本發(fā)明涉及一種基于機器學習預測船舶航行擾動釋放的智能引導系統(tǒng)及方法，屬于水生態(tài)環(huán)境保護領(lǐng)域。

背景技術(shù)：

1、平原河網(wǎng)地區(qū)工業(yè)興盛、人口稠密、水網(wǎng)密布，船舶運輸業(yè)高度發(fā)達。由于河道水深相對較淺，船舶航行時尾部螺旋槳吸入周圍水流并將其加速后快速排向后方，對河床造成沖刷的同時還伴隨著水流的旋轉(zhuǎn)和擴散。該過程具有強度大、頻率高、不確定性強等特點，誘導形成的復雜水動力極易破壞原有的水-沉積物平衡系統(tǒng)，引發(fā)河床中污染物再次遷移和輸運，對地區(qū)航道水生生態(tài)系統(tǒng)產(chǎn)生不利影響。然而，目前對于船舶航行引起的內(nèi)源污染物釋放問題認識較少，實際工程中更是缺乏有效預測船舶航行擾動引起污染物釋放的方法。此外，影響船舶擾動強度的因素眾多，包括船舶噸位、類型、螺旋槳直徑、轉(zhuǎn)速、航速、載重、水流流速等等，它們與船舶擾動強度間的關(guān)系復雜，并且均對污染物的釋放產(chǎn)生影響，但目前仍難以用一個定量化的公式對其進行概括分析。而機器學習是一種人工智能的分支領(lǐng)域，可以在大量數(shù)據(jù)中找到規(guī)律，并應用這些規(guī)律來預測新數(shù)據(jù)，具有自動化決策與預測、持續(xù)學習與優(yōu)化、發(fā)現(xiàn)隱藏規(guī)律以及提高效率和準確性等優(yōu)點，如何將其應用于預測船舶擾動釋放將有效控制內(nèi)河航道的水環(huán)境風險，對于協(xié)調(diào)船舶航運發(fā)展和生態(tài)環(huán)境保護具有重要意義。

技術(shù)實現(xiàn)思路

1、發(fā)明目的：為了克服現(xiàn)有技術(shù)中存在的不足，本發(fā)明提供一種基于機器學習預測船舶航行擾動釋放的智能引導系統(tǒng)及方法，本發(fā)明通過機器學習算法構(gòu)建航道水污染預測模型，對船舶通過后航道上覆水中的污染物濃度進行實時預測，并綜合考慮水環(huán)境保護和經(jīng)濟效益后推薦最佳航線，從而引導船舶航行，解決了船舶航行擾動帶來的內(nèi)源污染釋放難以預測和管控的問題，降低了航道中的水環(huán)境風險，在發(fā)展船舶運輸?shù)耐瑫r兼顧生態(tài)保護，具有自動化、高效、準確、靈活等優(yōu)點。

2、技術(shù)方案：為解決上述技術(shù)問題，本發(fā)明的一種基于機器學習預測船舶航行擾動釋放的智能引導系統(tǒng)，包括數(shù)據(jù)采集模塊、機器學習分析模塊和船行預測反饋模塊，所述數(shù)據(jù)采集模塊包括船舶信息掃描儀、水位傳感器、流速傳感器、位移傳感器、水質(zhì)多參數(shù)傳感器和沉積物多參數(shù)傳感器，船舶信息掃描儀布置在岸邊，船舶信息掃描儀用于掃描船舶編號，水位傳感器、流速傳感器、位移傳感器、水質(zhì)多參數(shù)傳感器和沉積物多參數(shù)傳感器均布置在航道中，船舶信息掃描儀、水位傳感器、流速傳感器、位移傳感器、水質(zhì)多參數(shù)傳感器和沉積物多參數(shù)傳感器均與控制器信號連接；控制器采集的數(shù)據(jù)信號傳輸給機器學習分析模塊，機器學習分析模塊分析的結(jié)果傳輸給船行預測反饋模塊，船行預測反饋模塊將結(jié)果傳輸給控制器，控制器與顯示模塊信號連接。

3、作為優(yōu)選，所述機器學習分析模塊包含數(shù)據(jù)錄入模塊、數(shù)據(jù)篩選模塊、智能擬合模塊以及深度分析模塊，數(shù)據(jù)錄入模塊錄入所有數(shù)據(jù)信息并進行數(shù)據(jù)標識；所述數(shù)據(jù)篩選模塊運用預設(shè)規(guī)則自動剔除噪聲和異常值；所述智能擬合模塊利用機器學習算法，對數(shù)據(jù)模式進行擬合和校驗；所述深度分析模塊挖掘數(shù)據(jù)背后的隱藏規(guī)律與趨勢，尋找船舶航行擾動下各個影響因子與上覆水中污染物濃度之間的響應關(guān)系，構(gòu)建航道水污染預測模型。

4、作為優(yōu)選，所述船行預測反饋模塊對欲通航船舶通過當前航線將引起的航道上覆水中污染物濃度進行預測，生成相應的航線建議，并通過顯示模塊反饋給船舶操作人員。

5、一種基于機器學習預測船舶航行擾動釋放的智能引導系統(tǒng)的引導方法，包括如下步驟：

6、步驟1、根據(jù)地區(qū)河湖航運網(wǎng)格劃分情況，在網(wǎng)格中心節(jié)點處布設(shè)該系統(tǒng)，并在地區(qū)所有航道重要斷面處安裝數(shù)據(jù)采集模塊，同步設(shè)置水位傳感器、流速傳感器、位移傳感器、水質(zhì)多參數(shù)傳感器、沉積物多參數(shù)傳感器采集頻率為2次/船；

7、步驟2、航道中船舶通過時觸發(fā)船舶信息掃描儀啟動，掃描船舶編號并獲取船舶噸位、船型、螺旋槳信息，同時水位傳感器測量船舶距底高度，流速傳感器測量水流流速，位移傳感器測量船舶航速，水質(zhì)多參數(shù)傳感器測量上覆水中污染物濃度，水質(zhì)多參數(shù)傳感器用于測量水體的cod、氨氮、總磷、總氮和濁度的數(shù)值，沉積物多參數(shù)傳感器測量沉積物中污染物濃度；

8、步驟3、當船舶完全通過斷面后，數(shù)據(jù)采集模塊將實時記錄的船舶噸位、船型、螺旋槳參數(shù)(數(shù)量、槳徑、轉(zhuǎn)速、推力系數(shù))、船舶距底高度、水流流速、船舶航速、沉積物中污染物本底濃度、上覆水中污染物濃度通過通信鏈路傳輸至機器學習分析模塊進行預處理，對數(shù)據(jù)信息進行編碼標識，確保每條數(shù)據(jù)都能被唯一識別并追蹤其來源和采集時間，應用預設(shè)規(guī)則自動剔除噪聲和異常值，包括檢查數(shù)據(jù)范圍是否合理(如船舶噸位、航速的上下限、水流流速大小)，識別并刪除那些明顯偏離正常分布的數(shù)據(jù)點，隨后對數(shù)值型變量進行標準化或歸一化處理，使得不同量綱的變量能夠在同一尺度上進行比較和計算；

9、步驟4、利用相關(guān)性分析等方法從預處理后的數(shù)據(jù)中提取出與上覆水中污染物濃度相關(guān)的特征變量，根據(jù)需要對特征變量進行進一步轉(zhuǎn)換，如計算船舶航速與水流流速的比值、螺旋槳轉(zhuǎn)速和推力系數(shù)的乘積等，以更好地描述上覆水污染物濃度的潛在影響因素，并通過特征重要性評估(如基于模型的特征重要性評分)或特征選擇算法(如遞歸特征消除、主成分分析)進一步篩選出對模型預測最有用的特征變量；

10、步驟5、考慮到神經(jīng)網(wǎng)絡(luò)在處理復雜非線性關(guān)系方面的優(yōu)勢，選擇神經(jīng)網(wǎng)絡(luò)算法作為航道水污染預測模型的基礎(chǔ)，根據(jù)數(shù)據(jù)特點選擇合適的神經(jīng)網(wǎng)絡(luò)架構(gòu)(如多層感知機、卷積神經(jīng)網(wǎng)絡(luò)或循環(huán)神經(jīng)網(wǎng)絡(luò))，處理好的數(shù)據(jù)劃分為訓練集、驗證集和測試集(比例為70％、15％、15％)，利用訓練集數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)模型進行訓練，通過反向傳播算法和梯度下降法優(yōu)化模型參數(shù)，以最小化預測誤差，在訓練模型時定期使用驗證集評估模型性能，并根據(jù)需要調(diào)整超參數(shù)(如學習率、隱藏層數(shù)量、節(jié)點數(shù)、激活函數(shù)、優(yōu)化器等)以防止過擬合，并利用交叉驗證等方法提高模型的泛化能力；

11、步驟6、利用測試集數(shù)據(jù)對訓練好的模型進行最終評估，計算并比較各種性能指標(如均方誤差、均方根誤差、r2)以評估模型預測的準確性，根據(jù)評估結(jié)果對模型進行進一步優(yōu)化，如調(diào)整網(wǎng)格結(jié)構(gòu)、增加正則化項、使用更復雜的特征轉(zhuǎn)換方法等，訓練好的神經(jīng)網(wǎng)絡(luò)模型實施自動化監(jiān)控機制，定期(例如一周)收集新的數(shù)據(jù)并用于模型的再訓練和驗證，根據(jù)實際需求和數(shù)據(jù)變化不斷迭代和優(yōu)化模型，以提高預測準確性和可靠性。

12、步驟7、利用構(gòu)建的航道水污染預測模型進行實時監(jiān)測，當船舶進入地區(qū)航道網(wǎng)格后，系統(tǒng)根據(jù)船舶運輸目的地初擬出所有可通行的航線，并自動輸入船舶當前的噸位、船型、螺旋槳數(shù)量、槳徑、轉(zhuǎn)速、推力系數(shù)、船舶距底高度、水流流速、船舶航速信息，同時獲取當前船舶所有可通行航線中的沉積物污染物濃度，根據(jù)以上信息，模型自動預測出若該船舶通過前述每條可通行航線后上覆水中的污染物濃度ci；

13、步驟8、對每條可通行航線的ci和長度li由小到大分別進行排序并等比例打分，ci和li越小則得分越高，根據(jù)管理部門賦予ci和li的權(quán)重a和b，分別計算每條航線的總得分gi，gi＝a×ci+b×li，依據(jù)得分結(jié)果，得分最高的航線即作為最佳航線，并通過直觀的界面反饋給船舶操作人員，引導船舶按最佳航線航行。

14、有益效果：與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點在于：

15、(1)本發(fā)明通過機器學習算法自動構(gòu)建航道水污染預測模型，實現(xiàn)了對船舶通過后航道中污染物濃度的實時預測，自動化和智能化的處理方式大大減少了人工干預的需求，提高了預測和管控的效率與精度，降低了人為錯誤的風險。

16、(2)本發(fā)明建立了一套直接而高效的聯(lián)系機制，將船舶噸位、吃水深度、螺旋槳轉(zhuǎn)速、航速等這些在日常航行中極易獲取且對航行擾動影響顯著的物理參數(shù)，與船舶擾動作用所導致的航道水質(zhì)變化緊密關(guān)聯(lián)起來，簡化了傳統(tǒng)上需要進行的復雜物理模型計算和中間求解作用力等繁瑣過程，避免了因中間環(huán)節(jié)過多而導致的誤差累積，使得預測和評估過程更加直接、迅速且準確，提供了更為直觀、便捷的決策依據(jù)。

17、(3)本發(fā)明能夠綜合考慮水環(huán)境保護和經(jīng)濟效益，通過動態(tài)調(diào)整航線的方式快速計算并推薦最佳航線，從而有效引導船舶航行，不僅確保了航行過程對環(huán)境的友好性，還使得系統(tǒng)能夠適應不同的航行條件和需求，體現(xiàn)了可持續(xù)發(fā)展的理念。