面向全球班轮运输多步挂靠港序列预测的检索增强 Transformer
机器学习
2026-05-18 v1
摘要
准确的多步挂靠港序列预测对于战术性资源编排和物流效率至关重要。然而，现有方法难以应对不可靠的船期表以及 AIS 数据无法提供下一港以外可见性的问题。为解决此问题，本研究提出了一种连接性约束与检索增强（CCRE）深度学习框架。受检索增强生成（Retrieval-Augmented Generation）的启发，CCRE 引入了一个检索增强的历史编码器，该编码器查询全球海事数据库以获取上下文相似的导航先例。将这些场景转化为候选级语义表示，弥补了长尾航线中的数据稀疏性并解决了航线模糊性问题。通过将其与基于 Transformer 的轨迹编码器集成，该架构通过交叉注意力机制执行自适应“中间融合”。这动态地将预测依赖从用于短期准确性的实时运动学转移到用于长期战略稳定性的历史上下文。为确保序列级连贯性，预测被形式化为一个联合序列生成问题，使用一个集成了计划采样和 Gumbel-Softmax 松弛的自回归 Transformer 解码器。这减轻了误差累积，同时拓扑掩码严格强制执行海事网络可达性，以消除操作上不可行的路线。在全球数据集上的评估显示，CCRE 实现了 72.3% 的首港准确率和 61.4% 的平均三步准确率，分别比 CatBoost 和 LSTM 等基线模型平均高出 12.6% 和 11.3%。案例研究进一步证实了该模型的可扩展性及其捕捉跨不同国际贸易通道的复杂路由模式的能力。
引用
@article{arxiv.2605.15937,
title = {A Retrieval-Enhanced Transformer for Multi-Step Port-of-Call Sequence Prediction in Global Liner Shipping},
author = {Yanzhao Su and Fang He and Yineng Wang},
journal= {arXiv preprint arXiv:2605.15937},
year = {2026}
}