基于數據驅動的船舶航線實時優化

臧繼明

(江蘇海事職業技術學院 航海技術學院，江蘇 南京 211170)

0 引 言

船舶在不同海域航行時，受風浪、能見度等眾多因素影響[1]，采用固定航線航行時，容易由于環境因素影響船舶的航行安全[2]。為了保障船舶順利、安全到達目的地，需要制定科學、合理的航線，滿足船舶的安全航行需求[3]。如何獲取船舶的最優航行路線，是海洋領域的研究重點。數據驅動指利用軟件、網絡等手段采集數據，以海量數據為基礎，從中挖掘有用數據，利用數據挖掘結果驅動不同應用順利進行的重要方法。數據驅動方法可以實現海量數據的統計、分析、評估與利用，為船舶航行優化等應用提供數據基礎。利用數據驅動方法的數據分析、統計與評估結果[4]，為海洋等不同領域應用提供優化策略。將數據驅動方法應用于船舶航線優化中，具有較強的現實意義。

目前已有眾多學者針對船舶航線規劃問題進行研究。黃佳佳等[5]考慮化學品船舶航行的特殊性，設置了貨艙禁止更換的約束條件，構建化學品船航線規劃的線性規劃模型，通過模型求解獲取化學品船的航線規劃結果。該方法滿足帶貨艙船舶規劃需求，令化學品船通過航線規劃結果，獲取最大利潤。吳恭興等[6]對船舶航線規劃時，充分考慮了氣象變化對船舶航行的影響，設置氣象參數作為船舶航行規劃的路徑代價函數，利用啟發式函數獲取規避風險的航線。該方法有效避開高風險的危險海域，實現船舶航線參數的有效規劃。以上方法雖然可以有效規劃船舶航線，但是存在運算過程過于復雜，影響船舶規劃實時性的缺陷。針對以上方法在航線規劃中存在的問題，研究基于數據驅動的航線實時優化方法。利用數據挖掘方法聚類處理影響船舶航行的相關數據，利用聚類結果驅動航線優化應用。采用數據驅動方法獲取的航線優化結果，保障所生成的航線滿足船舶航行的實際需求。

1 船舶航線實時優化

1.1 船舶航線優化總體結構

船舶航行前確定航線時，需要明確船舶航行區域海況。基于數據驅動的船舶航線實時優化流程如圖1所示。

圖1 船舶航線實時優化流程圖Fig.1 Flow chart of real-time optimization of ship routes

可以看出，利用數據驅動方法構建海況知識庫。依據海況知識庫內的海況信息與轉向點，將船舶航線劃分為不同航段，是航線優化的前提。利用海況知識庫與轉向點信息構建航線分段模型，將航線轉向點信息、海況預報信息等信息輸入分段模型中，識別船舶航行海況，將航線劃分為不同的航段。確定船舶航行的航段后，輸入航程、航行參數、航速等信息，利用航線實時優化模型，實現航線的實時優化。利用數據驅動方法定期更新航線的海況信息，根據海況信息更新結果實時優化船舶航線。

1.2 基于數據驅動的船舶航線海況數據庫構建

利用海量的海況數據，構建船舶航線優化的海況知識庫。提取船舶目標航線所在海域，船舶定航線航行的歷史數據；利用天氣預報中心下載航線所在海域的風速、風向、波高等數據[7]；利用計程儀獲取船舶航行的歷史流速、流向等數據；利用GPS 系統采集船舶的對地航速與航行矢量等數據。依據時間序列，整理所采集的船舶航行相關的海況數據，構建海況數據庫。為了明確待優化船舶航線的海況類別，將所構建的船舶航線海況知識庫，作為確定海況的訓練樣本。依據數據驅動方法，利用K-means 聚類算法，對船舶航行海況數據聚類構建海況知識庫。海況知識庫的構建過程如下：

步驟1 從采集的海量海況數據中，隨機選取K個海況數據，作為構建海況知識庫的聚類中心ci。

步驟2 計算聚類中心ci與海況樣本xi之間的距離，確定與聚類中心距離最近的海況數據，將樣本xi與聚類中心ci劃分為相同類別。二者距離為：

式中，j表示海況樣本xi的特征屬性。

步驟3 選取某海況類別中，全部海況樣本的中心點，作為海況知識庫聚類的新聚類中心，新聚類中心的表達式為：

步驟4 重復以上過程，設置算法終止的收斂函數計算公式為：

重復運算直至收斂函數和聚類中心固定時，結束聚類，否則轉至步驟2 繼續計算。

通過以上過程，利用聚類結果構建海況知識庫。根據海況知識庫內的船舶航線信息與航線轉向點信息，將船舶航線劃分為不同航段。

1.3 構建船舶航線實時優化模型

依據船舶航線的航段劃分結果，對不同航段的船舶航線進行實時優化。選取船舶航行的總時間最短以及總油耗最低，作為船舶航線實時優化模型的目標函數，船舶航線實時優化目標函數表達式為：

式中：G與T分別表示船舶航行的總油耗以及總航行時間，g(vi)與di分別表示船舶主機每日油耗以及第i段航線的距離，v1與v2分別表示第i段航線的對地航速以及對水航速，N與f(ξ)分別表示船舶航線的航段總數以及懲罰函數。

船舶對水航速與對地航速間的關系表達式為：

式中， ?vi表示船舶在航段i的航速損失。

船舶航行時，受海況影響，容易出現失速情況。受風浪波動影響，主機固定，航速較低時，航速變化為自然失速。船舶受風浪影響時，為了避免出現危險，需要有意減速。不同類型的航速變化，均可能導致船舶航行出現速度損失。船舶航行時的速度損失表達式為：

式中： α 與 β分別表示方向衰減系數與速度衰減系數，δ表示船舶型號。

船舶主機油耗的計算公式為：

式中，a、b、c、d均為擬合系數。

為了使船舶航線實時優化過程更加符合船舶航行的實際海況，為航線實時優化模型設置如下約束條件：

1）船舶的實際航速v，需要低于船舶的額定航速(vmin,vmax)，該約束條件的表達式如下：

2）船舶航線優化的轉向點位置，需要與船舶航線圓航段的固定距離h垂直，約束表達式為：

式中，△di表示船舶航線優化點i與基準點的間距。

1.4 船舶航線實時優化模型求解

式中： ? 與 φ 分別表示啟發因子與期望因子，allowed與 ηik(t)分別表示螞蟻可選取的全部船舶航行轉向點以及啟發函數。

蟻群算法通過迭代確定最短搜索路徑后，更新船舶航線轉向點之間的信息素。信息素更新公式為：

式中， ?τki j(t) 與 ρ 分別表示螞蟻在i與j之間的信息素增量以及揮發系數。

利用該算法求解船舶航線實時優化模型時，無需更新全部螞蟻對模型求解的信息素，僅需更新部分具有最優路徑的螞蟻信息素，保證了航線實時優化的運算效率。

2 性能測試與分析

為了驗證所研究的船舶航線實時優化性能，選取某海域某船舶的某航線作為優化目標。待優化船舶航線的目標船舶的參數設置如表1 所示。

表1 船舶參數設置Tab.1 Ship parameter settings

本文方法選取數據驅動方法構建船舶航線的海況數據庫。船舶航線在不同海況時，海況數據庫聚類結果如表2 所示。可以看出，采用本文方法通過數據驅動方法，獲取船舶航線的海況數據。利用船舶航線的海況數據，將航線劃分為不同的航段。

表2 海況知識庫聚類結果Tab.2 Clustering results of sea state category knowledge base

依據航線的航段劃分結果，采用本文方法對船舶航線進行實時優化，優化結果如圖2 所示。可以看出，采用本文方法可以對船舶航線進行實時優化。本文方法考慮了不同海況對船舶航行的影響，令航線優化結果更加滿足船舶航行的實際需求。

圖2 船舶航線實時優化結果Fig.2 Real-time optimization results of ship routes

為了進一步衡量本文方法的船舶航線實時優化性能，統計采用本文方法對船舶航線進行實時優化，優化前與優化后船舶的航行時間以及船舶航行的主機總油耗變化，統計結果如圖3 和圖4 所示。可以看出，本文方法可以依據海況變化，對船舶航線進行實時優化。本文方法優化后的船舶航行時間與主機總油耗均低于優化前，驗證本文方法的航線優化性能。圖3 和圖4 的實驗結果，從船舶的航行總時間和主機總油耗2 個方向，全面驗證本文方法具有的航線優化性能，本文方法為船舶的可靠運行提供了良好的基礎。

圖3 船舶航行時間Fig.3 Total sailing time of ships

圖4 船舶主機總油耗Fig.4 Total fuel consumption of ship main engine

3 結 語

數據驅動方法是智能算法中的重要技術，利用數據驅動方法，確定影響船舶航線優化結果的海況數據。利用船舶海況數據聚類結果，構建船舶航行優化模型，獲取科學、合理的、具有較高安全性的船舶航行路線。通過實驗驗證，采用該方法獲取的船舶航行優化結果，船舶主機油耗低，降低了航行總時間，具有較高的實用性，適用于不同海況下的船舶航線優化。