一种基于大数据的全球船运信息监控系统的制作方法

本发明涉及海运航线时长预测，具体是一种基于大数据的全球船运信息监控系统。

背景技术：

1、在全球海运过程中，海面天气的快速变化常常成为影响运输船航行时间准确预估的主要因素之一。海洋环境的不稳定性，包括风向风速的突然变化、海浪的涨落以及气候系统的影响，都可能导致船舶在航行过程中遭遇各种不同的气象条件。这种变幅广泛且多变的海面天气状况，对于船舶的航速、航向以及整体航行计划都产生着深远的影响。

2、在海运过程中，船舶的航行时间预估是重要的运营指标，直接关系到货物的及时交付和物流成本的控制。对于航运公司、供应链管理者以及贸易伙伴而言，精准地预测船舶抵达目的港的时间具有战略性和运营性意义。准确的航行时间预测有助于优化物流计划和资源配置，确保货物在承诺的时间内按时到达，从而避免了不必要的滞期和延误。此外，它也有助于降低库存成本，因为供应链参与者可以根据预测的航行时间精确控制库存水平，减少过多的库存积压。在国际贸易中，准确地航行时间预测能够提高业务可靠性，增强合作伙伴信任。

3、而目前对航行时间的预估往往是基于历史数据或当前的海面天气情况，难以应对时刻变化的海面天气；

4、为此，本发明提出一种基于大数据的全球船运信息监控系统。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于大数据的全球船运信息监控系统，为每艘运输船带来更为准确的航行时长预测，提高预计到达时间的准确性。

2、为实现上述目的，根据本发明的实施例1提出一种基于大数据的全球船运信息监控系统，包括历史天气数据收集模块、天气预测模型训练模块、历史航行时长数据收集模块、时长预测模型训练模块、航线信息收集模块、实时航运数据收集模块以及剩余时长计算模块；其中，各个模块之间电性连接；

3、历史天气数据收集模块，用于将全球海域划分为若干子海域，并收集每个子海域中的历史天气数据；

4、所述收集每个子海域中的历史天气数据的方式为：

5、对于每片子海域，收集过去所有经过该片子海域的运输船，在航行过程中记录的历史天气数据，所述历史天气数据包括每种天气特征对应的若干气象值序列；

6、所述在航行过程中记录的历史天气数据的方式为：

7、对于每艘运输船的每一次历史航行过程，根据运输船的实时位置，判断该运输船所在的子海域；

8、将该运输船进入该子海域至离开该子海域的时长内，记录的每种天气特征随时间变化的气象值组成的序列作为该子海域的一条气象值序列；

9、所述历史天气数据收集模块将历史天气数据发送至天气预测模型训练模块；

10、天气预测模型训练模块，用于基于历史天气数据，训练出预测各种天气特征的气象值序列的天气预测模型；

11、所述训练出预测各种天气特征的气象值序列的天气预测模型的方式为：

12、对于每片子海域的每种天气特征：

13、预设预测时间步长、滑动步长以及滑动窗口长度，将对应的每条集合中每条气象值序列，使用滑动窗口方法转化为若干个训练样本，将每组训练样本作为天气预测模型的输入，所述天气预测模型以未来的预测时间步长的每一时刻的气象值组成的振幅序列作为输出，每个训练样本后续预测时间步长内，在气象值序列的后续预测时间步长内的气象值序列段作为预测目标，对天气预测模型进行训练；生成预测未来的预测时间步长内的气象值序列的天气预测模型；

14、所述天气预测模型训练模块将天气预测模型发送至剩余时长计算模块；

15、历史航行时长数据收集模块，用于对于每片子海域，收集每艘运输船在经过该片子海域时，生成的历史航行时长数据；

16、所述收集每艘运输船在经过该片子海域时，生成的历史航行时长数据的方式为：

17、在每艘运输船按预先设定的航线开始航行时，收集该运输船的船体特征数据以及该航线在每片子海域中的长度；

18、每艘运输船在经过每片子海域过程中，获得该船体特征数据、该片子海域中每种天气特征的气象值的平均值以及对应航线在该子海域中的长度，将所有船体特征数据、每种气象值的平均值和对应航线在该子海域中的长度组成的向量作为该片子海域的一组时长训练特征向量，将该运输船通过该子海域的时长作为该时长训练特征向量对应的航行时长标签；

19、所述时长训练特征向量和航行时长标签组成一组该子海域的所述历史航行时长数据；

20、所述历史航行时长数据收集模块将所有历史航行时长数据发送至时长预测模型训练模块；

21、时长预测模型训练模块，用于基于历史航行时长数据，为每片子海域训练出预测运输船在该子海域中航行时间的时长预测模型；

22、所述为每片子海域训练出预测运输船在该子海域中航行时间的时长预测模型的方式为：

23、将每条时长训练特征向量作为时长预测模型的输入，所述时长预测模型以对每组时长训练特征向量的预测的时长标签为输出，以历史航行时长数据中，时长训练特征向量对应的时长标签为预测目标，以最小化对所有时长标签的预测误差之和作为训练目标；对时长预测模型进行训练，直至预测误差之和达到收敛时停止训练，训练出对于每片子海域，根据时长训练特征向量输出预测的时长标签的时长预测模型；

24、所述时长预测模型训练模块将训练完成的时长预测模型发送至时长计算模块；

25、航线信息收集模块，用于预先收集全球航运中的所有运输船的航线信息；

26、所述航线信息包括每艘运输船的船体特征数据、预计航行的航线、该航线经过的所有子海域以及经过每个子海域的长度；

27、所述航线信息收集模块将所有航线信息发送至剩余时长计算模块；

28、实时航运数据收集模块，用于对于每艘按照航线进行航行的运输船，实时收集该运输船所在的子海域编号，以及该子海域的实时天气数据；

29、所述实时收集该运输船所在的子海域，以及该子海域的实时天气数据的方式为：

30、实时收集每艘运输船发送的启航信号；在接收到任意一艘运输船的启航信号后，实时收集该运输船的位置，以及该运输船记录的各种天气特征的气象值，直至运输船抵达航线终点；基于运输船的位置获得对应的子海域编号，基于实时收集的各种天气特征的气象值，生成每个子海域内的每种天气特征的实时气象值序列；所述实时天气数据包括每种天气特征的实时气象值序列；

31、所述实时航运数据收集模块将每艘航行中的运输船的子海域编号以及对应子海域的实时天气数据发送至剩余时长计算模块；

32、剩余时长计算模块，用于基于实时天气数据、航线信息、天气预测模型和时长预测模型，实时更新每艘运输船的剩余航行时长；

33、所述实时更新每艘运输船的剩余航行时长的方式为：

34、对于每片子海域，实时判断是否存在至少一条运输船的位置位于该子海域，若存在，则将最近发送实时天气数据的运输船作为预测运输船；

35、将预测运输船生成的实时天气数据中每条气象值序列转化为对应的训练样本，并将转化的训练样本输入至天气预测模型中，获得每种天气特种在预测时间步长内的预测的气象值序列，并基于预测的气象值序列，计算出每种天气特征气象值的平均值作为预测平均值；

36、对于每艘航行中的运输船，基于其当前所在的子海域位置和对应的航线，统计剩余的需要经过的子海域以及需要经过每个子海域的长度；

37、对于每片需要经过的子海域，将该运输船的船体特征数据、每片每种天气特征气象值最新的预测平均值以及对应航线经过该子海域的长度作为实时时长训练特征向量，将实时时长训练特征向量输入至时长预测模型中，获得该运输船经过每片需要经过的子海域的时长，累加所有需要经过的子海域的时长，获得剩余航行时长。

38、与现有技术相比，本发明的有益效果是：

39、本发明通过预先将全球海域划分为若干子海域，并收集每个子海域中的历史天气数据，并对于每片子海域，收集每艘运输船在经过该片子海域时，生成的历史航行时长数据，基于历史天气数据，训练出预测各种天气特征的气象值序列的天气预测模型，基于历史航行时长数据，为每片子海域训练出预测运输船在该子海域中航行时间的时长预测模型，再预先收集全球航运中的所有运输船的航线信息，对于每艘按照航线进行航行的运输船，实时收集该运输船所在的子海域编号，以及该子海域的实时天气数据，最后基于实时天气数据、航线信息、天气预测模型和时长预测模型，实时更新每艘运输船的剩余航行时长；从而可以在无需额外的天气监测设备的条件下，为每艘运输船带来更为准确的航行时长预测，提高预计到达时间的准确性。