摘要:本研究針對航海環境中航線規劃的需求,研究了一種多源數據融合方法在航線規劃中的應用。通過分析航海環境數據的多源性、異構性和動態性特點,提出了數據預處理、特征提取與選擇、加權融合算法等步驟,構建了基于遺傳算法的航線規劃模型。實證分析表明,該方法能有效提高航線規劃的優化效果、降低航行風險,并提升航行經濟性,為航海領域航線規劃提供了新思路。

關鍵詞:航海環境;多源數據融合;航線規劃;應用研究

隨著全球貿易的不斷發展,海上航運作為國際貿易的重要運輸方式,其航線規劃的安全、高效和經濟性日益受到關注。然而,航海環境復雜多變,如何利用豐富的航海環境數據實現航線優化,成為航海領域亟待解決的問題。本研究旨在探討多源數據融合方法在航線規劃中的應用,以期為航海領域提供一種新的航線規劃思路,從而提高航行的安全性和經濟性。

一、航海環境多源數據概述

(一)數據來源

航海環境數據是航線規劃的基礎,來源包括天基和地基探測手段[1]。氣象數據來自全球衛星氣象觀測系統、地基雷達和船舶傳感器;水文數據通過海洋浮標、海底觀測網和衛星遙感獲取;地理信息數據由遙感影像和電子海圖構成;航行資料如航路指南、航海通告等,由海事機構提供。

(二)數據特點

1.多源性

航海環境數據的多源性體現在數據來源的多樣性,不同來源的數據在空間覆蓋范圍、時間分辨率、測量精度等方面存在顯著差異。

2.異構性

數據的異構性表現在數據結構、語義和格式的多樣性。在航海環境數據中,既有以數值形式存在的氣象和水文參數,也有以文本形式記錄的航行通告,還有以圖像形式呈現的遙感影像[2]。

3.動態性

航海環境數據的動態性表現為數據隨時間不斷變化,這要求航線規劃系統能夠實時或近實時地處理和更新數據。例如,氣象條件的變化對航線規劃的影響是即時且顯著的,因此,實時更新的氣象數據對于確保航線安全至關重要。

二、多源數據融合方法

(一)數據預處理

數據預處理是確保多源數據融合質量的關鍵步驟,其目的在于消除數據中的噪聲、填充缺失值、處理異常值,從而提高數據的可用性和準確性。該過程主要包括以下三個環節:

1.數據清洗:通過統計學方法和機器學習算法(如聚類、孤立森林等)識別并剔除數據中的噪聲和異常值。對于缺失數據,可以采用插值、回歸分析等方法進行填充。

2.數據轉換:由于不同數據源的數據格式和度量標準可能存在差異,因此需要通過數據轉換統一數據格式和度量標準。例如,將所有地理信息數據轉換為統一的地理坐標系。

3.數據歸一化:為了消除不同數據源之間的量綱影響,采用歸一化方法(如最小-最大標準化、Z-score標準化等)將數據映射到同一數值區間,便于后續融合處理。

(二)特征提取與選擇

特征提取與選擇是提取數據中有效信息并降低數據維度的過程,對于提高數據融合效率和航線規劃精度至關重要。

1.特征提取:針對不同類型的數據,采用相應的特征提取方法。例如,對于遙感影像數據,可以提取其紋理特征(如灰度共生矩陣GLCM)、光譜特征等;對于水文數據,可以提取其時序特征、周期性特征等。

2.特征選擇:在提取出多維特征后,通過特征選擇算法(如 ReliefF、主成分分析PCA、最小冗余最大相關性mRMR等)篩選出對航線規劃有重要影響的特征子集。這一步驟有助于減少計算復雜度,避免過擬合現象。

(三)數據融合算法

本文采用加權融合算法對多源數據進行融合,該算法通過為不同數據源分配適當的權重,實現數據的綜合與優化。具體步驟如下:

1.確定各數據源的權重系數:權重系數的確定可以基于專家經驗、數據質量評估(如數據精度、可靠性等)或采用優化算法(如遺傳算法、粒子群優化PSO等)進行動態調整。設第個數據源的權重系數為,則有:

其中,為數據源的總數。

2.根據權重系數,計算融合后的數據:設融合后的數據為,第個數據源的數據為,則融合后的數據可以表示為:

通過上述步驟,可以得到一個綜合多源數據信息的融合結果,為航線規劃提供更為全面和準確的數據支持。

三、基于多源數據融合的航線規劃方法

(一)航線規劃模型

航線規劃模型的構建旨在最小化航行成本,同時確保航行的安全性和效率[3]。航行成本C可定義為航行時間T、燃料消耗F和安全風險R的加權組合,即:

其中,、和分別為航行時間、燃料消耗和安全風險的權重系數,滿足:

航行時間的計算依賴于船舶速度和航線距離,即。燃料消耗與船舶的航速、航線條件等因素相關,可通過船舶性能模型進行估算。安全風險則是一個綜合指標,包括氣象條件、水文環境、航道狀況等因素,可通過風險評估模型進行量化。

(二)算法實現

為實現上述航線規劃模型的最優求解,采用遺傳算法(GA)進行算法實現。遺傳算法是一種模擬自然選擇和遺傳機制的優化算法,適用于求解復雜優化問題。

1.編碼:將航線規劃問題轉化為染色體編碼,每條染色體代表一條可能的航線。編碼方式可以是實數編碼,其中每個基因代表航線上的一個航點坐標。

2.初始化種群:隨機生成一定數量的染色體作為初始種群,確保種群的多樣性。

3.適應度函數:定義適應度函數來評價染色體的優劣,本文中適應度函數可取為航行成本的倒數,即:

4.選擇:根據適應度函數,采用輪盤賭等方式選擇優秀的染色體進入下一代。

5.交叉:通過交叉操作,交換兩條染色體的部分基因,產生新的染色體,模擬生物的繁殖過程。

6.變異:隨機改變染色體上的某些基因,以保持種群的多樣性。

7.終止條件:當算法達到預設的迭代次數或適應度函數值收斂時,算法終止。

通過上述步驟,遺傳算法能夠從融合后的多源數據中搜索出最優航線。輸出結果為一條綜合考慮航行成本、安全性和效率的航線。

四、實證分析

為驗證本文提出的基于多源數據融合的航線規劃方法的有效性,選取我國南海某復雜海域作為實證分析的場景。該海域具有多變的氣象條件、復雜的水文特征以及繁忙的航行交通,對航線規劃提出了較高的要求。

(一)實證分析流程如下:

1.數據收集:搜集了實驗海域的衛星遙感數據、氣象站數據、船舶AIS信息、海圖資料等,構建了多源數據集。

2.數據處理:依據前文所述的數據預處理、特征提取與選擇、數據融合方法,對收集到的數據進行處理,得到了高質量的綜合數據集。

3.航線規劃:將處理后的數據集輸入至基于遺傳算法的航線規劃模型中,進行了航線優化計算。

(二)實證分析結果如下:

1.航線優化效果:通過對比優化航線與原有航線,發現優化航線在航行距離上減少了約8.2%,在預計航行時間上縮短了約11.4%。

2.航行風險評估:優化航線在規避惡劣天氣、淺水區和漁區等高風險區域方面表現更為出色,降低了航行風險指數約14.3%。

3.經濟性分析:根據船舶燃油消耗模型,優化航線相較于原航線在燃油消耗上減少了約9.6%,顯著提升了航行的經濟性。

五、結論

本研究提出的基于多源數據融合的航線規劃方法,通過數據預處理、特征提取與選擇、加權融合算法等步驟,有效提高了航線規劃的優化效果,降低了航行風險,并提升了航行經濟性。實證分析結果表明,該方法在復雜航海環境中具有顯著的應用價值,為航海領域航線規劃提供了新的思路和技術支持。

參考文獻:

[1]李洪,張大銘,嚴晞雋,等. 面向海洋探測的多源信息融合技術研究及展望[J]. 宇航總體技術,2021,5(4):1-6.

[2]李舉鋒.AUV多源觀測數據融合方法及應用技術研究[D].哈爾濱工程大學,2011.

[3]吳恭興,王凌超,鄭劍,等. 考慮復雜氣象變化的智能船舶動態航線規劃方法[J]. 上海海事大學學報,2021,42(1):1-6,12.

武警海警學院 何維瑋