两阶段推荐系统破解热带气旋港口影响排序难题

当热带气旋逼近时，港口当局最关心的两个问题是：哪些港口会受影响？哪里中断时间最长？一篇最新研究提出用两阶段推荐框架回答这些问题——先锁定登陆点附近的候选港口，再按预估影响天数排序。在飓风Nicole和Ian的测试中，该方法的排序一致性比距离基线高出85.5%和55.5%。

问题：港口影响预估为何困难

热带气旋威胁多个港口时，备灾规划依赖于预判哪些港口可能受影响、中断可能持续多久。但两个现实障碍让相对影响的估计变得棘手：一是单个港口的历史观测数据有限，二是登陆点本身存在不确定性。传统做法往往简单依赖港口与预测登陆点的距离，但距离近不等于影响天数长，这促使研究者转向更精细的建模方式。

两阶段推荐系统框架示意

方法：先检索再排序的两阶段框架

研究采用两阶段推荐框架。第一阶段是检索（retrieval），基于港口与预期登陆点的 proximity 筛选候选港口；第二阶段是排序（ranking），按预估影响天数对候选港口排序。

研究区域为墨西哥湾，数据涵盖37个港口和31个热带气旋，影响天数由AIS（船舶自动识别系统）数据推导。在港口-气旋交互的表示上，研究者比较了三种方式：成对特征交互、基于树的特征组合，以及显式特征交叉结合学习到的嵌入表示。

Wide & Deep 学习模型是 Google 于 2016 年提出的推荐系统架构，由“Wide”和“Deep”两部分联合训练而成。Wide 部分是一个广义线性模型，擅长记忆训练数据中频繁出现的特征交叉组合（如“特定港口×特定气旋强度”），但泛化能力有限；Deep 部分是多层前馈神经网络，通过嵌入层将稀疏的高维特征映射为低维稠密向量，能够泛化到未见过的特征组合。两部分输出相加后经 Sigmoid 得到最终预测。在本研究中，Wide & Deep 的优势在于既能捕捉“港口-登陆点距离”这类强先验的线性关系，又能通过深度部分学习港口特征、气旋特征与影响天数之间的非线性交互，从而在登陆点位置发生偏移时仍保持排序稳定。

AIS（船舶自动识别系统） 是国际海事组织强制要求船舶配备的广播系统，船舶通过 VHF 频道周期性发送自身的位置、航速、航向、吃水等静态与动态信息，岸基接收站和卫星可接收这些信号。在港口影响评估中，AIS 数据能反映港口周边船舶活动的实际水平：当中断发生时，进出港船舶数量骤降、锚地船舶积压，这些异常模式可用于推断港口的中断起止时间与持续天数。相比港口当局的官方中断记录，AIS 数据覆盖面广、时间分辨率高，且不受事后上报口径不一致的影响，因此成为本研究推导“影响天数”这一关键标签的数据来源。

结果：Wide & Deep模型排序最贴近实际

在飓风Nicole和Ian的测试中，检索阶段在登陆点不确定的情况下始终识别出所有实际受影响的港口，说明该阶段能有效避免漏报。

排序阶段的表现差异明显。Wide & Deep Learning模型与实际观测到的港口排序一致性最高：其对Nicole的平均排序一致性比距离基线高出85.5%，对Ian高出55.5%，且对登陆点位置的不确定性更不敏感。这意味着即便预报登陆点出现偏移，该模型给出的港口优先级排序仍相对稳定。

排序一致性（ranking consistency） 是推荐系统与信息检索中衡量排序质量的指标，常用 Kendall's tau 或 Spearman 秩相关系数来量化。其基本思想是：比较模型给出的港口排序与真实观测排序之间“成对顺序”的一致程度——若模型将港口 A 排在 B 之前，而实际影响天数也是 A 长于 B，则这一对为一致；反之则为不一致。一致性越高，说明模型越能正确区分哪些港口受影响更严重。本研究以距离基线作为参照，报告模型相对基线的提升百分比，用以说明引入 AIS 影响天数与非线性特征交互后，排序质量的实际增益。

应用价值：资源分配与灾后巡检

这类排序结果的直接用途是帮助港务当局在多个港口同时受威胁时做出取舍——优先安排哪些港口的灾后巡检、如何跨港口分配恢复资源。相比只看距离的粗放判断，基于AIS影响天数的排序更贴近实际中断时长，有助于把有限的应急资源投向真正需要的地方。

研究来源页面

局限与展望

研究基于墨西哥湾的37个港口和31个气旋样本，样本规模有限；模型在其它海域和不同气旋路径下的泛化能力仍需验证。此外，登陆点不确定性虽被纳入考量，但预报误差本身的变化如何影响排序稳定性，仍值得进一步探索。

对港口运营和海事应急管理而言，这项工作的启示在于：把推荐系统的检索-排序思路引入灾害影响评估，可以在信息有限的条件下提供可操作的港口优先级列表，而不必等待精确的物理影响模拟。

登陆点不确定性源于热带气旋路径预报的固有误差。气象机构通常以“预报锥”（cone of uncertainty）表示登陆点可能落区的概率范围，预报时效越长，锥体越宽，登陆点位置的标准差可达数十至上百公里。对港口影响评估而言，这意味着检索阶段不能只锁定单一登陆点附近的港口，而需覆盖登陆点可能落区内的所有候选港口，否则可能漏报。本研究将登陆点不确定性纳入检索与排序的设计，正是为了避免因预报偏移而遗漏实际受影响港口；而排序模型对该不确定性不敏感，则意味着即便登陆点预报出现偏差，港口优先级列表仍可保持相对可靠。