عوامل مؤثر بر سرعت کشتی حمل بار اقیانوس و زمان ورود

با توجه به چگالی بالای ترافیک اقیانوس و تأثیر آب و هوای دریایی در برنامه ریزی مسیر کشتی ها و همچنین تخصیص اسکله در بندرها ، مهم است که بتوانیم زمان ورود را تا حد امکان پیش بینی کنیم. این مقاله با تجزیه و تحلیل ترافیک کشتی در دسترس و داده های آب و هوا از منابع مختلف ، تأثیر آب و هوای دریایی بر سرعت کشتی را نشان می دهد. یک مدل رگرسیون خطی برای توضیح سرعت کشتی ضبط شده از نظر خاصیت کشتی و هوای دریایی ایجاد شده است. این مدل دارای مقدار R 2 تنظیم شده از 83. 98 ٪ با همبستگی معنی داری بسیاری از داده های مرتبط با آب و هوا مانند جهت باد (0. 211) ، ارتفاع موج قابل توجهی (0. 195) ، دوره موج اوج (0. 133) و همچنین داده های مربوط به کشتی از جملهنوع کشتی ، تناژ وزن مرده و تناژ ثبت ناخالص. با توجه به متغیرهای موجود در مدل ، سرعت کشتی می تواند نسبتاً خوب تخمین زده شود. این متغیرها به همراه سایر عوامل در مورد سودمندی آنها برای پیش بینی زمان ورود مورد آزمایش قرار می گیرند.

کلید واژه ها

• سرعت کشتی باربری
• پیش بینی سرعت کشتی دریایی
• اثرات آب و هوایی دریایی
• پیش بینی زمان ورود

تحقیقات منتهی به این نتایج از برنامه هفتمین چارچوب اتحادیه اروپا (FP7/2007-2013) تحت توافق نامه کمک هزینه 318275 (دریافت خدمات) دریافت کرده است.

دانلود مقاله کنفرانس PDF

1. مقدمه

در سال 2012 حدود 9،2 میلیارد تن کالای که برای تجارت Seaborne به سر می برد در بنادر در سراسر جهان بارگیری شد. با سرعت رشد مداوم ، حمل و نقل دریایی از سال 1980 بیش از دو برابر شده است و می تواند به عنوان یکی از مهمترین حالت های حمل و نقل در اقتصاد جهانی امروز در نظر گرفته شود. بین سالهای 2012 و 2013 تعداد کشتی های بازرگان دریایی 100 GT (تناژ ناخالص) و بالاتر از 6 ٪ به کل 1،628،783 افزایش یافت [1]. با توجه به این تعداد فزاینده کشتی ها و ظرفیت حمل و نقل ، بازار بسیار رقابتی است و کاهش نرخ حمل و نقل باعث کاهش درآمد می شود و به اپراتورها نیاز دارد تا کارایی را افزایش دهند و هزینه ها را کاهش دهند.

یکی از عوامل مهم برای اپراتورهای حمل و نقل هزینه های ناشی از تاخیر در کشتی است. این مقاله با هدف تعیین عواملی که امکان پیش بینی بهتر زمان ورود کشتی را فراهم می کند و بنابراین باعث می شود احزاب درگیر در فرآیند حمل و نقل بتوانند بهتر با تأخیرهای احتمالی مقابله کنند. با این حال ، نه تنها اپراتورهای حمل و نقل بلکه سایر مشاغل دارای سهم در کشتی ها به موقع هستند. در تدارکات امروز که شرکت ها معمولاً از تأمین کنندگان متعدد منبع می گیرند و تولید زمان بیشتری را بسیار مهم می کند ، داشتن تخمین های دقیق در مورد ورود کالاهایی که امکان تنظیم تولید و تهیه را بر این اساس دارند ، سودمند است. با افزایش مدیریت فرآیند با اطلاعات بیشتر ، مشاغل قادر به افزایش عملکرد و بهینه سازی فرایندهای خود خواهند بود.

دلایل ورود کشتی های باری به موقع بی شمار است. طبقه بندی موجود در بیمه تأخیر دریایی آنها را به حوادث جانبی ساحل و حوادث مربوط به کشتی تقسیم می کند [2 ، 3]. اولی شامل اعتصابات کارگر حوض ، آتش سوزی ، بسته شدن قانونی و انسداد جسمی است در حالی که دومی شامل اعتصاب های خدمه ، برخورد ، رشته ها ، بیماری خدمه ، قرنطینه و دزدی دریایی است. یکی دیگر از عواملی که بر سرعت کشتی تأثیر می گذارد و بنابراین زمان ورود اغلب ذکر شده ، آب و هوا در طول مسیر حمل و نقل است [4] که شامل بارش ، سطح آب ، ارتفاع موج ، تورم ، سرعت باد و تعدادی از عوامل دیگر است.

حتی اگر همه این موارد می تواند علل تاخیر جدی باشد ، بیشتر آنها پیش بینی می شوند یا در دسترس عموم نیستند و بنابراین عوامل مناسبی برای مدل های پیش بینی ورود نیستند. برای دامنه این تحقیق ، عوامل خارجی محدود به تأثیر شرایط آب و هوایی دریایی بر سرعت کشتی باری بود.

هدف اصلی این تحقیق شناسایی متغیرهای داخلی (مربوط به کشتی ، به عنوان مثال نوع و اندازه کشتی ، سال ساخت) و خارجی (غیر کشتی ، به عنوان مثال آب و هوا ، امواج) است که بر سرعت کشتی تأثیر می گذارد. هدف ایجاد یک مدل با این متغیرها است که سرعت ضبط شده واقعی یک کشتی معین را توضیح می دهد. نشان می دهد که کدام متغیرها و تا چه اندازه برای این مدل مفید هستند. برای شناسایی اهمیت متغیرها از یک مدل رگرسیون خطی چندگانه استفاده می شود.

شکل 1 چارچوب مفهومی این کار پژوهشی را نشان می دهد. داده های کشتی از دو منبع مختلف به دست می آیند و در فایل های گزارش ذخیره می شوند. به موازات داده های کشتی، داده های آب و هوا نیز از منبع آب و هوا بدست می آید و در فایل های گزارش ذخیره می شود. پس از آن، فایل‌های گزارش با هم ترکیب می‌شوند تا یک گزارش کامل از داده‌های کشتی را که با داده‌های آب‌وهوا بهبود یافته است، به دست آورند. این داده ها مبنایی برای تجزیه و تحلیل از طریق یک رگرسیون خطی چندگانه و پیش بینی پذیری زمان ورود است.

این چارچوب به تنهایی یک سیستم نظارت یا مدیریت را نشان نمی دهد. هدف این کار بررسی تأثیر عوامل خاص بر سرعت و زمان رسیدن شناورها است. یافته‌ها باید در مدل‌هایی گنجانده شوند که با پیش‌بینی تاخیر کشتی‌هایی که از سیستم‌های مدیریت فرآیند کسب‌وکار در زمینه‌های تخصیص اسکله و عملیات کشتی پشتیبانی می‌کنند، سر و کار دارند.

ساختار باقیمانده این مقاله به شرح زیر است: بخش 2 فرآیند جمع آوری و آماده سازی داده ها را برای داده های کشتی و آب و هوا توصیف می کند. بخش 3 همبستگی بین متغیرها را تشریح می کند و رگرسیون خطی چندگانه در بخش توضیح داده شده است. 4. بخش 5 نگاه دقیق تری به انحراف ورود در بندر روتردام ارائه می دهد. بعد از آن فرقه می آید. 6 که در آن کارهای مرتبط ذکر شده است. در نهایت، بخش. 7 مقاله را به پایان می رساند.

2 داده

داده های مورد استفاده در این تحقیق از دو منبع مختلف سرچشمه می گیرد. داده های حرکت کشتی توسط کشتی های دریایی در سراسر جهان از طریق سیستم شناسایی خودکار (AIS) پخش می شود و توسط ارائه دهندگان خدمات AIS در اینترنت در دسترس قرار می گیرد. داده های آب و هوای مورد نیاز برای مدل توسط برنامه دسترسی به داده های بخش تحقیقات محیطی (ERDDAP) در دسترس است. سپس هر دو مجموعه داده با هم ترکیب می شوند و برای ایجاد مدل پیش بینی استفاده می شوند.

2. 1 داده های کشتی

از آنجایی که هیچ مجموعه داده جابجایی کشتی آماده برای استفاده رایگان در دسترس نیست، لازم است این داده ها با اسکریپت های تخصصی تجمیع شوند.

برای داده های کشتی، تصمیم گرفته شد دو رویکرد متفاوت با دو منبع داده متفاوت، یعنی marinetraffic. com و anijefinder. com دنبال شود. این رویکرد ما را قادر می‌سازد تا روش‌های مختلف جمع‌آوری داده‌ها را امتحان کنیم و در صورتی که یکی از رویکردها به بن‌بست تبدیل شود، داده‌هایی را برای کار از منبع داده دیگر در اختیار ما قرار می‌دهد.

بر اساس داده های ارائه شده توسط anijefinder. com منطقه ای در اطراف بندر روتردام با یک~شعاع 200 مایل در جایی انتخاب می شود که تمام کشتی های قایقرانی در فاصله 15 دقیقه ای ثبت می شوند. در حالی که میلیون ها نقطه داده در طی چهار هفته ثبت شده است ، از آنها برای تجزیه و تحلیل بیشتر استفاده نمی شود زیرا فیلتر کردن و پیوند آنها با داده های دقیق آب و هوا بسیار دشوار است.

به موازات دستیابی به داده های Vesselfinder ، داده ها نیز از Marinetraffic جمع آوری می شوند ، که در آن تمام کشتی های قایقرانی به روتردام در سراسر جهان ثبت می شوند. این روش چندین مزیت نسبت به رویکرد دیگر از جمله دوره های مشاهده طولانی تر برای هر کشتی ، ردیابی رایگان مانع و اطلاعات بیشتر ارائه شده توسط وب سایت (به عنوان مثال زمان ورود تخمین زده شده ، وضعیت کشتی) ارائه می دهد.

لیست زیر داده هایی را که ما از هر دو روش بازیابی کرده ایم توصیف می کند در حالی که منبع در براکت ها پس از متغیرها نشان داده شده است."M" داده های بازیابی شده از Marinetraffic ، داده های "V" را از Vesselfinder: Timestamps (M ، V) پرس و جو و جریان داده ها ، شماره سازمان بین المللی دریایی IMO (M) ، هویت خدمات موبایل MMSI (M ، V) ، نشان می دهد. نام (M) ، تماس با تماس (M) ، پرچم (M) ، نوع کشتی (M ، V) ، وزن ناخالص و تناژ وزن مرده (M) ، طول و عرض (M) ، ساخته شده (M) ، وضعیت (M)، منطقه (M) ، عرض جغرافیایی و طول جغرافیایی (M ، V) ، فعالیت (M) ، سرعت (M ، V) ، دوره (M ، V) ، پیش نویس (M) ، زمان تخمینی ورود (M) ، سرعت باد (متر) ، جهت باد به عنوان طبقه بندی (M) ، جهت باد در درجه (M) ، دمای هوا در درجه سانتیگراد (M) ، زمان عزیمت در بندر قبلی (M) ، نام بندر قبلی (M) و مقصد (M)واد

همه متغیرها در مدل پیش بینی نهایی استفاده نمی شوند زیرا همه آنها به هدف مورد نظر کمک نمی کنند. در نهایت متغیرهای استفاده شده برای مدل پیش بینی در زیر شرح داده شده است.

2. 2 داده های آب و هوا

از آنجا که منابع داده ما برای داده های AIS هیچ اطلاعات آب و هوایی دریایی را ارائه نمی دهد ، بلکه فقط اطلاعات باد ، لازم است اطلاعات آب و هوایی دریایی را بدست آورید.

اطلاعات آب و هوایی دریایی توسط ERDDAP ارائه شده است که امکان بارگیری اطلاعات آب و هوایی دریایی را بر اساس زمان ، عرض جغرافیایی ، طول و متغیرهای منتخب به عنوان داده های شبکه ای فراهم می کند ، به این معنی که شامل متغیرهای انتخاب شده برای یک منطقه انتخاب شده در یک شبکه 0. 5 درجه است.

اطلاعات هواشناسی مبتنی بر نسل سوم مدل موج باد موج WaveWatch III است که توسط شاخه مدل سازی و تجزیه و تحلیل دریایی (MMAB) از مرکز مدل سازی محیط زیست (EMC) مراکز ملی حفاظت از محیط زیست (NCEP) تهیه شده است. مدل نسل سوم در نقاط اصلی با پیشینیان خود متفاوت است ، به عنوان مثال رویکردهای فیزیکی [5].

ما مسیرهای مختلف ممکن را از مبدا کشتی ها به یک مقصد خاص بر اساس کشتی تاریخی و داده های آب و هوایی فعلی بررسی نمی کنیم زیرا مجموعه داده های خریداری شده فقط موقعیت های فعلی کشتی ها را شامل می شود.

اطلاعات هواشناسی دریایی که در دسترس است و بخشی از مدل ما شامل جهت موج اوج در درجه ، دوره موج اوج در ثانیه ، ارتفاع موج قابل توجهی در متر ، جهت موج اوج تورم در درجه ها ، دوره موج اوج تورم در ثانیه ، متورم کردن ارتفاع موج قابل توجهی درمتر ، جهت موج اوج باد در درجه ، دوره موج اوج باد در ثانیه و باد قابل توجه باد در متر.

ارتفاع موج قابل توجه به عنوان میانگین ارتفاع (از طریق تاج) از بالاترین یک سوم امواج تعریف شده است [6]. دوره موج در ثانیه زمان بین دو قله موج در همان نقطه فضا را توصیف می کند. جهت نشان می دهد که موج از کجا می آید.

اطلاعات مختلف آب و هوا مربوط به انواع امواج موجود است. امواج بادی از طریق وزش باد در ناحیه بزرگ (به نام واکشی) تولید می شود. در مقابل ، تورم نیز امواج گرانشی سطح نامیده می شود و نه توسط سیستم های آب و هوایی محلی بلکه از راه دور ایجاد می شود.

2. 3 تهیه داده

آماده سازی داده ها برای پیوستن به داده های کشتی و آب و هوا ضروری است. عرض جغرافیایی و طول کشتی ها و داده های آب و هوا در درجه ها نشان داده شده است ، اما داده های آب و هوا در یک شبکه 0. 5 درجه ارائه می شود. برای اینکه بتوانید هر دو مجموعه داده را مطابقت دهید ، موقعیت کشتی باید تنظیم و گرد به عدد صحیح بعدی یا نیمی از عدد صحیح باشد. علاوه بر این ، طول داده های آب و هوا در محدوده 180 پوند نشان داده نشده است ، بلکه 0 تا 359 درجه است. از این رو ، طول موقعیت کشتی باید به 180 اضافه شود. سپس از داده های موقعیت تنظیم شده برای پیوستن به هر دو مجموعه داده استفاده می شود.

2. 4 داده های ثبت شده در اعداد

مرحله جمع آوری داده ها به دو دوره تقسیم می شود. از 14 دسامبر 2014 تا 23 دسامبر 2014 ما 55،776 موقعیت کشتی را جمع آوری کردیم. دوره دوم مجموعه از 2 ژانویه 2015 تا 12 ژانویه 2015 به طول انجامید و 68. 395 مشاهدات را درگیر کرد. از این رو ، در کل 124170 مشاهده. لازم به ذکر است که این شماره به مجموعه داده های تمیز شده در حال حاضر اشاره دارد زیرا داده های AIS ممکن است با هر پرس و جو داده به روز نشوند ، به عنوان مثال. کشتی در محدوده گیرنده AIS نیست. بنابراین ، ورودی های تکراری از مجموعه داده حذف شده اند.

از آنجا که این کار در بزرگراه های کشتی واقع در اروپا متمرکز است ، داده های آب و هوا فقط برای آن منطقه (02N25W تا 72N35E) برای هر دو دوره کسب داده کشتی بارگیری شد که منجر به 3،170،387 مشاهده شد. مشاهدات کشتی سپس با داده های آب و هوایی دریایی افزایش می یابد و منجر به یک مجموعه داده جدید با 54. 554 مدخل می شود. انحراف دو مجموعه داده توسط منطقه ای که اطلاعات آب و هوا بارگیری می شود ایجاد می شود.

تمرکز بر تجزیه و تحلیل کشتی های باری و تانکرهایی است که از مسافت های طولانی در اقیانوس قایقرانی می کنند ، سایر انواع کشتی های ویژه ، به عنوان مثال."Tug" یا "لایروبی" که نشان نمی دهد رفتار معمولی کشتی های اقیانوس از مجموعه داده حذف می شوند.

کشتی های قایقرانی فعالیت "با استفاده از موتور" را نشان می دهند. برای تجزیه و تحلیل سرعت کشتی ، تمام مشاهدات دیگر با فعالیت های ناکافی کشتی ها ، به عنوان مثال"متوقف شده" یا "در لنگر" برای جلوگیری از تحریف ارزیابی ها از مجموعه داده ها حذف شدند. داده های ضبط شده همچنین شامل آب داخلی است ، به عنوان مثال"کانال کیل" ، "رودخانه البه" یا "اروپا ، داخل کشور" و ترافیک بین پورت از طریق کانال ها ، به عنوان مثالروتردام به آنتورپ. این کشتی ها به عنوان کشتی های اقیانوس در معرض شرایط محیطی مساوی قرار نمی گیرند ، به عنوان مثالارتفاع موج و جریان ها ، و بنابراین از مجموعه داده ها حذف شده است.

3 همبستگی

همانطور که در بخش قبلی مورد بحث قرار گرفت ، مجموعه داده ها تمیز و مشاهدات بی ربط از داده ها حذف شد. پس از آن ، یک تجزیه و تحلیل معنی دار می تواند در مجموعه داده ها اعمال شود. هدف شناسایی خصوصیاتی است که بر سرعت کشتی تأثیر می گذارد. به طور کلی ، خواص به خواص مربوط به کشتی و مرتبط با آب و هوا تقسیم می شوند. از آزمایشات همبستگی برای یافتن اینکه کدام شرایط آب و هوایی و خصوصیات کشتی بر سرعت کشتی های اقیانوس تأثیر می گذارد ، استفاده می شود. برای تجزیه و تحلیل مرتبط با آب و هوا 11 متغیر همانطور که در جدول 3 نشان داده شده است.

جهت مطلق باد برحسب درجه (0-360 درجه) توسط مسیر قایقرانی هر کشتی تنظیم شد و در نتیجه متغیر جدیدی ایجاد شد که جهت نسبی باد appwinddir را از بادهای تمام سر تا بادهای دم کامل نشان می دهد، اما بندر یا سمت راست را نشان نمی دهد.. برای محاسبه متغیر جدید از روش زیر استفاده می شود:

نتایج آزمون های همبستگی ما در جدول 1 نشان داده شده است. بیشترین همبستگی بین جهت باد (درجه) و سرعت کشتی مشخص شده است. همچنین ارتفاع موج معنی‌دار و ارتفاع موج معنی‌دار تورم همبستگی کاملاً متوسطی را با سرعت شناور نشان می‌دهند (19-18 درصد). سرعت باد فقط یک همبستگی منفی کم با حدو د-8٪ دارد. هر چه سرعت باد بیشتر باشد کشتی کندتر می شود. جهت موج اوج و جهت موج اوج متورم با سرعت کشتی ارتباطی ندارد. مقدار P پایین در اکثر نتایج را می توان با تعداد بالای مشاهدات (23810) توضیح داد.

4 رگرسیون خطی چندگانه

بخش قبل به ارتباط داده های آب و هوا در داده های کشتی می پردازد. این بخش بر روی اعمال رگرسیون های خطی چندگانه [7] روی داده ها تمرکز دارد تا دریابد که آیا می توان سرعت کشتی را با متغیرهای مربوطه توصیف کرد یا خیر. رگرسیون خطی چندگانه از دو بخش متغیر وابسته (رگرسیون) و متغیر مستقل (رگرسیون) تشکیل شده است. در حالی که رگرسیون نشان دهنده اثر فرمول است، رگرسیون ها متغیرهای ورودی هستند که عللی را تشکیل می دهند که منجر به اثر می شوند. در زمینه ما، سرعت کشتی (اثر) باید با متغیرهای مربوطه (علل) پیش بینی شود. یک تکنیک انتخاب متغیر به الگوریتم اجازه می‌دهد تصمیم بگیرد که کدام ویژگی مرتبط در نظر گرفته شود و کدام یک حذف شود. مشاهدات دارای مقادیر از دست رفته باید حذف شوند، زیرا این تکنیک نمی تواند با آنها مقابله کند.

در متن ما ، نه تنها داده های آب و هوا در نظر گرفته می شود بلکه برخی از ویژگی های دیگر مربوط به کشتی ها و محل فعلی کشتی ها نیز می باشد: تناژ وزن مرده ، ناخالص ، ساخته و منطقه. برای تجزیه و تحلیل رگرسیون خطی متعدد ، این مقاله به مناطق خاص در اقیانوس ها می پردازد. این مناطق دارای چندین ویژگی مشترک هستند: کشتی ها در یک خط مستقیم سفر می کنند ، توسط سایر کشتی ها رمزگذاری نمی شوند و می توانند در این مناطق با سرعت بالایی بدست آورند. از این رو ، این مناطق به عنوان "بزرگراه های کشتی" نامگذاری شده و بر اساس مشخصات طول جغرافیایی/عرض جغرافیایی از هم جدا می شوند. سه بزرگراه کشتی عبارتند از: کانال انگلیسی ، سواحل غربی پرتغال در اقیانوس اطلس و منطقه بین سیسیل و آفریقا در دریای مدیترانه. پس از فیلتر کردن داده ها ، 1،305 مشاهده باقی مانده است که ما برای تجزیه و تحلیل خود استفاده کردیم (جدول 2).

هفت متغیر پس از استفاده از انتخاب متغیر از مدل حذف شدند (جدول 3 را ببینید) از طریق رگرسیون گام به گام. تمام متغیرهای دیگر نشان داده شده در جدول 3 از الگوریتم انتخاب مهم در نظر گرفته شدند.

در نتیجه 86. 71 ٪ از مقادیر سرعت را می توان از طریق متغیرهای مربوطه توضیح داد. با این حال ، این نتایج باید با احتیاط در نظر گرفته شود زیرا انتخاب متغیر روشی مشکوک در برابر بیش از حد است. انتخاب متغیر در ادبیات بسیار مورد بحث قرار گرفته است. از یک طرف ، تئوری تمایل دارد این رویکرد را کاهش دهد در حالی که از طرف دیگر اغلب در عمل استفاده می شود. واقعیت این است که ، همه مسائل مربوط به بیش از حد را پوشش نمی دهد و حتی می تواند با چندین مشکل جدید همراه باشد [8]. شواهدی برای مشروعیت بخشیدن به عدم توجه به این روش می تواند این واقعیت باشد که اگرچه متغیرهای SHGT (تورم ارتفاع موج قابل توجهی) و THGT (ارتفاع موج قابل توجه) بیشتر با سرعت عروق نسبت به متغیرها WPER (دوره موج اوج باد) و TPER (ارتباط می شوند) و TPER (دوره موج اوج) آنها از مدل خارج شدند. علاوه بر این ، برای برخی از متغیرها توضیح اثرات و همبستگی با سرعت کشتی نسبت به سایرین ساده تر است. به عنوان مثال متغیر ساخته شده ، در مورد تعمیر و نگهداری و اصلاح کشتی چیزی نمی گوید. یک کشتی 10 ساله اساساً می تواند به اندازه یک کشتی 2 ساله سریع باشد. با این حال ، الگوریتم تصمیم گرفت این متغیر را مهم در نظر بگیرد.

5 انحراف ورود - بندر روتردام

به منظور ارائه یافته های بخش های قبلی یک مقدار عملی ، آنها برای کاربرد آنها برای پیش بینی ورود کشتی ها به مقصد خود آزمایش می شوند. بندر روتردام به عنوان مقصد مورد علاقه انتخاب می شود ، زیرا داده های جمع آوری شده حاوی اطلاعاتی در مورد کشتی هایی است که به این بندر می روند.

در ابتدا مجموعه داده برای تجزیه و تحلیل انحراف ورود تهیه می شود. سپس تأثیر مقصد در بندر بررسی می شود. پس از آن یافته ها سازگار است که برای آزمایش همبستگی آنها با انحراف ورود قابل اجرا است.

5. 1 مجموعه داده برای تجزیه و تحلیل

به منظور بررسی انحرافات ورود ، داده های مربوط به هر حمل و نقل لازم است. علاوه بر متغیرهای بخش های قبلی ، متغیرهای ATA ، Ata_moored ، Eta_12hours و تأخیر باید حاصل شود.

زمان واقعی ورود (ATA) به طور مستقیم در مجموعه داده موجود نیست. در بندر روتردام ، ETA باید به شناور مرکز MAAS (5200. 9 ، 00348. 8) مراجعه کند که در جلوی ورودی اصلی بندرها از اقیانوس قرار دارد [9]. نقطه زمانی که کشتی از آن نقطه عبور می کند به عنوان ATA در نظر گرفته می شود.

دومین بار واقعی ورود به نقطه زمانی اشاره دارد که کشتی عملیات اتصال را در اسکله (ata_moored) به پایان رساند.

متغیر مشتق شده ETA_12Hours حاوی ETA است که کشتی تقریباً 12 ساعت قبل از ATA در حال برقراری ارتباط بود. تصمیم به استفاده از این اختلاف 12 ساعته گرفته شده است ، زیرا از داده های آب و هوایی دریایی در نزدیکی بندر برای بررسی اثرات آن در انحراف ورود استفاده می شود. دوره زمانی 12 تا 24 ساعت قبل از ورود نیز تأثیر زیادی در مدیریت کشتی در بندر دارد [10].

تأخیر تفاوت بین ATA و ETA_12Hours در ساعت ها است. مقادیر منفی نشان می دهد که کشتی زودتر از آنچه انتظار می رفت وارد می شد.

مجموعه داده های ساخته شده برای تجزیه و تحلیل انحراف ورود شامل یک رکورد برای هر حمل و نقل مشاهده شده است. این سوابق حاوی متغیرهای مشتق شده در بالا و متغیرهای مربوط به کشتی لازم برای تجزیه و تحلیل هستند. علاوه بر این ، هر رکورد حاوی اطلاعات مربوط به آب و هوا است که در طول دوره زمانی بین ATA و ETA_12HOURS به طور متوسط انجام می شود ، تا تأثیر خود را در انحراف ورود به بندر مشاهده کند.

این مجموعه داده با معیارهای زیر تمیز می شود. فقط سوابق با تأخیر ا ز-12 ساعت تا 12 ساعت در مجموعه داده نگهداری می شوند. تأخیرهای دیگر به عنوان واقع بینانه در نظر گرفته نمی شوند یا در داده های جمع آوری شده به عنوان خطایی در نظر گرفته می شوند. علاوه بر این اگر یکی از متغیرهای مشتق شده برای یک رکورد قابل محاسبه نباشد ، کل رکورد باقی مانده است. دلایل آن می تواند اطلاعات ناقص یا نادرست در داده های جمع آوری شده یا حمل و نقل باشد که از رفتار لازم برای این تجزیه و تحلیل پیروی نمی کنند.

5. 2 مقصد در بندر

از آنجا که بندر روتردام از بسیاری از ترمینال ها تشکیل شده و در یک منطقه وسیع گسترش یافته است ، فرض می شود که مقصد یک کشتی در بندر بر رفتار کشتی ها تأثیر بگذارد. برای بررسی ، منطقه بندر از نظر جغرافیایی به سه بخش تقسیم می شود. بخش 1 نزدیکترین است و بخش 3 از ورودی اقیانوس به بندر فاصله دارد.

فرض اول این است که هرچه ترمینال مقصد بیشتر از اقیانوس دور باشد ، زمان بیشتری از ورود به ورودی بندر تا در موقعیت نهایی به سر می برد. این فرض به عنوان اولین ستون جدول 4 تأیید شده است. زمان مصرف شده به طور مداوم در کنار فاصله از ورودی اقیانوس در حال افزایش است.

فرض دوم این است که فاصله ترمینال مقصد از اقیانوس بر تأخیر کشتی در ورودی بندر تأثیر می گذارد. این فرض تا حدی تصویب شده است. از یک طرف ستون دوم در جدول 4 نشان می دهد که بین بخش 1 و بخش 2 تفاوت معنی داری وجود ندارد. از طرف دیگر بخش 3 تاخیر متوسط قابل توجهی پایین تر از سایر بخش ها نشان می دهد. می توان گفت کشتی هایی که در بخش 3 به سمت ترمینال ها می روند ، به موقع هستند زیرا میانگین تأخیر آنها نزدیک به صفر است.

5. 3 کاربرد یافته ها

در این بخش یافته های بخش های قبلی در مورد کاربرد آنها در پیش بینی تأخیر اثبات شده است. به منظور انجام این کار ، متغیرهای مرتبط به صورت مناسب تهیه می شوند و سپس همبستگی آنها با تأخیر آزمایش می شود.

در ابتدا متغیرهایی که برای پیش بینی سرعت عروق مفید هستند ، مورد آزمایش قرار می گیرند. متغیرهای WINDSPD ، RELWINDDIR ، WHGT ، TPER و WPER به طور متوسط قبل از ورود به بندر به طور متوسط 12 ساعته می شوند و به سوابق داده اضافه می شوند. متغیرهای ShipType ، DWT ، ساخته شده و ناخالص با گذشت زمان در طی یک حمل و نقل تغییر نمی کنند ، بنابراین می توان آنها را به عنوان مقادیر استاتیک به سوابق داده اضافه کرد. فعالیت و منطقه در این آزمایش در نظر گرفته نمی شود ، زیرا از آنها برای جدا کردن حمل و نقل فردی از یکدیگر استفاده می شود و بنابراین بین آنها اختلاف نمی کند. نتایج آزمایشات را می توان در جدول 5 مشاهده کرد. در نتیجه این آزمایشات ، متغیرهایی که می توانند برای چنین پیش بینی مفید باشند ، تنها مواردی هستند که مربوط به آب و هوا هستند ، یعنی دوره اوج موج ، دوره موج اوج باد و دورهباد قابل توجه موج. این نتایج بر این فرض تأکید می کند که شرایط آب و هوایی عمدتا بر تأخیر تأثیر می گذارد.

ثانیاً یافته های مربوط به ترمینال مقصد در بندر آزمایش می شود. تا این حد ، حرکات کشتی با توجه به بخشی که به آن می روند طبقه بندی می شوند. نتیجه ضریب همبستگ ی-0. 221585715593 با مقدار P 0. 00368431138331 است. می توان فرض کرد که ترمینال مقصد در بندر برای پیش بینی تأخیر از اهمیت برخوردار است. تحقیقات آینده بررسی خواهد کرد که چگونه می توان بخش های فردی را بهتر تعریف کرد و دلیل اختلافات چیست.

5. 4 محدودیت

محدودیت هایی در مورد نتایج تجزیه و تحلیل انحراف ورود وجود دارد. با توجه به یک بازه زمانی بسیار کوتاه برای جمع آوری داده ها ، تعداد حرکات قابل استفاده بسیار اندک است. ترکیب این حرکات با داده های آب و هوایی موجود ، تعداد سوابق مفید و کامل حتی بیشتر کاهش می یابد. جالب خواهد بود که داده های بیشتری برای تجزیه و تحلیل در دسترس داشته باشیم و همچنین بتوانیم اثرات فصلی را بر تأخیر بررسی کنیم. محدودیت دیگر تجزیه و تحلیل این است که آنها به این فرض متکی هستند که تأخیر در بازه زمانی 12 ساعت قبل از ورود ایجاد می شود. برای تجزیه و تحلیل دقیق تر ، لازم است بدانیم که چه مقدار از تأخیر قبلاً قبل از بازه زمانی مورد بررسی اتفاق افتاده است. تصمیم فقط جمع آوری داده های کشتی هایی که به روتردام می روند ، معلوم شد که از عدم آگاهی از ترافیک کامل در بندر آگاهی نداشته است. این امر باعث شد تا تجزیه و تحلیل در مورد ترافیک با این مجموعه داده امکان پذیر نباشد ، اگرچه این می تواند در مورد پیش بینی تأخیر مورد توجه باشد. این برنامه در برنامه هایی است که در تحقیقات آینده چنین محدودیتی را دور بزند.

6 کار مرتبط

تحقیقاتی وجود دارد که عمدتاً بر روشهای برنامه ریزی تخصیص اسکله متمرکز است.[11] با برنامه ریزی اسکله قوی سر و کار دارد و [12] با رویکردهای پویا برای کار با ظروف در اسکله سر و کار دارد. کار ما متمرکز بر ساختن زمان ورود کشتی ها است که می تواند به یک برنامه ریزی تخصیص پویاتر اسکله کمک کند.[13] رویکردهایی را برای استخراج مسیرهای کشتی و تشخیص ناهنجاری در الگوهای حرکتی برای سیستم های پشتیبانی تصمیم گیری فراهم می کند. از طرف دیگر [14] در حال بررسی تأثیرات جزر و مد بر عملیات ساحلی در بنادر کانتینر است. هر دو روی عوامل خاصی که بر زمان ورود تأثیر می گذارد ، تمرکز می کنند. کار ما در حال بررسی به ویژه در مورد تأثیر شرایط آب و هوایی در زمان ورود است.[10] رویکرد مشابهی با کار ما دنبال می کند. یک روش یادگیری ماشین با استفاده از داده های مربوط به کشتی و آب و هوا برای پیش بینی زمان ورود اعمال می شود. تفاوت اصلی این است که کار ما از داده های در دسترس عموم استفاده می کند در حالی که [10] از داده های گزارش شده به طور مستقیم توسط بندرهای آنتورپ و کالیاری استفاده می کند.

7 نتیجه گیری

داده هایی در دسترس عموم است که می تواند برای برآورد سرعت کشتی و زمان ورود استفاده شود. این داده ها شامل اطلاعات مرتبط با کشتی و غیر کشتی است. اولین چالش جمع آوری داده ها از منابع مختلف بود. سپس آنها مجبور بودند با هم ترکیب شوند و در نتیجه یک فروشگاه داده مشترک. پس از آن از فروشگاه داده برای پیش بینی سرعت کشتی در یک نقطه خاص در زمان با استفاده از رگرسیون چند خطی استفاده شد. معلوم شد که داده های مرتبط با آب و هوا تأثیر زیادی در سرعت کشتی دارند ، اما همچنین برخی از متغیرهای مربوط به کشتی از اهمیت برخوردار هستند. با توجه به پیش بینی زمان ورود ، این کار فقط می تواند در مورد متغیرهای ورودی که می توانند برای یک مدل پیش بینی استفاده شوند ، به دلیل محدودیت های ذکر شده ، پیشنهاداتی ارائه دهد. آنچه به نظر می رسد تأثیر قابل توجهی در زمان ورود دارد ، متغیرهای مرتبط با آب و هوا و موقعیت جغرافیایی ترمینال مقصد است.

این کار به عنوان پایه ای برای تحقیقات بیشتر در مورد پیش بینی زمان ورود کشتی ها است. ما فقط امکان بررسی اثرات عوامل خاص را داشتیم. تأثیر ترافیک مداوم در بندر یا جلوی آن هنوز یک سوال باز است. داده ها همچنین می توانند در مدت زمان طولانی تری برای بررسی اثرات فصلی جمع آوری شوند. در پایان یافته های این کار به همراه سایر عوامل می تواند در یک مدل پیش بینی برای برآورد تاخیر اعمال شود.