Estimation of shipment size in seaborne iron ore trade

• Autorzy: Zhou X. , Hu Q.

Identyfikatory

DOI

10.12716/1001.13.04.11

• Języki publikacji: EN

Abstrakty

EN

Shipment size is unavailable and important in AIS-based trade volume estimates. A method of shipment size estimates based on AIS (Automatic Identification System) data and BP neural network is proposed. The ship's length, width, designed draught, current draught and deadweight ton are input parameters, the actual shipment size of the ship is output value, and the BP neural network is trained to estimate the actual shipment size of the iron ore carriers. Then, the AIS data is used to calculate the iron ore trade volume in 2018. Compared with customs data, the annual error of import volume of China is less than 0.5%. The result shows that the proposed method is accurate and practical.

Słowa kluczowe

EN

cargo handling; shipment size; estimation of shipment size; seaborne iron ore trade; AIS Data; Maritime Mobile Service Identify (MMSI); BP Neural Network; iron ore

• Wydawca: Faculty of Navigation, Gdynia Maritime University
• Czasopismo: TransNav : International Journal on Marine Navigation and Safety of Sea Transportation
• Rocznik: 2019
• Tom: Vol. 13. no. 4
• Strony: 791--796
• Opis fizyczny: Bibliogr. 16 poz., rys., tab.

Twórcy

autor

Zhou X.

• Shanghai Maritime University, Shanghai, China 

autor

Hu Q.

• Shanghai Maritime University, Shanghai, China

Bibliografia

• [1] Fu xiaoqi, Xie wen, Zheng guihuan, et al. Forecast and  analysis  of  Chinaʹs  import  and  export  in  2006[J].  management review, 2006, 18(1):24‐27+65. 
• [2] Chen wei. Import and export trade prediction based on  linear  ARIMA  and  nonlinear  BP  neural  network  combination model [J]. Statistics and decision‐making,  2015(22):47‐49. 
• [3] Liu xianfeng. Prediction of oil trade volume from 2014 to  2017  based  on  wavelet  analysis  and  ARIMA  combination model [J]. Theory and practice of finance  and economics, 2014(4):117‐121. 
• [4] Nossum, B.“The evolution of dry bulk shipping, 19451990”. Self‐published. Oslo.1996. 
• [5] Haji S , OʹKeeffe E , Smith T . Estimating the global  container shipping network using data and models[J].  Estimating  the  Global  Container  Shipping  Network  Using Data & Models. 
• [6] Adland R, Jia H, Strandenes S P. Are AIS‐based trade  volume  estimates  reliable?  The  case  of  crude  oil  exports[J].  Maritime  Policy  &  Management,  2017,  44(1):1‐9. 
• [7] Ren  jie,  Zhang  ao,  Yan  liping,  et  al.  Research  on  the  status  identification  of  inland  river  ships  [J].  Instrumentation technology, 2017(6):38‐40. 
• [8] ShangHai  Maili  Marine  Technology  Co.,Ltd.http://www.hifleet.com 
• [9] Hu X, Lin C. A Preliminary Study on Targets Association  Algorithm of Radar and AIS Using BP Neural Network  ☆[J]. Procedia Engineering, 2011, 15:1441‐1445. 
• [10]  Gan S, Liang S, Li K, et al. Ship trajectory prediction for  intelligent  traffic  management  using  clustering  and  ANN[C]// Ukacc, International Conference on Control.  
• [11] Zhen  rong,  Jin  yongxing,  Hu  qinyou,  et  al.  Vessel  Behavior Prediction Based on AIS Data and BP Neural  Network[J]. China maritime industry, 2017, 40(2):6‐10. 
• [12] Zhu jin‐shan, Sun li‐cheng, Yin jian‐chuan, et al. Model  and simulation of ship signal recognition based on BP  neural  network  [J].  Journal  of  applied  science  and  engineering, 2012, 20(3):455‐463. 
• [13] Zhang y w, cui w b, wu g t, et al. Improvement analysis  of BP neural network for ship remote monitoring system  [J]. China maritime, 2009, 32(2):14‐19. (in Chinese) 
• [14] Yu tao. BP network adaptive learning rate algorithm  analysis [D]. Dalian university of technology, 2011. 
• [15] Zhang qingqing, he xingshi. Improved method for node  selection of BP neural network and its application [J].  Journal  of  xi ʹ an  university  of  technology,  2008,  22(4):502‐505. 
• [16] Wang  xiaochuan.  Analysis  of  43  cases  of  MATLAB  neural  network  [M].  Beijing  university  of  aeronautics  and astronautics press, 2013.