智能航运算法与优化 赛题
赛题概述
本赛道主要围绕航运数据中的算法优化与智能预测展开。
随着航运产业数字化进程的不断加速，大规模船舶数据（包括地理位置、历史轨迹、船舶属性等）的积累为智能决策提供了充分的可能性。如何充分利用这些海量数据，高效挖掘关键特征，准确预测船舶抵达时间和航行轨迹，对优化港口调度、保障航运安全、促进绿色发展都有深远意义。
本赛道鼓励参赛者采用机器学习、深度学习、时空数据分析等前沿技术，通过实战化场景解决真实行业痛点，为智能航运提供更具价值的算法和工具。
赛题 A : 全球航运预抵识别
一、赛题背景
随着全球化的发展，海上运输在国际贸易中占据核心地位。为了优化物流管理和减少运输延误，准确预测船舶的抵达时间和抵达港口变得至关重要。本次挑战赛旨在通过分析船舶动态信息数据，提高港口到港口预测的准确性，从而助力全球物流行业的效率提升。
二、赛题任务
参赛者需要利用提供的船舶动态信息数据集，建立模型预测船舶的预计抵达港口（end_port_code）和预计抵达时间（leg_end_postime）。选手需要自行进行数据预处理操作，应当充分利用提供数据集中各个字段的特征，并构建算法模型来预测船舶的预计抵达港口和预计抵达时间。
- 鼓励参赛者运用先进的数据分析、机器学习、深度学习等技术。
- 允许使用额外的公开数据源，以增强模型的准确性和泛化能力。
- 重视数据预处理和特征工程，以提高模型性能。
三、数据描述
- 船舶动态信息数据训练集：包含历史船舶抵达各港口的时间记录，航行轨迹等关键参数。
- 船舶动态信息数据测试集：仅包含船舶MMSI、船舶起始港与船舶起始时间。
- 船舶静态信息数据：包含有关船舶的特征描述，如MMSI号、船舶类型、建造年份、载重吨、尺寸和吃水深度等信息。
- 船舶静态信息数据（船型映射关系表）：用于将船舶类型和子类型代码映射到相应的描述信息。
- 港口静态信息数据：包含有关港口的基本描述，如港口代码、名称、位置、国家、类型等信息。
四、模型预测结果评分标准
选手需要同时预测船舶的预计抵达港口与预计抵达时间，即预测结果需包括每条船舶的预计抵达港口和预计抵达时间。当预计抵达港口预测错误时，该次动态的预测结果，该次动态的预测得分将得0分。当预计抵达港口预测正确时，将继续评估预计抵达时间与实际抵达时间的差值，单位为小时，如果预计抵达时间与真实抵达时间差值不超过7天，则计算( 168 - 预测时间)与168的比值为该次动态的预测得分。
如果预计抵达时间与真实抵达时间差值超过7天，该次动态的预测得分将得0分。
预测结果评分标准公式为：
船舶动态信息数据测试集共有19191条数据，则该模型预测结果满分为19191分。
五、数据格式
船舶动态信息数据训练集共有807条船舶的33968条船舶动态数据，船舶动态信息数据训练集格式说明：
| 列名 | 类型 | 说明 |
|---|---|---|
| ship_mmsi | str | 船舶的MMSI号码 |
| start_port_code | str | 起始港口的代码 |
| end_port_code | str | 目的港口的代码 |
| leg_start_postime | str | 航段开始的时间，格式为yyyy-MM-dd HH:mm:ss+tz |
| leg_end_postime | str | 航段结束的时间，格式为yyyy-MM-dd HH:mm:ss+tz |
| route_line | str | 航线的表示，格式为WKT（Well-Known Text）的LINESTRING类型 |
| distance | float | 航段距离，单位为海里 |
船舶动态信息数据测试集共有807条船舶的19191条船舶动态数据，船舶动态数据测试集格式说明：
| 列名 | 类型 | 说明 |
|---|---|---|
| uuid | str | 唯一标识符，用于区分每条记录的独特ID |
| ship_mmsi | str | 脱敏后的船舶MMSI号，用于标识船舶的唯一号码 |
| start_port_code | str | 起始港口代码，表示货物出发的港口 |
| leg_start_postime | datetime | 起始航段的开始时间，格式为：yyyy-MM-dd HH:mm:ss+tz |
| end_port_code | str | 需补充提交，目的港口代码，表示货物到达的港口 |
| leg_end_postime | datetime | 需补充提交，起始航段的结束时间，格式为：yyyy-MM-dd HH:mm:ss+tz |
船舶静态信息数据包含843条船舶的静态信息，船舶静态信息数据格式说明：
| 列名 | 类型 | 说明 |
|---|---|---|
| ship_mmsi | str | 船舶的MMSI号 |
| vessel_type | int | 船舶类型代码 |
| vessel_sub_type | int | 船舶子类型代码 |
| build_year | int | 船舶建造年份 |
| deadweight | int | 船舶的载重吨 |
| length | float | 船舶的长度（米） |
| width | float | 船舶的宽度（米） |
| height | float | 船舶的高度（米） |
| draught | float | 船舶的吃水深度（米） |
| max_speed | float | 船舶的最大速度（节） |
船舶静态信息数据（船型映射关系表）包含6类船舶的类型映射关系，与41个船舶子类型映射关系，船舶静态信息数据格式说明：
| 列名 | 类型 | 说明 |
|---|---|---|
| dict_type | str | 字典类型（字符串类型） |
| dict_code | str | 字典代码（字符串类型） |
| parent_code | str | 父级字典代码，可为空（字符串类型），仅当dict_type为vessel_sub_type时不为空 |
| name_en | str | 英文名称（字符串类型） |
| name_cn | str | 中文名称（字符串类型） |
港口静态信息数据包含1101个港口的地理位置数据，港口静态信息数据格式说明：
| 列名 | 类型 | 说明 |
|---|---|---|
| port_code | str | 港口代码（字符串类型） |
| ctry_code | str | 国家代码（字符串类型） |
| name_en | str | 英文名称（字符串类型） |
| name_cn | str | 中文名称（字符串类型） |
| lon | float | 经度（浮点数类型） |
| lat | float | 纬度（浮点数类型） |
| timezone_offset | int | 时区偏移（整数类型，单位为小时） |
赛题 B : 全球航运轨迹预测
一、赛题背景
全球贸易飞速发展的当下，水上交通占据主导地位。不同于有固定道路的路上交通，水上交通更为复杂，路径规划更具挑战性。为提升船舶水上交通的决策水平，准确生成船舶的轨迹至关重要。本次挑战赛旨在通过分析船舶AIS信息数据，较为准确地生成在途船舶的剩余航行轨迹，从而提升水上交通的管理水平。
二、赛题任务
参赛者需要利用提供的船舶AIS信息数据集，构建模型预测在途船舶的剩余轨迹（一系列longitude和latitude）。选手需要自行进行数据预处理操作，应当充分利用提供数据集中各个字段的特征，并搭建算法模型来进行在途船舶的剩余轨迹生成，并要求模型可以自主判断是否停止生成，从而达到模拟到港的效果。
- 鼓励参赛者运用先进的数据分析、机器学习、深度学习等技术。
- 允许使用额外的公开数据源，以增强模型的准确性和泛化能力。
- 重视数据预处理和特征工程，以提高模型性能。
三、数据描述
- 船舶AIS信息数据训练集：包含完整的历史AIS船舶从离港到到港，在途航行的经纬度、状态、吃水、船艏向、航迹向、对地速度等关键参数。
- 船舶AIS信息数据测试集：仅包含部分航段的AIS信息，包括在途航行的经纬度、状态、吃水、船艏向、航迹向、对地速度。
- 港口静态信息数据：包含有关港口的基本描述，如港口代码、名称、位置、国家、类型等信息。
四、模型预测结果评分标准
选手需要生成在途船舶的剩余轨迹并使模型自主停止生成，以模拟到港。当模型生成的剩余轨迹长度为0时，该次轨迹生成的得分将是0分。当模型生成的剩余轨迹长度大于等于1时，将继续比较选手生成的轨迹和真实轨迹之间的差距，匹配与选手生成的轨迹点的对应时间最接近的真实点，并计算匹配后的生成轨迹点和真实点之间的距离之和D1。若选手生成的轨迹点数与真实的轨迹点数不匹配，则未匹配上的点数将与经纬度都为0的虚拟点计算距离并求和D2。100/(1+D1+D2)即为该条轨迹生成的分数F，满分为100分。
假设测试集中有n条航段轨迹，则最终的评分将为：
其中，\(D_1\)，\(D_2\)，\(F\) 的具体计算公式如下：
最终模型预测结果评分满分为100分。
五、提交要求
参赛队伍需提交一个包含模型代码和预测结果的压缩文件。预测结果需包括每条航段的给定轨迹和特征参数，以及生成的轨迹。
六、数据格式
船舶AIS信息数据训练集共有100条船舶的295810条AIS信息数据（ship_name在三张船舶AIS信息表中贯穿一致），数据说明如下：
| 列名 | 类型 | 说明 |
|---|---|---|
| ship_name | int | 船舶的名称（已用阿拉伯数字代替） |
| ship_mmsi | str | 船舶的MMSI号码 |
| start_port_code | str | 起始港口的代码 |
| end_port_code | str | 目的港口的代码 |
| leg_start_postime | str | 航段开始的时间，格式为yyyy-MM-dd HH:mm:ss+tz |
| leg_end_postime | str | 航段结束的时间，格式为yyyy-MM-dd HH:mm:ss+tz |
| route_line | str | 航线的表示，格式为WKT（Well-Known Text）的LINESTRING类型 |
| distance | float | 航段距离，单位为海里 |
船舶AIS信息数据测试集共有97条船舶的59560条AIS信息数据，slice_time为三小时一个点位，选手需要自行判断航段划分，数据说明如下：
| 列名 | 类型 | 说明 |
|---|---|---|
| ship_name | int | 船舶的名称（已用阿拉伯数字代替） |
| slice_time | str | AIS当前时间对应的切片时间，格式为YYYY-MM-dd HH:MM:SS+tz |
| longitude | float | AIS航段当前位置经度 |
| latitude | float | AIS航段当前位置纬度 |
| status | str | AIS航段当前位置对应的船舶状态（5代表靠泊，1代表锚泊，0代表航行） |
| hdg | float | 船艏向，船艏朝向的方向 |
| cog | float | 航迹向，船舶航行的方向 |
| sog | float | 对地速度，船舶的对地速度 |
| draught | float | AIS航段当前位置的吃水 |
船舶AIS信息数据测试集共有97条船舶的59560条AIS信息数据，slice_time为三小时一个点位，选手需要自行判断航段划分，数据说明如下：
| 列名 | 类型 | 说明 |
|---|---|---|
| ship_name | int | 船舶的名称（已用阿拉伯数字代替） |
| slice_time | str | AIS当前时间对应的切片时间，格式为YYYY-MM-dd HH:MM:SS+tz |
| longitude | float | AIS航段当前位置经度 |
| latitude | float | AIS航段当前位置纬度 |
| status | str | AIS航段当前位置对应的船舶状态（5代表靠泊，1代表锚泊，0代表航行） |
| hdg | float | 船艏向，船艏朝向的方向 |
| cog | float | 航迹向，船舶航行的方向 |
| sog | float | 对地速度，船舶的对地速度 |
| draught | float | AIS航段当前位置的吃水 |
船舶AIS信息数据测试集_真值共有97条船舶的58765条AIS信息数据，该数据集是船舶AIS信息数据测试集的后续航程轨迹，数据说明如下：
| 列名 | 类型 | 说明 |
|---|---|---|
| ship_name | int | 船舶的名称（已用阿拉伯数字代替） |
| ship_mmsi | str | 船舶的MMSI号码 |
| start_port_code | str | 起始港口的代码 |
| end_port_code | str | 目的港口的代码 |
| leg_start_postime | str | 航段开始的时间，格式为yyyy-MM-dd HH:mm:ss+tz |
| leg_end_postime | str | 航段结束的时间，格式为yyyy-MM-dd HH:mm:ss+tz |
| route_line | str | 航线的表示，格式为WKT（Well-Known Text）的LINESTRING类型 |
| distance | float | 航段距离，单位为海里 |
| leg_end_port_code | str | AIS当前航段的目的港 |
港口静态信息数据包含154条港口的静态信息，数据格式说明如下：
| 列名 | 类型 | 说明 |
|---|---|---|
| port_code | str | 港口代码（字符串类型） |
| ctry_code | str | 国家代码（字符串类型） |
| name_en | str | 英文名称（字符串类型） |
| name_cn | str | 中文名称（字符串类型） |
| lon | float | 经度（浮点数类型） |
| lat | float | 纬度（浮点数类型） |
| timezone_offset | int | 时区偏移（整数类型，单位为小时） |
赛题作品要求及评分规则
一、数据下载
二、提交要求
参赛队伍需提交一个包含研究报告、预测结果、模型源代码（需要清晰注释）和程序运行环境说明的ZIP压缩文件。
三、考评要求
满分100分，由下面3部分构成:
- 研究报告需介绍研发思路和结论，该部分占比50%；
- 模型预测结果需解决赛题任务，该部分占比25%；
- 模型源代码需体现完整性并添加清晰的注释，该部分占比25%。
| 赛题 | 研究报告 | 模型预测结果 | 模型源代码 | 总分 |
|---|---|---|---|---|
| 全球航运预抵识别 | 50分 | 25分 | 25分 | 100分 |
| 全球航运轨迹预测 | 50分 | 25分 | 25分 | 100分 |
四、评分细则
研究报告（50分）
| 评分项 | 评分标准 | 分值 |
|---|---|---|
| 问题分析与数据理解 | 准确识别赛题核心目标（港口与时间预测），深入分析数据特征（如轨迹稀疏性、船型分布），明确行业痛点（如港口调度效率）。 | 10分 |
| 方法论与技术路线 | 清晰阐述模型框架（如时序预测+分类联合建模），结合航运场景优化算法（如处理轨迹中断、多船型适配）。 | 15分 |
| 实验设计与结果分析 | 包含消融实验（验证特征/模型有效性）、误差分析（如高误差样本归因）、对比实验（与基线模型如XGBoost/LSTM等对比）。 | 15分 |
| 文档结构与表达 | 逻辑清晰（问题→方法→结果），图文并茂（如架构图、特征重要性热力图），语言简洁专业。 | 10分 |
模型预测结果（25分）
| 评分赛题 | 评分标准 | 分值范围 |
|---|---|---|
| 全球航运预抵识别 | \(19191 × \frac{25}{19191}\)分 | 25分 |
| 全球航运轨迹预测 | \(100 × \frac{25}{100}\)分 | 25分 |
模型源代码（25分）
| 评分标准 | 分值范围 |
|---|---|
| 深入结合航运场景，代码可运行，代码模块化且注释完整。 | 21-25分 |
| 方法合理但创新性不足，代码可运行但部分冗余。 | 16-20分 |
| 仅实现基础功能（如逻辑回归），缺乏深度分析。 | 10-15分 |
| 代码抄袭或敷衍，混乱或无法运行。 | 0-9分 |
版权说明：参赛的数据与文档不可用于其他用途；代码使用权归参赛团队和船视宝双方共享使用。