即将来袭的热带气旋对港口影响的稳健排序：一种两阶段推荐系统

当热带气旋（TC）威胁多个港口时，防灾准备规划需要预判哪些港口可能受到影响，以及哪些港口的运营中断可能持续最久。单个港口的历史观测数据有限，加之登陆位置存在不确定性，使得这些相对影响难以估计。我们采用一种两阶段推荐框架，首先根据港口与预计登陆位置的距离筛选候选港口，然后按估计的受影响天数对其进行排序。利用墨西哥湾研究区域内37个港口和31个TC基于AIS数据推导的受影响天数，我们比较了三种港口与气旋交互关系的表征方式：成对特征交互、基于树的特征组合，以及显式特征交叉与学习得到的嵌入表示相结合。在针对飓风Nicole和Ian的测试中，即使登陆位置存在不确定性，检索阶段也始终能够识别出所有观测到的受影响港口。在各排序模型中，Wide & Deep Learning与观测到的港口排序最为一致。对于Nicole和Ian，其平均排序一致性分别比基于距离的基线高出85.5%和55.5%，且对登陆位置不确定性的敏感程度更低。这些排序可帮助港口管理部门确定气旋过后检查工作的优先级，并在受到同一事件威胁的港口之间分配恢复资源。