随着内河航运的发展，三峡枢纽有限的运输能力已难以满足船舶快速过闸的迫切需求，船舶长时待闸已成为常态。为适应日益增长的过闸运输需求，响应三峡通航管理局加强通航配套设施的要求，首先，选取三个代表三峡船舶积压程度的指标：单艘船舶待闸时长、船舶南北线流量和船舶平均待闸时长；其次，针对单艘船舶待闸时长问题，提出了一种融合层次分析和粒子群的改进随机森林方法（AHP-PSO-RF）；然后，针对船舶南北线流量和船舶平均待闸时长，提出了一种结合2D图卷积网络（GCN）和卷积长短期神经网络（ConvLSTM）的同步时空预测方法；最后，将两种预测方法融入三峡枢纽通行船舶积压程度预测服务系统，以此推进三峡河段信息化建设。本文主要研究内容及成果如下：
（1）针对三峡枢纽通行船舶拥堵现状，研究三峡枢纽通行业务特点与船舶交通流数据变化规律，结合指标选取规范，确定了船舶积压程度三大评价指标，将三峡通行船舶积压程度预测问题分为单船待闸时长预测、船舶流量预测和船舶平均待闸时长预测三个子问题。
（2）单艘船舶待闸时长数据分布不平衡、特征维度高，与实际调度规则高度关联。因此，将三峡枢纽通航调度规则与灰色关联分析法（GRA）相结合，筛选出与船舶待闸时长相关的特征数据集，结合AHP-PSO-RF算法，获得单船待闸时长的预测模型。实验结果表明：GRA处理之后，MAE平均减小2.73%，MSE平均减小5.11%；相对于RF算法，改进后模型预测性能平均提升了4.44%。
（3）船舶南北线流量及平均待闸时长空间关联度高、时序性强，对外部环境因素敏感。因此，添加外部环境因素作为输入属性之一，结合GCN-ConvLSTM神经网络算法，获得三峡南北线流量及船舶平均待闸时长同步预测模型。与单艘船舶待闸时长预测模型相比，可以消除船舶排队数量属性的限制，以预测精度的适当降低换取更长的预测时间尺度。经实验验证：相比于单一GCN预测模型，提出的模型性能平均提升7.24%。
（4）设计一种面向船方的智能预测服务系统，融合提出的两种预测模型，为使用者提供船舶积压程度三项指标预测服务。通过对内置算法模块的超参数敏感度测试与多年份数据集测试，验证了设计的服务系统实际应用时预测服务的可靠性与准确性。
谷歌
火狐
