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(bào)方法。

背景技術(shù)：

1、大洋航線，是指船舶在大洋航行時(shí)所選擇的既安全又經(jīng)濟(jì)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(shí)間。

2、目前通用的船舶大洋航線設(shè)計(jì)方法根據(jù)氣象預(yù)報(bào)和經(jīng)驗(yàn)公式進(jìn)行船舶運(yùn)動(dòng)響應(yīng)計(jì)算，存在計(jì)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(jì)方法，在高維計(jì)算時(shí)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(shí)往往根據(jù)單一預(yù)報(bào)進(jìn)行優(yōu)化，存在調(diào)整過于頻繁的情況。由于對預(yù)報(bào)信息過于依賴，預(yù)報(bào)的更新慢的情況下會(huì)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(shí)機(jī)。

技術(shù)實(shí)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(bào)方法，以解決現(xiàn)有船舶大洋航線設(shè)計(jì)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(bào)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(diǎn)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(yùn)動(dòng)響應(yīng)數(shù)學(xué)模型；

6、s3、建立船舶所經(jīng)海區(qū)風(fēng)場、浪場和流場的數(shù)學(xué)預(yù)報(bào)模型，采用引入注意力機(jī)制的時(shí)空生成對抗神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)觀測數(shù)據(jù)與高分辨率模式預(yù)報(bào)數(shù)據(jù)的同化融合，進(jìn)行外界風(fēng)浪流場的動(dòng)態(tài)更新預(yù)報(bào)，獲得船舶所經(jīng)過海域的海洋環(huán)境預(yù)報(bào)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(bào)結(jié)果輸入至運(yùn)動(dòng)響應(yīng)數(shù)學(xué)模型中，利用船舶與海洋環(huán)境要素的相對運(yùn)動(dòng)、海洋環(huán)境要素?cái)?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(jì)算船舶經(jīng)過該海域的運(yùn)動(dòng)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(yùn)動(dòng)響應(yīng)和其他約束輸入至智能優(yōu)化算法中，加入時(shí)間約束和耗油約束條件，優(yōu)化計(jì)算得到船舶在優(yōu)化目標(biāo)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(bào)后，基于該最新的海洋水文氣象預(yù)報(bào)，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(jìn)一步地，s2具體包括如下步驟：

12、s21、設(shè)定訓(xùn)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(dòng)態(tài)信息，所述模型輸出為船舶在風(fēng)、浪影響下的航速和運(yùn)動(dòng)姿態(tài)；

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

14、s23、根據(jù)訓(xùn)練樣本的各項(xiàng)輸入與輸出數(shù)據(jù)，訓(xùn)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(jìn)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(fēng)、浪；所述動(dòng)態(tài)信息包括船舶與環(huán)境要素的相對位置和運(yùn)動(dòng)關(guān)系、螺旋槳轉(zhuǎn)速、舵角。

16、進(jìn)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(jī)數(shù)實(shí)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(xùn)練樣本集u∈rk×n和v∈rk×l；

18、s232、利用輸入和輸出訓(xùn)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(jìn)行隱層響應(yīng)矩陣和輸出的回歸計(jì)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(diǎn)中心；經(jīng)過徑向基函數(shù)計(jì)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(gè)樣本，在此||·||表示歐氏距離，cj和σj分別是第j個(gè)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(jìn)行pls主成分提取和回歸運(yùn)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(jìn)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(shí)停止提取主成分：

29、

30、s234、將得到的網(wǎng)絡(luò)對整個(gè)數(shù)據(jù)集x中訓(xùn)練數(shù)據(jù)進(jìn)行泛化，計(jì)算對于整個(gè)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(gè)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(diǎn)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(diǎn)。

37、進(jìn)一步地，s3中：

38、時(shí)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(gè)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(bào)場多模態(tài)數(shù)據(jù)，其中z表示觀測點(diǎn)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(shí)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(biāo)量，用以判別輸出映射是否來自真實(shí)輸入映射的概率；時(shí)空生成對抗網(wǎng)絡(luò)模型訓(xùn)練的停止標(biāo)準(zhǔn)為鑒別器無法區(qū)分生成的氣象場預(yù)報(bào)映射是否符合真實(shí)映射；

39、時(shí)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(xué)預(yù)報(bào)模型參數(shù)基于以下最小化和最大化公式進(jìn)行訓(xùn)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(shí)空生成對抗網(wǎng)絡(luò)模型輸入多模態(tài)氣象因子的時(shí)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(jī)制模塊采用dot-product進(jìn)一步計(jì)算輸入張量的三個(gè)矩陣k、q和v，獲取三個(gè)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(dāng)保持一致，迭代運(yùn)算中的第i個(gè)詢問特征值和第j個(gè)關(guān)鍵特征值之間的相似度由正則函數(shù)計(jì)算獲??；

47、設(shè)定船載儀器實(shí)測外界風(fēng)，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(bào)風(fēng)，流和浪二維場要素分別為erawind,eracurrent,erawave,動(dòng)態(tài)更新的船舶航行海域海況預(yù)報(bào)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(shí)空生成對抗神經(jīng)網(wǎng)絡(luò)模型，p*,t表示在t時(shí)刻船舶航經(jīng)海域的外界風(fēng)流浪預(yù)報(bào)場信息；

52、根據(jù)生成對抗海洋環(huán)境預(yù)報(bào)模型，實(shí)時(shí)動(dòng)態(tài)獲取船舶所經(jīng)過海域的風(fēng)場，浪場和流場等海洋環(huán)境的精準(zhǔn)預(yù)報(bào)結(jié)果，為船舶航線規(guī)劃提供實(shí)時(shí)指導(dǎo)。

53、進(jìn)一步地，s5具體包括如下步驟：在船舶的計(jì)劃航線兩側(cè)，從始發(fā)港和到達(dá)港之間設(shè)定地理界限并在界限內(nèi)進(jìn)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(diǎn)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(jìn)行初步篩選。

54、進(jìn)一步地，s6具體包括如下步驟：

55、利用智能優(yōu)化算法，在時(shí)間、耗油和安全約束條件下，利用優(yōu)化計(jì)算在船舶遭遇到的風(fēng)、浪、流條件下船舶航行時(shí)間最少或燃油消耗最少優(yōu)化目標(biāo)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(jì)如下：

57、其中，優(yōu)化目標(biāo)根據(jù)不同的預(yù)報(bào)時(shí)間間隔按照設(shè)定的t1、t2、t3、t4、t5預(yù)報(bào)進(jìn)行的實(shí)時(shí)海洋環(huán)境預(yù)報(bào)的基礎(chǔ)上計(jì)算的船舶響應(yīng)預(yù)報(bào)結(jié)果設(shè)定；在長期預(yù)報(bào)缺乏的情況下，利用氣候資料替代；

58、對于最短時(shí)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(bào)對應(yīng)的船舶航行時(shí)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(bào)對應(yīng)的船舶航行時(shí)間；ck(k＝1,2,…,5)為對應(yīng)于每個(gè)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(bào)對應(yīng)的船舶航行時(shí)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(bào)對應(yīng)的船舶航行時(shí)間；ck(k＝1,2,…,5)為對應(yīng)于每個(gè)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(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)包括存儲(chǔ)的程序，其中，所述程序運(yùn)行時(shí)，執(zhí)行上述任一項(xiàng)船舶大洋航線優(yōu)化預(yù)報(bào)方法。

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

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

69、根據(jù)不同時(shí)長的預(yù)報(bào)賦予不同的加權(quán)系數(shù)構(gòu)造優(yōu)化指標(biāo)，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(shí)間內(nèi)航線的大幅變動(dòng)，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(jì)算船舶對環(huán)境的運(yùn)動(dòng)響應(yīng)以增加船舶運(yùn)動(dòng)響應(yīng)計(jì)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(diǎn)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(jī)制模塊，將包含多個(gè)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(gè)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(shí)降低其計(jì)算和內(nèi)存需求，可以更好地進(jìn)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(dǎo)出高維度語義信息；提高數(shù)據(jù)融合場要素的預(yù)報(bào)精度。