冰区航行智能决策新突破：基于神经遗忘决策集成模型的破冰船需求预测

针对冰区航行模式主观评估的标准化难题，芬兰研究团队创新性地提出神经遗忘决策集成模型(NODE)，结合焦点损失函数处理数据不平衡问题。该模型通过量化预测概率与不确定性，实现97%准确率、95%精度的冰船需求预测，较随机森林等基准模型提升10%召回率，为北极航道资源优化提供智能决策支持。

　　

冬季冰区航行面临严峻挑战，波罗的海每年约40%水域结冰，船舶需在独立航行与破冰船辅助两种模式间切换。传统依赖航海员经验的评估方式存在主观性强、难以标准化等问题，而气候变暖导致冰况复杂化，进一步加剧了航行风险。芬兰-瑞典冬季导航系统(FSWNS)虽已建立，但现有基于h-v曲线（冰阻力与螺旋桨净推力平衡模型）或贝叶斯网络的方法，预测精度波动大（52.5%-98.9%），且简化了冰厚等连续变量。如何实现精准、客观的航行模式预测，成为优化破冰船资源配置的关键科学问题。

芬兰运输基础设施协会(FTIA)联合研究团队在《Engineering Applications of Artificial Intelligence》发表创新成果，开发了基于神经遗忘决策集成(NODE)的深度学习模型。研究整合AIS轨迹、HELMI海冰预报和IBNet船舶数据，通过多步聚类标记746,744个数据点（含10.4万辅助案例），采用焦点损失函数解决样本不平衡问题，并引入蒙特卡洛丢弃量化预测不确定性。

模型架构突破
NODE采用8层深度架构，每层集成等深遗忘决策树(ODT)，通过α-entmax实现可微分决策。相比传统梯度提升树，其创新性在于：1）DenseNet式跨层连接，融合原始特征与所有前置层输出；2）响应张量R与选择张量C的加权线性求和机制（公式6）；3）QHAdam优化器动态调整学习率。

性能验证

• 超参数优化：4层架构表现最优（F1-score 0.944），深度8的ODT在精度（0.953）与召回（0.937）间取得平衡。
• 损失函数对比：焦点损失（γ=3.5）较交叉熵提升3%召回率，有效缓解少数类识别难题。
• 不确定性分析：MC Dropout显示，概率>0.75且不确定性<0.25的预测准确率达98%（图12），为专家复核提供量化依据。

应用价值
1）空间可视化：模型生成的概率地图（图16）可标识24小时内需辅助的热点区域，如波的尼亚湾北部（概率>80%）；
2）航迹级预测：针对特定船舶（如1A冰级货船），能精确标注航线上需破冰节点（图17红色标记）；
3）系统集成：未来可嵌入IBNet系统，实现从单船评估到舰队调度的智能升级。

该研究首次将深度树集成引入极地导航领域，其10%的召回率提升显著降低船舶被困风险。局限性在于未涵盖双船编队等复杂辅助模式，未来需通过主动学习框架持续优化。这项技术突破为北极航道"数字孪生"系统建设奠定了算法基础，对应对气候变化下的航运安全挑战具有战略意义。