买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉大连理工大学;浙江四港联动发展有限公司申请的专利一种基于多源数据融合的船舶运输时间智能预测方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121745412B 。

龙图腾网通过国家知识产权局官网在2026-04-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202610231043.3，技术领域涉及：G06Q10/04；该发明授权一种基于多源数据融合的船舶运输时间智能预测方法及系统是由徐梦俏;李广辉;徐秀娟;卢勋敏;叶永清;俞波;李坤设计研发完成，并于2026-02-27向国家知识产权局提交的专利申请。

本一种基于多源数据融合的船舶运输时间智能预测方法及系统在说明书摘要公布了：本发明涉及船舶运输预测技术领域，是一种基于多源数据融合的船舶运输时间智能预测方法及系统。本发明方法，包括：获取船舶历史数据，分别采集天气数据、潮流数据和AIS历史轨迹数据；基于时空加权提取航线天气特征，构建天气特征向量；基于多站点加权融合提取航线的潮流特征，构建潮流特征向量；基于AIS轨迹提取船舶历史画像特征，构建船舶历史画像特征向量；基于XGBoost模型构建航行时间预测模型，并采用时序滑动窗口交叉验证训练所述航行时间预测模型；基于Stacking集成学习算法构建锚地等待时间预测模型；利用所述航行时间预测模型和所述锚地等待时间预测模型进行定时预测服务，并根据预测结果计算船舶总运输时间。

本发明授权一种基于多源数据融合的船舶运输时间智能预测方法及系统在权利要求书中公布了：1.一种基于多源数据融合的船舶运输时间智能预测方法，其特征在于，包括： S1、获取船舶历史数据，分别采集天气数据、潮流数据和AIS历史轨迹数据； S2、基于时空加权提取航线天气特征，构建天气特征向量； S3、基于多站点加权融合提取航线的潮流特征，构建潮流特征向量； S4、基于AIS轨迹提取船舶历史画像特征，构建船舶历史画像特征向量； S5、基于XGBoost模型构建航行时间预测模型，并采用时序滑动窗口交叉验证训练所述航行时间预测模型； 对出发时间提取小时、星期、月份、季度，进行周期性编码，提取时间特征： 其中，表示月份的周期编码正弦分量，表示月份的周期编码余弦分量，表示星期的周期编码正弦分量，表示星期的周期编码余弦分量；构建8维时间特征向量； 计算航线距离、航线复杂度指数进行港口分组编码，提取空间特征，构建5维空间特征向量； 对于在时间时的样本，使用之前的历史数据计算历史航次数、平均航行时间、标准差、距上次航行天数、航线经验值，提取船舶历史行为特征，构建5维历史行为特征向量 融合所述时间特征、空间特征和船舶历史行为特征构建综合特征向量： 其中，为天气特征向量，为潮流特征向量，为船舶历史画像特征向量； 对类别特征进行LabelEncoding编码，对数值特征进行标准化处理，采用时序滑动窗口交叉验证训练所述XGBoost模型：将数据按时间顺序排列；表示按时间顺序排列后的数据集D中第N条样本，设置窗口大小和窗口数量，对于第个窗口，拆分训练集和测试集： ； ； 其中，窗口大小为天，表示第k个滑动窗口划分时的切分边界； 在训练集上训练XGBoost模型，并在测试集上评估，记录评估指标；分别表示模型在测试集上的平均绝对误差、均方根误差、决定系数，表示在训练集上训练得到的XGBoost回归模型，将所有窗口的测试集预测结果汇总后计算整体评价指标；保存性能最优的模型作为预测服务使用的模型； S6、基于Stacking集成学习算法构建锚地等待时间预测模型；融合时序特征和天气特征，对每个码头独立建模，自动选择最优集成策略，实现锚地等待时间预测； S7、利用所述航行时间预测模型和所述锚地等待时间预测模型进行定时预测服务，并根据预测结果计算船舶总运输时间。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人大连理工大学;浙江四港联动发展有限公司，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。