Temporal-IRL：基于逆强化学习的港口拥堵与岸位调度建模
人工智能
2025-06-25 v1
摘要
预测港口拥堵对于维持可靠的全球供应链至关重要。准确的预测能够提高货物计划效率，减少延误和成本，并优化库存和分销策略，从而确保及时交付并增强供应链韧性。为实现准确预测，分析船舶行为及其在特定港口码头的逗留时间至关重要，特别是要针对各种条件下的岸位调度。关键在于，模型必须捕捉和学习岸位调度的底层优先级和模式。岸位调度和计划受多种因素影响，包括到达船舶规模、等待时间以及码头内船舶状态。通过观察历史自动识别系统（AIS）位置，我们重建岸位计划，随后用于通过逆强化学习（IRL）确定奖励函数。为此，我们针对纽约/新泽西港的特定码头建模，开发了Temporal-IRL。该Temporal-IRL模型学习港位调度，以预测码头的船舶序列并估计船舶在港口的逗留时间，包括等待和登港时间，用于预测港口拥堵。我们利用2015年1月至2023年9月间马赫码头的数据进行训练和测试，取得显著优异的效果。
引用
@article{arxiv.2506.19843,
title = {Temporal-IRL: Modeling Port Congestion and Berth Scheduling with Inverse Reinforcement Learning},
author = {Guo Li and Zixiang Xu and Wei Zhang and Yikuan Hu and Xinyu Yang and Nikolay Aristov and Mingjie Tang and Elenna R Dugundji},
journal= {arXiv preprint arXiv:2506.19843},
year = {2025}
}
备注
TRB2025