海事时空数据挖掘与预测研究进展

余红楚; 徐潇涵; 卢怡帆; 许磊

doi:10.13203/j.whugis20260133

您当前的位置：

首页 >

文章列表页 >

海事时空数据挖掘与预测研究进展

地图制图学与地理信息工程 | 更新时间：2026-11-05

- 海事时空数据挖掘与预测研究进展
- Research Progress of Spatiotemporal Data Mining and Prediction for Maritime Transportation
- 武汉大学学报（信息科学版） 2026年51卷第8期页码：1725-1754
- 作者机构：
  
  1.武汉理工大学航运学院，湖北武汉，430063
  2.武汉理工大学水路交通控制全国重点实验室，湖北武汉，430063
  3.武汉理工大学三亚科教创新园，海南三亚，572025
  4.中国地质大学（武汉）国家地理信息系统工程技术研究中心，湖北武汉，430074
- 作者简介：
  
  余红楚，博士，教授，主要从事海事大数据建模与调度优化、航运网建模与时空知识图谱、海图信息融合与智能导助航等研究。hcyu@whut.edu.cn
  卢怡帆，硕士，工程师。1120765231@qq.com
- 基金信息：
  
  国家自然科学基金(42371415;42101429);武汉理工大学水路交通控制全国重点实验室开放基金(104972025KFYd0028);海南省教育厅高等学校教育教学改革研究项目(Hnjg2024-284);国家重点研发计划(2022YFC3302703;2024YFB4303603)
- DOI：10.13203/j.whugis20260133
  中图分类号： P208
- 收稿：2026-04-27，
  
  纸质出版：2026-08-05
- 稿件说明：
移动端阅览
余红楚,徐潇涵,卢怡帆，等.海事时空数据挖掘与预测研究进展[J].武汉大学学报（信息科学版）,2026,51(8):1725-1754.

YU Hongchu,XU Xiaohan,LU Yifan,et al.Research Progress of Spatiotemporal Data Mining and Prediction for Maritime Transportation[J].Geomatics and Information Science of Wuhan University,2026,51(8):1725-1754.
余红楚,徐潇涵,卢怡帆，等.海事时空数据挖掘与预测研究进展[J].武汉大学学报（信息科学版）,2026,51(8):1725-1754. DOI：10.13203/j.whugis20260133

YU Hongchu,XU Xiaohan,LU Yifan,et al.Research Progress of Spatiotemporal Data Mining and Prediction for Maritime Transportation[J].Geomatics and Information Science of Wuhan University,2026,51(8):1725-1754. DOI：10.13203/j.whugis20260133

摘要

时空数据、物联网、高性能计算与人工智能的发展，持续推动航运业新业态演进。海事时空数据包括船舶轨迹、海图、气象数据及航运业务相关数据等，构成了反映水上交通运行态势的重要时空信息基础。海事时空数据挖掘与预测研究对于提升航运系统运行效率、运输能力与服务质量具有重要意义。系统梳理了近十年来国内外基于海事时空数据的相关研究，归纳了经典统计分析、时空统计分析、时空预测以及图论与复杂网络等主要方法，总结了其在船舶行为建模、水上交通风险评估、船舶路径优化、港口调度管理、港口与航运企业运营评估、船舶运输网络分析、船舶排放监测与预测、船舶目标识别以及航运知识图谱构建与应用等方面的研究进展，并进一步分析了该领域面临的主要挑战与未来发展方向。

Abstract

The rapid development of spatiotemporal data

the internet of things

high-performance computing

and artificial intelligence has continuously accelerated the digital and intelligent transformation of maritime transportation. Maritime spatiotemporal data

including vessel trajectories

nautical charts

meteorological and hydrological observations

and shipping business-related data

have become an important information foundation for describing the operational status of waterborne traffic and supporting intelligent maritime governance. Through effective mining and prediction of such data

it becomes possible to improve operational efficiency

transport capacity

service quality

safety management

and environmental sustainability in maritime transportation systems.Research published over the past decade has shown that maritime spatiotemporal data mining and prediction has gradually formed a relatively comprehensive methodological framework. Classical statistical analysis remains important for regression

clustering

classification

and time-series modeling

especially in tasks such as fuel-consumption estimation

trajectory pattern discovery

vessel classification

and trend analysis. Spatiotemporal statistical analysis further strengthens the characterization of spatial dependence and spatial heterogeneity by introducing spatial autocorrelation analysis

spatial pattern analysis

and spatial regression models

thereby providing effective tools for traffic-flow monitoring

hotspot identification

and regional risk assessment. With the rapid development of data-driven methods

machine learning and deep learning have been widely applied to trajectory prediction

traffic-state prediction

behavior recognition

and emission forecasting. In parallel

graph theory and complex network methods have provided effective support for representing interactions among vessels

ports

and routes

and for analyzing network evolution

vulnerability

and resilience.Existing studies have also demonstrated broad application potential in vessel behavior modeling

waterborne traffic risk assessment

vessel path optimization

port scheduling and management

port and shipping enterprise operation evaluation

shipping network analysis

ship emission monitoring and prediction

vessel target recognition

and maritime knowledge graph construction and application. Overall

maritime spatiotemporal data are driving a transition from experience-based judgment toward data-driven analysis and intelligent decision support.Despite these advances

several challenges remain unresolved

including data heterogeneity

missing and noisy observations

cross-source fusion difficulty

uncertainty propagation

insufficient model interpretability

weak cross-scenario generalization

and the lack of unified evaluation benchmarks. Future research should place greater emphasis on high-quality multimodal data construction

real-time spatiotemporal computing

knowledge-enhanced modeling

graph intelligence

large-model-assisted maritime decision support

and integrated frameworks that combine perception

analysis

prediction

and dynamic control

so as to provide stronger support for intelligent shipping

smart ports

and modern waterborne traffic governance.

关键词

Keywords

references

李德仁，姚远，邵振峰 . 智慧城市中的大数据［J］. 武汉大学学报（信息科学版）， 2014 ， 39 （ 6 ）： 631 - 640 .

LI Deren ， YAO Yuan ， SHAO Zhenfeng . Big Data in Smart City ［J］. Geomatics and Information Science of Wuhan University ， 2014 ， 39 （ 6 ）： 631 - 640 .

NEWALIYA N ， SINGH Y . A Review of Maritime Spatiotemporal Data Analytics ［C］// International Conference on Computational Performance Evaluation ， Shillong， India ， 2021 .

唐柠 . 航运大数据时代正向我们走来［J］. 中国远洋海运， 2017 （ 12 ）： 22 - 23 .

TANG Ning . The Era of Shipping Big Data Is Coming to Us ［J］. Maritime China ， 2017 （ 12 ）： 22 - 23 .

WEN R ， YAN W J ， ZHANG A N ， et al . Spatio-temporal Route Mining and Visualization for Busy Waterways ［C］// IEEE International Conference on Systems， Man， and Cybernetics ， Budapest， Hungary ， 2016 .

KABIR M ， KANG M J ， WU X ， et al . Study on U-Turn Behavior of Vessels in Narrow Waterways Based on AIS Data ［J］. Ocean Engineering ， 2022 ， 246 ： 110608 .

周慧君 . 顾及地理环境的船舶行为识别研究［J］. 测绘地理信息， 2023 ， 48 （ 5 ）： 117 - 122 .

ZHOU Huijun . Ship Behavior Identification Considering Geographical Environment ［J］. Journal of Geomatics ， 2023 ， 48 （ 5 ）： 117 - 122 .

HAN P ， YANG X X . Big Data-Driven Automatic Generation of Ship Route Planning in Complex Maritime Environments ［J］. Acta Oceanologica Sinica ， 2020 ， 39 （ 8 ）： 113 - 120 .

FILIPIAK D ， WĘCEL K ， STRÓŻYNA M ， et al . Extracting Maritime Traffic Networks from AIS Data Using Evolutionary Algorithm ［J］. Business & Information Systems Engineering ， 2020 ， 62 （ 5 ）： 435 - 450 .

YING W ， WEN YING M O ， MINGWANG OU Q L ， et al . Abnormal Detection Method of Transship Based on Marine Target Spatiotemporal Data ［J］. Journal of Internet Technology ， 2023 ， 24 （ 5 ）： 1123 - 1130 .

HUANG P ， CHEN Q ， WANG D ， et al . TripleConvTransformer： A Deep Learning Vessel Trajectory Prediction Method Fusing Discretized Meteorological Data ［J］. Frontiers in Environmental Science ， 2022 ， 10 ： 1012547 .

ZHANG K Y ， ZHANG C M ， ZHU Q H ， et al . Ship Trajectory D-TCN Prediction Method Based on Satellite Remote Sensing Positioning Data ［C］// China Automation Congress ， Xiamen， China ， 2022 .

WANG S W ， LI Y ， XING H . A Novel Method for Ship Trajectory Prediction in Complex Scenarios Based on Spatiotemporal Features Extraction of AIS Data ［J］. Ocean Engineering ， 2023 ， 281 ： 114846 .

CHEN P F ， LI M X ， MOU J M . A Velocity Obstacle-Based Real-Time Regional Ship Collision Risk Analysis Method ［J］. Journal of Marine Science and Engineering ， 2021 ， 9 （ 4 ）： 428 .

XIONG J T ， JIN X ， DONG G Z ， et al . Risk Assessment of Ship Traffic Safety in Port Waters Based on AIS Data ［J］. IOP Conference Series： Earth and Environmental Science ， 2021 ， 638 （ 1 ）： 012022 .

张帆，范文红，黄亮，等 . 基于海事大数据的船舶综合风险评价和船旗国检查选船标准优化研究［J］. 武汉理工大学学报（交通科学与工程版）， 2022 ， 46 （ 5 ）： 938 - 942 .

ZHANG Fan ， FAN Wenhong ， HUANG Liang ， et al . Research on Ship Comprehensive Risk Assessment and Optimization of Flag State Inspection and Ship Selection Standards Based on Maritime Big Data ［J］. Journal of Wuhan University of Technology （Transportation Science & Engineering）， 2022 ， 46 （ 5 ）： 938 - 942 .

JOHANSSON L ， JALKANEN J P ， KUKKONEN J . Global Assessment of Shipping Emissions in 2015 on a High Spatial and Temporal Resolution ［J］. Atmospheric Environment ， 2017 ， 167 ： 403 - 415 .

HUANG L ， WEN Y Q ， GENG X Q ， et al . Estimation and Spatiotemporal Analysis of Ship Exhaust Emission in a Port Area ［J］. Ocean Engineering ， 2017 ， 140 ： 401 - 411 .

JO D J ， KIM Y J ， LEE J S ， et al . Evaluation of Exhaust Gas Emissions Using Spatiotemporal Analysis Based on Maritime Big Data ［J］. Journal of Coastal Research ， 2023 ： 508 - 512 .

FENG M X ， SHAW S L ， PENG G J ， et al . Time Efficiency Assessment of Ship Movements in Maritime Ports： A Case Study of Two Ports Based on AIS Data ［J］. Journal of Transport Geography ， 2020 ， 86 ： 102741 .

YU H C ， ZHANG M ， CUI C ， et al . Evaluating Competitiveness of Container Shipping Operators in the Sustainability and Digitalization Era ［J］. Sustainability ， 2024 ， 16 （ 10 ）： 4228 .

PENG P ， LU F ， CHENG S F ， et al . Mapping the Global Liquefied Natural Gas Trade Network： A Perspective of Maritime Transportation ［J］. Journal of Cleaner Production ， 2021 ， 283 ： 124640 .

GUO S ， LYU J . Evolution and Stability of Liner Shipping Networks in Northeast Asia from 2018 to 2022 ［J］. Transport Policy ， 2024 ， 158 （ C ）： 159 - 174 .

JIN J L ， ZHOU W ， JIANG B C . An Overview： Maritime Spatial-Temporal Trajectory Mining ［J］. Journal of Physics： Conference Series ， 2021 ， 1757 （ 1 ）： 012125 .

WANG S W ， LI Y ， ZHANG Z Y ， et al . Big Data Driven Vessel Trajectory Prediction Based on Sparse Multi-graph Convolutional Hybrid Network with Spatiotemporal Awareness ［J］. Ocean Engineering ， 2023 ， 287 ： 115695 .

李德仁，马军，邵振峰 . 论时空大数据及其应用［J］. 卫星应用， 2015 （ 9 ）： 7 - 11 .

LI Deren ， MA Jun ， SHAO Zhenfeng . On Spatio-temporal Big Data and Its Application ［J］. Satellite Application ， 2015 （ 9 ）： 7 - 11 .

ZHOU X X ， WANG J Y ， ZHENG F J ， et al . An Overview of Coastline Extraction from Remote Sensing Data ［J］. Remote Sensing ， 2023 ， 15 （ 19 ）： 4865 .

韩健 . 舰载航行数据记录仪数据通信协议的安全性分析与改进［J］. 科技与创新， 2025 （ 14 ）： 187 - 189 .

HAN Jian . Security Analysis and Improvement of Data Communication Protocol of Ship-Borne Navigation Data Recorder ［J］. Science and Technology & Innovation ， 2025 （ 14 ）： 187 - 189 .

高积学 . 船舶VTS雷达信号测试与分析技术［J］. 舰船科学技术， 2022 ， 44 （ 18 ）： 165 - 168 .

GAO Jixue . Vessel VTS Radar Signal Testing and Analysis Technology ［J］. Ship Science and Technology ， 2022 ， 44 （ 18 ）： 165 - 168 .

殷婷婷，吴俊孟，钱龙 . 自动化集装箱码头视频监控系统设计［J］. 水运工程， 2022 （ 10 ）： 204 - 207 .

YIN Tingting ， WU Junmeng ， QIAN Long . Design of Video Monitoring System for Automated Container Terminal ［J］. Port & Waterway Engineering ， 2022 （ 10 ）： 204 - 207 .

郭乃琨 . 船舶轨迹数据挖掘与可视化技术研究［D］. 郑州：信息工程大学， 2022 .

GUO Naikun . Study on Ship Trajectory Data Mining and Visualization Technology ［D］. Zhengzhou ： Information Engineering University ， 2022 .

张福斌，马朋，王智辉 . 基于横坐标系的捷联惯性导航系统/多普勒速度仪极区组合导航算法［J］. 兵工学报， 2016 ， 37 （ 7 ）： 1229 - 1235 .

ZHANG Fubin ， MA Peng ， WANG Zhihui . SINS/DVL Integrated Navigation Algorithm Based on Transversal Coordinate Frame in Polar Region ［J］. Acta Armamentarii ， 2016 ， 37 （ 7 ）： 1229 - 1235 .

张安民，张立华，郭博峰，等 . 海图制图原理与技术［M］. 武汉：武汉大学出版社， 2022 .

ZHANG Anmin ， ZHANG Lihua ， GUO Bofeng . Oceanic Surveying and Mapping ［M］. Wuhan ： Wuhan University Press ， 2022 .

唐文静 . 多源地理空间矢量数据融合［M］. 北京：清华大学出版社， 2014 .

TANG Wenjing . Conflation of Multisource Geospatial Vector Data ［M］. Beijing ： Tsinghua University Press ， 2014 .

刘煜，刘慧璋 . 矢量数据和栅格数据在土地预测中的应用对比：以山西岔口小流域为例［J］. 农业网络信息， 2017 （ 10 ）： 27 - 31 .

LIU Yu ， LIU Huizhang . The Application Comparison Between Vector Data and Raster Data in the Land-Use Forecast—Taking Shanxi Cha-Kou Small Watershed as an Example ［J］. Agriculture Network Information ， 2017 （ 10 ）： 27 - 31 .

姜楠 . 天津海事测绘中心水文站网数据的应用探究［J］. 航海， 2019 （ 6 ）： 63 - 65 .

JIANG Nan . Application of Hydrological Station Network Data of Tianjin Maritime Surveying and Mapping Center ［J］. Navigation ， 2019 （ 6 ）： 63 - 65 .

王晓风 . 流域水文气象要素演变特征及径流变化的气候响应［J］. 水上安全， 2024 （ 5 ）： 64 - 66 .

WANG Xiaofeng . Evolution Characteristics of Hydrometeorological Elements and Climate Response of Runoff Change in River Basin ［J］. Maritime Safety ， 2024 （ 5 ）： 64 - 66 .

钟璐潞，李桂萍 . 珠江航运大数据应用体系及场景研究［J］. 中国水运， 2021 （ 19 ）： 69 - 71 .

ZHONG Lulu ， LI Guiping . Research on Application System and Scenarios of Pearl River Shipping Big Data ［J］. China Water Transport ， 2021 （ 19 ）： 69 - 71 .

张弛 . 基于TDQM的海事业务数据质量提升系统设计与实现［D］. 北京：北京交通大学， 2023 .

ZHANG Chi . Design and Implementation of TDQM-Based MSA Management Data Quality Improvement System ［D］. Beijing ： Beijing Jiaotong University ， 2023 .

徐武雄，初秀民，刘兴龙 . 海事业务数据挖掘和共享关键技术研究［C］// 第十届中国智能交通年会，江苏无锡， 2015 .

XU Wuxiong ， CHU Xiumin ， LIU Xinglong . Research on Key Technologies of Maritime Business Data Mining and Sharing ［C］// The 10th China Annual Conference on Intelligent Transportation Systems ， Wuxi，China ， 2015 .

AGAND P ， KENNEDY A ， HARRIS T ， et al . Fuel Consumption Prediction for a Passenger Ferry Using Machine Learning and In-Service Data： A Comparative Study ［PP/OL］. V2. arXiv （ 2023-10-23 ）［ 2023-10-19 ］. https：//doi.org/10.48550/arXiv.2310.13123 https://doi.org/10.48550/arXiv.2310.13123 .

CERQUEIRA V ， TORGO L . Exceedance Probability Forecasting via Regression for Significant Wave Height Prediction ［PP/OL］. V4. arXiv （ 2024-05-06 ）［ 2022-06-20 ］. https：//doi.org/10.48550/arXiv.2206.09821 https://doi.org/10.48550/arXiv.2206.09821 .

ZHAI D Q ， FU X J ， YIN X F ， et al . Predicting Berth Stay for Tanker Terminals： A Systematic and Dynamic Approach ［PP/OL］. V2. arXiv （ 2022-05-18 ）［ 2022-04-08 ］. https：//doi.org/10.48550/arXiv.2204.04085 https://doi.org/10.48550/arXiv.2204.04085 .

LIANG M H ， LIU R W ， GAO R B ， et al . A Survey of Distance-Based Vessel Trajectory Clustering： Data Pre-Processing， Methodologies， Applications， and Experimental Evaluation ［PP/OL］. V2. arXiv （ 2024-07-19 ）［ 2024-07-13 ］. https：//doi.org/10.48550/arXiv.2407.11084 https://doi.org/10.48550/arXiv.2407.11084 .

ABUELLA M ， ATOUI M A ， NOWACZYK S ， et al . Spatial Clustering Approach for Vessel Path Identification ［PP/OL］. arXiv （ 2024-03-09 ）［ 2024-03-09 ］. https：//doi.org/10.48550/arXiv.2403.05778 https://doi.org/10.48550/arXiv.2403.05778 .

HAN X Y ， ARMENAKIS C ， JADIDI M . Modeling Vessel Behaviours by Clustering AIS Data Using Optimized DBSCAN ［J］. Sustainability ， 2021 ， 13 （ 15 ）： 8162 .

XU L ， CHEN X H ， WEN B W ， et al . Ship Classification Based on Trajectories Data and LightGBM Considering Offshore Distance Feature ［C］// International Conference on Spatial Data and Intelligence ， Nanchang， China ， 2023 .

HUANG I L ， LEE M C ， NIEH C Y ， et al . Ship Classification Based on AIS Data and Machine Learning Methods ［J］. Electronics ， 2024 ， 13 （ 1 ）： 98 .

孙晓聪，付玉慧，李程浩 . 基于RF-ARIMA-BLSTM的港口船舶交通流量预测［J］. 中国航海， 2025 ， 48 （ S1 ）： 319 - 326 .

SUN Xiaocong ， FU Yuhui ， LI Chenghao . Port Traffic Flow Prediction with RF-ARIMA-BLSTM ［J］. Navigation of China ， 2025 ， 48 （ S1 ）： 319 - 326 .

WU L ， XU Y J ， WANG Q ， et al . Mapping Global Shipping Density from AIS Data ［J］. Journal of Navigation ， 2017 ， 70 （ 1 ）： 67 - 81 .

YU H C ， FANG Q L ， FANG Z X ， et al . Carbon Footprints： Uncovering Spatiotemporal Dynamics of Global Container Ship Emissions During 2015—2021 ［J］. Marine Pollution Bulletin ， 2024 ， 209 ： 117165 .

LI G R ， GAO K ， WENG J X ， et al . Deciphering Spatial and Multi-scale Variations in the Effects of Key Factors of Maritime Safety： A Multi-scale Geographically Weighted Approach ［PP/OL］. V2. arXiv （ 2023-02-20 ）［ 2021-12-11 ］. https：//doi.org/10.48550/arXiv.2112.10671 https://doi.org/10.48550/arXiv.2112.10671 .

ZHANG C K ， BIN J C ， WANG W ， et al . AIS Data Driven General Vessel Destination Prediction： A Random Forest Based Approach ［J］. Transportation Research Part C： Emerging Technologies ， 2020 ， 118 ： 102729 .

YOON J H ， KIM S W ， JO J S ， et al . A Comparative Study of Machine Learning Models for Predicting Vessel Dwell Time Estimation at a Terminal in the Busan New Port ［J］. Journal of Marine Science and Engineering ， 2023 ， 11 （ 10 ）： 1846 .

CHEN Y Y ， YANG S H ， SUO Y F ， et al . Ship Track Prediction Based on DLGWO-SVR ［J］. Scientific Programming ， 2021 ， 2021 （ 1 ）： 9085617 .

LIU J ， SHI G Y ， ZHU K G . Vessel Trajectory Prediction Model Based on AIS Sensor Data and Adaptive Chaos Differential Evolution Support Vector Regression （ACDE-SVR）［J］. Applied Sciences ， 2019 ， 9 （ 15 ）： 2983 .

XU T T ， LIU X M ， YANG X . Ship Trajectory Online Prediction Based on BP Neural Network Algorithm ［C］// International Conference of Information Technology， Computer Engineering and Management Sciences ， Nanjing， China ， 2011 .

ZHANG J N ， WANG H ， CUI F J ， et al . Research into Ship Trajectory Prediction Based on an Improved LSTM Network ［J］. Journal of Marine Science and Engineering ， 2023 ， 11 （ 7 ）： 1268 .

WU W X ， CHEN P F ， CHEN L Y ， et al . Ship Trajectory Prediction： An Integrated Approach Using ConvLSTM-Based Sequence-to-Sequence Model ［J］. Journal of Marine Science and Engineering ， 2023 ， 11 （ 8 ）： 1484 .

JIANG D P ， SHI G Y ， LI N ， et al . TRFM-LS： Transformer-Based Deep Learning Method for Vessel Trajectory Prediction ［J］. Journal of Marine Science and Engineering ， 2023 ， 11 （ 4 ）： 880 .

FORTI N ， MILLEFIORI L M ， BRACA P ， et al . Prediction Oof Vessel Trajectories from AIS Data via Sequence-to-Sequence Recurrent Neural Networks ［C］// IEEE International Conference on Acoustics， Speech and Signal Processing ， Barcelona， Spain ， 2020 .

唐家乐，段兴锋，姚鹏 . 基于改进Seq2Seq的船舶轨迹预测模型［J］. 上海海事大学学报， 2025 ， 46 （ 2 ）： 18 - 22 .

TANG Jiale ， DUAN Xingfeng ， YAO Peng . Ship Trajectory Prediction Model Based on Improved Seq2Seq ［J］. Journal of Shanghai Maritime University ， 2025 ， 46 （ 2 ）： 18 - 22 .

LIANG M H ， LIU R W ， ZHAN Y ， et al . Fine-Grained Vessel Traffic Flow Prediction with a Spatiotemporal Multigraph Convolutional Network ［J］. IEEE Transactions on Intelligent Transportation Systems ， 2022 ， 23 （ 12 ）： 23694 - 23707 .

LIU L ， SHIBASAKI R ， ZHANG Y ， et al . Data-Driven Framework for Extracting Global Maritime Shipping Networks by Machine Learning ［J］. Ocean Engineering ， 2023 ， 269 ： 113494 .

TANG H ， WEI L Q ， YIN Y ， et al . Detection of Abnormal Vessel Behaviour Based on Probabilistic Directed Graph Model ［J］. Journal of Navigation ， 2020 ， 73 （ 5 ）： 1014 - 1035 .

JEONG S ， KIM T W . Generating a Path-Search Graph Based on Ship-Trajectory Data： Route Search via Dynamic Programming for Autonomous Ships ［J］. Ocean Engineering ， 2023 ， 283 ： 114503 .

ZHANG X Z ， CHEN G ， WANG J C ， et al . A GIS-Based Spatial-Temporal Autoregressive Model for Forecasting Marine Traffic Volume of a Shipping Network ［J］. Scientific Programming ， 2019 ， 2019 （ 1 ）： 2345450 .

王直欢，胡炜琴，王逸文 . 基于复杂网络的长三角和粤港澳航运网络韧性评估［J］. 交通运输系统工程与信息， 2023 ， 23 （ 5 ）： 184 - 193 .

WANG Zhihuan ， HU Weiqin ， WANG Yiwen . Resilience Assessment of Yangtze River Delta and Guangdong-Hong Kong-Macao Shipping Networks Based on Complex Network ［J］. Journal of Transportation Systems Engineering and Information Technology ， 2023 ， 23 （ 5 ）： 184 - 193 .

龙程 . 基于船舶移动行为规律认知的轨迹异常探测［D］. 长沙：中南大学， 2022 .

LONG Cheng . Detection of trajectory abnormality based on cognition of ship movement behavior law ［D］. Changsha ： Central South University ， 2022 .

王立林，刘俊 . 基于多尺度卷积的船舶行为识别方法［J］. 计算机应用， 2019 ， 39 （ 12 ）： 3691 - 3696 .

WANG Lilin ， LIU Jun . Ship Behavior Recognition Method Based on Multi-scale Convolution ［J］. Journal of Computer Applications ， 2019 ， 39 （ 12 ）： 3691 - 3696 .

李倍莹 . 基于船舶行为分析的多特征融合异常检测模型［D］. 大连：大连海事大学， 2022 .

LI Beiying . Multi-feature Fusion Anomaly Detection Model Based on Vessel Behavior Analysis ［D］. Dalian ： Dalian Maritime University ， 2022 .

魏照坤，谢新连，潘伟，等 . 基于朴素贝叶斯算法的船舶异常行为监测［J］. 交通运输系统工程与信息， 2017 ， 17 （ 6 ）： 147 - 154 .

WEI Zhaokun ， XIE Xinlian ， PAN Wei ， et al . Ship Abnormal Behavior Detection Based on Naive Bayes ［J］. Journal of Transportation Systems Engineering and Information Technology ， 2017 ， 17 （ 6 ）： 147 - 154 .

RONG H ， TEIXEIRA A P ， SOARES C G . A Framework for Ship Abnormal Behaviour Detection and Classification Using AIS Data ［J］. Reliability Engineering & System Safety ， 2024 ， 247 ： 110105 .

马杰，何沐蓉，贾承丰，等 . 基于上下文自编码的船舶行为语义表征［J］. 交通运输工程学报， 2022 ， 22 （ 4 ）： 334 - 347 .

MA Jie ， HE Murong ， JIA Chengfeng ， et al . Semantic Representation of Ship Behavior Based on Context Autoencoder ［J］. Journal of Traffic and Transportation Engineering ， 2022 ， 22 （ 4 ）： 334 - 347 .

张天元 . 基于大数据的船舶行为分析系统的设计与实现［D］. 北京：北京邮电大学， 2020 .

ZHANG Tianyuan . Design and Implementation of Ship Behavior Analysis System Based on Big Data ［D］. Beijing ： Beijing University of Posts and Telecommunications ， 2020 .

黄靓莹 . 基于AIS信息的船舶异常行为研究［D］. 杭州：杭州电子科技大学， 2018 .

HUANG Liangying . The Research of Ship Abnormal Behavior Based on AIS Data ［D］. Hangzhou ： Hangzhou Dianzi University ， 2018 .

胡智辉 . 基于轨迹聚类的船舶异常行为识别研究［D］. 厦门：集美大学， 2017 .

HU Zhihui . Research on Ship Anomaly Behavior Identification Based on Trajectory Clustering ［D］. Xiamen ： Jimei University ， 2017 .

LIU L ， ZHANG Y ， HU Y ， et al . A Hybrid-Clustering Model of Ship Trajectories for Maritime Traffic Patterns Analysis in Port Area ［J］. Journal of Marine Science and Engineering ， 2022 ， 10 （ 3 ）： 342 .

WANG L H ， CHEN P F ， CHEN L Y ， et al . Ship AIS Trajectory Clustering： An HDBSCAN-Based Approach ［J］. Journal of Marine Science and Engineering ， 2021 ， 9 （ 6 ）： 566 .

ZHANG C ， LIU S T ， GUO M Z ， et al . A Novel Ship Trajectory Clustering Analysis and Anomaly Detection Method Based on AIS Data ［J］. Ocean Engineering ， 2023 ， 288 ： 116082 .

钱海 . 基于关联规则的船舶异常行为检测研究［D］. 大连：大连海事大学， 2022 .

QIAN Hai . Research on Vessel Anomaly Behavior Detection Based on Association Rules ［D］. Dalian ： Dalian Maritime University ， 2022 .

FENG C X ， XU J H ， ZHANG J Q ， et al . A Spatiotemporal Co-occurrence Pattern Mining Algorithm Based on Ship Trajectory Data ［J］. Advances in Mechanical Engineering ， 2024 ， 16 （ 9 ）： 16878132241274449 .

WANG S P ， GANG L H ， LIU T ， et al . Analysis of the Characteristics of Ship Collision-Avoidance Behavior Based on Apriori and Complex Network ［J］. Journal of Marine Science and Engineering ， 2025 ， 13 （ 1 ）： 35 .

KUNDAKCI B ， NAS S . Evaluation of the Anchorage Area Selection by Using Association Rule Mining ［J］. Case Studies on Transport Policy ， 2025 ， 21 ： 101544 .

向琛 . 基于孤立森林算法的船舶异常行为集成检测［D］. 大连：大连海事大学， 2020 .

XIANG Chen . Integrated Detection of Ship Abnormal Behavior Based on Isolation Forest Algorithm ［D］. Dalian ： Dalian Maritime University ， 2020 .

陈家豪，刘钊，张明阳，等 . 融合主成分分析与支持向量机的船舶异常行为识别方法［J］. 中国航海， 2023 ， 46 （ 3 ）： 126 - 134 .

CHEN Jiahao ， LIU Zhao ， ZHANG Mingyang ， et al . Identifying Ship’s Abnormal Behavior by Using Principal Component Analysis and Support Vector Machine in Combination ［J］. Navigation of China ， 2023 ， 46 （ 3 ）： 126 - 134 .

SHI Y ， LONG C ， YANG X X ， et al . Abnormal Ship Behavior Detection Based on AIS Data ［J］. Applied Sciences ， 2022 ， 12 （ 9 ）： 4635 .

ZHENG H L ， HU Q Y ， YANG C ， et al . Identification of Spoofing Ships from Automatic Identification System Data via Trajectory Segmentation and Isolation Forest ［J］. Journal of Marine Science and Engineering ， 2023 ， 11 （ 8 ）： 1516 .

LÜ X D ， SHU N N ， JIANG R H ， et al . An Unsupervised Deep Learning Approach for Detecting Anomalous Identities of Ships ［J］. Ocean Engineering ， 2025 ， 339 ： 122144 .

甄荣，金永兴，胡勤友，等 . 基于AIS信息和BP神经网络的船舶航行行为预测［J］. 中国航海， 2017 ， 40 （ 2 ）： 6 - 10 .

ZHEN Rong ， JIN Yongxing ， HU Qinyou ， et al . Vessel Behavior Prediction Based on AIS Data and BP Neural Network ［J］. Navigation of China ， 2017 ， 40 （ 2 ）： 6 - 10 .

杨红，韩鹏，刘畅，等 . 基于多任务学习的船舶行为识别与轨迹预测［J］. 重庆交通大学学报（自然科学版）， 2022 ， 41 （ 4 ）： 1 - 7 .

YANG Hong ， HAN Peng ， LIU Chang ， et al . Vessel Behavior Recognition and Trajectory Prediction Based on Multi-task Learning Model ［J］. Journal of Chongqing Jiaotong University （Natural Science）， 2022 ， 41 （ 4 ）： 1 - 7 .

MA H ， ZUO Y ， LI T S . Vessel Navigation Behavior Analysis and Multiple-Trajectory Prediction Model Based on AIS Data ［J］. Journal of Advanced Transportation ， 2022 ， 2022 （ 1 ）： 6622862 .

WANG W T ， XIONG W ， OUYANG X ， et al . TPTrans： Vessel Trajectory Prediction Model Based on Transformer Using AIS Data ［J］. ISPRS International Journal of Geo⁃Information ， 2024 ， 13 （ 11 ）： 400 .

HUANG F L ， LIU Z R ， LI X H ， et al . Vessel Trajectory Prediction Based on AIS Data： Dual-Path Spatial-Temporal Attention Network with Multi-attribute Information ［J］. Journal of Marine Science and Engineering ， 2024 ， 12 （ 11 ）： 2031 .

ZHEN R ， RIVEIRO M ， JIN Y X . A Novel Analytic Framework of Real-Time Multi-vessel Collision Risk Assessment for Maritime Traffic Surveillance ［J］. Ocean Engineering ， 2017 ， 145 ： 492 - 501 .

ZHANG W B ， FENG X Y ， GOERLANDT F ， et al . Towards a Convolutional Neural Network Model for Classifying Regional Ship Collision Risk Levels for Waterway Risk Analysis ［J］. Reliability Engineering & System Safety ， 2020 ， 204 ： 107127 .

NAMGUNG H ， KIM J S . Collision Risk Inference System for Maritime Autonomous Surface Ships Using COLREGs Rules Compliant Collision Avoidance ［J］. IEEE Access ， 2021 ， 9 ： 7823 - 7835 .

UNG S T . Navigation Risk Estimation Using a Modified Bayesian Network Modeling：A Case Study in Taiwan ［J］. Reliability Engineering & System Safety ， 2021 ， 213 ： 107777 .

YANG Y ， SHAO Z P ， HU Y ， et al . Geographical Spatial Analysis and Risk Prediction Based on Machine Learning for Maritime Traffic Accidents： A Case Study of Fujian Sea Area ［J］. Ocean Engineering ， 2022 ， 266 ： 113106 .

MAZAHERI A ， MONTEWKA J ， KOTILAINEN P ， et al . Assessing Grounding Frequency Using Ship Traffic and Waterway Complexity ［J］. Journal of Navigation ， 2015 ， 68 （ 1 ）： 89 - 106 .

YANG L C ， LIU J X ， LIU Z ， et al . Grounding Risk Quantification in Channel Using the Empirical Ship Domain ［J］. Ocean Engineering ， 2023 ， 286 ： 115672 .

MAZAHERI A ， MONTEWKA J ， KUJALA P . Towards an Evidence-Based Probabilistic Risk Model for Ship-Grounding Accidents ［J］. Safety Science ， 2016 ， 86 ： 195 - 210 .

ABAEI M M ， ARZAGHI E ， ABBASSI R ， et al . Dynamic Reliability Assessment of Ship Grounding Using Bayesian Inference ［J］. Ocean Engineering ， 2018 ， 159 ： 47 - 55 .

YOUSSEF S A M ， PAIK J K . Hazard Identification and Scenario Selection of Ship Grounding Accidents ［J］. Ocean Engineering ， 2018 ， 153 ： 242 - 255 .

LIU Y ， FRANGOPOL D M . Probabilistic Risk， Sustainability， and Utility Associated with Ship Grounding Hazard ［J］. Ocean Engineering ， 2018 ， 154 ： 311 - 321 .

AKYUZ E . A Hybrid Accident Analysis Method to Assess Potential Navigational Contingencies： The Case of Ship Grounding ［J］. Safety Science ， 2015 ， 79 ： 268 - 276 .

WANG H B ， LI X G ， LI P F ， et al . Application of Real-Coded Genetic Algorithm in Ship Weather Routing ［J］. Journal of Navigation ， 2018 ， 71 （ 4 ）： 989 - 1010 .

KUROSAWA K ， UCHIYAMA Y ， KOSAKO T . Development of a Numerical Marine Weather Routing System for Coastal and Marginal Seas Using Regional Oceanic and Atmospheric Simulations ［J］. Ocean Engineering ， 2020 ， 195 ： 106706 .

KUHLEMANN S ， TIERNEY K . A Genetic Algorithm for Finding Realistic Sea Routes Considering the Weather ［J］. Journal of Heuristics ， 2020 ， 26 （ 6 ）： 801 - 825 .

FABBRI T ， VICEN-BUENO R . Weather-Routing System Based on METOC Navigation Risk Assessment ［J］. Journal of Marine Science and Engineering ， 2019 ， 7 （ 5 ）： 127 .

PENNINO S ， GAGLIONE S ， INNAC A ， et al . Development of a New Ship Adaptive Weather Routing Model Based on Seakeeping Analysis and Optimization ［J］. Journal of Marine Science and Engineering ， 2020 ， 8 （ 4 ）： 270 .

SZLAPCZYNSKA J . Multi-objective Weather Routing with Customised Criteria and Constraints ［J］. Journal of Navigation ， 2015 ， 68 （ 2 ）： 338 - 354 .

YUAN Q M ， WANG S Z ， ZHAO J S ， et al . Uncertainty-Informed Ship Voyage Optimization Approach for Exploiting Safety， Energy Saving and Low Carbon Routes ［J］. Ocean Engineering ， 2022 ， 266 ： 112887 .

LIN Y H ， FANG M C ， YEUNG R W . The Optimization of Ship Weather-Routing Algorithm Based on the Composite Influence of Multi-dynamic Elements ［J］. Applied Ocean Research ， 2013 ， 43 ： 184 - 194 .

SHAO W ， ZHOU P L ， THONG S K . Development of a Novel Forward Dynamic Programming Method for Weather Routing ［J］. Journal of Marine Science and Technology ， 2012 ， 17 （ 2 ）： 239 - 251 .

ZHAO W ， WANG H B ， GENG J N ， et al . Multi-objective Weather Routing Algorithm for Ships Based on Hybrid Particle Swarm Optimization ［J］. Journal of Ocean University of China ， 2022 ， 21 （ 1 ）： 28 - 38 .

GKEREKOS C ， LAZAKIS I . A Novel， Data-Driven Heuristic Framework for Vessel Weather Routing ［J］. Ocean Engineering ， 2020 ， 197 ： 106887 .

BEŞIKÇI E B ， ARSLAN O ， TURAN O ， et al . An Artificial Neural Network Based Decision Support System for Energy Efficient Ship Operations ［J］. Computers & Operations Research ， 2016 ， 66 ： 393 - 401 .

汤青慧，唐旭，崔晓晖，等 . 基于动态通达网络模型的最优航程规划方法［J］. 武汉大学学报（信息科学版）， 2015 ， 40 （ 4 ）： 521 - 528 .

TANG Qinghui ， TANG Xu ， CUI Xiaohui ， et al . Optimal Voyage Planning Strategies Based on a Dynamic Access Network Model ［J］. Geomatics and Information Science of Wuhan University ， 2015 ， 40 （ 4 ）： 521 - 528 .

HUANG J C ， NIEH C Y ， KUO H C . Risk Assessment of Ships Maneuvering in an Approaching Channel Based on AIS Data ［J］. Ocean Engineering ， 2019 ， 173 ： 399 - 414 .

HE H W ， MANSUY M ， VERWILLIGEN J ， et al . Global Path Planning for Inland Vessels Based on Fast Marching Algorithm ［J］. Ocean Engineering ， 2024 ， 312 ： 119172 .

JANG D U ， KIM J S . Map Space Modeling Method Reflecting Safety Margin in Coastal Water Based on Electronic Chart for Path Planning ［J］. Sensors ， 2023 ， 23 （ 3 ）： 1723 .

ZHANG L ， MOU J M ， CHEN P F ， et al . Path Planning for Autonomous Ships： A Hybrid Approach Based on Improved APF and Modified VO Methods ［J］. Journal of Marine Science and Engineering ， 2021 ， 9 （ 7 ）： 761 .

YUN S W ， KIM D H ， KIM S W ， et al . Global Path Planning for Autonomous Ship Navigation Considering the Practical Characteristics of the Port of Ulsan ［J］. Journal of Marine Science and Engineering ， 2024 ， 12 （ 1 ）： 160 .

LIU Y ， PANG K W ， JIN Y ， et al . Optimizing Vessel Scheduling in Ports： An Integer Programming Approach to Mitigating Extreme Weather Impacts ［J］. Computers & Industrial Engineering ， 2025 ， 205 ： 111134 .

VO A K ， MAI T L ， YOON H K . Path Planning for Automatic Berthing Using Ship-Maneuvering Simulation-Based Deep Reinforcement Learning ［J］. Applied Sciences ， 2023 ， 13 （ 23 ）： 12731 .

刘磊，胥佳明，胡泊 . 基于两阶段启发式算法的引航员排班调度及培训优化［J］. 中国航海， 2025 ， 48 （ 2 ）： 52 - 61 .

LIU Lei ， XU Jiaming ， HU Bo . An Optimization Study of Pilot Scheduling and Pilot Training Based on a Two-Stage Heuristic Algorithm ［J］. Navigation of China ， 2025 ， 48 （ 2 ）： 52 - 61 .

张延珍，兰培真 . 基于遗传蝙蝠算法的引航排班方法［J］. 上海海事大学学报， 2021 ， 42 （ 2 ）： 15 - 19 .

ZHANG Yanzhen ， LAN Peizhen . Pilotage Scheduling Method Based on Genetic Bat Algorithm ［J］. Journal of Shanghai Maritime University ， 2021 ， 42 （ 2 ）： 15 - 19 .

李召辉，王博岩，狄仲捷，等 . 基于智能调度系统的琼州海峡客滚运输班期优化［J］. 航海技术， 2025 （ 3 ）： 38 - 42 .

LI Zhaohui ， WANG Boyan ， DI Zhongjie ， et al . Optimization of Passenger Ro-Ro Shipping Schedules in the Qiongzhou Strait Through an Intelligent Scheduling System ［J］. Marine Technology ， 2025 （ 3 ）： 38 - 42 .

QI X T ， SONG D P . Minimizing Fuel Emissions by Optimizing Vessel Schedules in Liner Shipping with Uncertain Port Times ［J］. Transportation Research Part E： Logistics and Transportation Review ， 2012 ， 48 （ 4 ）： 863 - 880 .

郑红星，吴云强，邵思杨，等 . 考虑潮汐影响的泊位分配与船舶调度集成优化［J］. 信息与控制， 2020 ， 49 （ 1 ）： 95 - 103 .

ZHENG Hongxing ， WU Yunqiang ， SHAO Siyang ， et al . Integrated Ship Inbound and Outbound Port Order and Berth Allocation Scheduling Under Tidal Influence ［J］. Information and Control ， 2020 ， 49 （ 1 ）： 95 - 103 .

AGRA A ， RODRIGUES F . Distributionally Robust Optimization for the Berth Allocation Problem Under Uncertainty ［J］. Transportation Research Part B： Methodological ， 2022 ， 164 ： 1 - 24 .

YU H ， ZHANG M Z ， HE J L ， et al . Choice of Loading Clusters in Container Terminals ［J］. Advanced Engineering Informatics ， 2020 ， 46 ： 101190 .

YU H ， NING J Z ， WANG Y ， et al . Flexible Yard Management in Container Terminals for Uncertain Retrieving Sequence ［J］. Ocean & Coastal Management ， 2021 ， 212 ： 105794 .

郑建风，赵煜星，刘欣桐，等 . 多港口区域泊位资源的最优配置与分配［J］. 交通运输工程学报， 2023 ， 23 （ 5 ）： 183 - 191 .

ZHENG Jianfeng ， ZHAO Yuxing ， LIU Xintong ， et al . Optimal Configuration and Allocation of Berth Resources in Multi-port Regions ［J］. Journal of Traffic and Transportation Engineering ， 2023 ， 23 （ 5 ）： 183 - 191 .

张艳伟，王楠，朱凌坤 . 集装箱港口多码头泊位联合分配优化研究［J］. 中国工程机械学报， 2024 ， 22 （ 3 ）： 293 - 298 .

ZHANG Yanwei ， WANG Nan ， ZHU Lingkun . Optimization of Integrated Allocation of Multiterminal’s Berths in Container Port ［J］. Chinese Journal of Construction Machinery ， 2024 ， 22 （ 3 ）： 293 - 298 .

李林，安小刚，蔡金易 . 琼州海峡客滚运输现状分析及信息集成方案［J］. 中国水运， 2023 （ 21 ）： 52 - 53 .

LI Lin ， AN Xiaogang ， CAI Jinyi . Analysis on the Present Situation of Passenger Ro-Ro Transportation in Qiongzhou Strait and Information Integration Scheme ［J］. China Water Transport ， 2023 （ 21 ）： 52 - 53 .

KISHORE L ， PAI Y P ， GHOSH B K ， et al . Maritime Shipping Ports Performance： A Systematic Literature Review ［J］. Discover Sustainability ， 2024 ， 5 （ 1 ）： 108 .

LIU Y . Analyze and Process Big Data to Research the Competitiveness of Urban Ports in the Guangdong-Hong Kong-Macao Greater Bay Area ［C］// SPIE—The International Society for Optical Engineering 12129： 121290Y，Online， 2021 .

PENG P ， YANG Y ， LU F ， et al . Modelling the Competitiveness of the Ports Along the Maritime Silk Road with Big Data ［J］. Transportation Research Part A： Policy and Practice ， 2018 ， 118 ： 852 - 867 .

YU H C ， FANG Z X ， PENG G J ， et al . Revealing the Linkage Network Dynamic Structures of Chinese Maritime Ports Through Automatic Information System Data ［J］. Sustainability ， 2017 ， 9 （ 10 ）： 1913 .

向哲，施朝健，胡勤友，等 . 利用AIS数据计算港口间竞争度的方法［J］. 上海海事大学学报， 2016 ， 37 （ 1 ）： 60 - 64 .

XIANG Zhe ， SHI Chaojian ， HU Qinyou ， et al . An Approach for Calculating Competitive Degree Among Ports Using AIS Data ［J］. Journal of Shanghai Maritime University ， 2016 ， 37 （ 1 ）： 60 - 64 .

YU H C ， GUO Z ， XU L . Research on Port Competitiveness Dynamics in China Under the Background of Free Trade Zone and Port Integration ［J］. Sustainability ， 2025 ， 17 （ 12 ）： 5502 .

刘兴鹏 . 航运“大时代”背景下我国航运企业的发展战略［J］. 水运管理， 2016 ， 38 （ 1 ）： 5 - 7 .

LIU Xingpeng . The Development Strategy of China’s Shipping Enterprises Under the Background of Shipping “Big Era” ［J］. Shipping Management ， 2016 ， 38 （ 1 ）： 5 - 7 .

吕雯明，朱嘉琪 . 长荣海运企业发展战略分析［J］. 珠江水运， 2019 （ 8 ）： 70 - 71 .

LÜ Wenming ， ZHU Jiaqi . Analysis of Evergreen Marine Corporation's Corporate Development Strategy ［J］. Pearl River Water Transport ， 2019 （ 8 ）： 70 - 71 .

高长峰 . “十四五”时期干散货航运企业战略转型方向初探［J］. 中国水运， 2021 （ 11 ）： 6 - 9 .

GAO Changfeng . A Preliminary Study on the Strategic Transformation Direction of Dry Bulk Shipping Enterprises During the 14th Five-Year Plan Period ［J］. China Water Transport ， 2021 （ 11 ）： 6 - 9 .

JOVIĆ MIHANOVIĆ M ， AKSENTIJEVIĆ S ， TIJAN E ， et al . Digital Transformation and Business Model Innovation： Enhancing Productivity in the Croatian Maritime Transport Sector ［J］. Journal of Marine Science and Engineering ， 2025 ， 13 （ 5 ）： 999 .

XU Y ， PENG P ， LU F ， et al . Uncovering the Multiplex Network of Global Container Shipping： Insights from Shipping Companies ［J］. Journal of Transport Geography ， 2024 ， 120 ： 103991 .

YANG D ， YUE X ， YAP W Y . Geospatial Resilience of Shipping Alliances： Navigating the Red Sea Crisis ［J］. Journal of Transport Geography ， 2025 ， 126 ： 104254

PANAYIDES P M ， WIEDMER R . Strategic Alliances in Container Liner Shipping ［J］. Research in Transportation Economics ， 2011 ， 32 （ 1 ）： 25 - 38 .

DONG G ， ZHANG J J ， DAI M . Evaluating the Resilience Impacts of Emission Reduction Policies in Green Liner Shipping Network Along the New Maritime Silk Road ［J］. Regional Studies in Marine Science ， 2025 ， 86 ： 104209 .

CAO Y H ， XIN X R ， JARUMANEEROJ P ， et al . Data-Driven Resilience Analysis of the Global Container Shipping Network Against Two Cascading Failures ［J］. Transportation Research Part E： Logistics and Transportation Review ， 2025 ， 193 ： 103857 .

KALUZA P ， KÖLZSCH A ， GASTNER M T ， et al . The Complex Network of Global Cargo Ship Movements ［J］. Journal of the Royal Society ， Interface， 2010 ， 7 （ 48 ）： 1093 - 1103 .

GAO M ， SHI G Y . Ship-Handling Behavior Pattern Recognition Using AIS Sub-Trajectory Clustering Analysis Based on the T-SNE and Spectral Clustering Algorithms ［J］. Ocean Engineering ， 2020 ， 205 ： 106919 .

XU X F ， CUI D ， LI Y ， et al . Research on Ship Trajectory Extraction Based on Multi-attribute DBSCAN Optimisation Algorithm ［J］. Polish Maritime Research ， 2021 ， 28 （ 1 ）： 136 - 148 .

REN F Y ， HAN Y ， WANG S H ， et al . A Novel High-Dimensional Trajectories Construction Network Based on Multi-clustering Algorithm ［J］. EURASIP Journal on Wireless Communications and Networking ， 2022 ， 2022 （ 1 ）： 18 .

DUCRUET C . The Geography of Maritime Networks： A Critical Review ［J］. Journal of Transport Geography ， 2020 ， 88 ： 102824 .

YU P ， WANG Z P ， WANG P W ， et al . Dynamic Evolution of Shipping Network Based on Hypergraph ［J］. Physica A： Statistical Mechanics and its Applications ， 2022 ， 598 ： 127247 .

SHIBUYA K ， SHIBASAKI R . Modeling Structural Changes in Intra-Asian Maritime Container Shipping Networks Considering Their Characteristics ［J］. Sustainability ， 2023 ， 15 （ 13 ）： 10055 .

JARUMANEEROJ P ， BARNETT LAWTON J ， SVINDLAND M . An Evolution of the Global Container Shipping Network： Port Connectivity and Trading Community Structure （2011—2017）［J］. Maritime Economics & Logistics ， 2024 ， 26 （ 2 ）： 283 - 306 .

QU S ， SHE Y L ， ZHOU Q ， et al . Modeling the Dynamic Impacts of Maritime Network Blockage on Global Supply Chains ［J］. The Innovation ， 2024 ， 5 （ 4 ）： 100653 .

CHANG W Q ， LI N ， ZHAO Y X . Resilience of Regional Container Port Network： Based on Projection Correlation and Dynamic Spatial Markov Chain ［J］. Maritime Policy & Management ， 2025 ， 52 （ 5 ）： 764 - 780 .

BERGANTINO A S ， GARDELLI A ， ROTARIS L . Assessing Transport Network Resilience： Empirical Insights from Real-World Data Studies ［J］. Transport Reviews ， 2024 ， 44 （ 4 ）： 834 - 857 .

LU B ， SUN Y ， WANG H P ， et al . Dynamic Resilience Analysis of the Liner Shipping Network： From Structure to Cooperative Mechanism ［J］. Transportation Research Part E： Logistics and Transportation Review ， 2024 ， 191 ： 103755 .

WANG N X ， YUEN K F ， GAO X Y ， et al . Resilience Assessment of Global Container Shipping Network via Port Communities ［J］. Transportation Research Part D： Transport and Environment ， 2025 ， 141 ： 104649 .

FERNANDEZ-PEREZ A ， LOSADA I J ， LARA J L . A Framework for Climate Change Adaptation of Port Infrastructures ［J］. Coastal Engineering ， 2024 ， 191 ： 104538 .

禹佳宁，方志祥，胡筱渊，等 . 红海袭击事件波及的全球战略物资海运网络变化分析［J］. 武汉大学学报（信息科学版）， 2026 ， 51 （ 4 ）： 852 - 865 .

YU Jianing ， FANG Zhixiang ， HU Xiaoyuan ， et al . Analysis of Changes in Maritime Transport Networks for Strategic Materials Affected by Attacks in the Red Sea ［J］. Geomatics and Information Science of Wuhan University ， 2026 ， 51 （ 4 ）： 852 - 865 .

YI W ， WANG X T ， HE T K . High-Resolution Global Shipping Emission Inventory by Shipping Emission Inventory Model （SEIM）［J］. Earth System Science Data ， 2025 ， 17 （ 1 ）： 277 - 292 .

KRAMEL D ， MURI H ， KIM Y ， et al . Global Shipping Emissions from a Well-to-Wake Perspective： The MariTEAM Model ［J］. Environmental Science & Technology ， 2021 ， 55 （ 22 ）： 15040 - 15050 .

European Environment Agency . EMEP/EEA Air Pollutant Emission Inventory Guidebook 2023 ［R/OL］. ［ 2023-10-02 ］. https：//www.eea.europa.eu/en/analysis/publications/emep-eea-guidebook-2023 https://www.eea.europa.eu/en/analysis/publications/emep-eea-guidebook-2023 .

GUO J J ， HUANG Q B ， CUI L B . The Impact of the Sino-US Trade Conflict on Global Shipping Carbon Emissions ［J］. Journal of Cleaner Production ， 2021 ， 316 ： 128381 .

SOFIEV M ， WINEBRAKE J J ， JOHANSSON L ， et al . Cleaner Fuels for Ships Provide Public Health Benefits with Climate Tradeoffs ［J］. Nature Communications ， 2018 ， 9 ： 406 .

CHEN D S ， WANG X T ， LI Y ， et al . High-Spatiotemporal-Resolution Ship Emission Inventory of China Based on AIS Data in 2014 ［J］. Science of the Total Environment ， 2017 ， 609 ： 776 - 787 .

MOU N X ， ZHANG X H ， YANG T F ， et al . Carbon Footprints： Uncovering Multilevel Spatiotemporal Changes of Ship Emissions During 2019—2021 in the U.S ［J］. Science of the Total Environment ， 2024 ， 912 ： 169395 .

LI H J ， JIA P ， WANG X J ， et al . Ship Carbon Dioxide Emission Estimation in Coastal Domestic Emission Control Areas Using High Spatial-Temporal Resolution Data： A China Case ［J］. Ocean & Coastal Management ， 2023 ， 232 ： 106419 .

BACALJA B ， KRČUM M ， SLIŠKOVIĆ M . A Line Ship Emissions While Manoeuvring and Hotelling—A Case Study of Port Split ［J］. Journal of Marine Science and Engineering ， 2020 ， 8 （ 11 ）： 953 .

KWON Y . High-Resolution Spatial Distribution of Marine Vessel Emission and Its Significance in Sustainable Port Air Quality Management： A Case Study of Port of Incheon ［J］. Ocean Engineering ， 2022 ， 258 ： 111799 .

BAI S B ， WEN Y Q ， HE L ， et al . Single-Vessel Plume Dispersion Simulation： Method and a Case Study Using CALPUFF in the Yantian Port Area， Shenzhen （China）［J］. International Journal of Environmental Research and Public Health ， 2020 ， 17 （ 21 ）： 7831 .

TOSCANO D ， MARRO M ， MELE B ， et al . Assessment of the Impact of Gaseous Ship Emissions in Ports Using Physical and Numerical Models： The Case of Naples ［J］. Building and Environment ， 2021 ， 196 ： 107812 .

TSENG Y L ， CHENG W H ， YUAN C S ， et al . Impacts of Ship Emissions and Sea-Land Breeze on Urban Air Quality Using Chemical Characterization， Source Contribution and Dispersion Model Simulation of PM 2.5 at Asian Seaport ［J］. Environmental Pollution ， 2024 ， 347 ： 123663 .

GAN L X ， LU T F ， SHU Y Q . Diffusion and Superposition of Ship Exhaust Gas in Port Area Based on Gaussian Puff Model： A Case Study on Shenzhen Port ［J］. Journal of Marine Science and Engineering ， 2023 ， 11 （ 2 ）： 330 .

FUENTES GARCÍA G ， ECHEVERRÍA R S ， REYNOSO A G ， et al . Sea Port SO 2 Atmospheric Emissions Influence on Air Quality and Exposure at Veracruz， Mexico ［J］. Atmosphere ， 2022 ， 13 （ 12 ）： 1950 .

KUZU S L ， BILGILI L ， KILIÇ A . Estimation and Dispersion Analysis of Shipping Emissions in Bandirma Port， Turkey ［J］. Environment， Development and Sustainability ， 2021 ， 23 （ 7 ）： 10288 - 10308 .

RAUT J C ， LAW K S ， ONISHI T ， et al . Impact of Shipping Emissions on Air Pollution and Pollutant Deposition over the Barents Sea ［J］. Environmental Pollution ， 2022 ， 298 ： 118832 .

DONG X Y ， ZHANG Y ， YU G Y ， et al . Environmental and Health Impacts of Reduced PM 2.5 and Trace Metals from Ship Emissions Under Low-Sulfur Fuel Oil Policy in Shanghai， China ［J］. Environmental Pollution ， 2025 ， 377 ： 126409 .

JANG E ， CHOI S ， YOO E ， et al . Impact of Shipping Emissions Regulation on Urban Aerosol Composition Changes Revealed by Receptor and Numerical Modelling ［J］. npj Climate and Atmospheric Science ， 2023 ， 6 ： 52 .

LUO Z Y ， PENG L ， LÜ Z F ， et al . Impacts of Shipping Emissions on Ozone Pollution in China ［J］. Atmospheric Chemistry and Physics ， 2025 ， 25 （ 20 ）： 13635 - 13649 .

YAO E H ， XUE Z Y ， WOJEWODZKI M ， et al . Forecasting Air Pollutant Emission Intensity for Maritime Shipping Based on Machine Learning and Statistical Time-Series Models ［J］. Marine Development ， 2026 ， 4 （ 1 ）： 3 .

PATERNINA-ARBOLEDA C D ， AGUDELO-CASTAÑEDA D ， VOß S ， et al . Towards Cleaner Ports： Predictive Modeling of Sulfur Dioxide Shipping Emissions in Maritime Facilities Using Machine Learning ［J］. Sustainability ， 2023 ， 15 （ 16 ）： 12171 .

ŞAHIN V . Explainable Machine Learning-Based Prediction of CO 2 Emissions from Passenger Vessels ［J］. Ocean Engineering ， 2025 ， 341 ： 122752 .

LIM S ， OH J . Hybrid Neural Network-Based Maritime Carbon Dioxide Emission Prediction： Incorporating Dynamics for Enhanced Accuracy ［J］. Applied Sciences ， 2025 ， 15 （ 9 ）： 4654 .

SHI X J ， CHEN Z R ， WANG H ， et al . Convolutional LSTM Network： A Machine Learning Approach for Precipitation Nowcasting ［C］// The 29th International Conference on Neural Information Processing Systems ， Cambridge，MA，USA，2015 .

WANG Z H ， LU T Y ， HAN Y ， et al . Improving Ship Fuel Consumption and Carbon Intensity Prediction Accuracy Based on a Long Short-Term Memory Model with Self-Attention Mechanism ［J］. Applied Sciences ， 2024 ， 14 （ 18 ）： 8526 .

YU H C ， JIANG C X ， FANG Q L ， et al . Deep Learning Driven Spatiotemporal Prediction of Global Carbon Emissions from Container Shipping ［J］. Transportation Research Part D： Transport and Environment ， 2026 ， 151 ： 105169 .

LI Y ， LI Z X ， MEI Q ， et al . Research on Multi-port Ship Traffic Prediction Method Based on Spatiotemporal Graph Neural Networks ［J］. Journal of Marine Science and Engineering ， 2023 ， 11 （ 7 ）： 1379 .

ZHAO C ， LI X ， ZUO M ， et al . Spatiotemporal Dynamic Network for Regional Maritime Vessel Flow Prediction Amid COVID-19 ［J］. Transport Policy ， 2022 ， 129 ： 78 - 89 .

LI Y G ， YU R ， SHAHABI C ， et al . Diffusion Convolutional Recurrent Neural Network： Data-Driven Traffic Forecasting ［C］// The 6th International Conference on Learning Representations ， Vancouver，British Columbia， Canada， 2018 .

NI J H ， TIAN H J ， ZHANG K J ， et al . Data-Driven Multi-scale Channel-Aligned Transformer for Low-Carbon Autonomous Vessel Operations： Enhancing CO 2 Emission Prediction and Green Autonomous Shipping Efficiency ［J］. Journal of Marine Science and Engineering ， 2025 ， 13 （ 6 ）： 1143 .

LIN C L ， CHEN T P ， FAN K C ， et al . Radar High-Resolution Range Profile Ship Recognition Using Two-Channel Convolutional Neural Networks Concatenated with Bidirectional Long Short-Term Memory ［J］. Remote Sensing ， 2021 ， 13 （ 7 ）： 1259 .

LI J X ， LI D Y ， JIANG Y ， et al . Few-Shot Radar HRRP Recognition Based on Improved Prototypical Network ［C］// IEEE International Geoscience and Remote Sensing Symposium ， Pasadena， California， USA， 2023 .

LI J ， ZHANG F ， PAN S ， et al . High-Accuracy Small Target Recognition with Photonics-Based Radar HRRP ［C］// Asia Communications and Photonics Conference ， Shanghai，China ， 2021 .

YUE Z B ， LU J B ， WAN L . Lightweight Transformer Network for Ship HRRP Target Recognition ［J］. Applied Sciences ， 2022 ， 12 （ 19 ）： 9728 .

ZHANG X W ， WEI Y ， WANG W Y . Patch-Wise Autoencoder Based on Transformer for Radar High-Resolution Range Profile Target Recognition ［J］. IEEE Sensors Journal ， 2023 ， 23 （ 23 ）： 29406 - 29414 .

WU L G ， HU S L ， XU J H ， et al . Ship HRRP Target Recognition Against Decoy Jamming Based on CNN-BiLSTM-SE Model ［J］. IET Radar ， Sonar & Navigation， 2024 ， 18 （ 2 ）： 361 - 378 .

ZHONG Y J ， SHI L C ， KUANG Z Y ， et al . Radar HRRP Signal Re-ID via Deep Learning ［C］// CIE International Conference on Radar ， Haikou， China ， 2021 .

DONG H W ， WEI F M ， XU Q Q ， et al . An End-to-End Network for Multi-scale Ship Detection in SAR Images ［C］// The 2nd International Symposium on Control Engineering and Robotics ， Hangzhou， China ， 2023 .

LEI Y ， LENG X G ， SUN Z Z ， et al . Ship Target Recognition in SAR Image with Implicit Complex Information Enhancement ［C］// CIE International Conference on Radar ， Haikou， China ， 2021 .

JIANG S B ， ZHU M C ， HE Y ， et al . Ship Detection with Sar Based on Yolo ［C］// IEEE International Geoscience and Remote Sensing Symposium ， Waikoloa， HI， USA， 2020 .

LI J Y ， PENG C . Weighted Residual Network for SAR Automatic Target Recognition with Data Augmentation ［J］. Frontiers in Neurorobotics ， 2023 ， 17 ： 1298653 .

XIE H T ， JIANG X Q ， HU X ， et al . High-Efficiency and Low-Energy Ship Recognition Strategy Based on Spiking Neural Network in SAR Images ［J］. Frontiers in Neurorobotics ， 2022 ， 16 ： 970832 .

ZHANG Y ， LEI Z Y ， ZHUANG L ， et al . A CNN Based Method to Solve Class Imbalance Problem in SAR Image Ship Target Recognition ［C］// IEEE 5th Advanced Information Technology， Electronic and Automation Control Conference ， Chongqing， China ， 2021 .

ZHAN R H ， CUI Z Y . Ship Recognition for SAR Scene Images Under Imbalance Data ［J］. Remote Sensing ， 2022 ， 14 （ 24 ）： 6294 .

LI Y D ， ZHANG S S ， WANG W Q . A Lightweight Faster R-CNN for Ship Detection in SAR Images ［J］. IEEE Geoscience and Remote Sensing Letters ， 2022 ， 19 ： 4006105 .

HU L ， CHEN J . Ship Target Detection in SAR Images Based on FPGA ［C］// The 3rd China International SAR Symposium ， Shanghai， China ， 2022 .

YAN Z J ， XIAO Y J ， CHENG L ， et al . Exploring AIS Data for Intelligent Maritime Routes Extraction ［J］. Applied Ocean Research ， 2020 ， 101 ： 102271 .

ZHANG Y Q ， LI W F . Dynamic Maritime Traffic Pattern Recognition with Online Cleaning， Compression， Partition， and Clustering of AIS Data ［J］. Sensors ， 2022 ， 22 （ 16 ）： 6307 .

KONG Z ， CUI Y Q ， XIONG W ， et al . Ship Target Recognition Based on Context-Enhanced Trajectory ［J］. ISPRS International Journal of Geo⁃Information ， 2022 ， 11 （ 12 ）： 584 .

LI G C ， ZHANG X Y ， JIANG L L ， et al . An Approach for Traffic Pattern Recognition Integration of Ship AIS Data and Port Geospatial Features ［J］. Geo-spatial Information Science ， 2024 ， 27 （ 6 ）： 2048 - 2075 .

ZHOU Y ， DAAMEN W ， VELLINGA T ， et al . Ship Classification Based on Ship Behavior Clustering from AIS Data ［J］. Ocean Engineering ， 2019 ， 175 ： 176 - 187 .

PARK J ， JEONG J ， PARK Y . Ship Trajectory Prediction Based on Bi-LSTM Using Spectral-Clustered AIS Data ［J］. Journal of Marine Science and Engineering ， 2021 ， 9 （ 9 ）： 1037 .

JIN L ， LIU G D . A Convolutional Neural Network for Ship Targets Detection and Recognition in Remote Sensing Images ［C］// IEEE 9th Joint International Information Technology and Artificial Intelligence Conference ， Chongqing， China ， 2020 .

ZHANG D J ， ZHAN J ， TAN L F ， et al . Comparison of Two Deep Learning Methods for Ship Target Recognition with Optical Remotely Sensed Data ［J］. Neural Computing and Applications ， 2021 ， 33 （ 10 ）： 4639 - 4649 .

WANG W S ， REN J X ， SU C ， et al . Ship Detection in Multispectral Remote Sensing Images via Saliency Analysis ［J］. Applied Ocean Research ， 2021 ， 106 ： 102448 .

LIU J M ， CHEN H ， WANG Y . Multi-Source Remote Sensing Image Fusion for Ship Target Detection and Recognition ［J］. Remote Sensing ， 2021 ， 13 （ 23 ）： 4852 .

REN Y M ， WANG X H ， YANG J . Maritime Ship Recognition Based on Convolutional Neural Network and Linear Weighted Decision Fusion for Multimodal Images ［J］. Mathematical Biosciences and Engineering ， 2023 ， 20 （ 10 ）： 18545 - 18565 .

AI J Q ， PEI Z L ， YAO B D ， et al . AIS Data Aided Rayleigh CFAR Ship Detection Algorithm of Multiple-Target Environment in SAR Images ［J］. IEEE Transactions on Aerospace and Electronic Systems ， 2022 ， 58 （ 2 ）： 1266 - 1282 .

KOLEV N ， HRISTOV A ， TSVETKOV M ， et al . AIS Assisted Sentinel-1 SLC Image Ship Detection， Motion and Displacement Estimation ［C］// The 21st International Symposium on Electrical Apparatus & Technologies ， Bourgas， Bulgaria ， 2020 .

LÜ Y N ， ZHONG L H ， QIU X L ， et al . Improving the Image Quality of Moving Ships for GF-3NG Based on Simultaneous AIS Information ［J］. Remote Sensing ， 2021 ， 13 （ 10 ）： 1951 .

DUAN G X ， WANG Y H ， ZHANG Y M ， et al . A Network Model for Detecting Marine Floating Weak Targets Based on Multimodal Data Fusion of Radar Echoes ［J］. Sensors ， 2022 ， 22 （ 23 ）： 9163 .

AHMED M ， EL-SHEIMY N ， LEUNG H . Dual-Modal Approach for Ship Detection： Fusing Synthetic Aperture Radar and Optical Satellite Imagery ［J］. Sensors ， 2025 ， 25 （ 2 ）： 329 .

CUI W ， WANG Z W ， ZHAO H L ， et al . Multi-scale Graph Aggregation Based Ship Target Recognition ［C］// The 9th International Conference on Dependable Systems and Their Applications ， Wulumuqi， China ， 2022 .

庞小平，胡昕衎，叶帅，等 . 面向北极航道夏季适航性评估的知识图谱构建方法研究［J］. 武汉大学学报（信息科学版）， 2026 ， 51 （ 6 ）： 1253 - 1262 .

PANG Xiaoping ， HU Xinkan ， YE Shuai ， et al . Research on a Knowledge Graph Construction Method for Summer Navigability Assessment of the Arctic Route ［J］. Geomatics and Information Science of Wuhan University ， 2026 ， 51 （ 6 ）： 1253 - 1262 .

GAN L X ， CHEN Q H ， ZHANG D F ， et al . Construction of Knowledge Graph for Flag State Control （FSC） Inspection for Ships： A Case Study from China ［J］. Journal of Marine Science and Engineering ， 2022 ， 10 （ 10 ）： 1352 .

GAN L X ， YANG Q H ， XU Y ， et al . Construction of an LNG Carrier Port State Control Inspection Knowledge Graph by a Dynamic Knowledge Distillation Method ［J］. Journal of Marine Science and Engineering ， 2025 ， 13 （ 3 ）： 426 .

LIU C Y ， ZHANG X Y ， XU Y ， et al . Knowledge Graph for Maritime Pollution Regulations Based on Deep Learning Methods ［J］. Ocean & Coastal Management ， 2023 ， 242 ： 106679 .

LI Y ， LIU X T ， WANG Z S ， et al . Construction of a Large-Scale Maritime Element Semantic Schema Based on Knowledge Graph Models for Unmanned Automated Decision-Making ［J］. Frontiers in Marine Science ， 2024 ， 11 ： 1390931 .

DEL MONDO G ， PENG P ， GENSEL J ， et al . Leveraging Spatiotemporal Graphs and Knowledge Graphs： Perspectives in the Field of Maritime Transportation ［J］. ISPRS International Journal of Geo⁃Information ， 2021 ， 10 （ 8 ）： 541 .

ZHANG T T ， YIN J B ， WANG X B ， et al . Prediction of Container Port Congestion Status and Its Impact on Ship’s Time in Port Based on AIS Data ［J］. Maritime Policy & Management ， 2024 ， 51 （ 5 ）： 669 - 697 .

WANG P ， HU Q Y ， MEI Q ， et al . Intelligent Port Logistics： A Spatiotemporal Knowledge Graph and AI-Agent Framework for Berth Allocation ［J］. Advanced Engineering Informatics ， 2025 ， 68 ： 103633 .

JIA X H ， ZHANG D H . Prediction of Maritime Logistics Service Risks Applying Soft Set Based Association Rule： An Early Warning Model ［J］. Reliability Engineering & System Safety ， 2021 ， 207 ： 107339 .

WEI Q K ， LIU Y ， DONG Y ， et al . A Digital Twin Framework for Real-Time Ship Routing Considering Decarbonization Regulatory Compliance ［J］. Ocean Engineering ， 2023 ， 278 ： 114407 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于自适应密度聚类的单车出行源汇时空区域探测方法

应急救援地理空间情报：概念特征、生成技术及应用实践

船舶航行海洋地理信息三态融合保障问题研究

呼包鄂榆城市群草地脆弱性时空演变及因子可解释性分析

大众智能终端GNSS有意干扰检测技术研究现状与展望