长江航道信息智能推送服务方法研究

　　摘要:当前我国内河航道信息服务多局限于被动式搜索，为建立面向航运企业、社会大众、港航管理单位等多元用户的主动推送式智能服务体系，向各类用户提供丰富、及时、主动的信息服务，本研究提出一种基于用户行为的智能信息推送模型。通过数据挖掘、Word2vec深度学习及地理围栏等技术，结合长江航道图APP业务特性，制定相应的服务策略，实现航道信息推送的精细化、智能化，促进航道信息服务由传统型向智能型转变。

　　关键词:数据挖掘;深度学习;地理围栏;智能推送

　　1引言

　　航运是长江流域经济兴旺发展的重要基础，有力支撑了沿江社会经济发展。建立智能化的航道信息服务体系对于提升长江航道运行能力、辅助企业航运决策、保障船舶航行安全、提高航行效率等方面具有重要的促进意义。智能化信息服务在国外的应用已经十分广泛，美国于1993年就开始着手智能航运信息服务网络系统的研究，该系统在水上交通监管与智能化的信息服务方面发挥了重要作用[1]。

　　我国学者在航运信息智能化服务中的研究表明，相比国外尤其是欧美等国家内河的智能信息服务建设，长江航道信息智能服务体系相关研究还处于起步阶段[2-5]，信息推送形式常见于被动式搜索，难以做到智能精准推送。随着物联网、大数据、云计算及人工智能等技术的高速发展以及长江航道信息化基础建设的不断推进，长江航道信息智能化服务建设步伐不断加快。

　　长江航道图APP自2015年正式对外推广应用至今，已拥有超过8万的用户群体，累计服务200余家航运企业、科研机构、港航管理部门，为航道信息智能推送奠定了数据基础。本文结合现有长江干线数字航道工程及长江电子航道图建设成果，利用人工智能相关技术，深度挖掘用户行为并以此来制定服务策略，结合深度学习来提取航道信息关键数据，并基于地理围栏进行叠加分析以获取推送对象，最终实现长江航道信息推送的精细化、智能化。

　　2信息智能推送方法

　　2.1基于用户行为的智能推送模型

　　用户行为数据是指用户在使用长江电子航道图APP过程中的操作记录，包括位置、时间、功能模块、访问模式、用户等信息，这些记录描述了不同用户在不同位置对不同功能模块的访问需求。智能推送服务从用户行为出发，基于不同用户的不同行为进行个性化定制，基于不同位置进行分析计算，从大量的航道信息数据中挖掘和提取对用户有用的信息，使信息的推送更加精准、更加智能，从而提升用户体验。

　　本文提出一种基于用户行为的航道信息智能推送模型，具体描述如下。 通过对用户的偏好和行为进行分析，预测用户使用需求。对非结构化的航道通告信息进行特征提取，通过地理围栏对航道要素信息进行空间位置分析以缩小信息服务范围，并基于用户行为分析结果为不同的用户制定不同的信息推送策略，从而实现航道信息推送的精细化、智能化。

　　2.2基于数据挖掘的用户行为分析

　　行为是用户对于目标或者对象进行相关操作的基本单元，相同的操作可以以不同的方式或者由不同的人来执行[6-8]。用户行为分析是指对应用中海量的用户行为数据进一步分析和挖掘，从而获取用户的行为特征和规律[9]。

　　常见的用户行为分析方法有：(1)用户特征分析(2)关联分析(3)分类与预测(4)异常分析(5)TopN分析其中，TopN分析是用户行为分析中较为常用的方法[10-16]。通过对某类业务进行TopN分析，可以获取当前最受关注的业务类型及其访问规律，TopN业务较大程度代表着该类业务的访问特性，基于TopN业务分析采取相应的服务策略将是最为有效的方式。本文中的用户行为分析主要是针对长江航道图APP目标用户的业务行为进行TopN分析，目的是找到目标用户的行为模式和兴趣偏好。基于长江航道图APP功能特性，本文拟从以下两个维度进行研究。

　　(1)行为模式：分析不同用户的业务访问情况;(2)兴趣偏好：分析用户对不同业务类型的访问情况;通过上述两个维度对用户的行为数据进行分析研究，并用数据透视方法实现多维数据可视化，以此作为信息推送的服务策略，为航道信息的智能推送提供关键决策依据。

　　2.3基于word2vec的关键词提取

　　关键词提取是指从文本数据中抽取有价值信息的过程。word2vec是谷歌(Google)发布的开源深度学习工具，李跃鹏等人在关键词提取研究中表明，基于word2vec的关键词提取算法准确率较高[17]。word2vec通过一个浅而双层的神经网络模型，将词转化为向量表示，映射到高维向量空间中，从而寻求词更深层次的特征，预测词与词之间的相似性，进而做聚类分析和词性分析等。

　　CBOW模型根据某个中心词前后N个连续的词，来计算该中心词出现的概率，即根据上下文预测当前词语概率;Skip-gram模型与CBOW模型相反，通过当前中心词预测上下文概率。对于较大数据量的文本训练，CBOW在训练速度上优于Skip-gram[18-20]。结合航道通告信息数据量大、时效性强、非结构化的特点，本文将采用CBOW模型进行位置关键词的提取，将它们转化为结构化的数据，为下一步位置分析及航道信息的智能推送提供数据支撑。

　　2.4基于地理围栏的位置分析

　　地理围栏(Geo-fencing)是位置服务(LBS)的一种新应用，它的基本原理在于利用预先设定的虚拟地理边界来判断位置源与之对应的空间关系，进而提供相应的服务。这种低成本、高效率的方式使得位置服务更加精准，同时节省功耗，是智能硬件时代消息推送的主流技术模式[21]。本文以“位置点+缓冲区”的形式来构建地理围栏，并与航道要素信息进行叠加分析，获取该地理围栏范围内所有的水道、水位站、相关通告、障碍物及重要区域等航道要素信息。

　　3实验结果及分析

　　3.1行为分析

　　实验以用户在2020-05-0100:00:00至2020-05-0500:00:00时间段对长江航道图APP的使用记录作为数据源。选取10个用户(以用户1至用户10表示)做实验性分析，以与信息推送相关的气象详情、航道尺度详情、航道公告详情及水位站详情作为参量指标，从不同用户的业务访问情况、用户对不同业务类型的访问情况两个维度进行分析。

　　水利论文投稿刊物：《水运工程》月刊是经国家新闻出版署批准，由交通部主管中交水运规划设计院主办，面向全国水运工程行业，在国内外公开发行的科技刊物，本刊及时报道国家在水运工程行业方面的方针、政策;重点报道港口、航道与航电枢纽、桥梁、修造船厂、市政建设等勘察、设计、科研、施工、水运经济及管理方面的新技术、新材料、新工艺新方法及技术发行方面的成果和主要经验教训。

　　4结束语

　　本文提出一种基于用户行为的航道信息智能推送模型，首先，利用TopN分析法对用户行为进行分析;其次，借助Word2vec深度学习工具实现航道通告消息的地名关键词提取;最后，基于用户行为分析结果制定航道信息智能推送服务的策略，并结合长江航道图APP进行实验验证，初步实现了基于用户使用习惯的信息个性化、智能化服务方式。当然，研究仍然存在一些不足之处，考虑到用户行为数据样本仅为2020-05-0100:00:00至2020-05-0500:00:00时间段的使用记录，存在一定的局限性，后续随着用户数据的不断丰富，可对用户行为进行进一步挖掘与细分，不断逼近、拟合用户真实的需求，并以此来制定合理的信息推送服务策略，使信息推送更为精准、更加智能。

　　参考文献

　　[1]J.W.Spalding,K.M.Shea,andM.J.Lewandowski.IntelligentWaterwaySystemandtheWaterwayInformationNetwork[C].Proceedingsofthe2002NationalTechnicalMeetingofTheInstituteofNavigation,SanDiego,CA,2002

　　[2]严忠贞,严新平,马枫,等.绿色长江航运智能化信息服务系统及其关键技术研究[J].交通信息与安全,2010,28(6):76-81

　　[3]刘怀汉,曾晖,周俊安,等.内河航道助航系统智能化技术研究现状与展望[J].水利水运工程学报,2015(6):82-87

　　[4]郭涛.长江智能航道关键技术分析[J].水运工程,2016(1):99-105

　　作者：朱剑华1李莉1张秋实1李赫1李伟凡1徐健2