ИСПОЛЬЗОВАНИЕ ИИ ДЛЯ ПРОГНОЗИРОВАНИЯ ВРЕМЕНИ ПРИБЫТИЯ СУДОВ С УЧЕТОМ ПОГОДНЫХ УСЛОВИЙ

Прогнозирование времени прибытия судов – это задача, которая в порту ощущается буквально. Стоит ошибиться на пару часов, и причал простаивает, техника работает вхолостую, а диспетчеры закрывают одну дыру, открывая другую. Искусственный интеллект здесь не про «модные технологии», а про то, как превратить хаос данных в единый рабочий процесс. Внедрение такой системы в современном порту все чаще становится необходимостью.

Основной сложностью является не просто важным учитывать погодные условия, но и их влияние на поведение конкретного судна в конкретной акватории. Ветер 15 м/с для крупного балкера и для небольшого буксира будет играть совершенно разную роль.

Балкер из‑за большой парусности ощутимо теряет ход, а буксир, хоть и маленький, может уверенно держать скорость за счет маневренности и мощности. ИИ решает эту проблему за счет ансамблевых моделей и рекуррентных сетей (RNN/LSTM), которые умеют держать в памяти динамику рейса.

Например, как менялась скорость, когда судно вошло в зону течений, как реагировало на порывы ветра. Такие модели устойчивы к пропускам и выбросам. В телеметрии это обычное дело, когда датчики дают сбой, AIS‑сигналы пропадают, метеоданные приходят с разной задержкой.

В качестве входных данных используют сразу несколько потоков, и каждый из них по‑своему важен. Телеметрия дает «живые» параметры движения такие как скорость, курс, обороты главного двигателя. По ним видно, как судно ведет себя на маршруте. Данные AIS фиксируют позицию, скорость и курс судна с привязкой ко времени, позволяя отслеживать траекторию и выявлять отклонения от плана.

Характеристики судна критически важны для понимания его «поведения» в разных условиях. Например, глубоко сидящий танкер сильнее реагирует на мелководье и течения, чем судно с меньшей осадкой.

Параметры маршрута помогают учесть инфраструктурные «узкие места», где даже без плохой погоды судно неизбежно замедлится. И, наконец, метеорологические и гидрологические показатели являются тем самым внешним фактором, который способен в корне поменять картину.

Именно сочетание всех этих потоков позволяет модели «почувствовать» нелинейные эффекты. Например, падение скорости при встречном ветре или вынужденный маневр из‑за штормового предупреждения.

В качестве примера можно привести пилота в одном из терминалов на Черном море. Там ИИ‑систему синхронизировали с AIS и локальной метеосетью, причем особое внимание уделили стыковке временных меток. Данные с разных источников должны приходить и обрабатываться в единой временной шкале, иначе прогноз будет каждый раз меняться.

Результат внедрения оказался вполне измеримым. Среднее отклонение ETA от фактического времени прибытия снизилось на 30–40%. Это не абстрактная «точность», а вполне реальные эффекты. Меньше судов на рейде, меньше конфликтов за причальные места, меньше простоев перегрузочного оборудования.

Важно, что прогноз не застывает. Он обновляется каждые 15-30 минут по мере поступления новых данных. Так формируется динамический ETA. Для диспетчера это значит, что он не будет предугадывать, а будет опирается на регулярно актуализируемую картину.

Так, например, судно идет по маршруту, погода меняется, AIS‑данные приходят, телеметрия обновляется, и система пересчитывает ETA. Она сразу показывает несколько сценариев. Что будет, «если ветер усилится до 20 м/с, ETA сдвинется на +2,5 часа», или же «если судно снизит ход до 12 узлов, ETA будет 14:10». Такой подход сильно меняет логику работы, где планирование становится не статичным, а адаптивным.

Что касается сценарного моделирования, то оно позволяет заранее прорабатывать различные варианты. Допустим, в проливе прогнозируется ухудшение погоды. Система быстро прогоняет несколько вариантов и выдает готовые предложения по резервным окнам швартовки, перераспределению техники и рабочей силы.

Например, если судно задержится на 4 часа, можно заранее «перекинуть» бригаду на другой причал, не гонять кран впустую и спокойно переиграть план. Это уже не просто прогноз ETA, а инструмент оперативного планирования.

При этом никто не обещает, что ИИ станет идеальным решением всех проблем. Все же море остается непредсказуемым, а данные неполными. Бывает, что AIS‑сигнал пропадает на полчаса, метеопрогноз ошибается, а капитан принимает решение, которое не заложено в модель. Иногда судно просто сбрасывает ход из‑за технических моментов, о которых система не знает.

Очевидно, что никакой алгоритм не застрахован от сбоев. Но даже такой прирост точности, на те самые 30–40 %, дает ощутимую экономию ресурсов и снижает риски срыва графика.

Для терминала это означает более стабильную загрузку, меньше авралов и конфликтов, а для судовладельцев – меньше времени на рейде и более предсказуемые сроки обработки.

Можно сказать, что ценность ИИ здесь не только в цифре ETA, но и в прозрачности работы. Хороший алгоритм не просто выдает «прибудет в 14:00», а показывает, на чем основана эта оценка. Например, «учтен встречный ветер
16 м/с», «заложена типичная потеря скорости для этого класса судов в данной акватории», «учтены задержки в проливе по историческим данным». Такая прозрачность помогает диспетчерам быстрее принимать решения и доверять прогнозу, а это уже в портовой работе едва ли не важнее самой цифры.

Таким образом, применение ИИ для прогнозирования ETA – это не про замену диспетчеров. Это про то, чтобы дать людям понятный, измеримый и регулярно обновляемый инструмент, который помогает держать ритм работы терминала даже в условиях, когда погода и логистика делают все возможное, чтобы этот ритм сбить.