因是因?yàn)榇霸跐M(mǎn)載貨物后，往往根據(jù)運(yùn)輸合同駛往指定的目的港，但是卸貨后的空載船舶往往一開(kāi)始只知道目的港區(qū)域，而不知道具體的目的港。

4 結(jié)束語(yǔ)

本文基于VLCC的AIS歷史軌跡數(shù)據(jù)，實(shí)現(xiàn)了一種VLCC目的港隱馬爾科夫預(yù)測(cè)算法，并以2019年部分VLCC軌跡數(shù)據(jù)為例進(jìn)行了實(shí)證研究。結(jié)果表明：本文提出的VLCC目的港預(yù)測(cè)方法準(zhǔn)確率較高，可達(dá)70%以上;航線越固定、運(yùn)行越規(guī)律的船舶，對(duì)其目的港預(yù)測(cè)的準(zhǔn)確率越高;船舶越靠近目的港，預(yù)測(cè)結(jié)果越準(zhǔn)確;重載船舶的目的港預(yù)測(cè)結(jié)果更準(zhǔn)確。該算法可以用于海運(yùn)原油流量和流向中短期預(yù)測(cè)，還可以用于原油貨源地運(yùn)力估計(jì)，對(duì)原油進(jìn)出口預(yù)測(cè)、VLCC船隊(duì)智慧經(jīng)營(yíng)等具有參考價(jià)值。

參考文獻(xiàn)：

[1]朱邁進(jìn). 打造國(guó)家能源運(yùn)輸安全通道構(gòu)筑能源“海上絲綢之路”[N]. 中國(guó)遠(yuǎn)洋海運(yùn)報(bào)， 2020-01-03（B02）[2020-03-17].

[2]張春賀. 全球石油貿(mào)易大流向[J]. 國(guó)土資源情報(bào)， 2006（10）： 52-55.

[3]ARMITAGE E. Tracking the tanker fleet across the global playing field[EB/OL].（2019-11-29）[2020-03-17]. https：//sin.clarksons.net/News/Article/146578#！#sincustomhome.

[4]楊秋平， 謝新連， 蘇晨. 航線配船與船隊(duì)規(guī)劃模型及算法實(shí)現(xiàn)[J]. 中國(guó)航海， 2009， 32（1）： 91-95.

[5]林貴鋒， 謝新連， 肖躍軍. 國(guó)際油船運(yùn)輸市場(chǎng)的走勢(shì)分析[J]. 大連海事大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版）， 2005， 4（1）： 38-42. DOI： 10.3969/j.issn.1671-7031.2005.01.010.

[6]NETO F D N， DE SOUZA BAPTISTA C， CAMPELO C E C. Combining Markov model and prediction by partial matching compression technique for route and destination prediction[J]. Knowledge-Based Systems， 2018， 154： 81-92. DOI： 10.1016/j.knosys.2018.05.007.

[7]XIA Ying， GONG Yu， ZHANG Xu， et al. Location prediction based on variable-order Markov model and users spatio-temporal rule[C]//2018 International Conference on Information and Communication Technology Convergence. IEEE， 2018： 37-40. DOI： 10.1109/ICTC.2018.8539593.

[8]LASSOUED Y， MONTEIL J， GU Yingqi， et al. A hidden Markov model for route and destination prediction[C]//2017 IEEE 20th International Conference on Intelligent Transportation Systems. IEEE， 2017： 1-6. DOI： 10.1109/ITSC.2017.8317888.

[9]WIJAYA W M， NAKAMURA Y. Predicting ship behavior navigating through heavily trafficked fairways by analyzing AIS data on Apache HBase[C]//2013 1st International Symposium on Computing and Networking. IEEE， 2013： 220-226. DOI： 10.1109/CANDAR.2013.39.

[10]FUJINO I， CLARAMUNT C， BOUDRAA A. Extracting route patterns of vessels from AIS data by using topic model[C]//2017 IEEE International Conference on Big Data. IEEE， 2017： 4744-4746. DOI： 10.1109/BigData.2017.8258528.

[11]KANG S， DOH D. Forecasting earning of VLCC tankers using artificial neural networks[J]. Journal of the Korean Society of Marine Engineering， 2018， 42（10）： 851-858. DOI： 10.5916/jkosme.2018.42.10.851.

[12]REGLI F， NOMIKOS N K. The eye in the sky-freight rate effects of tanker supply[J]. Transportation Research Part E： Logistics and Transportation Review， 2019， 125： 402-424. DOI： 10.1016/j.tre.2019.03.015.

[13]QIAO Shaojie， SHEN Dayong， WANG Xiaoteng， et al. A self-adaptive parameter selection trajectory prediction approach via hidden Markov models[J]. IEEE Transactions on Intelligent Transportation Systems， 2015： 284-296. DOI： 10.1109/TITS.2014.2331758.

[14]TU Enmei， ZHANG Guanghao， RACHMAWATI L， et al. Exploiting AIS data for intelligent maritime navigation： a comprehensive survey from data to methodology[J]. IEEE Transactions on Intelligent Transportation Systems， 2018， 19（5）： 1559-1582. DOI： 10.1109/TITS.2017.2724551.

（編輯 趙勉）