链上镖师 / Chain Biaoshi
TRE|班轮船期中断：AIS行为挖掘与恢复策略预测
从全球船舶轨迹重建跳港、换港序与提速行为，并用动态集成模型提供决策支持
论文从2018—2023年全球3559艘集装箱船的AIS轨迹中识别船期恢复行为，再用PHCUE预测正常挂靠、跳港、换港序和提速四类策略，取得0.84准确率与0.81宏F1。
- 01：数据库覆盖全球700多个港口及3559艘集装箱船。
- 02：行为挖掘同时覆盖跳港、相邻港口换序和航段提速。
- 03：模型联合利用船舶、港口、拥堵、企业、市场与天气信息。
- 04：PHCUE的平均误分类成本为1.21，并通过SHAP解释策略驱动因素。
从AIS轨迹到恢复策略决策
船期受到港口拥堵、恶劣天气、政策变化或地缘事件扰动后，船公司可以跳过计划挂靠港、调整相邻港口次序或提高航速追赶班期。既有优化研究多依赖预设参数和模拟场景，本文将真实AIS轨迹中的实际选择转化为可训练标签，形成“行为挖掘—策略预测—机制解释”的完整链路。
01正常挂靠：航次按标准服务航线执行。
02跳港：实际航次遗漏计划中的挂靠港。
03换港序：两个相邻港口的实际访问次序发生逆转。
04提速：航段旅行时间显著低于该航段的历史正常水平。
研究的“挖掘—预测”四阶段总体框架。来源：Fig. 6
1重建船舶实际挂靠序列与标准服务航线
2识别跳港、换港序、提速及正常挂靠样本
3对齐决策时刻并接入多源运营特征
4训练PHCUE并输出策略概率与SHAP解释
PHCUE如何动态组合模型
PHCUE先由多样性感知遗传算法在同一染色体中联合搜索三个基学习器的超参数和全局融合权重，并以宏F1作为适应度。模型随后使用分层交叉验证产生样本外概率和类别专长矩阵，再根据当前运营情境、各模型对不同策略的可靠性及预测不确定性生成样本级权重。
情境与不确定性感知的PHCUE分层集成结构。来源：Fig. 8
阶段 1 DGA联合优化基学习器参数与静态软投票权重
阶段 2 样本外预测构造类别专长和情境元特征
阶段 3 动态门控为每个样本和策略分配模型权重
阶段 4 以γ=0.2将动态结果与静态基线进行残差融合
残差融合保留高性能静态集成的主要贡献，同时让20%的预测概率来自情境与不确定性感知结果，用于适配航线、季节和策略类别之间的差异。
模型在决策时刻读取哪些信息
每个样本对应船舶离开前序港、驶向下一港期间的运营状态。输入特征涵盖船舶尺度与活动、下一港和后续港的网络位置、航段时长、班期波动、港口拥堵、企业排名与联盟关系、港口市场份额、历史策略偏好、货运需求以及波高、能见度和海盗风险等安全条件。
恢复策略预测所使用的多层次特征体系。来源：Table 1
✓船舶层：载重吨、船龄、设计航速、发动机功率和历史活动。
✓港口与航段层：网络中心性、替代港条件、旅行时间和班期波动。
✓企业与市场层：公司排名、联盟、市场份额、策略偏好和需求强度。
✓环境与风险层：实时拥堵、波高、能见度和海盗风险。
四类策略预测达到什么水平
评估同时采用准确率、宏精确率、宏召回率、宏F1和平均误分类成本。宏平均指标给予四个类别同等权重，适合检验跳港、换港序和提速等少数类的识别质量；平均误分类成本使用非对称成本矩阵衡量运营后果，使高代价漏判在评价中获得更高权重。
总体准确率
0.84
宏F1
0.81
PHCUE与十种基准模型的宏平均预测性能比较，平均误分类成本为1.21。来源：Table 5
不同数据平衡与特征筛选方案的性能对照。来源：Table 6
Table 6将类别平衡和特征筛选拆开比较，提供少数类性能来源的消融证据。论文给出的综合结果显示，PHCUE在预测正确率、类别均衡表现与运营误判代价三个口径上均取得较强表现。
三类恢复行为的全球空间图谱
行为识别结果显示，三类恢复动作具有不同的空间聚集特征。跳港热点靠近中国东南沿海、西欧和南欧及马六甲海峡等高流量港口群；换港序更多出现在替代港密集区域；提速集中于东亚、东南亚和中美洲的关键航运走廊，体现港口网络条件与追班选择的关联。
全球港口跳港行为识别结果及热点分布。来源：Fig. 10
全球港口换序行为识别结果及热点分布。来源：Fig. 11
全球船舶提速恢复行为识别结果及热点分布。来源：Fig. 12
空间分布为港口资源安排和航次预案提供了分区线索：港群密度、枢纽重要性与关键走廊位置共同影响船公司可选择的恢复动作。
从特征贡献回到真实航次
论文使用SHAP分别解释跳港、换港序和提速预测，并将重要变量归纳为港口经济价值、直接运营成本与风险、企业既有策略偏好三组因素。相关矩阵用于识别变量之间的联动，三个真实航次案例进一步对照标准航线、实际轨迹及历史样本分布，检查模型解释与具体运营情境的一致性。
预测特征的相关性结构与变量联动。来源：Fig. 14
跳港、换港序和提速策略的SHAP关键驱动因素。来源：Fig. 15
三类班期恢复策略的代表性真实航次案例。来源：Fig. 16
真实案例关键特征与历史样本分布的对照验证。来源：Fig. 17
模型适用条件与研究边界
该框架面向全球班轮集装箱船的航次级恢复策略预测，依赖可重建标准服务航线的AIS轨迹以及能够对齐决策时刻的港口、企业、市场和天气数据。输出覆盖正常挂靠、跳港、相邻港口换序和提速四类行为，适合为船公司航次预案、港口资源管理与航运韧性诊断提供概率参考。
- 数据时间范围为2018—2023年，样本来自3559艘集装箱船和全球700多个港口。
- 研究标签覆盖三类主流恢复动作及正常挂靠，未覆盖更复杂的组合策略。
- SHAP解释反映特征与模型预测之间的关联，论文未将其作为因果效应估计。
- 论文未报告2023年以后跨期外部验证、非集装箱船测试或实时部署延迟。
使用该模型时，需要先确认航线结构、策略集合、数据覆盖和运营环境与训练样本具有可比性；遇到新型中断、组合恢复动作或明显超出历史分布的航次，应重新校准标签、特征与预测模型。
论文：From big data to decision support: a hybrid machine learning approach for strategic behavior of schedule recovery under service disruptions in global liner shipping
作者：Lingye Zhang，Xingcan Fan，Shiguan Liao，Kee-hung Lai
期刊：Transportation Research Part E
链上镖师、先卜交通、先卜运筹通用论文ID
保存此推文 ID，可在粉丝群内获取相关材料，未来更多功能敬请期待
先卜科技团队：常文婕、张巧巧、王一航、夏子帆、张晓乐、祁园园、张仁义
