随着港航管理信息化的快速发展，技术被应用于我国内河通航管理。在“十二五”规划期间，交通运输部组织开展了长三角航道网及京杭大运河水系智能航运信息服务（船联网）应用示范工程^[]。在江苏、浙江和上海地区开展了关键技术研究及攻关，建设内河水运交通感知网络，满足海量数据管理与区域化应用需求。在“十三五”规划期间，我国的智慧交通建设不断发展，水运领域交通大数据的服务水平和决策能力得到大幅度提高。此外，宝船网、船讯网、船队在线（hifleet）等航运智慧平台的出现是水运交通基础数据和数据交换平台的建设成果，同时表明面向管理服务、决策与智能化应用的智慧水运研究正在不断发展。

我国的内河水运交通以内河货运船舶为主，通航密度是指在单位时间内通过某一航道断面的船舶或船队数量，它是水运交通中评价港口和航道通航情况的重要交通量，是一种典型的时空数据，同时在时间维度和空间维度上呈现相关性和异质性。通航密度的预测将为内河码头和航道的规划与建设、船舶航行安全预警和内河码头选址等提供可靠的数据支撑，对智慧水运建设具有重要的现实意义。因此，通航密度预测问题是智慧水运交通的研究热点之一。

针对水运通航密度的预测问题，本文提出一种基于深度学习的通航密度预测方法——mfstgcn模型。从与水运通航密度相关的多个交通量出发，使用基于stgcn的深度学习模型处理水运路网中的空间结构特征和时空相关性，既可以有效融合数据的多特征，又可以有效捕获数据的时空特性。

交通量预测是一类典型的时空数据预测问题，不同类别的交通数据内嵌于连续空间，并且随时间发生动态变化。特别地，学者们将深度学习方法用于解决时空数据预测问题，利用卷积神经网络（cnn,convolutional neural network）可以有效提取网格数据的空间特征和交通量的空间特征。从发展历程来看，交通量预测方法可分为基于统计的方法、传统机器学习方法和基于深度学习的方法3类。其中，基于统计的方法包括历史均值（ha,history average）法、自回归积分滑动平均（arima,auto-regressive integrated moving average）法^[]、卡尔曼滤波等；传统机器学习方法包括k近邻算法^[]、支持向量机^[]和随机森林算法等。近年来，深度学习方法被用于解决交通量预测问题，成为水运交通领域研究的热点之一。如何对复杂的时空依赖关系建模将是交通量预测的重点，对于此类时空预测问题，研究工作主要从两个方面展开：1) 将问题视作时序预测类问题，将空间依赖看作是静态的，进而采用图卷积定义空间依赖关系；2) 将时间依赖看作是严格周期性的，以图卷积方法建模动态的空间依赖关系。

长短期记忆（lstm,long short-term memory）网络以其端到端建模、易于映入外生变量和自动特征抽取的特点，成为一种流行的时间序列建模框架。ma 等^[]最先将 lstm 网络应用于交通领域，借助道路交通的传感器数据预测未来的道路交通速度。之后，ma等^[]提出了一种基于cnn的交通速度预测方法，将交通网络作为图像进行学习，并对大规模、全网范围内的交通速度进行预测。liu等^[]考虑交通流数据的时间特征、空间特征和周期性特征，结合 cnn 和 lstm 网络生成一个conv-lstm模块，用于提取交通流的时空特征，然后使用 bi-lstm（bi-directional long short-term memory）技术提取交通流的周期特征。yao等^[]提出了一种时空动态网络（stdn,spatial-temporal dynamic network），基于局部cnn门控机制对空间位置之间的动态相似性进行建模，并使用周期性注意力转移机制处理长期的周期性时间转移。li等^[]借鉴循环神经网络（rnn,recurrent neural network）提出扩散卷积递归神经网络（dcrnn,diffusion convolutional recurrent neural network），在有向图上对交通流以扩散形式进行建模，同时集成了交通流中的空间与时间依赖。其他基于 rnn 的研究工作包括时空多图卷积神经网络（stmgcn,spatiotemporal multi-graph convolution network）^[]、时间图卷积神经网络（t-gcn,temporal graph convolution network）^[]、图注意力长短期记忆（gatlstm,graph attention long short-term memory）网络^[]、基于特征的长短期记忆（fblstm,feature based long short-term memory）网络^[]、时空循环卷积网络（srcn,spatiotemporal recurrent convolutional network）^[]。

yu等^[]提出了stgcn解决交通领域的时间序列预测问题，没有使用常规的cnn和rnn单元，而是将问题用图表示出来，并建立具有完整卷积结构的模型，使得模型训练速度更快、参数更少。stgcn 模型通过对多尺度交通网络的建模，有效地捕获了时空相关性。冯宁等^[]在stgcn模型的基础上，结合交通流量的周期特征，提出了多组件stgcn，通过3个组件分别建模流量数据的近期、日周期、周周期特性，并相继提出时空注意力机制图卷积网络（astgcn,attention spatial-temporal graph convolutional network）^[]和时空同步图卷积网络（stsgcn,spatial-temporal synchronous graph convolutional network）^[]。astgcn利用空间注意力机制捕捉不同位置之间的动态空间相关性；stsgcn以路网结构为基础，将多个近邻时间步的空间图连接起来，使用图卷积方法捕获复杂的局部时空相关性，同时针对时空网络序列的不同部分使用相互独立的组件对时空异质性进行建模。diao等^[]针对空间依赖关系会随时间变化的问题提出图卷积神经网络（gcnn,graph convolution neural network），其核心是对拉普拉斯矩阵进行动态分析，将张量分解融入深度学习框架，将实时交通数据分解为一个稳定的、依赖于长期时空关系的全局分量和一个捕捉短期波动的局部分量。

目前，交通量预测问题在道路交通领域已取得丰硕的研究成果，但是在目标主体、数据采集方式和领域特征方面，水运交通与道路交通有一定区别。1) 道路交通的主体是车辆，水运交通的主体是运输船舶，而不同类型的船舶在船舶长度和航速上存在较大差异，单个主体之间的差异将影响交通量预测的准确性。2) 在道路交通中，采集的交通量通常比较密集，交通量具有平稳性，并有明显的周期性和趋势性；水运交通受采集手段（如ais发送频率与船速相关）、气象水文和通航状态（如停航、施工）等因素的影响大，交通量的误差大、时间间隔长、波动性大，表现出非平稳性和周期性不显著等特征。因此，水运交通的交通量预测更具挑战性。

本文考虑水运交通的通航密度受船舶自身属性影响较大，不能准确反映交通规律。将通航密度、船舶的平均航速与船舶密度相关特征结合起来，建立多特征的通航密度预测模型，克服单个主体之间差异的难点，并可以在一定程度上解决水运交通中交通量预测的非平稳性和周期性不显著的问题。

3 结束语