基于MASTGCN的AIS信息船舶SO₂排放预测模型

摘要

船舶排放的二氧化硫（SO₂）是导致大气污染和海洋酸化的主要因素之一，其时空分异性显著且不均，当前船舶污染物预测模型在时空依赖性建模方面存在局限性，难以有效捕捉船舶SO₂排放中的复杂时空关联特征。针对该问题，基于船舶自动识别系统（automatic identification system,AIS）数据及中国船舶基础信息数据，采用动力学方法结合排放因子量化船舶航行过程中的SO₂排放量，为后续预测提供了数据支持。在预测模型构建方面，研究了融合多头自注意力机制的时空图卷积网络（multi-head attention spatial-temporal graph convolutional network,MASTGCN）预测模型。该模型以时空图卷积网络（spatial-temporal graph convolutional network,STGCN）为基础架构，在空间和时间维度中引入多头自注意力机制，通过动态权重分配强化对不同区域间空间关联性以及不同时段间时间关联性的建模能力，实现对船舶SO₂排放的时空预测。实验结果表明，在注意力头数为5时，模型的平均绝对误差（mean absolute error,MAE）、均方误差（mean squared error,MSE）、均方根误差（root mean squared error,RMSE）以及浮点运算数（floating point operations,FLOPs）分别为0.057 5、0.120 6、0.347 3、3 030 M，模型准确度和计算复杂度的综合性能优于其他头数配置及STGCN模型。相较于STGCN模型，MAE、MSE、RMSE和FLOPs指标分别提高了27.6%、6.0%和1.3%。研究结果表明，多头注意力机制可以通过动态权重分配有效捕获船舶SO₂排放的空间特征，5个注意力头的MASTGCN模型在预测精度上表现优秀，同时在计算复杂度方面保持相对合理。

关键词

绿色航运 / AIS数据 / 船舶SO＿2排放预测 / 时空图卷积模型 / 多头注意力机制

基金资助

新疆维吾尔自治区自然科学基金面上项目（2023D01A57）; 新疆社科基金项目（2023BTY128）资助