船舶交通量三階段法預測模型及其應用

王偉 余志成 張泰山 吉鵬

摘要：為精準預測船舶交通量，基于多源數據融合，提出用于預測船舶交通量的三階段法，分別預測交會水域、單條航道的船舶交通量，并以長江六圩水域以及蘇北運河航道為例進行實證研究。結果表明，三階段法預測模型具有較強的預測精度。預計2040年蘇北運河航道貨運承載能力飽和度達到17.13%，即未來蘇北運河航道利用水平較為合理，但仍處于較低水平，尤其是藺家壩—宿遷窯灣航段和宿遷窯灣—淮安航段的利用水平更低。本文預測方法和結果可為水路交通規劃與調度管理提供支撐。

關鍵詞：? 水路運輸; 三階段法; 多源數據; 船舶交通量預測; 航道貨運承載能力

中圖分類號：? U692

文獻標志碼：? A

收稿日期： 2021-03-25

修回日期： 2021-06-29

基金項目： 江蘇省社會科學基金（18GLB013）;江蘇省政府引導性計劃（BR2020090）

作者簡介：

王偉（1979—），男，湖北荊州人，教授，博士，研究方向為港航物流、綠色智慧港航、水災害應急物流，（E-mail）13813826667@163.com

Meeting of the Waterborne Transport Division， World Transport Convention 2021 （WTC 2021）

Three-stage prediction model of ship traffic volume and its application

WANG Wei， YU Zhicheng， ZHANG Taishan， JI Peng

（College of Harbour， Coastal and Offshore Engineering， Hohai University， Nanjing 210098， China）

Abstract： In order to predict the ship traffic volume accurately， based on the fusion of multi-source data， a three-stage method is put forward to predict the? ship traffic volume. The ship traffic volume in the intersection waters and a single channel is predicted， respectively. Taking Liuwei waters of the Yangtz River and the Grand Canal in the north of Jiangsu （North Jiangsu Canal， in short） for case study， the results show that the three-stage prediction model has strong prediction accuracy. The freight carrying capacity saturation of North Jiangsu Canal is predicted to reach 17.13% in 2040， that is， the utilization level of North Jiangsu Canal in the future is reasonable， but it is still at a low level， especially the utilization levels of Linjiaba-Yaowan of Suqian section and Yaowan of Suqian-Huaian section are lower. The prediction methods and results of this paper can support the waterway traffic planning and scheduling management.

Key words： waterway transport; three-stage method; multi-source data; ship traffic volume prediction; channel freight carrying capacity

0 引 言

船舶交通量預測是水路運輸規劃、設計和通航管理的主要依據[1]，選擇合適的預測方法和模型，能提升預測結果的可靠性，為未來水路運輸建設和管理提供數據支撐[2]。

船舶交通量預測模型大多源自公路交通量預測模型，可劃分為定性預測和定量預測，其中定量預測指使用歷史數據和數學模型模擬船舶交通量發展趨勢，如回歸分析模型[3]、灰色模型[4-5]、支持向量機模型[6-8]、神經網絡模型[9-10]等。為彌補單一預測模型的不足，學者們嘗試結合幾種單一預測模型來改善預測效果，如：呂靖等[11]于1996年提出組合系統預測模型;而后劉敬賢等[12]建立了改進的變權組合預測模型，并對天津港主航道船舶交通量進行了較為精確的預測;呂鵬飛等[13]在BP神經網絡的基礎上結合馬爾科夫預測模型預測船舶交通量，即利用馬爾科夫模型修正神經網絡模型的預測值，顯著提高了預測精度。

四階段法起源于城市陸路交通量預測，也有學者[14]提出了基于四階段法的組合預測模型。鑒于四階段法體系完整，將其應用在水運領域，對船舶交通量進行預測成為了可能。張秀俠等[15]對用四階段法預測船舶交通量的可能性進行了理論分析。然而，由于水路運輸方式的不同，四階段法易受用地布局等宏觀因素的影響，其本身又對歷史數據要求較高，再加上各階段分割造成的資源耗費大、工作量大的弊端，使用起來比較困難。本文在四階段法的基礎上，提出更為高效通用的三階段法，并以實例論證其可靠性。

1 船舶交通量三階段法預測體系

傳統四階段法預測船舶交通量的實施過程見圖1。四階段法起源于城市陸路交通量預測，在應用到水路時往往會發生思路沖突，原因為：在選擇陸路交通時，行車路線需求是彈性的，而水路運輸需求則是非彈性的，且預測過程需要大量的航道斷面所在地的經濟狀況數據以及航道歷史船舶數據。用四階段法預測的工作量大，且由于需要搜集的資料種類繁多，每種資料的估計方法都比較間接，所以最后預測結果的準確性很難得到保證。本文為高效、準確解決船舶交通量預測問題，提出了三階段法，具體實施步驟見圖2。

1.1 基于三階段法的船舶交通量預測

三階段法依托信息化數據采集技術的發展，以航道斷面船舶交通量為基礎數據對船舶交通量OD（出發地—目的地）進行推算，具體步驟如下：

（1）根據掌握的海量水運數據，篩選出所研究水域各航道斷面以及港口船舶交通量數據，并采用合適的模型對目標年的船舶交通量進行預測。

（2）利用第一階段預測到的船舶交通量，結合先驗OD矩陣或者路徑選擇矩陣對交會水域各航道斷面船舶交通量進行OD矩陣推算。

（3）在對交會水域的船舶交通量進行預測后，將航道斷面假定為港口，推算出單航道各港口及交會水域各航道斷面的船舶交通量OD矩陣。

1.2 基于船舶交通量預測的航道貨運承載能力飽和度研究

引入航道貨運承載能力飽和度的概念對航道的實際貨運量與航道貨運承載能力之間的關系進行表征：飽和度=航道實際貨運量/航道貨運承載能力。因為航道貨運承載能力通常大于航道實際貨運量，所以飽和度大小在0與1之間。將航道貨運承載能力飽和度狀態分為低承載狀態、合理承載狀態、最優承載狀態、飽和狀態和滿載狀態。

航道貨運承載能力飽和度分析步驟如下：（1）基于航道各船閘的統計數據對將來的航道貨運需求進行預測。（2）采用船舶領域相關理論推算航道通過能力，并結合船舶交通量預測結果和航道船舶平均載重得到該航道的貨運OD矩陣，對航道貨運承載能力進行測算。（3）根據航道貨運需求與航道貨運承載能力測算結果之間的關系，對航道貨運承載能力飽和度進行分析。

2 實證分析——以長江六圩水域及蘇北運河航道為例

本節應用三階段法對長江六圩水域進行總體和交會水域船舶交通量預測，對蘇北運河進行單航道船舶交通量預測，并將所得的OD矩陣與真實值進行擬合，以驗證方法的可靠性，最后將預測結果應用于蘇北運河航道貨運承載能力飽和度分析。

2.1 多源數據

多源數據指采集到的數據來自不同數據源，其數據標準和分類分級體系也不同。為方便研究，本文使用的多源數據要先經過填補缺失、刪除重復等預處理，再采用加權數據融合算法得出船舶日均交通量等數據。

2.2 船舶交通量預測

首先根據長江六圩水域地圖截取4個航道斷面，其船舶流入量分別用x1、x2、x3和x4表示，船舶流出量分別用y1、y2、y3和y4表示，見圖3。

選取一年中任意4天的各航道斷面船舶交通量數據推求全年航道斷面交通量，計算公式為

Q=Nαβ

（1）

式中：N為年通航天數，取365天;為船舶日均交通量，艘次;α為通航保證率，長江航道的α取98%;β為船舶交通量不均衡系數，考慮到不同月份的航道維護水深以及節假日影響，根據歷年長江各斷面數據，取β=0.85。

計算2013—2018年長江六圩水域各航道斷面船舶流入流出量，結果見表1。

2.2.1 第一階段：船舶總交通量預測

采用灰色模型GM（1，1）對各航道斷面和港口船舶交通量進行預測，并利用MATLAB對模型進行實現。預測步驟如下：

（1）以如下2項標準來檢驗船舶交通量數據：①光滑比小于0.5的數據占比大于60%;②除去前兩個時期，光滑比小于0.5的數據占比大于90%。計算結果顯示，原始數據滿足以上兩個要求，可以使用灰色模型。

（2）分別用傳統GM（1，1）、新信息GM（1，1）、新陳代謝GM（1，1）預測船舶交通量。從發展系數、灰度作用量和預測值誤差平方和這3個評價指標可以看出，新陳代謝GM（1，1）預測結果更接近真實值，見表2。

（3）利用殘差檢驗和級比偏差檢驗對船舶交通量擬合結果進行檢驗，見圖4。模型的平均相對殘差和平均級比偏差分別為0.037 393和0.092 307，表明該模型對原數據的擬合程度較高。

（4）預測船舶交通量。航道斷面1的船舶流入量擬合與預測結果見圖5，其中2019年和2020年的預測結果分別為106 931.71艘次和108 590.44艘次，該數據沒有經過式（2）的調整。通常某水域的船舶流入量等于該水域的船舶流出量，當這兩個量不相等時，需要對預測結果進行調整：

ai=a′i=Pj/Aj

（2）

式中：ai為調整前航道斷面i的船舶流入量;a′i為調整后航道斷面i的船舶流出量;Pj為航道斷面總流入量;Aj為航道斷面總流出量。

重復上述方法，依次預測其他3個航道斷面的船舶交通量和各港口船舶交通量，其中2019年的預測結果（結果取整）見表3和4。

2.2.2 第二階段：交會水域船舶交通量預測

對于交會水域的4個航道斷面來講，船舶流入流出向量V（其元素用vk表示）表示如下：

V=（x1，x2，x3，x4，y1，y2，y3，y4）T

（3）

代入2019年船舶交通量預測結果，有

V=（107 120，408 578，91 762，156 676，

100 954，143 612，93 858，425 712）T

交會水域（如圖3）類似于一個交叉路口，其分配率矩陣P可以直接按照流入流出量的示意圖來表達，得到的矩陣P（其元素用pij表示）為

P=111000000000000111000000000000111000000000000111000100000100100000010010010010000001001001001000

根據極大熵原理建立模型：

max EE=-ij（Tijln（Tij/T））

s.t. vk=ij（Tijpkij）， k=1，2，…，m

Tij≥0， i，j

（4）

式中：Tij表示從航道斷面i駛向航道斷面j的船舶交通量;T等于所有船舶流入和流出量的和。利用拉格朗日乘子將式（4）轉化成式（5）進行求解。

ijexp（-mk=1（λkpkij））=1

ijpkijexp-λ0-mk=1（λkpkij）=vk

（5）

式中：λ0和λk（k=1，2，…，m）為拉格朗日乘子。

考慮到基本迭代法（如牛頓法、超松弛迭代法）在迭代一定次數后產生的誤差大，易出錯，且容易陷入局部最優解的缺陷，本文采用常用的遺傳算法，它直接從串集開始搜索，滿足了對收斂速度和精度的要求。求解步驟如下：

（1）確定搜索的解集空間。

T=4i=1xi+4j=1yj=764 136=e13.546 5

（6）

再根據

T=exp（-λ0）

（7）

求得首個拉格朗日乘子λ0=-13.546 5。因為OD矩陣各個OD對之間的船舶交通量都滿足1

0<-λ0-mk=1（λkpkij）<-λ0

（8）

故有

0

（9）

由于矩陣P的所有元素都是0或1，所以λk（k=1，2，…，m）不能同時為負數，λk的取值有且只有以下兩種情況：①λk都為非負數，在區間[0，14]內取值;②{λ1，λ2，…，λm}由非負數和負數組成，其取值范圍不能輕易確定。

（2）種群規模和終止條件。初始種群是在可行域范圍內隨機產生的，本模型種群規模為100。可以設定2個終止條件，滿足其中一個即可：設定最大迭代次數為500;設定均方誤差閾值，當均方誤差小于0.1時，就可認為求得了近似解。

（3）計算結果分析。由計算結果可以看出，隨著迭代次數的增加，均方誤差不斷減小，證明OD矩陣也在往趨于正確值的方向發展。

最終由遺傳算法求得λk=

1.993 09，0.472 50，2.157 55，0.906 97，2.157 55，1.249 46，2.248 35，0.451 81（k=1，2，…，8）。

將結果代入式（4），得到最終OD矩陣，見表5。

同時采用列文伯格-馬夸爾特法算法進行計算，其結果與遺傳算法所得的λk相似，故認為結果是可靠的。

2.2.3 第三階段：單航道船舶交通量預測

將蘇北運河上游港口總體看作港口1，將蘇北運河航道沿線的4個港口徐州港、宿遷港、淮安港和揚州港分別記為港口2、3、4和5，將蘇北運河下游的3個航道斷面即長江上游斷面、蘇南運河斷面、長江下游斷面分別看作港口6、7和8。把船舶交通流分為3類：過境交通流、內部交通流和區間交通流。過境交通流指出發地和目的地都為上下游港口，只是從蘇北運河航道經過的這一類船舶交通流;內部交通流指出發地和目的地均為蘇北運河航道沿線港口的這一類船舶交通流;區間交通流指出發地為蘇北運河航道沿線港口，目的地為上下游港口，或者出發地為上下游港口，目的地為蘇北運河航道沿線港口的這一類船舶交通流。由第二階段的預測結果可以得到表6。

再結合蘇北運河單航道各港口船舶交通量預測結果，得到蘇北運河單航道各港口及交會水域各航道斷面船舶交通量，即蘇北運河港口1到8的船舶進出量數據，見表7。

采用迭代比例擬合的方法對單航道船舶交通量OD矩陣進行推算，具體公式如下：

Qij=OiDj/jDj-Dj，

（i=1，2，…，5;j=1，2，…，8）或

（i=6，7，8;j=1，2，…，5）

（10）

式中：Qij指從港口i到港口j的船舶交通量;Oi指離開港口i的船舶交通量;Dj指進入港口j的船舶交通量。

經過迭代計算，得到的最終結果見表8。

2.3 蘇北運河航道貨運承載能力飽和度分析

對航道貨運承載能力飽和度的5種狀態進行量化，見表9。

基于各航道斷面的船舶交通流數據，對2020年、2030年和2040年的貨運量進行預測，并根據結果得到蘇北運河航道貨運承載能力飽和度測算結果，見表10。

表10結果表明：按照貨運發展趨勢，隨著未來貨運量的逐漸增加，蘇北運河航道將從低承載狀態轉為合理承載狀態，航道利用水平較為合理，但飽和度較低，尤其是蘇北航道的北端和中部航道，也就是藺家壩—宿遷窯灣航段和宿遷窯灣—淮

安航段的貨運量比高郵—揚州施橋航段的少，航道貨運承載能力飽和度更低，未來有較大的開發空間。

3 結束語

本文針對四階段法預測水路交通量存在的不足，提出船舶交通量三階段法預測模型，并以長江六圩水域以及蘇北運河航道為例進行了實證分析，結論如下：

（1）相較于四階段法，基于信息化數據采集技術的三階段法克服了資源耗費大、調查周期長、精度低等缺點，更適用于現代化的船舶交通量預測。

（2）基于三階段法模型，以長江六圩水域以及蘇北運河航道為實例，采用GM（1，1）對四個斷面的船舶交通量進行預測，與真實值擬合后發現，三階段法具有很強的非線性擬合能力，能提高整個預測系統的精度和穩定性。

（3）基于預測數據，根據實際貨運需求與航道貨運承載能力的關系，對蘇北運河航道貨運承載能力飽和度進行分析，發現其在未來二十年內都會處于合理承載狀態，應適當加快水運發展，充分發揮其潛力。

本文對船舶交通量的三階段法預測模型及其應用進行了探討，得出的預測結果具有較高的可靠性。在后續研究中，將進一步整合多源數據，提升船舶交通量預測精度，并將其運用到更為復雜的航道網絡船舶交通量預測與應用中。

參考文獻：

[1]KAPLAN R S， ANDERSON S R. Time-driven activity-based costing[J]. Harvard Business Review， 2004， 82（11）： 131-138. DOI： 10.15358/0935-0381-2007-6-343.

[2]繆巖， 蔣大治. 內河航道交通運行特性分析及預測[J]. 現代交通技術， 2018， 15（5）： 78-81.

[3]CHOU Chien-Chang， CHU Ching-Wu， LIANG Gin-Shuh. A modified regression model for forecasting the volumes of Taiwans import containers[J]. Mathematical and Computer Modelling， 2008， 47（9/10）： 797-807.DOI： 10.1016/j.mcm.2007.05.005.

[4]陳作桓， 楊家軒， 陳志寧. 一種改進的灰色Verhulst船舶交通流量預測模型[J]. 船海工程， 2019， 48（S1）： 267-270.

[5]HSU Chaug-Ing， HUANG Yu-Che， WONG KaIo. A grey hybrid model with industry share for the forecasting of cargo volumes and dynamic industrial changes[J]. Transportation Letters， 2020， 12（1）： 25-36. DOI： 10.1080/19427867.2018.1502505.

[6]白響恩， 張浩， 張曉東， 等. 組合粗糙集和支持向量回歸的船舶交通流預測[J]. 計算機工程與應用， 2014， 50（14）： 251-254.DOI： 10.3778/j.issn.1002-8331.1208-0088.

[7]馮宏祥， 肖英杰， 孔凡邨. 基于支持向量機的船舶交通流量預測模型[J]. 中國航海， 2011， 34（4）： 62-66.

[8]AARSAETHER K G， MOAN T. Computer vision and ship traffic analysis： inferring maneuver patterns from the automatic identification system[J]. TransNav： International Journal on Marine Navigation and Safety of Sea Transportation， 2010， 4（3）： 303-308. https：//www.transnav.eu/Article_Computer_Vision_and_Ship_Traffic_Aars%C3%A6ther，15，235.html.

[9]劉敬賢， 劉振東， 周鋒. 基于廣義回歸神經網絡的船舶交通量預測模型[J]. 中國航海， 2011， 34（2）： 74-77.

[10]XIE Shouwei， YANG Yadong. Prediction of ship traffic volume in Jiujiang Port based on genetic wavelet neural network[J]. MATEC Web of Conferences， 2019， 296： 01004.DOI： 10.1051/matecconf/201929601004.

[11]呂靖， 方祥麟. 船舶交通量的組合系統預測模型與方法[J]. 大連海事大學學報， 1996， 22（2）： 33-35.

[12]劉敬賢， 張濤， 劉文. 船舶交通流組合預測方法研究[J]. 中國航海， 2009， 32（3）： 80-84.

[13]呂鵬飛， 莊元， 李洋， 等. 船舶交通量的BP神經網絡-馬爾科夫預測模型[J]. 上海海事大學學報， 2017， 38（2）： 17-21. DOI： 10.13340./j.jsmu.2017.02.004.

[14]黎偉， 陳義華. 基于四階段法的交通需求預測組合模型[J].重慶工學院學報（自然科學版）， 2007， 21（3）： 93-95.

[15]張秀俠， 孫亭亭， 凌中水. 四階段法在水運交通量預測中的應用[J]. 交通科技， 2016（2）： 200-202. DOI： 10.3963/j.issn.1671-7570.2016.02.062.

（編輯 趙勉）