超越下一港口：用于预测未来航段持续时间的多任务Transformer
机器学习
2026-05-19 v2
摘要
准确预测航段级别的航行持续时间是提高海运时刻表可靠性和优化长期港口运营的基础。然而，传统的预计到达时间（ETA）模型主要针对下一个直接停靠港设计，并且严重依赖实时自动识别系统（AIS）数据，而未来航段的数据本质上是不可用的。为了解决这一差距，本研究将未来港口的ETA预测重新构建为一个航段级别的时间序列预测问题。我们开发了一个基于Transformer的架构，该架构整合了历史航行持续时间、目的地港口拥堵代理指标和静态船舶描述符。所提出的框架采用因果掩码注意力机制来捕获长期时间依赖性，并采用多任务学习头来联合预测航段航行持续时间和港口拥堵状态，利用共享的潜在信号来减轻高不确定性。在2021年真实世界全球数据集上的评估表明，所提出的模型始终优于一系列有竞争力的基线方法。结果显示，与序列深度学习模型相比，平均绝对误差（MAE）相对降低4.70%，平均绝对百分比误差（MAPE）降低4.95%，均方根误差（RMSE）降低2.59%。与梯度提升机相比，MAE相对降低7.03%，MAPE降低39.49%，RMSE降低4.37%。在一个主要目的地港口进行的案例研究进一步证明了该模型的卓越准确性。
引用
@article{arxiv.2601.08013,
title = {Beyond the Next Port: A Multi-Task Transformer for Forecasting Future Voyage Segment Durations},
author = {Nairui Liu and Fang He and Xindi Tang and Yineng Wang},
journal= {arXiv preprint arXiv:2601.08013},
year = {2026}
}