本發(fā)明涉及航線規(guī)劃，具體而言，尤其涉及一種船舶大洋航線優(yōu)化預(yù)報方法。

背景技術(shù)：

1、大洋航線，是指船舶在大洋航行時所選擇的既安全又經(jīng)濟的航線。由于大洋航行的航程長、水深深、障礙物少和水文氣象變化大，故航線有較大的選擇性。航線的選擇需考慮以下因素：航行洋域的季節(jié)、氣象、波浪、洋流；定位和避讓條件；本船的技術(shù)性能、裝載的貨物、船員的技術(shù)水平等，要盡可能在安全的前提下縮短航行時間。

2、目前通用的船舶大洋航線設(shè)計方法根據(jù)氣象預(yù)報和經(jīng)驗公式進行船舶運動響應(yīng)計算，存在計算誤差大的問題；發(fā)明cn107246871a提供了一種基于ecdis的綠色大洋航線設(shè)計方法，在高維計算時存在受到多重共線性影響的問題，使得泛化精度受到影響。在優(yōu)化時往往根據(jù)單一預(yù)報進行優(yōu)化，存在調(diào)整過于頻繁的情況。由于對預(yù)報信息過于依賴，預(yù)報的更新慢的情況下會影響航線優(yōu)化和航線、航速調(diào)整之后現(xiàn)象，在惡劣海況中容易延誤船舶的對策和時機。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明的目的在于提出一種船舶大洋航線優(yōu)化預(yù)報方法，以解決現(xiàn)有船舶大洋航線設(shè)計方法的泛化精度低的技術(shù)問題。

2、本發(fā)明采用的技術(shù)手段如下：

3、一種船舶大洋航線優(yōu)化預(yù)報方法，包括如下步驟：

4、s1、根據(jù)航次任務(wù)，根據(jù)轉(zhuǎn)向點和航線類型建立初始航線；

5、s2、建立船舶在海上對環(huán)境的運動響應(yīng)數(shù)學模型；

6、s3、建立船舶所經(jīng)海區(qū)風場、浪場和流場的數(shù)學預(yù)報模型，采用引入注意力機制的時空生成對抗神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)觀測數(shù)據(jù)與高分辨率模式預(yù)報數(shù)據(jù)的同化融合，進行外界風浪流場的動態(tài)更新預(yù)報，獲得船舶所經(jīng)過海域的海洋環(huán)境預(yù)報結(jié)果；

7、s4、將船舶所經(jīng)過初始航線所在海域的海洋環(huán)境預(yù)報結(jié)果輸入至運動響應(yīng)數(shù)學模型中，利用船舶與海洋環(huán)境要素的相對運動、海洋環(huán)境要素數(shù)據(jù)和船舶狀態(tài)數(shù)據(jù)作為輸入，將其作為神經(jīng)網(wǎng)絡(luò)的輸入以計算船舶經(jīng)過該海域的運動響應(yīng)；

8、s5、收集船舶此次航次任務(wù)中的其他要求條件作為其他約束；

9、s6、將船舶經(jīng)過該海域的運動響應(yīng)和其他約束輸入至智能優(yōu)化算法中，加入時間約束和耗油約束條件，優(yōu)化計算得到船舶在優(yōu)化目標下所應(yīng)采取的優(yōu)化航線和優(yōu)化螺旋槳轉(zhuǎn)速；

10、s8、在得到最新的海洋水文氣象預(yù)報后，基于該最新的海洋水文氣象預(yù)報，重復(fù)s3～s7，并執(zhí)行最新得到的航線和航速優(yōu)化方案。

11、進一步地，s2具體包括如下步驟：

12、s21、設(shè)定訓練模型的模型輸入和模型輸出，所述模型輸入包括船舶要素信息、環(huán)境要素信息和動態(tài)信息，所述模型輸出為船舶在風、浪影響下的航速和運動姿態(tài)；

13、s22、基于模型輸入和模型輸出，通過船舶水動力計算方法建立模型的輸入-輸出訓練樣本集，計算特定的船舶對于環(huán)境要素在船舶航速和運動姿態(tài)上的響應(yīng)；設(shè)樣本集中有m個樣本，輸入向量x有n個自變量，輸入x為m×n維矩陣，輸出向量y有l(wèi)個因變量，輸出y為m×l維矩陣；

14、s23、根據(jù)訓練樣本的各項輸入與輸出數(shù)據(jù)，訓練神經(jīng)網(wǎng)絡(luò)使得神經(jīng)網(wǎng)絡(luò)精確逼近輸入-輸出映射，建立船舶航行的溫室氣體排放模型的神經(jīng)網(wǎng)絡(luò)映射模型。

15、進一步地，所述船舶要素信息包括船舶尺度及上層建筑參數(shù)、船舶吃水及吃水差、螺旋槳尺度；所述環(huán)境要素信息包括風、浪；所述動態(tài)信息包括船舶與環(huán)境要素的相對位置和運動關(guān)系、螺旋槳轉(zhuǎn)速、舵角。

16、進一步地，s23具體包括如下步驟：

17、s231、按照均勻分布取樣方法，從輸入和輸出樣本集x和y中生成隨機數(shù)實施取樣，在第2步抽取第一組數(shù)據(jù)x1和y1，第二步抽取第二組數(shù)據(jù)x2和y2，以此類推，在第k步抽取數(shù)據(jù)xk和yk，構(gòu)造訓練樣本集u∈rk×n和v∈rk×l；

18、s232、利用輸入和輸出訓練樣本集u和v構(gòu)造徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，利用偏最小二乘法進行隱層響應(yīng)矩陣和輸出的回歸計算：

19、在rbf網(wǎng)絡(luò)中，用高斯函數(shù)作為徑向基函數(shù)，向量uj(j＝1,…,k)成為隱節(jié)點中心；經(jīng)過徑向基函數(shù)計算得到隱層響應(yīng)矩陣a∈rk×k，其中第i行第j列的元素為：

20、

21、其中，ui為第i個樣本，在此||·||表示歐氏距離，cj和σj分別是第j個基函數(shù)的中心和寬度；

22、s233、在隱層響應(yīng)矩陣a與輸出矩陣v之間進行pls主成分提取和回歸運算；

23、提取主成分t后，將a與v分別投射到主成分矩陣上，得到：

24、v＝tr+f＝awr+f

25、其中，t為a的主成分矩陣，為k×nt維矩陣；w為a的轉(zhuǎn)換矩陣，為k×nt維矩陣；r為nt×l維的回歸系數(shù)矩陣；f為k×l維的殘差矩陣；

26、得到泛化模型：

27、

28、其中ap1和w1分別為k×k維和k×nt維矩陣，r1為nt×l維矩陣，將得到的網(wǎng)絡(luò)對集合u中的樣本進行泛化，設(shè)立精度閾值用于確定主成分提取次數(shù)nt，在泛化的均方根誤差的變化小于設(shè)定的精度變化閾值e1時停止提取主成分：

29、

30、s234、將得到的網(wǎng)絡(luò)對整個數(shù)據(jù)集x中訓練數(shù)據(jù)進行泛化，計算對于整個數(shù)據(jù)集的泛化誤差：

31、

32、其中：

33、

34、s235、如果rmseo大于設(shè)定的精度閾值e2，則重復(fù)步驟s231～s234；

35、s236、如果rmseo小于設(shè)定的精度閾值e2，則結(jié)束；

36、s237、得到的主成分個數(shù)nt和循環(huán)步數(shù)k即為最終所得徑向基函數(shù)網(wǎng)絡(luò)的主成分提取次數(shù)和隱節(jié)點數(shù)目，集合u中的向量即為所得徑向基函數(shù)網(wǎng)絡(luò)的隱節(jié)點。

37、進一步地，s3中：

38、時空生成對抗神經(jīng)網(wǎng)絡(luò)模型包括生成器g(z)和判別器d(x)兩個模塊，生成器模塊g(z)同化融合觀測數(shù)據(jù)和模式預(yù)報場多模態(tài)數(shù)據(jù)，其中z表示觀測點信息和氣象場；生成器模塊g生成的氣象場映射以及再分析數(shù)據(jù)中解碼的真實映射被反饋輸入到判別器d中，判別器d的輸入為生成氣象場數(shù)據(jù)和再分析氣象場數(shù)據(jù)；d的輸出為標量，用以判別輸出映射是否來自真實輸入映射的概率；時空生成對抗網(wǎng)絡(luò)模型訓練的停止標準為鑒別器無法區(qū)分生成的氣象場預(yù)報映射是否符合真實映射；

39、時空生成對抗網(wǎng)絡(luò)模型的損失函數(shù)如下：

40、

41、其中，ld為判別器損失，lg為生成器損失函數(shù)；

42、外界海洋氣象環(huán)境場數(shù)學預(yù)報模型參數(shù)基于以下最小化和最大化公式進行訓練和更新：

43、

44、其中，pdata(x)為再分析氣象場映射數(shù)據(jù)分布，pz(z)為模型輸入觀測和數(shù)值模擬氣象場數(shù)據(jù)分布，e表示期望算子；

45、時空生成對抗網(wǎng)絡(luò)模型輸入多模態(tài)氣象因子的時間序列序貫張量的特征數(shù)量為c，h為模型輸入張量的高度，w為模型輸入張量的寬度，代表模型的輸入張量，注意力機制模塊采用dot-product進一步計算輸入張量的三個矩陣k、q和v，獲取三個相對應(yīng)的映射權(quán)重特征矩陣值；

46、其中，k和q特征矩陣的維度應(yīng)當保持一致，迭代運算中的第i個詢問特征值和第j個關(guān)鍵特征值之間的相似度由正則函數(shù)計算獲?。?/p>

47、設(shè)定船載儀器實測外界風，流和浪等氣象要素分別為swind,scurrent,swave,era5高分辨數(shù)值模式預(yù)報風，流和浪二維場要素分別為erawind,eracurrent,erawave,動態(tài)更新的船舶航行海域海況預(yù)報模型：

48、pwind,t＝stgan(swind,t,erawind,t)

49、pcurrent,t＝stgan(scurren,t,eracurrent,t)

50、pwave,t＝stgan(swave,t,erawave,t)

51、其中，stgan為時空生成對抗神經(jīng)網(wǎng)絡(luò)模型，p*,t表示在t時刻船舶航經(jīng)海域的外界風流浪預(yù)報場信息；

52、根據(jù)生成對抗海洋環(huán)境預(yù)報模型，實時動態(tài)獲取船舶所經(jīng)過海域的風場，浪場和流場等海洋環(huán)境的精準預(yù)報結(jié)果，為船舶航線規(guī)劃提供實時指導。

53、進一步地，s5具體包括如下步驟：在船舶的計劃航線兩側(cè)，從始發(fā)港和到達港之間設(shè)定地理界限并在界限內(nèi)進行網(wǎng)格劃分，從船舶位置至目的港的方向前向連接網(wǎng)格節(jié)點建立備選航線，并在備選航線中提前剔除不滿足障礙物、限制區(qū)等地理限制條件的航線，對備選航線進行初步篩選。

54、進一步地，s6具體包括如下步驟：

55、利用智能優(yōu)化算法，在時間、耗油和安全約束條件下，利用優(yōu)化計算在船舶遭遇到的風、浪、流條件下船舶航行時間最少或燃油消耗最少優(yōu)化目標下所應(yīng)采取的推薦航線和推薦螺旋槳轉(zhuǎn)速；

56、所述智能優(yōu)化算法的優(yōu)化函數(shù)設(shè)計如下：

57、其中，優(yōu)化目標根據(jù)不同的預(yù)報時間間隔按照設(shè)定的t1、t2、t3、t4、t5預(yù)報進行的實時海洋環(huán)境預(yù)報的基礎(chǔ)上計算的船舶響應(yīng)預(yù)報結(jié)果設(shè)定；在長期預(yù)報缺乏的情況下，利用氣候資料替代；

58、對于最短時間下的優(yōu)化，優(yōu)化函數(shù)設(shè)置為：

59、jt＝min(c1t1+c2t2+c3t3+c4t4+c5t5)

60、其中，t1是1-6h預(yù)報對應(yīng)的船舶航行時間，t2、t3、t4分別為為第6-12h、12-24h、1-3天、3-10天海洋水文氣象預(yù)報對應(yīng)的船舶航行時間；ck(k＝1,2,…,5)為對應(yīng)于每個航段的比例系數(shù)。

61、對于最少耗油下的優(yōu)化，優(yōu)化函數(shù)設(shè)置為：

62、jf＝min(c1f1+c2f2+c3f3+c4f4+c5f5)

63、其中，t1是1-6h預(yù)報對應(yīng)的船舶航行時間，t2、t3、t4分別為為第6-12h、12-24h、1-3天、3-10天海洋水文氣象預(yù)報對應(yīng)的船舶航行時間；ck(k＝1,2,…,5)為對應(yīng)于每個航段的比例系數(shù)。

64、ck在本方案中采取的是衰減系數(shù)，ck的取值為：

65、ck＝0.5k-1(k＝1,2,...,5)。

66、本發(fā)明還提供了一種存儲介質(zhì)，所述存儲介質(zhì)包括存儲的程序，其中，所述程序運行時，執(zhí)行上述任一項船舶大洋航線優(yōu)化預(yù)報方法。

67、本發(fā)明還提供了一種電子裝置，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述處理器通過所述計算機程序運行執(zhí)行上述任一項船舶大洋航線優(yōu)化預(yù)報方法。

68、較現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點：

69、根據(jù)不同時長的預(yù)報賦予不同的加權(quán)系數(shù)構(gòu)造優(yōu)化指標，一方面可以構(gòu)建更精確和可靠的航線，另一方面可以平滑大洋航線以減少避免短時間內(nèi)航線的大幅變動，減少船舶航程和增加航行安全性。

70、利用離線建立的神經(jīng)網(wǎng)絡(luò)擬合模型計算船舶對環(huán)境的運動響應(yīng)以增加船舶運動響應(yīng)計算的快速性；在神經(jīng)網(wǎng)絡(luò)的建立中，利用偏最小二乘法解決輸入維數(shù)過高的情況，通過逐步增加網(wǎng)絡(luò)節(jié)點的方式選擇簡潔的網(wǎng)絡(luò)結(jié)構(gòu)，提高所得到神經(jīng)網(wǎng)絡(luò)的泛化能力。

71、在海洋水文氣象預(yù)測方法中，相對于傳統(tǒng)的生成對抗模型，本發(fā)明引入了雙注意力機制模塊，將包含多個氣象因子的高維特征信息映射到編碼解碼器的多維特征矩陣。并將生成對抗模型的基本骨架替換成二維卷積神經(jīng)網(wǎng)絡(luò)模塊，用于直接輸入二維氣象海洋要素場信息。采用2d深度cnn層，搭建生成對抗模型的深度編碼解碼器。2d卷積核用于挖掘各個氣象因子之間的深層耦合交互影響特征；該方法深度卷積塊可以提供一種提高預(yù)測效率和性能的方法，同時降低其計算和內(nèi)存需求，可以更好地進行特征提取和聚合。編碼器部分提取具有低階非線性信息的張量序列的高維特征圖，而解碼器模塊導出高維度語義信息；提高數(shù)據(jù)融合場要素的預(yù)報精度。