买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉大连理工大学;浙江四港联动发展有限公司申请的专利基于船舶AIS数据的港口拥堵预测深度学习方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119962754B 。

龙图腾网通过国家知识产权局官网在2026-03-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510136340.5，技术领域涉及：G06Q10/04；该发明授权基于船舶AIS数据的港口拥堵预测深度学习方法是由张雪梅;徐梦俏;王军;俞波设计研发完成，并于2025-02-07向国家知识产权局提交的专利申请。

本基于船舶AIS数据的港口拥堵预测深度学习方法在说明书摘要公布了：本发明属于海运交通港口拥堵预测技术领域，涉及基于船舶AIS数据的港口拥堵预测深度学习方法。该方法的核心在于结合了Transformer和LSTM两种神经网络，并融入全球海运班轮运输网络，构建的模型可以从空间角度和时间角度捕获港口拥堵状态的时空变化特征。该方法能够结合空间和时间的依赖关系，有效提高港口拥堵状态的预测精度。本发明的方法显著优于现有的基于学习的方法，能够学习并高效地捕获港口拥堵状态的复杂潜在的时空相关性，效果好，实用性强。为港口运营商实时监控港口拥堵状态以提高港口运行效率提供一定启示。

本发明授权基于船舶AIS数据的港口拥堵预测深度学习方法在权利要求书中公布了：1.基于船舶AIS数据的港口拥堵预测深度学习方法，其特征在于，包括如下步骤： 步骤一：获取船舶实时挂靠港口的信息； 步骤二：港口拥堵状态表征； 首先，量化港口拥堵状态；以在锚地的船舶等待靠泊的平均时长来刻画港口的拥堵状态，并每小时统计一次港口的拥堵状态，得到各港口节点的拥堵状态时序数据；其中，表示实数集，表示时间序列的长度，表示港口数量，表示每个港口在每个时间步的特征维度，即为港口的拥堵状态； 然后对拥堵状态时序数据进行归一化处理，公式为： 其中，表示经过归一化处理后的拥堵状态数据；其中表示时间步，表示港口序号，表示特征维度；表示原始的拥堵状态数据在时间步、港口、特征维度上的值；和分别表示特征维度的均值和标准差； 最后使用一个线性层将高维嵌入为，即将的特征维度映射到模型隐层维度，公式如下： 其中，表示通过线性层进行高维嵌入后得到的拥堵状态嵌入表示，其维度为，是模型隐层维度；表示一个权重矩阵，属于实数集；表示一个偏置向量，属于实数集； 步骤三：构建两个海运交通网络和时间背景； 首先构建两个海运交通网络图，分别为距离图和交互图；然后构建时间背景信息；具体步骤如下： 3.1距离图，是一个无向图，用于描述港口节点之间的距离，其中分别表示距离图中港口节点和边的集合，为港口节点的数量，表示距离图的邻接矩阵，具体为使用港口节点间的距离的倒数来表示两个港口节点之间的权重，港口节点越接近，其值越高；设表示港口节点和的欧几里得距离，距离图的邻接矩阵表示如下： 其中，是距离图的邻接矩阵中的元素，表示港口节点与之间的权重，即距离的倒数；接着将通过node2vec方法将空间中每个港口节点映射到高维空间向量表示； 3.2交互图，是一个有向图，用来表示船舶历史航行记录的两个港口节点相互交互的频数，其中表示交互图的邻接矩阵；具体为沿着船舶航行的方向，船舶从港口节点离开，其下一次到达的港口节点为时，所有满足这一条件的船舶数量即为港口节点和之间的交互权重；权重越大，说明港口节点与交互越频繁，同时港口节点更可能影响的拥堵状态；交互图的邻接矩阵表示如下： 其中，表示港口节点和的交互频数，表示港口节点与之间的权重；同样地，将通过node2vec方法将空间中每个港口节点映射到高维空间向量表示； 3.3最后将步骤3.1与3.2中所获得的港口节点的两个空间向量表示与进行向量拼接，得到最终港口节点的空间向量表示； 3.4采用两个重要的时间信号：一个月中的周数，一周中的天数；这两个信号为港口拥堵预测任务提供长期和短期的背景信息；一个月被划分为，一周被划分为7天；然后分别将它们编码为维度为和的独热向量，再将两个独热向量拼接在一起构建出了时间背景信息嵌入表示； 步骤四：ST-LSTTM深度学习网络模型设置； ST-LSTTM深度学习网络模型用于对海运交通系统中港口拥堵状态进行预测，其整体架构由编码器和解码器组成，并在编码器与解码器之间设置了一个注意力模块；具体如下： 4.1编码器设置 编码器的输入为步骤二所获的拥堵状态嵌入表示、步骤三所获得的港口节点的空间向量表示以及时间背景信息嵌入表示；输入编码器后由编码器学习并捕获港口节点之间拥堵状态的时空相关性并输出；具体为： 编码器包含多个层，每一层由空间Transformer、LSTM神经网络和一个融合模块组成；空间Transformer神经网络用来捕获港口拥堵状态的空间依赖关系，设为；LSTM用来捕获港口拥堵状态的时间变化模式，设为；为了获得港口拥堵状态预测问题的复杂的时空相关性，融合模块将空间特征和时间特征交织融合在一起； 4.2注意力模块设置 在编码器和预测解码器之间设置了一个现在对未来的注意力模块，以及在编码器和回忆解码器之间设置了现在对过去的注意力模块；注意力模块学习并模拟了每个未来或过去时间步与所有当前输入的时间步中港口节点拥堵状态之间的关系； 4.3解码器设置 解码器部分包含两个解码器，其一是预测解码器，用于预测未来的港口拥堵状态，其输入是步骤4.2中现在对未来的注意力模块中输出的未来港口节点拥堵状态的嵌入表示，输出为所有港口节点拥堵状态的预测结果；另一个是回忆解码器，作为正则化项以防止预测解码器过拟合的情况，其输入为步骤4.2中现在对过去的注意力模块中输出的过去的港口节点拥堵状态的嵌入表示，输出则是对过去所有港口节点拥堵状态的回忆结果；两个解码器的结构均与编码器结构相同；在预测解码器和回忆解码器之后，分别添加了全连接层，得到相应的预测和回忆的拥堵状态结果和； 步骤五：模型损失函数设置； 在模型训练时的损失函数由预测和回忆港口拥堵状态时的损失组成，并且均是以平均绝对误差MAE来计算的。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人大连理工大学;浙江四港联动发展有限公司，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。