基于数据驱动的船舶航线实时优化

臧继明

(江苏海事职业技术学院 航海技术学院，江苏 南京 211170)

0 引 言

船舶在不同海域航行时，受风浪、能见度等众多因素影响[1]，采用固定航线航行时，容易由于环境因素影响船舶的航行安全[2]。为了保障船舶顺利、安全到达目的地，需要制定科学、合理的航线，满足船舶的安全航行需求[3]。如何获取船舶的最优航行路线，是海洋领域的研究重点。数据驱动指利用软件、网络等手段采集数据，以海量数据为基础，从中挖掘有用数据，利用数据挖掘结果驱动不同应用顺利进行的重要方法。数据驱动方法可以实现海量数据的统计、分析、评估与利用，为船舶航行优化等应用提供数据基础。利用数据驱动方法的数据分析、统计与评估结果[4]，为海洋等不同领域应用提供优化策略。将数据驱动方法应用于船舶航线优化中，具有较强的现实意义。

目前已有众多学者针对船舶航线规划问题进行研究。黄佳佳等[5]考虑化学品船舶航行的特殊性，设置了货舱禁止更换的约束条件，构建化学品船航线规划的线性规划模型，通过模型求解获取化学品船的航线规划结果。该方法满足带货舱船舶规划需求，令化学品船通过航线规划结果，获取最大利润。吴恭兴等[6]对船舶航线规划时，充分考虑了气象变化对船舶航行的影响，设置气象参数作为船舶航行规划的路径代价函数，利用启发式函数获取规避风险的航线。该方法有效避开高风险的危险海域，实现船舶航线参数的有效规划。以上方法虽然可以有效规划船舶航线，但是存在运算过程过于复杂，影响船舶规划实时性的缺陷。针对以上方法在航线规划中存在的问题，研究基于数据驱动的航线实时优化方法。利用数据挖掘方法聚类处理影响船舶航行的相关数据，利用聚类结果驱动航线优化应用。采用数据驱动方法获取的航线优化结果，保障所生成的航线满足船舶航行的实际需求。

1 船舶航线实时优化

1.1 船舶航线优化总体结构

船舶航行前确定航线时，需要明确船舶航行区域海况。基于数据驱动的船舶航线实时优化流程如图1所示。

图1 船舶航线实时优化流程图Fig.1 Flow chart of real-time optimization of ship routes

可以看出，利用数据驱动方法构建海况知识库。依据海况知识库内的海况信息与转向点，将船舶航线划分为不同航段，是航线优化的前提。利用海况知识库与转向点信息构建航线分段模型，将航线转向点信息、海况预报信息等信息输入分段模型中，识别船舶航行海况，将航线划分为不同的航段。确定船舶航行的航段后，输入航程、航行参数、航速等信息，利用航线实时优化模型，实现航线的实时优化。利用数据驱动方法定期更新航线的海况信息，根据海况信息更新结果实时优化船舶航线。

1.2 基于数据驱动的船舶航线海况数据库构建

利用海量的海况数据，构建船舶航线优化的海况知识库。提取船舶目标航线所在海域，船舶定航线航行的历史数据；利用天气预报中心下载航线所在海域的风速、风向、波高等数据[7]；利用计程仪获取船舶航行的历史流速、流向等数据；利用GPS 系统采集船舶的对地航速与航行矢量等数据。依据时间序列，整理所采集的船舶航行相关的海况数据，构建海况数据库。为了明确待优化船舶航线的海况类别，将所构建的船舶航线海况知识库，作为确定海况的训练样本。依据数据驱动方法，利用K-means 聚类算法，对船舶航行海况数据聚类构建海况知识库。海况知识库的构建过程如下：

步骤1 从采集的海量海况数据中，随机选取K个海况数据，作为构建海况知识库的聚类中心ci。

步骤2 计算聚类中心ci与海况样本xi之间的距离，确定与聚类中心距离最近的海况数据，将样本xi与聚类中心ci划分为相同类别。二者距离为：

式中，j表示海况样本xi的特征属性。

步骤3 选取某海况类别中，全部海况样本的中心点，作为海况知识库聚类的新聚类中心，新聚类中心的表达式为：

步骤4 重复以上过程，设置算法终止的收敛函数计算公式为：

重复运算直至收敛函数和聚类中心固定时，结束聚类，否则转至步骤2 继续计算。

通过以上过程，利用聚类结果构建海况知识库。根据海况知识库内的船舶航线信息与航线转向点信息，将船舶航线划分为不同航段。

1.3 构建船舶航线实时优化模型

依据船舶航线的航段划分结果，对不同航段的船舶航线进行实时优化。选取船舶航行的总时间最短以及总油耗最低，作为船舶航线实时优化模型的目标函数，船舶航线实时优化目标函数表达式为：

式中：G与T分别表示船舶航行的总油耗以及总航行时间，g(vi)与di分别表示船舶主机每日油耗以及第i段航线的距离，v1与v2分别表示第i段航线的对地航速以及对水航速，N与f(ξ)分别表示船舶航线的航段总数以及惩罚函数。

船舶对水航速与对地航速间的关系表达式为：

式中， ∆vi表示船舶在航段i的航速损失。

船舶航行时，受海况影响，容易出现失速情况。受风浪波动影响，主机固定，航速较低时，航速变化为自然失速。船舶受风浪影响时，为了避免出现危险，需要有意减速。不同类型的航速变化，均可能导致船舶航行出现速度损失。船舶航行时的速度损失表达式为：

式中： α 与 β分别表示方向衰减系数与速度衰减系数，δ表示船舶型号。

船舶主机油耗的计算公式为：

式中，a、b、c、d均为拟合系数。

为了使船舶航线实时优化过程更加符合船舶航行的实际海况，为航线实时优化模型设置如下约束条件：

1）船舶的实际航速v，需要低于船舶的额定航速(vmin,vmax)，该约束条件的表达式如下：

2）船舶航线优化的转向点位置，需要与船舶航线圆航段的固定距离h垂直，约束表达式为：

式中，△di表示船舶航线优化点i与基准点的间距。

1.4 船舶航线实时优化模型求解

式中： ϕ 与 φ 分别表示启发因子与期望因子，allowed与 ηik(t)分别表示蚂蚁可选取的全部船舶航行转向点以及启发函数。

蚁群算法通过迭代确定最短搜索路径后，更新船舶航线转向点之间的信息素。信息素更新公式为：

式中， ∆τki j(t) 与 ρ 分别表示蚂蚁在i与j之间的信息素增量以及挥发系数。

利用该算法求解船舶航线实时优化模型时，无需更新全部蚂蚁对模型求解的信息素，仅需更新部分具有最优路径的蚂蚁信息素，保证了航线实时优化的运算效率。

2 性能测试与分析

为了验证所研究的船舶航线实时优化性能，选取某海域某船舶的某航线作为优化目标。待优化船舶航线的目标船舶的参数设置如表1 所示。

表1 船舶参数设置Tab.1 Ship parameter settings

本文方法选取数据驱动方法构建船舶航线的海况数据库。船舶航线在不同海况时，海况数据库聚类结果如表2 所示。可以看出，采用本文方法通过数据驱动方法，获取船舶航线的海况数据。利用船舶航线的海况数据，将航线划分为不同的航段。

表2 海况知识库聚类结果Tab.2 Clustering results of sea state category knowledge base

依据航线的航段划分结果，采用本文方法对船舶航线进行实时优化，优化结果如图2 所示。可以看出，采用本文方法可以对船舶航线进行实时优化。本文方法考虑了不同海况对船舶航行的影响，令航线优化结果更加满足船舶航行的实际需求。

图2 船舶航线实时优化结果Fig.2 Real-time optimization results of ship routes

为了进一步衡量本文方法的船舶航线实时优化性能，统计采用本文方法对船舶航线进行实时优化，优化前与优化后船舶的航行时间以及船舶航行的主机总油耗变化，统计结果如图3 和图4 所示。可以看出，本文方法可以依据海况变化，对船舶航线进行实时优化。本文方法优化后的船舶航行时间与主机总油耗均低于优化前，验证本文方法的航线优化性能。图3 和图4 的实验结果，从船舶的航行总时间和主机总油耗2 个方向，全面验证本文方法具有的航线优化性能，本文方法为船舶的可靠运行提供了良好的基础。

图3 船舶航行时间Fig.3 Total sailing time of ships

图4 船舶主机总油耗Fig.4 Total fuel consumption of ship main engine

3 结 语

数据驱动方法是智能算法中的重要技术，利用数据驱动方法，确定影响船舶航线优化结果的海况数据。利用船舶海况数据聚类结果，构建船舶航行优化模型，获取科学、合理的、具有较高安全性的船舶航行路线。通过实验验证，采用该方法获取的船舶航行优化结果，船舶主机油耗低，降低了航行总时间，具有较高的实用性，适用于不同海况下的船舶航线优化。