MSD-LLM：基于大语言模型的港口国监督检查船舶滞留预测
人工智能
2025-05-27 v1 机器学习
摘要
海运是全球贸易的支柱，这使得船舶检查对确保海上安全和环境保护至关重要。港口国监督（PSC）由国家港口执行，以确保符合安全法规，其中船舶滞留是最严重的后果，会影响船舶日程和公司声誉。传统的船舶滞留预测机器学习方法受限于表示学习能力，因此准确率较低。同时，基于自动编码器的深度学习方法由于在学习历史 PSC 滞留记录时存在严重的数据不平衡而面临挑战。为了解决这些局限性，我们提出了基于大语言模型的海运船舶滞留预测方法（MSD-LLM），将基于双鲁棒子空间恢复（DSR）层的自动编码器与渐进式学习管线相结合，以处理不平衡数据并提取有意义的 PSC 表示。随后，大语言模型对特征进行分组和排序，以识别可能的滞留案例，从而实现动态阈值设定以进行灵活的滞留预测。在来自亚太地区的 31,707 条 PSC 检查记录上的广泛评估表明，对于新加坡港口，MSD-LLM 在曲线下面积（AUC）上比现有最先进方法高出 12% 以上。此外，它对现实世界的挑战表现出稳健性，使其能够适应各种海上风险评估场景。
引用
@article{arxiv.2505.19568,
title = {MSD-LLM: Predicting Ship Detention in Port State Control Inspections with Large Language Model},
author = {Jiongchao Jin and Xiuju Fu and Xiaowei Gao and Tao Cheng and Ran Yan},
journal= {arXiv preprint arXiv:2505.19568},
year = {2025}
}