基于大数据与人工智能的航运生产分析决策系统

基于大数据与人工智能的

航运生产分析决策系统

阎雪梅，范海燕，卢志峰，于淼（大连港集团有限公司，辽宁大连116601）

摘要：为提高大连港生产业务协同水平和服务效能，建立经营决策体系和运行机制，针对环渤海集装箱航运企业特点，将系统分析方法与其经营管理流程紧密融合，形成

集装箱支线航企的经营决策和战略决策模型体系；以大数据技术为基础，对多系统数据聚合提炼，通过可视化交互手段实时提供企业的运行状况；以机器学习为工具，实现人工智能在模型体系中预测分析方面的应用。系统有效支撑集装箱航企的经营管理和提高管理决策的质量和效益。战略决策实施，

关键词：港口；航运企业；经营决策；战略决策；大数据；人工智能；机器学习

0引言基地振兴战略的时代发展要求。1系统目标

系统通过大数据技术建立数据采集过程，将

实时物联息和业务操作信息梳理转换后，存储至数据仓库中，通过建立企业管理战略模型，将数据引入模型中，抽取关键敏感性因子对企业运行状况进行分析，利用人工智能、机器学习等先进技术手段替代原有人工经验预测的方式，对企业经营数据进行预测。具体建设目标如下:

（1）建立集装箱航运企业经营决策和战略决策体系。在不断发展的过程中，公司逐渐形成具有环渤海地区集装箱支线航运特色的生产分析方法和策略，需要以此体系为基础进行聚合提炼，将集装箱航运企业的管理逻辑和分析方法相结合，建立集装箱航运企业经营决策和战略决策模型体系，从而实时了解企业的运行状况，提高发现问题的能力。

（2）利用大数据技术实现数据实时采集，建立整合内外部数据的存储平台。构建ETL与分析用数据仓库，将业务操作系统的生产数据、船舶航行系统的物联网数据和外部船舶轨迹数据等多系

大连集发环渤海集装箱运输有限公司（以下简称“公司”）作为大连港集团旗下专业经营集装箱公共支线运输的企业，是环渤海地区挂靠航线最全、船舶班次最密、业务网络覆盖最广泛的支线运输企业，也是我国北方地区最大的支线运输服务运营商之一。支线运输网络北起锦州港、营口港，南接东营港、寿光港、潍坊港、龙口港、烟台港、威海港、日照港，西通秦皇岛港、唐山港、黄骅港，东至丹东港，是大连港集团与船公司、港口、货主战略合作的重要载体,是大连港集团实施环渤海战略的主体，承担大连港绝大部分的中转业

同时是大连港建设复合型枢纽港战略的重要务，

组成部分。

为更好地落实《中国制造2025》关于大数据、云计算和精准供应链的建设思想，坚持“创新驱动、质量为先、绿色发展”的基本方针，系统以大数据和人工智能为手段，有效地实现“智慧航运”的目标，促进大连港复合型枢纽港的建设和集装箱国际中转体系的发展，推动大连东北亚国际航运中心的建设，落实“一带一路”倡议和东北老工业

·14·

港口科技·中国港口协会科学技术奖优秀成果

统、内外部数据整合，将其中非结构化的数据进行结构化处理，形成数据仓库，为系统进行生产分析预测提供数据基础。

（3）建立SaaS化的云服务平台。在云服务平台上以标准接口进行数据交换，从而提高系统的

适应性和可推广性。

（4）打造基于多因素敏感性的航运成本利润分析模式。通过经营决策和战略决策体系模型，选取并分析敏感性环节以及其相互间的作用关系，通过数据和模型逻辑分析，反应敏感性因子在生产经营中的作用情况。

（5）通过人工智能、机器学习方法辅助集装箱航运企业日常运营生产进行数据预测分析。在数据的基础上，筛选适合集装箱支线航运企业业务特征的人工智能、机器学习方法代替传统人工预

按月统计2018-09

分析集装箱租金

0

（轻）油价94.08（轻）油耗

燃油费6746150.84

油价（重）4524.1油耗（重）6.24

船舶租金9963130.其他租金

0

营业固定成本2400761.62管理费18590.59固定成本4257252.21

滞箱费（内贸）箱量（内贸）单箱收入（内贸）47301.82

22523.9

444.

营业收入31377351.05

利润

变动成本

25943.39

98415.61265990.48

520458.36

测，提高生产经营分析的稳定性和一致性。2系统特点2.1

通过大数据技术建立集装箱航企经营决策通过大数据技术，对集装箱航企生产经营数据进行聚合提炼，与集装箱航运企业的管理逻辑和分析方法相结合，建立集装箱航运企业经营决策和战略决策模型体系，提高管理决策的质量和效益。

2.2基于多因素敏感性分析的航运成本利润分析模式

基于航运企业多因素对其效益影响进行敏感性分析，采用可交互式的可视化监控预警技术，实时对比计划指标与实际指标，分析各因素对整体利润的敏感性。敏感性分析图见图1。

和战略决策体系

滞箱费（外贸）箱量（外贸）单箱收入（外贸）0

27024.6流动劳务费

788.81港口费用

图1敏感性分析图

2.3通过机器学习方法对集装箱航运企业日常

运营生产进行数据预测分析

以往，机器学习对企业的集装箱安全配箱量进行过预测，而机器学习方法越来越多地被应用于时间序列分析中。对于时间序列预测问题的研究，主要集中在港口集装箱吞吐量方面。系统将机器学习技术运用到航运企业效益的时间序列分析中，在大数据仓库的基础上，根据过往全部效益数

据预测未来的走势变化，辅助决策。机器学习预测

分析效果图见图2。3主要研究内容3.1

集装箱航企经营决策和战略决策体系

系统将公司逐渐形成的经营决策和战略决

策体系进行归纳整理提炼，以此体系为基础，通过关注当前的管理及战略实施情况、年度战略及

·15·

港口科技·中国港口协会科学技术奖优秀成果

2017船舶吨·天2017运营率2017航运率2018船舶吨·天2018运营率2018航运率

20106船舶吨·天151050

1月

2月

3月

4月

5月

6月

时间

图2机器学习预测分析效果图

7月

8月

9月

10月

11月

12月

2.0

运营率/航运率1.51.00.50.0-0.5-1.0

管理目标的完成情况，分析各类生产经营活动对未来发展的影响；通过关注目前的生产经营环境、业务经营状况，并制定合理的增长目标；通过了解营运以各项业务盈利水平作为核心出发点，情况，同时关注利润贡献、资产营运效率、资金保障等财务表现；通过体系化的模型对集装箱航运企业的经营状况、利润规模与结构、业务能力进行分析，从而支撑集装箱航运企业的经营管理和战略决策实施。

3.2整合内外部数据的存储平台

系统区别于传统统计分析系统采用BI工具直接展示生产数据报表的模式，通过建立数据采集中心系统，通过物联网采集的船舶实时运行数据，生产业务系统中的订舱、提单、费用数据等多系统数据以及外部船舶定位和轨迹数据整合，将其中非结构化的数据进行结构化处理，并进行数据的梳理、转换，最终形成分析用数据仓库，从而提供各航线箱量、船舶油耗、客户进出口量、航线成本、航线收入等方面数据。根据归纳总结经营决策和战略决策体系模型，对客户、货量、航线、船舶等方面因素综合挖掘分析，从而达到航运管理决策的精细化、信息化、智能化、即时化和绿色化。

3.3航运成本利润分析模式

系统在对管理指标体系进行分析的基础上创建以利润为根节点，以收入和成本为次级1层节点的树形拓扑结构模型。该模型将各类核心业务指标体系有机连成一体，并记录和实现各个指标之间的计算关系。敏感性分析中的每个因素对应后台计划指标配置，该计划指标分别以月和年为

·16·

单位，由管理决策层根据业务状况和管理目标实现完成录制，并根据不同因素的业务特点进行配置。在前端将各个因素指标以高效的交互形式呈现，按照以往数据形成的规律，呈现计算后的数值。通过调节数据，可以直观地观测到不同的因素变化对收入、成本以及利润的影响。同时，还会与后台的计划值进行实时比对，通过不同颜色预警。实时的可视化呈现技术将复杂的敏感性分析计算以更直接的方式呈现给用户和决策者，大幅提升理论的可用性。

3.4集装箱航运企业运营生产数据预测分析

系统的预测分析功能需要根据采集、积累的过往数据对未来业务数据的发展变化趋势进行预测，通过人工智能体系中的机器学习方法进行实

系统在具体的模型选择方面，使用比较分析的现。

方法对线性回归、多层感知机、支持向量机等多个模型的实际预测结果进行比较评估，并最终选择更适合航企运营生产数据波动性较大的多层感知机作为预测模型训练的核心模型。不同模型预测结果见图3。从技术框架选择和技术实现上，系统选择业界流行而成熟的WEKA框架，该框架的默认语言与系统平台后端所使用的语言无缝融合，实现较低成本无缝对接。

系统在概念和数据模型构建阶段，在业务分析调研的基础上对航运企业日常运营生产指标进行度多指标建立，通过平台采集到的数据特对数据进行预处理，对于业务上的数据缺失，点，

采用数据插值技术进行补全，对于数据噪声进行降噪处理。系统将处理过程整合在平台当中，可在平台数据基础上自动化完成。

港口科技·中国港口协会科学技术奖优秀成果

17.5收入/106元15.012.510.0

2016年10月

2017年1月

2017年4月

2017年7月

2017年10月

2018年1月

a）线性回归预测结果

17.5收入/106元15.012.5

2016年10月

2017年1月

2017年4月

2017年7月

2017年10月

2018年1月

b）人工神经网络预测结果

17.5收入/106元15.012.5

2016年10月

2017年1月

2017年4月

2017年7月

2017年10月

2018年1月

c）支持向量机预测结果图3不同模型预测结果

系统选用的时间序列特征选择方法是基于

互相关理论的。互相关理论最早应用于信号学领域，后广泛应用于发电、经济、金融等其他领域。在此，特征选择步骤为：将时间序列中每一个上一时间点的自变量和当前时间点因变量数据序

通过计算上一时间点自变量与列进行错时比对，

当前时间点的因变量之间的相关性，判定当前的自变量对未来的因变量是否会产生影响，若有影响，则选择该自变量为机器学习的特征，否则放弃。针对在数据分析阶段的特征选择环节，系统

通基于表现不同时间序列影响性的互相关理论，过对不同候选因变量进行皮尔逊系数相关性计算进行数据降维，最终确认机器学习模型的输入数据集。

系统支持向量机预测误差见图4，以实际数

据对机器学习方法输出的预测结果进行检测，

预测结果与当月实际生产数据间的误差率可以控制在20%以内，已较为接近实际值。因此，预测结果在实际生产开展中对决策的辅助可以起到重要作用。3.4

建立SaaS化的云服务平台

建立云服务平台，以大数据存储分析系统为基础，提供标准航运业务系统数据接口，利用大数

据分析与人工智能系统，为环渤海集装箱物流业提供油耗分析、市场分析、货量分析等SaaS云服务，提高服务效率，降低航运成本，实现环渤海地区的物流效率提升。4应用情况

系统在公司成功应用后，整体运行稳定，达到目标，取得预期效果，在本单位的日常运营中发挥重要的作用。

·17·

港口科技·中国港口协会科学技术奖优秀成果

时间2017年10月2017年11月2017年12月2018年1月2018年2月2018年3月2018年4月2018年5月2018年6月2018年7月2018年8月2018年9月误差/%9.2510.156.-3.6317.2123.39-20.12.82-4.72-12.39-2.88-11.6530.0025.0020.0015.0010.005.000.00-5.00-10.00-15.00-20.00-25.00

误差/%2701年102月701年112月701年122月801年1月2801年2月2801年3月2801年4月2801年5月2801年6月2801年7月2801年8月2801年9月图4系统支持向量机预测误差

4.1经济效益

2017年，公司经历航运市场行情下滑，外贸

工成本的控制方面取得显著的成果。在系统应用前，对单位各类生产经营指标的分析，每个部门都需要配备1~2位专职人员。目前，公司所经营的航

线挂靠港口从原有的12个港口15个码头增长为21个港口23个码头，单周运量达到15000TEU以上。系统应用后，已经实现在系统中将公司各部门需要的各类经营指标进行数据抽取、组合、运算。同时，利用机器学习，为后续经营决策提供数据支持，各部门不需要再配备专职人员进行以上工作，部门经理就可以在系统中查看本部门关注的各类数据分析。数据人员的数量并没有随船舶数量增长而增长，公司可借此降低人工成本5%以

该系统的成功应上。在提高现有工作效率的同时，

用也在原有简单、重复、冗余的工作环节更多的人工，使其可以真正地投入到业务操作管理层面，从而提高人员的利用效果，使现有人力资源释放出更大的收益。4.2管理效益

系统在管理模式、管理范围、管理角度、管理效率等方面都为公司带来巨大的变化，使公司管理从各方面都得到改善和提高。

（1）管理模式的完善。该系统的成功上线使用，大幅改善传统的经营数据分析模式，尤其是针

船舶管理、客户管理、财务管理模式。对航线管理、

该系统应用前，相关岗位的工作人员需根据自己的工作经验和有限的、片面的、少量的数据支持，做出业务判断，并制定各种相关调度计划和航线计划等工作计划。此外，随着人员岗位变动，人员

进出口额减少等各种不利市场变化，全年运量

减少约3%。在保证运量的前提下，通过系统实现运力节约，从原有的673个航次降低到503个航次；船舶直靠率提高5%，等泊时间同比减少

全年各船舶配载率平均达到74.97%，1070.44h，

基于大数据与人工智能下的航运同比增长10%。

生产分析决策系统在公司的全面推广应用，起到关键作用，达到项目预期目标。

（1）航线经营更加合理。经过应用，相关业务部门对船舶运营数据进行分析整理，逐步通过退

调整航线、规范和优化驾驶行为租不合格船舶、

等方式，为公司节省大量航线成本，使得船型、船队数量、航线规划更加科学合理。该优化结果通

利用人工智能进过对公司历史数据的预测分析，

行机器学习，对各支线港出货量的未来走势提出

合理预测，并结合公司现有船舶进行智能匹配，帮助航线经营更加合理。同时，系统收集并分析各个航次的燃油消耗和各艘船舶的运行情况，了解航线、装载量、船型、驾驶习惯等和油耗之间的各种对应关系，辅助航线规划人员和调度人员提出航线设置、船型选择、控油节油措施等改善方案，以降低单箱油耗和航次油耗，为燃油成本控制提供大数据支持。

（2）降低人工成本。环渤海地区的业务特点为“支线点多、航线灵活、航次密集、操作周期短”，最短的航线运行时间只有9h。系统应用以来，在人

·18·

港口科技·中国港口协会科学技术奖优秀成果

工作经验和数据分析能力的不同，导致公司相关经营决策和工作计划的制定不能按照真实、完整的情况进行判断，时常会面临决策失误，或者执行原则不统一的情况。

在系统上线后，各岗位工作人员逐步适应新的管理模式，形成“以数据来说话、以事实为依据、以结果为导向”的管理原则，并将此原则贯穿各工作流程，同时利用数据分析进行计划和预测，做到及时发现和预警问题的产生，并制定相应的应急预案。（2）管理范围的拓展和延伸。基于大数据与人工智能的航运生产分析决策系统的应用，改变各个部门、各个岗位之间信息和数据相互孤立、隔绝，沟通不及时、不顺畅等情况，使相关岗位的操作人员和管理人员，使用最少的时间，最大化地了解环渤海各个港口的货量情况、集装箱储备和调运情况、运营船舶的航行情况、港口作业情况等各种实时数据和历史数据。例如：船舶调度人员和航线设计人员不仅能够掌握船舶情况，也可以了解市场和集装箱信息，为船舶预配、航线船舶配置及挂靠港口的最优化设置提供有效的数据支持，通过综合数据分析，提升船舶运营效率，降低空载率，减少不合理挂靠，从而降低航线运营成本；箱管人员和操作人员可以根据船舶运行情况和市场情况，及时安排空箱调运，调整进出口重箱配载，

提升船舶装载率。

（3）管理视角的升华。系统使公司通过关注当前的管理及战略实施情况、年度战略及管理目标的完成情况，分析各类生产经营活动对未来发展

的影响；通过关注目前的生产经营环境、业务经营状况，各部门以及总办人员考虑如何制定合理的增长目标；通过各项业务盈利水平作为核心出发点了解营运情况，同时关注利润贡献、资产营运效

偿债、资金保障等财务表现；通过体系化的模率，

型对单位的经营状况、利润规模与结构、业务能力进行分析，从而支撑本单位的经营管理和战略决策实施。5结

语

基于大数据与人工智能的航运生产分析决策系统，以大数据技术为基础，以人工智能的机器学习方法为手段，通过对管理逻辑和分析方法有机融合的模型归纳，实现公司经营决策和战略决策的有效开展，显著提高企业管理决策的质量和效益，提高生产经营中的业务协同水平和服务效能，建立公司经营决策体系及运行机制，从而推动大连港国际集装箱运输中转体系的建设，促进“一带一路”倡议和东北振兴战略的落实，以及大连东北亚国际航运中心建设的进程。

!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!（上接第13页）

（2）天津滨海地区疏浚淤泥自然沉降可以分为3个阶段：第1阶段为试验开始4h内的快速沉降阶段，该阶段疏浚淤泥沉降速率快、沉降量大；第2阶段为试验开始4h到2d内的自然沉积过渡段阶段，该阶段疏浚淤泥的沉降速率开始减慢但仍有明显的沉降量；第3阶段为试验开始2d后缓慢沉降的自重固结沉降阶段，该阶段疏浚淤泥的沉降速度缓慢、沉降量较小。

（3）疏浚淤泥在由快速沉降阶段向固结沉降阶段过渡时，疏浚淤泥的含水率大约为其初始液限的3~5倍，当这个比值稳定在2.2~3.5倍时，疏浚淤泥的自然沉降过程基本完成。

参考文献

[1]刘莹,肖树芳,王清.疏浚淤泥室内模拟试验研

究[J].岩土力学,2004,25(4):518-521

[2]詹良通,童军,徐洁.疏浚淤泥自重沉积固结特

性试验研究[J].水利学报,2008,39(2):201-205.[3]杨爱武,杜东菊,赵瑞斌,等.疏浚泥浆沉积模拟

试验研究[J].辽宁工程技术大学学报(自然科学版),2010,29(4):617-620.

[4]TOORMANEA.Sedimentationandself-weight

consolidation:generalunifyingtheory[J].Geotechnique,1996,46(1):103-113．

[5]尹聪.疏浚泥浆自然沉降规律研究[J].西部探矿

工程,2010(8):3-8.

[6]曹玉鹏.疏浚淤泥沉积规律室内试验[J].水利水

电科技进展,2011,6(31):31-39.[7]徐桂中,吉峰,翁佳兴.高含水率疏浚淤泥自然沉降规律[J].土木工程学报,2012,9(29):22-27.[8]李时援.沉降柱试验边界摩擦特性及其对试验

结果影响分析[J].港口科技,2008(9):12-15.

·19·