铁矿石贸易在全球贸易中有着举足轻重的影响,每年全球贸易量15亿公吨,贸易额1200亿美元以上。铁矿石贸易量是世界经济的晴雨表之一。铁矿石贸易量通常是海关统计发布的事后统计值。然而铁矿石贸易量的事先预测,对贸易商、期货交易参与者、贷款企业有着更重要的意义。本文通过船舶位置数据对铁矿石做贸易预测分析,能够准确预测未来一段时间内铁矿石的到港量。本文主要通过以下过程完成对铁矿石贸易量的预测:1.设计了HDDBSCAN(Hadoop based Distributed DBSCAN)算法,用于识别铁矿石装卸泊位。船舶位置数据量非常巨大,全部位置数据在1000亿行以上(5年累计数据),即便是铁矿石船也有10亿行左右。单进程的DBSCAN算法做聚类分析,计算时长得按年计算。为了解决这个问题,本文基于Hadoop和地理区域划分,设计了分布式DBSCAN算法。众所周知,DBSCAN只能对相似密度对数据做聚类分析。然而,船舶位置数据的密度取决于该地区的基站数量,因此,船舶位置数据的密度差距非常大,中国区密度最高,南非、印度等地区密度又很低。为解决密度不均,无法得到低密度类的问题,对于不同的区域采用不同的DBSCAN算法参数。2.设计了SVF(Statistic based Voyage Forecast)算法,用于预测船舶航次。已有文献的航次算法,都是针对港区内部的航次,没有能够做到全球航次预测。本文基于划分算法、以及每个航段目的港后验概率,通过Bayes算法,随着航行过程中航段的增加,不断计算目的港的概率,最终达到准确预测的目的。以上述两个算法为核心,本文完成了以下系统功能:1.技术架构设计:技术架构上分为页面层,服务层,业务逻辑层,数据层四层。2.功能模块设计:基于业务需求,设计实现了铁矿石贸易量预-测,铁矿石实时航运等功能模块。3.其他相关模块:系统安全相关,如防止SQL注入、用户信息安全等。