基于频率分解与海洋环境因素耦合的船舶到港时间预测方法研究

为解决船舶到港时间（ETA）预测精度不足导致的港口调度效率低下问题，研究人员提出了一种基于频率分解的间接预测框架。通过将船舶速度信号分解为近恒定、准周期和气象海洋（met-ocean）敏感子信号，结合轻量化模型（ARIMA）、频率传递平滑滤波（FTS）和多特征半动态模型，实现了ETA预测误差降低30%以上，为港口供应链优化提供了可靠技术支撑。

　　

在全球航运网络规模持续扩张的背景下，船舶到港时间（Estimated Time of Arrival, ETA）预测的准确性直接关系到港口调度效率和供应链稳定性。然而，现有方法面临两大困境：直接预测模型难以处理船舶性能、气象海洋（met-ocean）条件与航行轨迹间的复杂耦合关系；间接预测方法则受限于原始速度信号中混合信息的干扰，导致预测误差随航程延长而显著增大。尤其当船舶被要求提前72小时提交ETA报告时，传统方法的预测偏差可能引发连锁性的港口拥堵和经济损失。

针对这一工程难题，大连海事大学的研究团队在《Ocean Engineering》发表了一项创新研究。该团队提出了一种基于频率分解的间接预测框架，通过解耦船舶速度信号的时频特性，实现了ETA预测精度至少30%的提升。研究的关键技术包括：1）采用混合分解策略提取速度信号的近恒定、准周期和高频子成分；2）针对近恒定子信号开发轻量化ARIMA（自回归积分滑动平均）模型；3）设计频率传递平滑滤波（Frequency-based Transfer with Smoothing filter, FTS）算法解析准周期子信号；4）构建多特征半动态模型捕捉气象海洋敏感的高频波动。实验数据来自真实航运场景的自动识别系统（AIS）和气象海洋数据库。

问题描述
研究将ETA预测转化为剩余航行时间（$\stackrel{}{T}$
^


）的估算问题，通过离散化剩余航路为时间分辨率固定的航点序列，建立速度-距离-时间的物理关联模型。

提出的框架
核心创新在于速度信号的解耦建模：近恒定子信号反映船舶静水速度特性，采用计算效率高的ARIMA处理；准周期子信号通过FTS算法利用其稳定频率特征；高频子信号则通过融合风速、浪高等met-ocean因子的半动态模型模拟。这种分治策略有效降低了混合信号建模的复杂度。

验证实验
与主流黑箱模型（BBM）和白箱模型（WBM）对比显示，该框架在长航程预测中表现尤为突出，平均绝对误差降低幅度达34.7%，且对船舶载况变化的适应性更强。

结论与展望
该研究通过时频特征解耦重新定义了ETA预测的技术路径，其分阶段建模思想不仅适用于集装箱班轮，还可扩展至散货船等航线固定的船舶类型。未来工作将聚焦于极端气象条件下的模型鲁棒性增强，以及多船协同预测系统的开发。

这项研究的意义在于：首次将频率分析引入航运工程领域，突破了传统数据驱动方法对独立同分布（IID）数据的依赖；提出的FTS算法为周期性运动物体的状态预测提供了新范式；实践层面为港口智能调度系统提供了可嵌入的预测模块，据估算可使港口滞期费减少15%-20%。作者团队特别指出，框架中采用的半动态模型结构能有效平衡met-ocean因素的动态影响与计算时效性，这对实时性要求高的航运决策场景具有重要价值。