基于AIS數據的航運物流港口調度優化研究

白響恩，李博翰，徐笑鋒，肖英杰

基于AIS數據的航運物流港口調度優化研究

白響恩，李博翰，徐笑鋒，肖英杰

（上海海事大學 商船學院，上海 201306）

針對寧波舟山港區的復雜航道水域與密集物流交通流，研究更加有效的調度方案，達成調度時間和等待時間最小化，即效率最大化。分析寧波舟山港區航道的航行情況，提出交會處復雜航道水域存在的問題，以調度時間和等待時間最小為目標的多目標函數，建立復雜航道水域船舶調度模型。針對大量的船舶AIS數據，構建基于神經網絡的航道水域調度模型，對不同類型、不同大小的船舶建立速度變化和船舶預測模型，實現對船舶調度狀態的預測。設計以傳統粒子群算法為基礎的改良版船舶調度算法。算法對模型求解表明，根據不同船長與間距可判別交通流擁擠程度進而對船舶進行調度。通過模型預測到可能產生擁擠，則應當選擇小型船只走條帚門航道，大型船只走蝦峙門航道，并且盡量避免產生擁堵。使用該模型與算法可以有效地提升船舶調度效率，為復雜航運物流港口調度優化研究提供了一定理論基礎。

復雜航道；深度神經網絡；粒子群算法；船舶調度；AIS數據

航運物流業正向著拼箱貨物的增加，應急、備用及時性貨物的運輸量增加以及數字化的方向發展。導致船舶大型化、智能化、低碳化的發展，對船舶調控的要求也越來越高。在港口作業、船舶運輸方面，船舶調度在保障港口正常運行，船舶物流快速到達等起到重要的作用，通過港口信息調度中心，根據港口當前或未來一段時間的預測情況對所涉及的船舶進行交通指揮，以達到節約船舶在港口航行作業時間的目的[1]。2021年蘇伊士運河事件導致船舶大規模滯留，造成的損失成本無法估量。這暴露出了在亟需高效作業、港口運河疏通時的調度問題。港口船舶占用通道時間長、船舶通行時交岔會遇等問題極大地影響了港口和運河地作業效率[2]。

天津港港區航道水域改建工程、長江口水域改造工程等[3]，通過預估未來船舶通行量需求以及船舶運行軌跡等對航道進行改造。在此基礎上，根據港口的情況進行科學有效地調度，可以減少船舶出入港的時間，減少船舶碰撞的風險，做到安全性與經濟效益兼顧[4]，但是由于各種因素導致船舶調度相關研究在現實應用中受限，很多港口依舊采用人工經驗調度法，效果較為低下。所以，很有必要對船舶調度進行研究，同時主要根據港口和航道本身的情況對調度進行分類[5]。根據水域類型分為單向、雙向和復雜航道水域，不同的類型對船舶調度的要求也不同，但是目的都是調度和等待時間最少[6]。

順序調度模型可以有效地減少船舶的等待時間，但是這種算法用于船舶調度優化時[7]，每一輪的船舶通航順序會對自己一輪甚至下一輪造成影響，在模型建立時應該提出船舶等待時間上限。船舶航行時與時間結合的預測模型，即RECIP–MILP模型是由Paola Pellegrini提出的[8]，該模型說明了當運河布局具有明確的結構時如何將距離安全約束轉換為時間約束。

目前，單向航道和雙向航道的調度問題研究已經取得了一定的研究成績，但是復雜航道水域因其多變性和人為因素對其干擾影響大，難以以單一的模型或者算法將其概括。對于某種特定的復雜航道水域研究，常從水域交通流量統計與預測，水域通過能力，水域風險評估及安全因素等進行調度規劃[9]，但這些研究，均存在單切入點的情況，無法做到從全局的角度考慮調度最優問題[10]。另一方面，隨著技術的發展，信息技術以及人工智能等相關理論在航運屆逐漸展開應用[11]，船舶調度逐漸向智能化、高效化作業形勢轉變[12]。結合當前的AIS技術等，對船舶港內航行，船舶出入港和港口進行管理調度[13]。

從單水域航道和雙水域航道的經驗出發，總結并設計復雜航道水域的模型與算法。調度相關算法中遺傳算法使用最廣，其優化方法也層出不窮[14]。本質上就是改進了隨機產生的過程，使仿真模擬收斂更快[15]。將彈性網絡概念加入遺傳算法，在低密度水域網格上可以提高調度規劃效率[16]。在選取隨機算子時，可以使用輪盤賭進行選擇。輪盤賭隨機選擇一個變異點，進行變異操作得到新的個體[17]，這樣可以降低出現過早收斂的概率。設立懲罰函數，在未滿足約束時需要受到懲罰。再采用精英策略，讓適應度高的個體直接進入下一代，再用輪盤賭的方式對剩余群體進行選擇，這樣可以有效防止優良解的丟失[18]。退火算法的原理是固體經過增溫和降溫，內部粒子從有序變為無序再變成有序，在常溫時固體內能最小[19-20]。粒子是算法的解，內能是解的目標值[21]。多種群遺傳算法的加入，改善遺傳算法的局部最優和收斂過慢問題[22]。降溫后的搜索范圍迅速縮小可以使收斂速度提高[23]。蟻群算法可以劃分靜態權值和動態權值來衡量航線權重，靜態權值是用船舶航行距離衡量，動態權值是用經濟效益[24]衡量。改進蟻群算法優先選擇行走實時方向角與初始方向角相同的路線，至下一節點，重新選擇路線直到終點，減少了從零開始迭代的迭代次數[25]。

調度相關的算法還包括粒子群優化算法、Dijkstra算法、A*算法、細菌覓食神經網絡算法[26]。同時還有將2種算法結合，如粒子群優化算法和多物種遺傳算法進行結合，可以加快粒子群優化算法的運算速度和優化精確程度[27]。Dijkstra算法可以在遺傳算法的基礎上進行改造。A*算法在靜態網絡中通過對A*函數進行優化，添加相應的約束條件以及修正估價函數可以加快A*函數運算速度[28-29]。神經網絡算法主要用于構造環境變量[30]。

隨著寧波舟山港的發展建設，在保證安全與遵守航行規則的前提下，提高港口運行效率，保障航線安全是港口運營的核心問題[31]。目前存在高峰時期通過能力不足，小型船只占用航道時間過長等[32]。文中從寧波舟山港區的復雜航道水域優化開始，探究復雜航道水域的優化模型和算法。

1 航道分析

1.1 條帚門航道與蝦峙門航道分析

條帚門航道整體的特點就是航道窄、水深、流急，可以滿足30萬t級的船舶通過，但是由于航道寬度狹窄、水深不富余等，航道寬度最窄的地方只有500 m，這種條件使得船舶效應和岸壁效應更加明顯，漁船眾多使航道的情況更加復雜。

因為蝦峙門航道北口處存在一號警戒區，這個位置是通航分道進入口，而且船舶眾多，事故頻發，所以可以將船舶出港路線選擇為條帚門航道，這樣可以減少一號警戒區的壓力；小型船舶的進港路線盡量選擇條帚門航道，10萬t級以上的船舶進出港盡量選擇蝦峙門航道，如果存在航行能見度低、蝦峙門航道擁擠時，可以考慮選擇條帚門航道，但是要時刻注意幾個淺水區域。

1.2 y型航道交岔口問題描述

1.2.1 交匯口地理情況

圖1為蝦峙門航道和條帚門航道y型交岔口的整體框架，具體包括出入港區的主航道和從蝦峙門航道和條帚門航道出入的雙向航道以及警戒區。警戒區位于在蝦峙門航道和條帚門航道航道交匯處。交岔口以及主航道處的水域較為寬闊，水深滿足能通過蝦峙門航道和條帚門航道的船舶的吃水要求。

1.2.2 交岔交通流分析

進出港口和通過蝦峙門航道和條帚門航道的船舶都必須經過交岔口，如圖1所示，y型交岔口主要受到以下2股交通流沖突的影響：第1股交通流沖突為條帚門航道進港船流與蝦峙門航道進港船流交岔；第2股交通流沖突為條帚門航道進港船流與蝦峙門航道出港船流交岔。

圖1 交通流交匯分析

1.2.3 警戒區分析

由圖2所示，警戒區處有3個沖突點已在途中標明。在船舶的交匯航行過程中，對這3個沖突點可能存在的交通事故進行預測，一方面可以提高航行的安全性，另一方面，預防交通事故的發生也間接地提高了港口調度的效率。

按照警戒區的交通沖突嚴重性進行劃分，采用空間距離法、時間距離法或者是碰撞危險度參數法可以將交通沖突劃分為3個等級：一般沖突、中等沖突和嚴重沖突。按照一定的評價標準可以建立對警示區安全等級評價的評價指標，針對不同的安全影響因素賦予一定的安全評價權重，最后將安全評價權重累積起來得到警戒區的安全等級評價。期望法模型、熵權法模型或者超熵法模型通過仿真實驗進一步對警示區進行評級。

1.3 待解決關鍵問題

傳播在航行調度過程中，由于影響因素和不可抗力因素過多，需在模型設立過程中做好取舍。首先需要考慮船舶大小、類型等；其次水流速度、天氣情況也是可能造成影響的因素；還有人為因素也會對船舶調度過程產生影響。此外，船舶需要嚴格地遵循調度過程中預設的航行規則，以確保航行的安全性。

如果僅單純地使用寧波舟山港區VTS技術，無法準確地提供調度策略。通過大數據將以往的AIS數據進行處理分析，結合未來一段時間AIS數據的預測，利用大數據的特點，在相對理想的狀態下完成對船舶調度的過程模擬。針對出現特殊情況的數據進行分析與處理，最終得到更有說服力的實例應用，并在發生一系列輕微影響的突發情況時可以隨時添加影響因素變量，使得模型更加準確。

船舶調度的最終目的是時間成本的最低化與經濟效益的最大化，但是航行中最為重要的一點一直是安全性。在充分分析船舶交會情況與警戒區情況的前提下，對船舶調度整個過程堅持安全優先，進一步結合VTS技術和AIS數據對船舶進行調控。

2 模型的設計與建立

2.1 船舶分類

按照船舶的大小和類型以及進出港情況給每艘報備進出港的船只賦予一定的權重，由于條帚門航道進出的船舶多為小于10萬t級，可以粗略地按照10萬t為界限進行劃分，則對10萬t級以上的船只給予更高的船舶權重系數，同時出港船只權重系數也更高。具體來說，一般進港船只系數為1.00，10萬t以下出港船只和10萬t以上進港船只系數為1.25，10萬t出港船系數只取1.50。將權重系數分別乘上船舶的航行時間和等待時間即為該艘船舶的目標值。

2.2 模型約束條件

根據航道通航規則建立4個模型約束。

1）船舶之間安全距離約束，船長200 m以上的船舶應與前船保持1 n mile以上的距離。超大型油輪應與前船保持1.5 n mile以上距離，由安全距離和船舶航速計算出最短船舶航行間隔，作為約束條件1。

2）根據第1種交岔口交匯情況，設置安全距離，保持船舶距離大于安全距離，由安全距離和船舶航速計算出最短船舶航行間隔，作為約束條件2。

3）根據第2種交岔口交匯情況，設置安全距離，保持船舶距離大于安全距離，由安全距離和船舶航速計算出最短船舶航行間隔，作為約束條件3。

4）如果采用的是等待時間限制方案，則將等待時間上限作為約束條件4。

2.3 建立模型函數

在對港區航道環境分析的基礎上，確定以調度時間和等待時間最短為目標，建立復雜航道水域調度模型。

在保證約束的情況下使模型的目標函數1和2最小即可。

目標函數1：總的調度時間1最小。

(2)

式中：fi為船舶調度結束時刻；si為船舶調度開始時刻。

目標函數2：總的船舶等待時間2最小。

船舶在來到交岔口的時候，即開始計算等待時間，總的船舶等待時間更小，即代表港口運行的效率更高。

式中：bi為船舶到達交岔口的時間。

根據對約束條件的分析，通過對船舶進出港的不同情況和船舶大小的不同情況設置船舶優先權重，將船舶大小和船舶進出港的影響因素權重考慮進模型內。

再根據船舶的不同類型權重m，以及船舶的特殊類型權重r計算船舶通航的具體權重：

對于越需要緊急通航的船舶將r設置的更大即可，根據σ的不同對船舶通航等級排序，得到最初的船舶通航順序。

通過統計船舶進入和駛離交岔口、進入或者離開航道的時刻可以得到船舶的航行結束時刻的預估值，見式（6）。

式中：d為、兩處的距離。

進一步考慮約束條件1，根據船舶之間的間距和船速估計船舶之間通航的安全間隔時間，見式（7）。

考慮約束條件2，約束條件2為船舶之間同向進入交岔口的交通流交匯情況。當出現從蝦峙門航道和條帚門航道均有船舶需要進入港區的情況時，兩船之間也需要保持一定的船舶安全航行間隔：

與約束條件1同理，2i0和2i1分別為先后進入主航道的船舶的航行開始時刻；為兩船之間的航行安全時間間隔；2i為設置好的船舶之間的安全距離。

約束條件3為船舶之間異向進入交岔口的交通流交匯情況：

約束條件4為設置船舶最大等待時間pi：

則計算船舶開始到達交岔口時間與開始航離時間的差值即可。

3 算法設計

以寧波舟山港區蝦峙門航道和條帚門航道的航道情況為基礎，從交通流交匯的角度，以及符合交通安全，遵守航行規則的角度出發，結合航道一段時間內的AIS數據，提出一種以深度學習神經網絡為基礎的船舶航行狀態預測模型。同時，使用改進的粒子群算法對模型進行優化，使模型更貼合實際情況，通過分析船舶在出港時的船速與調度間隔時間，給出使擁堵情況可能性降到最低的船舶調度辦法。以Matlab軟件為程序編寫平臺對該模型進行驗證。

3.1 AIS數據預處理

特定時刻的船舶AIS數據中動態的數據包括船舶瞬時的對地航向、對地航速等，同時也會有靜態數據，如船舶的長度、吃水、寬度等。AIS數據不僅包含了船舶不同的航行狀況，也蘊含了船舶在港口因為船舶間作用影響的狀況。對一段時間內的大量的AIS數據進行分析，可以利用大數據與深度學習模型對在港其他船舶的航行信息進行預測[33]。

表1是部分AIS數據的原始樣本數據，對原始的AIS數據記錄往往存在大量的噪聲以及錯誤數據，為此需要對AIS數據進行一定標準的預處理，需要進行處理的數據包括船舶位置異常，船舶航向、航速異常，船舶基礎長度、寬度、吃水數據異常。

記單個AIS數據樣本為p=(t,x,y,c,h,l,w,d),(=1,2,3,…)，其中t為AIS數據采樣時間，x和y分別代表經度和緯度，c, h,l,w,d分別代表船舶對應的對地航向、船首向船長、船寬和吃水深度。將樣本數據輸入Matlab中，編寫刪除異常數據樣本的腳本，其中設定船舶和合理范圍為[0, 360]，設定船舶長寬和吃水應為大于0的數。將蝦峙門航道和條帚門的AIS數據樣本分別帶入得到預處理后的數據樣本，流程見圖3。

3.2 神經網絡的運用

深度學習與大數據結合，減少了在對研究檢測對象進行預測時產生的誤差。在航運領域應用深度學習進行數據處理分析現階段還較少。文中考慮將預處理之后的AIS數據與深度神經網絡進行結合，建立船舶動態預測模型。深度學習的權重隨著迭代的進行，可進行粗略的求解，文中引用G. E. Hinton的論文結論，見式（14）。

式中：為學習率；為代價函數。

圖4為文中使用的深度神經網絡的示意圖，其中輸入圓圈代表船舶信息，輸出圓圈代表需要進行預測的信息。運用貝葉斯神經網絡模型，通過調整神經元個數以及訓練集、測試集的數量將深度學習神經網絡模型的誤差盡可能降低。

3.3 遺傳算法

只使用模型帶入數據進行求解得到的結果往往不具有隨機性代表性，為此利用遺傳算法對模型進行優化。

設定船舶編號、進出港方向、船舶類型以及航行起點終點位置的4位遺傳算子，以表示船舶的基礎數據。如：1101代表1號船舶從港口出來，為大型的集裝箱船，經過主航道向蝦峙門航道航行。

在算法中要考慮適應度函數的取值。適應度越大，被選擇的概率就越大，本模型目標函數是總調度時間和總等待時間最小，如果調度時間越小，等待時間越短，說明個體的適應度越大，因此用等待時間的倒數作為適應度函數值，見式（15）。在實際過程中由于船舶等待時間存在上限，故可以設定一個上限值。如果船舶的等待時間已經達到了上限值，也要降低該個體的適應度值，以此讓優秀的個體更好地遺傳下去。

其他相關的算法中采用輪盤賭的方式選擇算子，交岔算子采用兩點交岔的方式，變異算子采用兩點變異的方式，具體過程見圖5。

表1 原始AIS數據

Tab.1 Original AIS data

注：time為時間，mmsi為水上移動通信業務標識碼，speed為航速，cog為對地航向，hdg為船首向，type為AIS船舶類型，length為船長，width為船寬，draught為吃水。

圖3 利用Matlab處理AIS數據流程

圖4 船舶調度深度神經網絡

3.4 利用改進粒子群算法對預測信息進行優化

粒子群優化算法將每個樣本看作維空間中的忽略體積的粒子X=(x1,x2, …,x)，分別計算樣本初始的個體值，得到最好的個體值（最好的位置）記為pbest，即P=(p1,p2, …,p)，給粒子群賦予速度V=(v1,v2, …,v)，每次迭代后再計算粒子對應的個體值，將群體中的最優個體值（最好的位置）記為gbest，即G=(g1,g2, …,g)。對于每次的迭代，一般每一維的速度都有上下限的設定，個體值也可以設定上下限。

傳統的粒子群算法多用于對多維樣本進行尋優，文中利用粒子群算法的特性，結合前文已建立的深度學習神經網絡模型，將模型得到的預測結果進行優化。其中，對船舶本身而言，船舶長度、寬度和吃水是不發生變化的，故僅將船舶速度、所在的經緯度、對地航向、船首向作為考慮因素。傳統的粒子群算法是現在每代中得到群體最優粒子，再從這些群體最優粒子中選擇總的最優粒子。在程序的編寫中，傳統的粒子群算法是對群體進行迭代，更新速度采用最優粒子與樣本個體值做差再隨機化。文中采用的改進方法是對每個樣本點（即每艘船舶的樣本值）單獨進行迭代，最終結果也相互獨立，而不是取群體最優值。

圖5 算法流程

設計的粒子群算法基礎參數及流程見圖6a。maxgen為粒子群進化次數上限，sizepop為粒子群種群規模，Vmax和Vmin分別為粒子群迭代速度的最大值和最小值，popmax和popmin分別為粒子群基礎參數最大值和最小值，pop為樣本值。

在準備迭代時，需要先產生新迭代的迭代速度，在產生后進行迭代得到下一代粒子群，將粒子反代回求解出適應度，并通過比較的方法得到最佳的粒子適應度，記下該粒子數據，具體流程見圖6b。fitness為樣本適應度，fun為深度學習神經網絡模型函數，zbest和gbest分別代表全局最佳粒子和個體最佳粒子，fitnessgbest代表個體最佳粒子對應的適應度。

產生新一代粒子群，通過一一比較確定最佳粒子以及其適應度，將該粒子及其最佳適應度記錄，作為暫時最佳適應度，具體的改進粒子群算法流程見圖6c。

圖6 粒子群算法相關流程及偽代碼

4 寧波舟山港區實例應用

前文分析得出一般情況下，在避免擁堵的范圍內大部分的船舶從核心港區出港選擇蝦峙門航道更加合理，一旦通過模型預測到可能發生擁擠，則應當選擇小型船只走條帚門航道，大型船只走蝦峙門航道，并且盡量避免擁堵的產生。

根據現行港口管理條例，船舶之間安全距離約束，船長200 m以上的船舶應與前船保持1 n mile以上的距離。超大型油輪應與前船保持1.5 n mile以上距離，由安全距離和船舶航速計算出最短船舶航行間隔。

在此案例中將上文粒子群算法中的適應度函數設定為船舶可能達到的最大平均航速，由于已知數據包括船舶出入港時間間隔，如果最大預測船速都無法滿足調度需求，即大概率會發生擁堵情況，可以得到船舶在調度時間間隔內按照預測優化后的航行狀態進行航行，觀察是否會產生擁堵狀態，以此為依據選擇出港船舶的調度方式。

表2是寧波舟山港區一段連續時間內出港船舶的AIS數據，數據已經過預處理，符合模型的要求。對應的調度間隔時間見圖7。從圖7中可以看出，第2與第3艘次船舶、第7與第8艘次船舶、第11與第12艘次船舶較為擁擠，時間較短，應進行調度分流。

將AIS數據帶入模型和算法中得到預測的船舶速度見圖8。

表2 樣本數據AIS

Tab.2 AIS of sample data

注：time為時間，mmsi為水上移動通信業務標識碼，cog為對地航向，hdg為船首向，type為AIS船舶類型，length為船長，width為船寬，draught為吃水。

圖7 船舶調度時間間隔

圖8 船舶預測船速

根據表2中內容求得實際調度中預測的間距：

式中：預為預測間距；c為預測最大平均船速；c為船舶調度時間間隔。得到間距見圖9。

如果按照1 n mile間距的船舶安全距離來看，選擇第12艘次船舶從條帚門航道出港，第11艘次船舶和第13艘次船舶從蝦峙門航道出港，其他船舶的選擇對擁堵狀況影響不大，按照小型船只盡量走條帚門航道的標準，可以將第3艘船只從條帚門航道出港。

圖9 船舶距離

模型的提出和算法的求解，目的是為了提高港口生產效率，充分利用航道。雖然通過智能算法提出智能調度方案，但是依然利用AIS和VTS通過頻道對講人工進行調度，通過引航員工作，帶領船舶進港。目前只有蝦峙門航道發生了擁堵，條帚門航道才作為應急航道，只有在蝦峙門航道禁航的情況下才會進行分流走條帚門航道。

5 結語

在以往的調度經驗中大部分的船只都只從蝦峙門航道通行，條帚門航道則由于地理因素等一系列的原因使用較少。利用AIS信息，結合大數據與深度學習神經網絡算法建立航行預測模型，同時使用改進粒子群優化算法對模型進行優化，結合對寧波舟山港區蝦峙門航道和條帚門航道不同的地理環境的分析建立優化調度模型，最后利用蝦峙門航道和條帚門航道的AIS數據樣本抽樣對模型和算法進行驗證，得到船舶出港調度順序的結果。實例證明第2與第3艘次船舶、第7與第8艘次船舶、第11與第12艘次船舶較為擁擠，安全距離考慮第12艘次船舶走條帚門進港較為合理。該模型與算法可優化港口航運調度，為港口發展和提高物流效率具有一定理論指導意義。

[1] 王金濤. 基于單向航道的船舶調度優化模型與算法研究[D]. 大連: 大連海事大學, 2014: 8-75.

WANG Jin-tao. Research on Vessels Scheduling Model and Algorithm Based on One-Way Channel[D]. Dalian: Dalian Maritime University, 2014: 8-75.

[2] 徐海棟. 港口海側交通組織優化研究[D]. 大連: 大連海事大學, 2018: 8-66.

XU Hai-dong. Research on Optimization of Port Seaside Traffic Organization[D]. Dalian: Dalian Maritime University, 2018: 8-66.

[3] 張新宇, 李瑞杰, 張加偉, 等. 多種航道條件下的港口船舶交通組織優化[C]// 第十三屆中國智能交通年會大會論文集, 中國智能交通協會, 2018: 708-717.

ZHANG Xin-yu, LI Rui-jie, ZHANG Jia-wei, WANG Zhi-qiang. Optimization of Port Vessel Traffic Organization Under Multiple Channel Conditions[C]// Proceedings of the 13th China Intelligent Transportation Annual Conference, China Intelligent Transportation Association, 2018: 708-717.

[4] 完劍俠, 繆克銀, 張樹奎. Y型航道內船舶交通流量的非線性特征研究[J]. 廣州航海學院學報, 2019, 27(4): 8-12.

WAN Jian-xia, MIAO Ke-yin, ZHANG Shu-kui. Research on Nonlinear Characteristics of Ship Flow in Y-Type Waterway[J]. Journal of Guangzhou Maritime Institute, 2019, 27(4): 8-12.

[5] 張新宇, 李瑞杰, 林俊, 等. Y形分叉復式航道船舶交通調度優化建模[J]. 大連海事大學學報, 2018, 44(2): 1-8.

ZHANG Xin-yu, LI Rui-jie, LIN Jun, et al. Optimization Modeling of Vessel Traffic Scheduling for Y Shaped Bifurcated Compound Waterway[J]. Journal of Dalian Maritime University, 2018, 44(2): 1-8.

[6] 陳向. 復式航道條件下的港口船舶調度優化[D]. 大連: 大連海事大學, 2017: 9-61.

CHEN Xiang. Optimization of Port Ship Scheduling under the Condition of Compound Channel[D]. Dalian: Dalian Maritime University, 2017: 9-61.

[7] 文元橋, 鄭海濤, 周春輝, 等. 基于復雜性地圖的多船避碰模擬[J]. 武漢理工大學學報(交通科學與工程版), 2017, 41(3): 401-405.

WEN Yuan-qiao, ZHENG Hai-tao, ZHOU Chun-hui, et al. Simulation of Multi-Ship Collision Avoidance with the Complexity Map[J]. Journal of Wuhan University of Technology (Transportation Science & Engineering), 2017, 41(3): 401-405.

[8] 余文曌, 佘航宇, 歐陽子路. 基于彈性網格的改進遺傳算法在無人艇路徑規劃中的研究[J]. 中國航海, 2018, 41(4): 101-105.

YU Wen-zhao, SHE Hang-yu, OUYANG Zi-lu. Path Planning of Unmanned Surface Vehicle Based on Variable Mesh Improved Genetic Algorithm[J]. Navigation of China, 2018, 41(4): 101-105.

[9] 張春瑋, 馬杰, 牛元淼, 等. 基于行為特征相似度的船舶軌跡聚類方法[J]. 武漢理工大學學報(交通科學與工程版), 2019, 43(3): 517-521.

ZHANG Chun-wei, MA Jie, NIU Yuan-miao, et al. Clustering Method of Ship Trajectory Based on Similarity of Behavior Pattern[J]. Journal of Wuhan University of Technology (Transportation Science & Engineering), 2019, 43(3): 517-521.

[10] 劉嬌, 史國友, 楊學錢, 等. 基于DE–SVM的船舶航跡預測模型[J]. 上海海事大學學報, 2020, 41(1): 34-39.

LIU Jiao, SHI Guo-you, YANG Xue-qian, et al. Ship Trajectory Prediction Model Based on DE-SVM[J]. Journal of Shanghai Maritime University, 2020, 41(1): 34-39.

[11] 方瓊林, 邵哲平, 潘家財, 等. 天津港大沽沙航道交通組織優化[J]. 集美大學學報(自然科學版), 2015, 20(5): 365-370.

FANG Qiong-lin, SHAO Zhe-ping, PAN Jia-cai, et al. Study on the Optimization of Traffic Coordination in Tianjin Dagusha Waterway[J]. Journal of Jimei University (Natural Science), 2015, 20(5): 365-370.

[12] 甘浩亮. 港口水域LNG船舶交通組織優化研究[D]. 武漢: 武漢理工大學, 2012: 7-72.

GAN Hao-liang. The Study on Traffic Organization and Optimization of LNG Vessel in Port Waters[D]. Wuhan: Wuhan University of Technology, 2012: 7-72.

[13] 周偉, 肖英杰, 吳善剛, 等. 基于Anylogic的耙吸裝駁作業船舶交通組織仿真[J]. 中國航海, 2019, 42(2): 42-46.

ZHOU Wei, XIAO Ying-jie, WU Shan-gang, et al. Simulation on Vessel Traffic Organization for TSHD Loading Barge Operation Using Anylogic Software[J]. Navigation of China, 2019, 42(2): 42-46.

[14] 倪生科, 劉正江, 蔡垚, 等. 基于混合遺傳算法的船舶避碰路徑規劃[J]. 上海海事大學學報, 2019, 40(1): 21-26.

NI Sheng-ke, LIU Zheng-jiang, CAI Yao, et al. Ship Collision Avoidance Path Planning Based on Hybrid Genetic Algorithm[J]. Journal of Shanghai Maritime University, 2019, 40(1): 21-26.

[15] 陳成明, 虞麗娟, 李加林, 等. 基于改進遺傳算法的遠洋漁船船隊調度路徑優化[J]. 上海海事大學學報, 2016, 37(4): 1-6.

CHEN Cheng-ming, YU Li-juan, LI Jia-lin, et al. Scheduling Route Optimization of Ocean Fishing Fleet Based on Improved Genetic Algorithm[J]. Journal of Shanghai Maritime University, 2016, 37(4): 1-6.

[16] 陳超, 耿沛文, 張新慈. 基于改進人工勢場法的水面無人艇路徑規劃研究[J]. 船舶工程, 2015(9): 72-75.

CHEN Chao, GENG Pei-wen, ZHANG Xin-ci. Path Planning Research on Unmanned Surface Vessel Based on Improved Potential Field[J]. Ship Engineering, 2015(9): 72-75.

[17] 霍鳳財, 任偉建, 劉東輝. 基于改進的人工勢場法的路徑規劃方法研究[J]. 自動化技術與應用, 2016, 35(3): 63-67.

HUO Feng-cai, REN Wei-jian, LIU Dong-hui. Research on Path Planning Method Based on Improved Artificial Potential Field Method[J]. Techniques of Automation and Applications, 2016, 35(3): 63-67.

[18] 范云生, 柳健, 王國峰, 等. 基于異源信息融合的無人水面艇動態路徑規劃[J]. 大連海事大學學報, 2018, 44(1): 9-16.

FAN Yun-sheng, LIU Jian, WANG Guo-feng, et al. Dynamic Path Planning for Unmanned Surface Vehicle Based on Heterologous Information Fusion[J]. Journal of Dalian Maritime University, 2018, 44(1): 9-16.

[19] 童幫裕, 胡堅堃. 基于改進蟻群算法的船舶冰區航行路徑規劃[J]. 中國航海, 2020, 43(1): 24-28.

TONG Bang-yu, HU Jian-kun. Improved Ant Colony Optimization for Navigation Path Planning in Ice Zone[J]. Navigation of China, 2020, 43(1): 24-28.

[20] 范云生, 趙永生, 石林龍, 等. 基于電子海圖柵格化的無人水面艇全局路徑規劃[J]. 中國航海, 2017, 40(1): 47-52.

FAN Yun-sheng, ZHAO Yong-sheng, SHI Lin-long, et al. Global Path Planning for Unmanned Surface Vehicle Based on Grid Model of Electronic Chart[J]. Navigation of China, 2017, 40(1): 47-52.

[21] 羅賢程, 尹建川, 李宏賓. 基于動態分階勢場法的船舶自動避碰系統[J]. 上海海事大學學報, 2020, 41(1): 1-7.

LUO Xian-cheng, YIN Jian-chuan, LI Hong-bin. An Automatic Collision Avoidance System of Ships Based on Dynamic Hierarchical Potential Field Method[J]. Journal of Shanghai Maritime University, 2020, 41(1): 1-7.

[22] 陳立家, 黃立文, 崔梅. 基于改進蟻群算法的船舶多約束最優航線設計[J]. 上海海事大學學報, 2017, 38(4): 11-15.

CHEN Li-jia, HUANG Li-wen, CUI Mei. Optimal Ship Route Planning with Multiple Constraints Based on Improved Ant Colony Algorithm[J]. Journal of Shanghai Maritime University, 2017, 38(4): 11-15.

[23] 尚明棟, 朱志宇, 周濤. 基于改進蟻群算法的水面無人艇智能避碰方法研究[J]. 船舶工程, 2016, 38(9): 6-9.

SHANG Ming-dong, ZHU Zhi-yu, ZHOU Tao. Research on Intelligent Anti-Collision Method of USV Based on Improved Ant Colony Algorithm[J]. Ship Engineering, 2016, 38(9): 6-9.

[24] 陳卓, 茅云生, 宋利飛, 等. 基于進化勢場模型的無人艇路徑規劃算法[J]. 武漢理工大學學報(交通科學與工程版), 2019, 43(1): 113-117.

CHEN Zhuo, MAO Yun-sheng, SONG Li-fei, et al. Path Planning Algorithm of USV Based on Evolutionary Potential Field Model[J]. Journal of Wuhan University of Technology (Transportation Science & Engineering), 2019, 43(1): 113-117.

[25] 薛翔, 朱小林. 基于優先權重粒子群算法的危險品運輸路徑優化建模[J]. 大連海事大學學報, 2016, 42(4): 112-118.

XUE Xiang, ZHU Xiao-lin. Modeling Hazardous Materials Transportation Routing Optimization Based on Prioritiesparticle Swarm Optimization[J]. Journal of Dalian Maritime University, 2016, 42(4): 112-118.

[26] 曾小龍, 茅云生, 宋利飛, 等. 基于改進細菌覓食優化的無人艇自主避碰算法[J]. 大連海事大學學報, 2018, 44(4): 35-42.

ZENG Xiao-long, MAO Yun-sheng, SONG Li-fei, et al. Automatic Collision Avoidance Algorithm for Unmanned Surface Vehicle Based on Improved Bacterial Foraging Optimization[J]. Journal of Dalian Maritime University, 2018, 44(4): 35-42.

[27] ZHU Da-qi, TIAN Chen, SUN Bing, et al. Complete Coverage Path Planning of Autono mous Underwater Vehicle Based on GBNN Algorithm[J]. Springer Netherlands, 2019, 94(1).

[28] 胡佳穎, 劉克中, 吳曉烈, 等. 基于前景理論的船舶避碰決策優化方法[J]. 中國航海, 2020, 43(1): 18-23.

HU Jia-ying, LIU Ke-zhong, WU Xiao-lie, et al. Optimization of Ship Collision Avoidance Decision-Making Based on Prospect Theory[J]. Navigation of China, 2020, 43(1): 18-23.

[29] 何傲, 謝新連, 李猛. 考慮安全性的施工水域路徑優化[J]. 大連海事大學學報, 2019, 45(3): 114-120.

HE Ao, XIE Xin-lian, LI Meng. Route Optimization in Construction Waters Considering Safety[J]. Journal of Dalian Maritime University, 2019, 45(3): 114-120.

[30] 潘明陽, 劉乙賽, 李琦, 等. 基于改進A*算法的內河水網航線規劃及應用[J]. 上海海事大學學報, 2020, 41(1): 40-45.

PAN Ming-yang, LIU Yi-sai, LI Qi, et al. Improved A* Algorithm Based Route Planning and Its Application for Inland Waterway Network[J]. Journal of Shanghai Maritime University, 2020, 41(1): 40-45.

[31] 閆化然, 薛松輝, 熊華, 等. 大型船舶進出洋山港四期碼頭交通組織[J]. 中國航海, 2018, 41(4): 53-56.

YAN Hua-ran, XUE Song-hui, XIONG Hua, et al. Traffic Organization of Large Vessels Entering Yangshan Port Phase Ⅳ[J]. Navigation of China, 2018, 41(4): 53-56.

[32] 王冰. 基于多目標遺傳算法的散雜貨港口船舶調度系統研究[D]. 北京: 北京交通大學, 2014: 9-67.

WANG Bing. Research on Ship Scheduling System of Bulk Cargo Port Based on Multi-Objective Genetic Algorithm[D]. Beijing: Beijing Jiaotong University, 2014: 9-67.

[33] 侯春曉, 許勁松, 楊榮武. 內河無人船局部路徑規劃和循跡控制[J]. 船舶工程, 2017, 39(6): 41-45.

HOU Chun-xiao, XU Jin-song, YANG Rong-wu. Local Path Planning and Path Following Control for Inland Water USV[J]. Ship Engineering, 2017, 39(6): 41-45.

Scheduling Optimization of Shipping Logistics Port Based on AIS Data

BAI Xiang-en, LI Bo-han, XU Xiao-feng, XIAO Ying-jie

(Merchant Marine College, Shanghai Maritime University, Shanghai 201306, China)

The work aims to study a more effective scheduling scheme to deal with the complex waterway waters and dense logistics traffic flow in Ningbo Zhoushan Port area, to minimize the scheduling time and waiting time, that is, to maximize the efficiency. The navigation situation of Zhoushan Port in Ningbo was analyzed. The problems existing in the complex waterway area were put forward. A multi-objective function was proposed to minimize dispatching time and waiting time, a ship dispatching model for the complex waterways was established. In view of a large number of AIS data for ships, a waterway area scheduling model based on neural network was constructed, and speed change and ship prediction models were established for ships of different types and sizes to realize the prediction of ship scheduling status. An improved ship scheduling algorithm based on traditional particle swarm optimization was designed. The results showed that the model was solved by the algorithm and the traffic congestion could be judged and ship scheduling could be carried out based on different captains and spacing. Once possible congestion was predicted through the model, small vessels should pass through from the Tiaozhou Men channel and large vessels should pass through from the Xiasi Men channel and avoid congestion as much as possible. The model and algorithm can effectively improve the efficiency of ship scheduling and provide a theoretical basis for optimization of complex scheduling in shipping logistics ports.

complex waterway; deep neural network; particle swarm optimization; ship scheduling; AIS data

U652.1+2

A

1001-3563(2023)05-0211-11

10.19554/j.cnki.1001-3563.2023.05.027

2022?04?16

國家自然科學基金面上項目（42176217）

白響恩（1984—），女，副教授，主要研究方向為通航安全評估、港航論證和極地航行等。

徐笑鋒（1986—），男，博士后，主要研究方向載運工具及其應用工程。

責任編輯：曾鈺嬋