技术特征：
1.一种考虑空间依赖性的港口船舶交通流量预测方法，其特征在于，包括以下步骤：步骤一：ais数据获取与预处理；步骤二：船舶挂港辨识；步骤三：建立港口网络拓扑图；步骤四：构建港口特征矩阵；步骤五：基于图卷积神经网络模型预测港口船舶交通流量；步骤六：预测误差测试。2.根据权利要求1所述的一种考虑空间依赖性的港口船舶交通流量预测方法，其特征在于，步骤一中所述的ais数据从船舶实际航行中获取，通过ais解码算法解析原始ais数据，然后提取所需的ais数据字段，包含了船舶名称、船舶地理坐标、时间、航速，再对数据进行预处理，包括数据清洗、数据异常值剔除和数据补全。3.根据权利要求2所述的一种考虑空间依赖性的港口船舶交通流量预测方法，其特征在于，步骤二中所述的船舶挂港辨识是指对船舶地理坐标、时间和航速信息进行船舶挂港辨识，具体步骤为：第一步，将船舶地理坐标信息的点与所有港口停靠范围的面进行空间连接，提取出地理位置在港口停靠空间范围内的ais数据；第二步，计算船舶在港口的连续停留时间t，判断连续停留时间t大于停留时间阈值t
α
；第三步，若停留时间大于时间阈值，则计算船舶在停留时间内的平均航速和最大航速v
max
，若平均航速小于平均航速阈值v
β
，最大航速v
max
小于最大航速阈值v
γ
，则判断该船舶成功挂靠过该港口，完成船舶挂港辨识。4.根据权利要求3所述的一种考虑空间依赖性的港口船舶交通流量预测方法，其特征在于，步骤三中所述的建立港口网络拓扑图，具体步骤为：基于步骤二中辨识出的挂港信息，建立港口网络拓扑图；以所有船舶挂靠过的港口为节点，连接两港口间的船舶航线为边，即建立了港口网络拓扑图g；g＝(v,e)为有向图，当有船舶从港口a前往港口b时，港口a到港口b有航线相连，但港口b到港口a则没有航线相连；图g包含点的集合v和边的集合e，其中：式中，n为港口网络中所有港口的数量，v
i
为第i个港口；式中，e
ij
为从第i个港口到第j个港口的边。5.根据权利要求4所述的一种考虑空间依赖性的港口船舶交通流量预测方法，其特征在于，步骤四中所述的构建港口特征矩阵，具体步骤为：基于步骤三中已经建立的港口网络拓扑图，生成港口的特征矩阵x，港口的特征矩阵x是一个n*q的矩阵，q表示矩阵的特征维度；港口的特征共分为三个部分，包括港口的历史船舶交通流量、港口在网络拓扑结构中的特征以及港口网络的公共特征；港口的历史船舶交通流量由对应预测时间段前的m个港口历史时间段的船舶交通流量组成；而港口在网络拓扑中的特征则基于复杂网络理论的指标计算得到，被选取的指标包括
出度、入度、加权入度、加权出度、中介中心性和港口聚类系数，指标公式如下：式中，u
i
为第i个港口的入度，x
ij
表示从第i个港口出发到第j个港口是否连通，若相连为1，反之则为0；式中，s
i
为第i个港口的出度；式中，uw
i
为第i个港口的加权入度，w
ij
表示从第i个港口出发到第j个港口的船舶数量，即边的权重；式中，sw
i
为第i个港口的加权出度；式中，b
i
为第i个港口的中介中心性，g
jk
表示从第j个港口出发到第k个港口的存在的最短路径的数量，g
ji
(i)表示从第j个港口出发到第k个港口的最短路径经过第i个港口的数量；港口的聚类系数反映港口间的聚集情况，在有向图中，假设港口i与k
i
个港口单向或双向连接，则这k
i
个港口之间最多存在k
i
(k
i-1)条边，由此，港口的聚类系数公式如下：式中，c
i
为第i个港口的聚类系数，r
i
为k
i
个港口之间实际存在的边数；港口网络的公共特征同样利用复杂网络指标来计算，加入公共特征使得特征矩阵包含了整体港口网络的信息；被选取的指标包括平均最短路径、网络效率和网络聚类系数，指标公式如下：式中，d为港口网络的平均最短路径，d
ij
表示从第i个港口出发到第j个港口的最短路径；式中，e为港口网络的网络效率；
式中，c为港口网络的网络聚类系数；由此，得到了m维的港口历史船舶交通流量、6维的港口在网络拓扑结构中的特征以及3维的港口网络的公共特征；将这些特征组合即得到了n*q维的特征矩阵x，其中q＝m+9。6.根据权利要求5所述的一种考虑空间依赖性的港口船舶交通流量预测方法，其特征在于，步骤五中所述的基于图卷积神经网络模型预测港口船舶交通流量，具体步骤为：在该步骤中，建立的预测模型为双层图卷积神经网络，将步骤四中得到的港口特征矩阵作为模型的输入进行预测；预测模型的每一层传播规则如下：式中，h
(1)
为第l层的港口特征，σ为激活函数，为连接后的邻接矩阵，表示的度矩阵，w
(1)
为第l层的参数矩阵；式中，a为图g的邻接矩阵，i为n*n维的单位矩阵；通过传播规则，图卷积神经网络将相邻港口的特征聚合到一起，从而将港口之间的空间依赖性纳入船舶交通流量预测的考虑范围；在模型的第一层中，输入的矩阵为步骤三中得到的港口特征矩阵，即h
(0)
＝x；当第一层图卷积神经网络计算结束后，港口的信息已经被一阶相邻港口的信息所更新，并输入第二层图卷积神经网络，第二层完成相同的计算，此时，港口又得到了二阶相邻港口的信息，最后使用softmax函数输出预测结果；基于此，得到模型的输出结果如下：式中，z为模型输出的n*1的特征向量，softmax和relu均为激活函数。7.根据权利要求6所述的一种考虑空间依赖性的港口船舶交通流量预测方法，其特征在于，步骤六中所述的预测误差测试，具体步骤为：在得到步骤五中模型的预测港口船舶交通流量后，对预测结果进行误差测试，以验证预测效果，使用的指标为平均绝对误差mae和平均绝对百分比误差mape；指标公式如下：预测效果，使用的指标为平均绝对误差mae和平均绝对百分比误差mape；指标公式如下：式中，为第i个港口的船舶交通流量预测值，y
i
为第i个港口的船舶交通流量实际值。
技术总结
本发明公开了一种考虑空间依赖性的港口船舶交通流量预测方法，属于水运交通领域，包括以下步骤：步骤一：AIS数据获取与预处理；步骤二：船舶挂港辨识；步骤三：建立港口网络拓扑图；步骤四：构建港口特征矩阵；步骤五：基于图卷积神经网络模型预测港口船舶交通流量；步骤六：预测误差测试。本发明从港口网络层面对船舶交通流量进行预测，能够从整体上对港口的船舶交通流量动向进行评估，同时，使用适合港口网络拓扑结构的图卷积神经网络为基础构建预测模型，可以充分挖掘港口间的空间依赖性，从而提高港口船舶交通流量的预测精度。本发明对港口船舶交通流量的预测可以为港口提前管理泊位、规划港口建设等提供参考依据。规划港口建设等提供参考依据。规划港口建设等提供参考依据。
技术研发人员：靳廉洁 孙相军 左天立 史言 战国会 戴晓晴 刘展铄
受保护的技术使用者：交通运输部规划研究院
技术研发日：2022.03.17
技术公布日：2022/6/1