长江干线航运在我国综合运输系统中占据着重要地位,是名副其实的黄金水道。伴随着航运建设,长江航运信息化发展开始步入了“大数据”时代。然而大数据的魅力并不在于数据规模本身,如何使长江航运大数据资源成为长江航运发展的重要助推剂是长江航运进入大数据时代后最为关注的问题。一方面,对长江航运大数据进行挖掘是实现数据价值的关键,尤其是对于长江航运企业,获得的数据资源和服务一直非常稀缺;另一方面,现有的管理优化方法需要更新,使更丰富的数据资源可以被有效利用,尤其是目前管理方式较为落后的航运企业。本文以大数据时代下长江班轮企业的运营优化为研究对象,主要开展了以下几方面工作。(1)提出了考虑时空因素的水路短期货运量预测模型。考虑空间因素可以提高短期预测精度,对水路货运网络复杂高维空间数据,模型以频繁模式思想挖掘航线网络的频繁港口,利用频繁港口保留高维水运网络的主要空间信息,再用神经网络拟合频繁港口与目标港口的时空货运量关系。模型对各种时间粒度的货运量预测的精度都高于仅考虑时间因素模型,且能对周、日等短期货运量进行预测。(2)提出了考虑波动货运量需求的长江干线班轮航线优化模型。该模型以航线运营效益最优为目标,在传统航线优化模型中同时考虑波动的货运量,针对具有复杂约束的多层优化模型,根据决策变量特征,设计使用遗传和改进粒子群算法嵌套迭代复合两阶段求解算法。能在波动的周货运量条件下,搜索效益最高的包括挂靠港、船型和舱位分配的航线方案。(3)提出了船舶在港口停留时间预测模型。首先,针对分析船舶在港口停留时间所需的信息收集所有数据片段,再次,基于船舶行为特征将数据片段融合为研究所需的完整数据,最后,根据航运特点运用半参数模型对船舶在港口停留时间进行拟合,并开展预测。(4)提出了考虑不确定延误因素的长江干线班轮船期优化模型。该模型从班轮准班率出发,以成本最小为目标,结合船期优化先计划后执行的特点,针对港口延误和三峡船闸滞留这两个主要的长江干线班轮延误因素,设置运营企业的目标准班率为随机机会约束,建立带补偿函数的长江干线班轮船期两阶段优化随机机会约束模型,采用随机模拟粒子群算法搜索模型的最优解。通过实例对不同目标准班率、不同延误惩罚、不同运营策略的船期优化方案进行了分析。上述研究以航运大数据时代的班轮运营优化为对象,以航运大数据为基础,根据班轮运营企业管理需要,对数据进行挖掘,运用于班轮运营的航线和船期优化,不仅可以提高航运大数据的服务水平,也可以为长江航运企业运营提供科学指导,促进长江航运的健康快速发展。