本研究提出了一种预测油轮码头停留时间的系统动态方法，使用多方面的数据源和创新性的数据分析及信息提取。该预测模型在历史基线验证的准确率高达 98.81%，可用于港口智能和物流效率的推进。

Apr, 2022

用机器学习方法，通过两年的加拿大西海岸渡轮真实数据集，针对动态和静态状态、行动和干扰，创建了一个时间序列预测模型，用于预测动态状态，为评估渡轮在船长指导下的操作效能提供工具，并为未来的优化算法打下基础，并提供了决策过程的有价值的反馈。

Mar, 2024

模型基于大样本历史数据，采用上下文感知并综合多个模块进行协同工作，旨在预测和控制货车到达终端大门的时间，以提高物流效率和交通流畅。

Nov, 2023

本研究提出一种基于 TGNN 的港口分类方法，通过处理船舶轨迹数据并捕捉静态和动态的航行因素之间的时空依赖关系，能够高效地发现港口进行优化。在真实数据集上对该方法进行了评估，并取得了 95% 的分类准确性。

Apr, 2022

本研究提出了一种新的协调调度优化方法，通过减少加权平均周转时间来提高港口效率，该方法是一种启发式算法，通过不同的观测窗口和滚动视窗法进行研究和优化实验。实验结果表明，该方法可以有效地减轻船舶周转时间，虽然实验结果基于历史数据集，但在二次计算复杂度下，如果应用于实时应用，该结果有潜在的显著优势。

Apr, 2022

通过因子分析预测海事安全事故风险，筛选关键因素并提供管理策略。

May, 2024

本文提出了一种基于概率密度的轨迹构建方法，并通过一个典型应用 —— 根据起讫点预测到达时间（ETA），进行验证。ETA 预测基于概率密度轨迹提取的物理和数学规律。该方法在所选新加坡和澳大利亚港口间的整体轨迹预测误差平均约为 0.106 天（即 2.544 小时），标准偏差为 0.549 天（即 13.176 小时）。而该方法的准确率为 92.08%，R-Squared 值为 0.959。

May, 2022

利用自动识别系统（Automatic Identification System，AIS）数据和编码器 - 解码器模型，本研究预测了船只轨迹，进而提高船只安全和避免船只与鲸类碰撞，证实了地理数据工程和轨迹预测模型在保护海洋生物物种方面的潜力。

Oct, 2023

本研究提出一种新型的协调调度优化方法，通过减少平均等待时间和周转时间，提高了港口效率。实验结果表明，该方法的两种典范方法都能够有效地提高港口效率，其中滚动视界法可在 3 个月的数据集上减少到 20 分钟的运行时间。

Apr, 2022

从数字货运活动数据中推断调度和路径模式的建模方法，应用于荷兰的巡回数据以了解发车时间模式和巡回策略，并评估所提出算法的有效性。研究发现空间和时间特征对捕捉巡回类型和货运活动的时间模式很重要，同时实证证据表明运输市场的多数承运商对拥堵程度敏感，在面对拥堵区时调整巡回类型、发车时间和巡回次数。该研究结果可以被从业人员用于更好地理解交通市场并制定货运和交通管理措施。

Nov, 2023