長期以來，船公司所報告的到港時間一直被視為估算值，而非確定承諾。一艘名義上週二抵達鹿特丹的貨輪，實際靠泊或許要到週四——甚至更晚——而貨主往往要到碼頭掃描記錄遲遲未出現時才得悉消息。機器學習 ETA 模型正在改變應對這種不確定性的方式，藉助傳統排班估算從未涉及的數據來源，重新定義準確預測的可能性。
為何船公司 ETA 難以準確
航運公司依據預定航次計劃報告 ETA：固定航線、預設靠港時間及公佈的運輸時效。這些數字鮮少更新，反映的是理想狀況而非實際條件。當船舶因天氣系統繞道、在擁擠碼頭外錨泊待命，或因延遲出發而失去泊位優先次序，公佈的 ETA 往往比實際情況落後數天。依賴過時估算的貨主，往往在拖車安排、倉庫人手及客戶承諾等方面出現規劃失誤。
核心問題在於：船公司 ETA 源自其內部排班系統，而非對船舶實際動態的即時觀測。即使船舶實際行為已偏離計劃，船公司門戶及 EDI 數據流仍幾乎照單全收地轉發排班 ETA，調整甚微。結果形成一種持續的資訊不對稱：船舶的實際位置與軌跡在 AIS 數據中清晰可見，但大多數貨主從未接收到這個訊號。
機器學習模型有何不同
以 ML 為基礎的 ETA 引擎持續接收 AIS（船舶自動識別系統）訊號。AIS 數據每隔幾分鐘更新一次，提供在航船舶的精確位置、航速及航向。結合歷史靠港記錄——包括該船舶實際從某港口出發的時間、錨泊等候的實際時長、以及同類航次的碼頭作業時間——機器學習模型能夠對剩餘航程建立概率性預測。
其架構通常融合多個訊號：
- AIS 軌跡數據 — 實際位置與對地航速，而非計劃航線
- 港口擁堵指標 — 當前錨地排隊深度、泊位使用率、堆場密度
- 天氣預報 — 浪高、風速，以及因惡劣天氣需繞航而造成的延誤
- 船舶特定行為模式 — 部分船舶慣常早於公佈時間到港，另一些則因運營商習慣而存在系統性延誤
- 歷史實際到港時間（ATA）記錄 — 模型訓練所針對的真實基準
一個將靜態靠港記錄與動態 AIS 軌跡相結合的堆疊模型框架，已展現出顯著的精度提升。分析香港港口靠泊情況的研究發現，與船公司報告的 ETA 相比，採用這種融合方式後，平均絕對誤差（MAE）降低了 54.5%，均方根誤差（RMSE）降低了 50.1%。利用 AIS 數據與神經網絡進行的跨太平洋航線研究也取得了類似的改善成果，表明這些精度提升並非僅限於單一港口的個案。
對貨運作業的實際影響
兩天的 ETA 誤差直接轉化為成本：如果貨櫃在港口滯留，便會產生超期堆存費；設備逾期歸還則招致滯箱費；倉庫人手空等及錯失客戶交貨窗口，亦帶來額外損失。率先採用 AI 預測 ETA 的物流運營商報告，得益於更精準的到港前規劃，超期堆存費用同比大幅減少，降幅約達 35%。
次要效益在於異常偵測。當船舶的預測到港時間與此前估算出現明顯偏差——因減速、改變航向或在擁堵碼頭外排隊等候——ML 系統會在船公司發出正式通知前數小時乃至數天發出警示。這段提前時間，是在手忙腳亂地被動應對與從容有序地執行應急方案之間的關鍵差距。
貨代團隊可提前預訂替代拖車、知會收貨人並調整庫存部署，在延誤情況尚未被競爭對手或客戶察覺之前完成應對。ML 預測 ETA 與船公司報告 ETA 之間的差距，由此轉化為運營優勢。有平台報告，很大程度上正是憑藉這個主動異常窗口，實現了高達 5 倍的授權費用回報。
跨船公司的 ETA 訊號標準化
多船公司環境中一個容易被忽視的挑戰，是不同航線在航程不同節點報告 ETA，且對時間戳的定義各有詮釋：或指離開上一港口，或指到達引水站，或指船舶抵港，或指海關放行。在船公司之間統一這些定義——使甲船公司的「三天後到港」與乙船公司的「三天後到港」確實指代同一事件——需要在原始船公司數據之上構建一個標準化層。
基於 ML 的系統通過以一致的碼頭事件（通常為首次入閘或船舶靠泊 ATA）為預測錨點，並以置信區間而非單一時間點來表達結果，從而解決這一問題。顯示船舶「將在 2.1 天 ± 0.4 天內到港」，比船公司給出的「週二」ETA 更具運營意義，後者毫無置信度可言。這種概率性表達方式也有助於改善下游規劃：配送中心可根據到港概率區間做出人手安排決策，而無需押注於一個可能落空的單一日期。
圍繞 ETA 質量構建可視化基礎設施
從排班 ETA 到模型預測 ETA 的轉變，絕非單純的數據科學工作——它需要大規模接收 AIS 數據流、維護持續更新的港口狀態模型，並將預測結果整合到規劃人員實際使用的 TMS 及 WMS 工作流程中。能夠跨船公司標準化里程碑數據、並在標準船公司事件之上疊加 ML 預測 ETA 的平台，無論貨運採用哪家船公司或何種航線，均能為物流團隊提供一致的訊號。
對於跨多個貿易航線、運營數十家船公司的業務而言，能夠呈現單一經模型校準的 ETA，並在該 ETA 超出閾值時自動發出警示，正是縮窄行業長期以來視為不可避免的準確性差距的關鍵運營提升。問題已不再是預測 ETA 模型能否勝過船公司報告的估算——研究已充分證明前者更優。真正的運營問題在於：可視化基礎設施能否以足夠快的速度、足夠一致地跨船公司交付這些預測，使其成為運營默認選項。
來源：FreightWaves