一种基于大数据的船舶航道行驶方法与流程

本发明涉及大数据处理及数据回归领域，具体涉及一种基于大数据的航舶航道行驶方法。

背景技术：

船舶航道的设定应满足两个条件，首先要能够安全的行驶船舶，其次能够较快的到达目的地并且花费更小。

航线，指的是船舶在两地间的水面航行路线，每个航次的具体航线，应根据该次的出航航行任务和航行地区的地理、水文、气象等情况，以及船舶当前状况拟定。两地间的航线可能有很多条，在船舶的行驶过程中，船员的航线的制定，对船舶行驶效率至关重要。但是，由于水面上尤其海面上的交通状况、气象状态瞬息万变，无法在行驶前预先获知，因此，在航行前，船员也无法确定两地间哪一条航线能够作为行驶效率最高、耗时耗力最少的最佳航线，而只能在行驶过程中不断修正。现有技术中对船舶航线的修正都是驾驶员在航行过程中根据目测距离水面上的观察结果，结合自己的航行经验来进行制定的，这样的船舶航线修正方案存在以下弊端：(1)驾驶员观测距离有限，决策材料不足，导致航线需要频繁修正；(2)每一个驾驶员的航行经验不同，修正后的航线航行效果也不同，修正后的航线往往不是最佳航线。

因此，需要一种航道交通密度和航道气象指数发布系统，克服现有航线修正方案中过于依赖人力而导致决策过程不够科学的技术问题，通过实时获取船舶的多个相关航道的航道交通密度和航道气象指数，并基于船舶的当前行使速度确定是否发出切换航道信号，为船舶航线的修正提供重要参考，从而保证了航行的效率，提高了船舶运营方的运行效益。

技术实现要素：

为了克服现有技术中存在过于依赖船员的素质来进行航路的切换、面对庞大的数据却无法进行分析处理等缺陷，本发明将提出一种更加精确的船舶航道行驶方法，它依据现在广为流行的大数据方法，较全面的收集并分析各类数据，以数据为基础来对航船航道进行全面分析比较，具有较强的环境适应能力。

本发明采用如下技术方案：

一种基于大数据的航舶航道行驶方法，包括数据收集模块、经济费用计算模块、通航时间计算模块、数据转换模块、构建模型模块、som模块、验证模块及概念漂移模块，所述数据收集模块分别与经济费用计算模块及通航时间计算模块连接，所述数据收集模块、经济费用计算模块及通航时间计算模块均与数据转换模块连接，所述数据转换模块与构建模型模块连接，所述构建模型模块与som模块及验证模块依次连接，所述验证模块与概念漂移模块连接，具体步骤如下：

s1数据收集模块采集数据，

所述数据收集模块包括用于检测船舶当前行驶速度的船速检测设备；

定位设备与无线数据通信设备连接用于获得船舶的多个相关航道的航道交通和航道气象指数，所述航道交通包括与当前航道相关的多条航道的通航密度及交通信息，所述航道气象指数包括当前水深、波浪、洋流和航道附近风速及风向；

船型数据检测设备，用于检测船舶的船长、水中转头阻矩大小、船体进水侧面积分布、排水量与吃水；

s2根据s1采集的数据经济费用计算模块计算当前航道以及当前航道相关的多条航道行驶到达目的地时所使用的船费及燃油费的；

通航时间计算模块计算当前航道以及与当前航道相关的多条航道行驶到达目的地的时间的；

s3数据转换模块根据s1及s2的数据进行数据转换，具体转换方法包括：

首先根据数据类别对数据进行分类；

然后确定关键性能指标和与其关联的网络参数，并按照其对关键性能指标的影响大小进行排序，接着确定每一个网络参数与相关的关键性能指标的关联向量；

最后对于各个关键性能指标之间公共的网络参数进行排名来建立不同的关键性能指标之间的关系；

s4数据构建模块根据上一步骤获得的数据使用多变量多重回归模型构建网络行为模型；

s5网络行为模型中的som模块在已经构建的模型中寻找新的网络参数和预期关键性能指标；

s6验证模块对新的网络参数进行仿真，如果仿真结果显示该网络参数对关键性能指标改进有帮助，则修正模型使用新的网络参数；如果上一步的验证失败了，则将结果反馈至概念漂移模块，概念漂移模块将更新模型的行为模型。

概念漂移模块会周期性的触发。

所述概念漂移模块具体采用时间延边的流分类器，具体方法：先根据当前的数据构建临时决策树，并不断地获取新数据来优化已建立的决策树，若在某时候出现概念漂移，则算法在出现漂移的节点上建立新的代替子树，若替代子树的分类效果优于当前决策子树，则直接取代。

所述s3中对收集的数据进行分类按照安全性、迅速性及经济性。

本发明的有益效果：

(1)本发明充分考虑的会影响到船舶航行的各类数据，在线下训练的时候构建最接近于实际情况的模型；

(2)在线上应用的时候也会及时收集新的数据和情况以备之后线下更新系统模型，该方法具有较强的环境适应能力。

附图说明

图1是本发明的数据收集模块的结构示意图；

图2是本发明的结构示意图；

图3是本发明的工作流程图；

图4是som模型示意图。

具体实施方式

下面结合实施例及附图，对本发明作进一步地详细说明，但本发明的实施方式不限于此。

实施例

如图1-图4所示，一种基于大数据的航舶航道行驶方法，硬件部分包括数据收集模块、经济费用计算模块、通航时间计算模块、数据转换模块、构建模型模块、som模块、验证模块及概念漂移模块，所述数据收集模块分别与经济费用计算模块及通航时间计算模块连接，所述数据收集模块、经济费用计算模块及通航时间计算模块均与数据转换模块连接，所述数据转换模块与构建模型模块连接，所述构建模型模块与som模块及验证模块依次连接，所述验证模块与概念漂移模块连接，

具体步骤包括线下训练阶段及线上应用阶段；

所述线下训练阶段包括

s1数据收集模块收集数据，

所述数据收集模块包括用于检测船舶当前行驶速度的船速检测设备、

定位设备与无线数据通信设备连接用于获得船舶的多个相关航道的航道交通和航道气象指数，所述航道交通包括与当前航道相关的多条航道的通航密度及交通信息，所述航道气象指数包括当前水深、波浪、洋流和航道附近风速及风向；

还包括船型数据检测设备，用于检测船舶的船长、水中转头阻矩大小、船体进水侧面积分布、排水量与吃水。

s2根据s1采集的数据经济费用计算模块计算当前航道以及当前航道相关的多条航道行驶到达目的地时所使用的船费及燃油费的；

通航时间计算模块计算当前航道以及与当前航道相关的多条航道行驶到达目的地的时间的。

s3数据转换模块根据s1及s2的数据进行数据转换，具体转换方法包括：

首先根据数据类别对数据进行分类，根据操作与经营目标(obos)对所有收集来的数据进行分类，一旦数据被分类后，则根据obos确定关键性能指标，这些关键性能指标需能够精确地反映实际用户的体验和系统性能。例如：船速、航向、船费、燃油费、通航密度。

然后确定关键性能指标和与其关联的网络参数，并按照其对关键性能指标的影响大小进行排序，接着确定每一个网络参数与相关的关键性能指标的关联向量；

接着，对于每一个关键性能指标，找到影响它的网络参数，并估计关键性能指标与相应网络参数的关联程度，这是将这些诸多繁杂的大数据转变为合适的数据的关键。随后根据对关键性能指标的公共网络参数进行排名来确立不同的关键性能指标之间的关系。此步骤使得系统可在obo类别内和跨obo类别建立不同关键性能指标之间的互相关，这不仅可以有助于不同som功能之间的自协调，而且提供了多目标与整体优化的能力，具有可调谐控制与透明度。

最后对于各个关键性能指标之间公共的网络参数进行排名来建立不同的关键性能指标之间的关系。

s4数据构建模块根据上一步骤获得的数据使用多变量多重回归模型构建网络行为模型；

s5网络行为模型中的som模块在已经构建的模型中寻找新的网络参数和预期关键性能指标；

s6验证模块对新的网络参数进行仿真，如果仿真结果显示该网络参数对关键性能指标改进有帮助，则修正模型使用新的网络参数；如果上一步的验证失败了，则将结果反馈至概念漂移模块，概念漂移模块将更新模型的行为模型。在预测分析和机器学习的概念漂移表示目标变量的统计特性随着时间的推移以不可预见的方式变化的现象，随着时间的推移，模型的预测精度将降低，在此运用时间演变的流分类器来解决，即采用使用流动窗口方法的漂移检测机制，滑动窗口方法处理用有限量的输入数据以检测变化并相应地实时反应。

当对数据建模提取了系统和用户行为模型之后，som模块可以依靠该系统和用户行为模型来执行各种som功能，例如确认新的网络参数和预期新关键性能指标。如果新的网络参数可以数据库中存储的现有知识来判断，就继续观察寻找新的网络参数；如果不行，则用发现的新的网络参数来仿真网络行为，如果模型行为符合预期行为，则继续观察寻找新的网络参数。如果上一步骤中的验证失败了，模型就会反馈到概念漂移模块，进而将更新行为模型。即使上一步骤验证成功了，概念漂移模块也会周期性的出发以及时更新模型以保持其准确性。

概念漂移问题可以通过使用时间演变的流分类器来解决，时间演变的流分类器采用滑动窗口方法的漂移检测机制，处理有限量的输入数据以检测变化并相应的做出实时反应。现在常用的处理概念漂移的方法有概念自适应快速决策树(cvfdt)，先根据当前的数据构建临时决策树，并不断地获取新数据来优化已建立的决策树。若在某时候出现概念漂移，则算法在出现漂移的节点上建立新的代替子树。若替代子树的分类效果优于当前决策子树，则直接取代。

所述线上应用阶段，

som模块在接受外界输入的时候，将会自动的分为不同的对应区域，不同区域对输入模式有不同的响应特征。在线下训练时，网络随机输入已经经过处理的船舶及航海等相关数据。对某种特定的输入，输出层会有某个节点产生最大响应而获胜，当然在训练开始阶段，这个是不确定的。当相关输入数据改变时，获胜节点也会相应改变。获胜节点周围的节点因侧向相互兴奋作用产生较大影响，于是获胜节点及其优胜领域内的所有节点所连接的权向量均向输入方向作不同程度的调整，距离获胜节点越远，调整力度越小。网络通过这种自组织方式，用大量训练样本调整网络的权值，找到输出层对于特定模式输入敏感的神经元，即可得到根据输入的船舶及航海相关数据所获胜的网络参数和关键性能指标。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。