CN113689738B - 一种长航道大型船舶精细化逐段乘潮进港方法 - Google Patents

一种长航道大型船舶精细化逐段乘潮进港方法 Download PDF

Info

Publication number
CN113689738B
CN113689738B CN202110960316.5A CN202110960316A CN113689738B CN 113689738 B CN113689738 B CN 113689738B CN 202110960316 A CN202110960316 A CN 202110960316A CN 113689738 B CN113689738 B CN 113689738B
Authority
CN
China
Prior art keywords
tide
taking
long
ship
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110960316.5A
Other languages
English (en)
Other versions
CN113689738A (zh
Inventor
张新宇
郭文强
章文俊
王婧贇
姜玲玲
李俊杰
王程博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian Maritime University
Original Assignee
Dalian Maritime University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN202110960316.5A priority Critical patent/CN113689738B/zh
Publication of CN113689738A publication Critical patent/CN113689738A/zh
Application granted granted Critical
Publication of CN113689738B publication Critical patent/CN113689738B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G3/00Traffic control systems for marine craft
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/23Clustering techniques
    • G06F18/232Non-hierarchical techniques
    • G06F18/2321Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Ocean & Marine Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种长航道大型船舶精细化逐段乘潮进港方法,包括:识别出长航道大型船舶乘潮进港航迹关键点;获取大型船舶乘潮进港航行行为变化关键船位点;结合长航道地理环境特征和大型船舶航行行为特征对长航道进行精细化分段;基于长航道分段结果构建长航道大型船舶精细化逐段乘潮进港窗口期模型;基于乘潮历时自适应排列的长航道大型船舶乘潮进港窗口期求解算法用以求解大型船舶乘潮进港最长窗口期,在获得的最长窗口期内完成船舶进港。本发明在保证通航安全的基础上可准确计算出长航道大型船舶乘潮进港窗口期,可在候潮时间及乘潮时间等方面为长航道大型船舶的交通组织提供数据支持,可为港航管理部门的大型船舶动态计划提供依据。

Description

一种长航道大型船舶精细化逐段乘潮进港方法
技术领域
本发明涉及港口交通组织大型船舶乘潮进港领域,具体而言,尤其涉及一种长航道大型船舶精细化逐段乘潮进港方法。
背景技术
随着航运经济的快速发展,大型船舶逐渐趋向大型化、专业化,航道通过能力面临严峻的考验。在实际的大型船舶进港调度过程中,为满足航行需求大型船舶多采用乘潮进港,但潮汐资源利用的不充分往往会引起大型船舶进港等候时间过长、大型船舶在港的非作业时间随之延长等问题,从而造成船方的经济损失和港口资源的浪费。此外,由于大型船舶具有尺度较大、载货量大、航行状态受环境因素影响大的特点,其在乘潮进港航行过程中操纵性能较低,对航行安全具有严重威胁。因此,研究长航道大型船舶乘潮进港航行行为特征,挖掘大型船舶乘潮时间窗潜力对于提高大型船舶进港效率尤为重要。
发明内容
针对海图航道水深数据稀少,传统潮位预测后的乘潮进港分析不准确缺陷,本发明提供一种长航道大型船舶精细化逐段乘潮进港方法,充分利用潮汐资源,提高大型船舶进港效率。
本发明采用的技术手段如下:
一种长航道大型船舶精细化逐段乘潮进港方法,包括:
S100、设计基于阈值决策的船舶乘潮进港航迹关键点判定方法对长航道大型船舶乘潮进港AIS数据进行处理,识别出长航道大型船舶乘潮进港航迹关键点,所述航迹关键点包括关键转向点和关键变速点;
S200、采用K中心点聚类算法对所述航迹关键点进行聚类分析,获取大型船舶乘潮进港航行行为变化关键船位点;
S300、结合长航道地理环境特征和大型船舶航行行为特征对长航道进行精细化分段;
S400、基于长航道分段结果构建长航道大型船舶精细化逐段乘潮进港窗口期模型;
S500、基于乘潮历时自适应排列的长航道大型船舶乘潮进港窗口期求解算法用以求解大型船舶乘潮进港最长窗口期,在获得的最长窗口期内完成船舶进港。
进一步地,设计基于阈值决策的船舶乘潮进港航迹关键点判定方法对长航道大型船舶乘潮进港AIS数据进行处理,识别出长航道大型船舶乘潮进港航迹关键点,包括:
S101、在给定航程内,如果大型船舶相邻三个轨迹点构成夹角的互补角小于或等于航向变化阈值,则判断夹角顶点为大型船舶关键转向点;
S102、在给定航程内,若间隔轨迹点的航速差的绝对值大于或等于速度变化阈值,则中间轨迹点为大型船舶关键变速点。
进一步地,采用K中心点聚类算法对所述航迹关键点进行聚类分析,获取大型船舶乘潮进港航行行为变化关键船位点,包括:
将大型船舶航向变化与大型船舶航速变化数据所组成的向量数据作为聚类模型的输入样本。
进一步地,结合长航道地理环境特征和大型船舶航行行为特征对长航道进行精细化分段,包括:
将选取潮汐检验站以及大型船舶乘潮进港航行行为变化关键船位点作为长航道分段节点,对长航道进行精细化分段。
进一步地,基于长航道分段结果构建长航道大型船舶精细化逐段乘潮进港窗口期模型,包括:
S401、以长航道大型船舶乘潮进港窗口期最长为目标,构建目标函数;
S402、基于长航道精细化分段后大型船舶乘潮通过各航段所用的时间,构建长航道大型船舶乘潮进港潮时利用约束;
S403、基于各航段实际水深与大型船舶利用水深之间的大小关系,构建长航道大型船舶乘潮进港精细化水深约束:
S404、基于大型船舶乘潮通过各航段的时间规律,构建长航道大型船舶精细化逐段乘潮进港窗口期约束。
进一步地,基于乘潮历时自适应排列的长航道大型船舶乘潮进港窗口期求解算法用以求解大型船舶乘潮进港最长窗口期,包括:
S501、计算长航道大型船舶精细化逐段乘潮进港窗口期开始时刻,包括:
S501a、当H1=H′j时,记录该时刻为T1,若t1历时内始终满足H1≥H′j,则乘潮窗口期开始时刻为T1,然后计算第2段,否则,乘潮失败,Hi为长航道第i航段实际水深,H′j为大型船舶j进港时的利用水深,T1为大型船舶第一航段乘潮开始时刻,t1为大型船舶在长航道第一航段的乘潮历时,
S501b、从T1+t1时刻开始,若t2历时内始终满足H2≥H′j,计算第3段,否则,当H2=H′j时,记录该时刻为T2,然后重新计算乘潮窗口期开始时刻,开始时刻为:T2-t1
S501c、从T2+t2时刻开始,若t3历时内始终H3≥H′j,计算第4段,否则,当H3=H′时,记录该时刻为T3,然后重新计算乘潮窗口期开始时刻,开始时间为:T3-t2-t1
S501d、以此类推,大型船舶乘潮进港航行到n段,在Tn时刻开始,tn历时内始终满足Hn≥H′j,乘潮成功,乘潮窗口期开始时刻为:
Figure GDA0003264451290000031
m为长航道内潮汐检验站个数;k为聚类中心个数,n为长航道进行精细化分段数,
S502、计算长航道大型船舶精细化逐段乘潮进港窗口期结束时刻,包括:
S502a、当H1=H′j时,记录该时刻T′1,若T′1-t1时刻开始,t1历时内始终满足H1≥H′j,以T1′为开始时刻进行第2段乘潮,乘潮窗口期结束时刻为:T1′-t1,T1′为大型船舶第一航段乘潮结束时刻,
S502b、当时刻T1′开始,若t2历时内H2≥H′j,以T1′+t2为开始时刻进行第3段乘潮;如果在时刻T1′开始,t2历时内不满足H2≥H′j,当T1″时刻H2=H′j,重新计算乘潮窗口期结束时刻,乘潮窗口期结束时刻为:T1′-t1-t2
S502c、以此类推,当时刻T′n开始,tn历时内不始终满足Hn≥H′j时,当Tn′时刻Hn=H′j,且在tn历时内满足Hn≥H′j,则大型船舶乘潮窗口期结束时刻为:
Figure GDA0003264451290000041
较现有技术相比,本发明具有以下优点:
本发明该方法在保证通航安全的基础上可准确计算出长航道大型船舶乘潮进港窗口期,可在候潮时间及乘潮时间等方面为长航道大型船舶的交通组织提供数据支持,可为港航管理部门的大型船舶动态计划提供依据。
基于上述理由本发明可在港口交通组织管理等领域广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单的介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明长航道大型船舶精细化逐段乘潮进港方法流程图。
图2是本发明大型船舶关键转向点判定示意图。
图3是本发明大型船舶关键变速点判定示意图。
图4是本发明航迹关键点特征聚类分析流程图。
图5是本发明长航道精细化分段示意图。
图6是本发明实施例中航迹关键点聚类结果图。
图7是本发明实施例中长航道精细化分段图。
图8是本发明实施例中长航道大型船舶精细化逐段乘潮进港窗口期时长与实际乘潮进港窗口期时长对比图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
本发明的实施例提供了一种长航道大型船舶精细化逐段乘潮进港方法。如图1所示,其步骤包括:
S100、设计基于阈值决策的船舶乘潮进港航迹关键点判定方法对长航道大型船舶乘潮进港AIS数据进行处理,判定出长航道大型船舶乘潮进港航迹关键点。
本实施例以某综合港区长航道为依托,对本发明所述方法进行说明。该综合港区航道为20万吨级单向航道,总长33nmile,设计宽度245m,通航水深-18.5m,是典型的人工长航道。航道内设有4处潮汐预报站,潮汐预报站的地理位置及潮汐资料信息如表1所示:
表1潮汐预报站地理位置及潮汐资料表
Figure GDA0003264451290000051
S101、长航道大型船舶关键转向点判定
在给定航程dmin-dmax内,如果大型船舶相邻轨迹点p1,p2,p3构成的夹角的互补角α小于或等于阈值αmax,该角称为航向开放角,如图2所示,则点p2为大型船舶关键转向点,所有长航道大型船舶乘潮进港关键转向点的集合记为pc
Figure GDA0003264451290000052
其中,αmax为大型船舶航向变化的阈值;cpi为大型船舶第i个航迹点的航向,i=1,2,3L,n;n为大型船舶航迹点个数。
S102、大型船舶关键变速点判定
在给定航程dmin-dmax内,大型船舶相邻轨迹点p1,p2,p3,若点p1与点p3的航速差的绝对值大于或等于阈值εmin,则无论点p2的开放角多大都判定p2点为大型船舶关键变速点,如图3所示,所有大型船舶关键变速点的集合记为pv
Figure GDA0003264451290000061
其中,εmin为大型船舶速度变化的阈值;vpi为大型船舶第i个航迹点的速度,i=2,3,4,L,n。
S200、采用K中心点聚类算法对航迹关键点进行聚类分析,挖掘大型船舶乘潮进港航行行为变化关键船位点。
在本实施例中,首先对获取的48艘大型船舶AIS数据进行预处理,删除错误数据;然后,根据条件整理并计算得到大型船舶航向变化点和大型船舶航速变化点向量数据[ΔCOG,ΔSOG],组成样本数据集合;最后,根据航道实际方位变化及大型船舶速度变化情况依次选取k=3,k=4,k=5,k=6,按照图4所示流程对样本数据进行聚类分析,聚类结果如图6所示。由聚类结果可以看出,当聚类个数k从4开始增多后,各聚类中心在ΔSOG维度上并没有明显变化,因此为了提升效率简化流程,选取k=4对大型船舶航迹关键点进行聚类。将各聚类中心转换到空间坐标系上得到长航道大型船舶乘潮进港航行行为关键变化船位点的坐标,如表2所示。
表1长航道大型船舶航行行为关键变化船位点坐标
Figure GDA0003264451290000062
S300、结合长航道地理环境特征和大型船舶航行行为特征对长航道进行精细化分段。
本实施例中以长航道内各潮汐预报站位置和长航道内大型船舶乘潮进港航行行为发生关键变化的船位作为长航道精细化分段的节点,将长航道划分为潮汐预报站控制段和大型船舶航行行为关键变化段,分段结果如图7所示。
S400、建立长航道大型船舶精细化逐段乘潮进港窗口期模型:以长航道大型船舶乘潮进港窗口期最长为目标函数,建立长航道大型船舶精细化逐段乘潮进港窗口期模型。所述模型包括长航道大型船舶乘潮进港潮时利用约束,长航道大型船舶乘潮进港精细化水深约束,长航道大型船舶精细化逐段乘潮进港窗口期约束。
本实施例中主要包括:
S401、构建以长航道大型船舶乘潮进港窗口期最长的目标函数:
在大型船舶乘潮进港实际过程中,乘潮窗口期越长则长航道大型船舶乘潮进港的效率越高,航道的通过能力越强,所以本发明以长航道大型船舶乘潮进港窗口期最长为目标函数值。目标函数值如公式(4)所示:
max C=TE-TS (4)
其中,C为长航道大型船舶精细化逐段乘潮进港窗口期,TS为长航道大型船舶精细化逐段乘潮进港窗口期开始时刻,TE为长航道大型船舶精细化逐段乘潮进港窗口期结束时刻。
S402、构建长航道大型船舶乘潮进港潮时利用约束:
所述长航道大型船舶乘潮进港潮时是表示长航道精细化分段后大型船舶乘潮通过各航段所用的时间。
Figure GDA0003264451290000071
Figure GDA0003264451290000072
其中,i为长航道各航段编号,i=1,2,…,m+k+1,j为大型船舶编号,j∈N+,Si为长航道第i航段的长度,
Figure GDA0003264451290000073
为大型船舶j在长航道第i航段内航行的平均速度,tij为大型船舶j在长航道第i航段的乘潮历时。
S403、长航道大型船舶乘潮进港精细化水深约束:
所述长航道大型船舶乘潮进港精细化水深约束表示大型船舶在乘潮进港时,各航段实际水深与大型船舶利用水深之间的大小关系,用以确保大型船舶乘潮进港航行过程中各航段实际水深始终满足航行需求。
Figure GDA0003264451290000081
Figure GDA0003264451290000082
Hi=hi′+hi+(Li-L′) (9)
Hj′=dj+UKCj (10)
其中,(timax,himax)为第i航段内高潮的潮时和潮高,(timin,himin)为第i航段内低潮的潮时和潮高,h为任意时刻t(tmin≤t≤tmax)的潮高,Hi为长航道第i航段实际水深,hi′为长航道第i航段海图水深,hi为长航道第i航段潮高,Li为第i航段海图深度基准面与平均海面之间的垂直距离,L′为潮高基准面与平均海面之间的垂直距离,LP为大型船舶航行行为关键变化段的海图深度基准面与平均海面之间的垂直距离,LA为潮汐预报站A的海图深度基准面与平均海面之间的垂直距离,RP为大型船舶航行行为关键变化段的潮差,RA为潮汐预报站A控制段的潮差,H′j为大型船舶j进港时的利用水深,dj为大型船舶j实际吃水,UKCj为大型船舶j富裕水深,本文额定为大型船舶实际吃水的15%。
S404、长航道大型船舶精细化逐段乘潮进港窗口期约束:
∑F=m+k+1 (11)
∑F<m+k+1 (12)
TS=T1 (13)
TS=Tn-∑(F+1)tij (14)
F={0,1} (15)
TE=T1′-t1 (16)
TE=Tn′-∑(F+1)tij (17)
其中,T1为大型船舶第一航段乘潮开始时刻,Tn为大型船舶最后一航段乘潮开始时刻,T1′为大型船舶第一航段乘潮结束时刻,Tn′为大型船舶最后一航段乘潮结束时刻,F(0-1)为决策变量,当各乘潮历时内连续满足长航道各航段实际水深大于大型船舶利用水深时F为0,否则F为1。
S500、设计乘潮历时自适应排列的长航道大型船舶乘潮窗口期求解算法用以求解大型船舶乘潮进港最长窗口期。
本实施例设计了乘潮历时自适应排列的长航道大型船舶乘潮窗口期求解算法,具体包括:
S501、计算长航道大型船舶精细化逐段乘潮窗口期开始时刻
S501a、当H1=H′j时,记录该时刻为T1,若t1历时内始终满足H1≥H′j,则乘潮窗口期开始时刻为T1,然后计算第2段,否则,乘潮失败。
S501b、从T1+t1时刻开始,若t2历时内始终满足H2≥H′j,计算第3段,否则,当H2=H′j时,记录该时刻为T2,然后重新计算乘潮窗口期开始时刻,开始时刻为:T2-t1
S50c、从T2+t2时刻开始,若t3历时内始终H3≥H′j,计算第4段,否则,当H3=H′时,记录该时刻为T3,然后重新计算乘潮窗口期开始时刻,开始时间为:T3-t2-t1
S501d、以此类推,大型船舶乘潮进港航行到m+k+1段,在Tn时刻开始,tm+k+1历时内始终满足Hm+k+1≥H′j,乘潮成功,乘潮窗口期开始时刻为:
Figure GDA0003264451290000091
S502、计算长航道大型船舶精细化逐段乘潮窗口期结束时刻
S502a、当H1=H′j时,记录该时刻T1′,若T1′-t1时刻开始,t1历时内始终满足H1≥H′j,以T1′为开始时刻进行第2段乘潮,乘潮窗口期结束时刻为:T1′-t1
S502b、当时刻T1′开始,若t2历时内H2≥H′j,以T1′+t2为开始时刻进行第3段乘潮;如果在时刻T1′开始,t2历时内不满足H2≥H′j,当T1″时刻H2=H′j,重新计算乘潮窗口期结束时刻,乘潮窗口期结束时刻为:T1′-t1-t2
S502c、以此类推,当时刻T′n开始,tm+k+1历时内不始终满足Hm+k+1≥H′j时,当Tn′时刻Hm+k+1=H′j,且在tm+k+1历时内满足Hm+k+1≥H′j,则大型船舶乘潮窗口期结束时刻为:
Figure GDA0003264451290000101
本实施例对2021年5月1日00:00—2021年5月26日23:59通过的10艘20万吨级货船乘潮窗口期进行推算,结果如表3所示,并与实际乘潮窗口期进行对比,结果如图8所示。
对比计算结果可知,2021年5月1日00:00—2021年5月26日23:59时间范围内10艘20万吨级散货船共14个乘潮窗口期中,精细化逐段乘潮进港窗口期与实际大型船舶乘潮进港窗口期相比,时长增加的窗口期占总窗口期的92.85%。但同一大型船舶两个窗口期之间的增加率差距较大,从时间分布上可以看出处在凌晨时段的窗口期增长率较小,甚至出现了负增长。总体而言,考虑长航道内大型船舶航行行为特征和潮高变化规律的长航道大型船舶精细化逐段乘潮进港模型能够有效增加长航道大型船舶乘潮进港窗口期,使大型船舶乘潮进港在时间上具有更多的选择性,提高航道通航效率。此外,该模型在保证通航安全的基础上可准确推算出长航道大型船舶乘潮进港窗口期,可在候潮时间及乘潮时间等方面为长航道大型船舶的交通组织提供数据支持,可为港航管理部门的大型船舶动态计划提供依据。
表2长航道大型船舶乘潮进港窗口期结果
Figure GDA0003264451290000102
Figure GDA0003264451290000111
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其他的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立地产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (4)

1.一种长航道大型船舶精细化逐段乘潮进港方法,其特征在于,包括:
S100、设计基于阈值决策的船舶乘潮进港航迹关键点判定方法对长航道大型船舶乘潮进港AIS数据进行处理,识别出长航道大型船舶乘潮进港航迹关键点,所述航迹关键点包括关键转向点和关键变速点;
S200、采用K中心点聚类算法对所述航迹关键点进行聚类分析,获取大型船舶乘潮进港航行行为变化关键船位点;
S300、结合长航道地理环境特征和大型船舶航行行为特征对长航道进行精细化分段;
S400、基于长航道分段结果构建长航道大型船舶精细化逐段乘潮进港窗口期模型,包括:
S401、以长航道大型船舶乘潮进港窗口期最长为目标,构建目标函数,
S402、基于长航道精细化分段后大型船舶乘潮通过各航段所用的时间,构建长航道大型船舶乘潮进港潮时利用约束,
S403、基于各航段实际水深与大型船舶利用水深之间的大小关系,构建长航道大型船舶乘潮进港精细化水深约束,
S404、基于大型船舶乘潮通过各航段的时间规律,构建长航道大型船舶精细化逐段乘潮进港窗口期约束;
S500、基于乘潮历时自适应排列的长航道大型船舶乘潮进港窗口期求解算法用以求解大型船舶乘潮进港最长窗口期,在获得的最长窗口期内完成船舶进港,包括:
S501、计算长航道大型船舶精细化逐段乘潮进港窗口期开始时刻,包括:
S501a、当H1=H′j时,记录该时刻为T1,若t1历时内始终满足H1≥H′j,则乘潮窗口期开始时刻为T1,然后计算第2段,否则,乘潮失败,Hi为长航道第i航段实际水深,H′j为大型船舶j进港时的利用水深,T1为大型船舶第一航段乘潮开始时刻,t1为大型船舶在长航道第一航段的乘潮历时,
S501b、从T1+t1时刻开始,若t2历时内始终满足H2≥H′j,计算第3段,否则,当H2=H′j时,记录该时刻为T2,然后重新计算乘潮窗口期开始时刻,开始时刻为:T2-t1
S501c、从T2+t2时刻开始,若t3历时内始终H3≥H′j,计算第4段,否则,当H3=H′时,记录该时刻为T3,然后重新计算乘潮窗口期开始时刻,开始时间为:T3-t2-t1
S501d、以此类推,大型船舶乘潮进港航行到n段,在Tn时刻开始,tn历时内始终满足Hn≥H′j,乘潮成功,乘潮窗口期开始时刻为:
Figure FDA0003624664630000021
m为长航道内潮汐检验站个数;k为聚类中心个数,n为长航道进行精细化分段数,
S502、计算长航道大型船舶精细化逐段乘潮进港窗口期结束时刻,包括:
S502a、当H1=H′j时,记录该时刻为T1′,若T1′-t1时刻开始,t1历时内始终满足H1≥H′j,以T1′为开始时刻进行第2段乘潮,乘潮窗口期结束时刻为:T1′-t1,T1′为大型船舶第一航段乘潮结束时刻,
S502b、当时刻T1′开始,若t2历时内H2≥H′j,以T1′+t2为开始时刻进行第3段乘潮;如果在时刻T1′开始,t2历时内不满足H2≥H′j,当T1″时刻H2=H′j,重新计算乘潮窗口期结束时刻,乘潮窗口期结束时刻为:T1′-t1-t2
S502c、以此类推,当时刻T′n开始,tn历时内不始终满足Hn≥H′j时,当Tn′时刻Hn=H′j,且在tn历时内满足Hn≥H′j,则大型船舶乘潮窗口期结束时刻为:
Figure FDA0003624664630000022
2.根据权利要求1所述的长航道大型船舶精细化逐段乘潮进港方法,其特征在于,设计基于阈值决策的船舶乘潮进港航迹关键点判定方法对长航道大型船舶乘潮进港AIS数据进行处理,识别出长航道大型船舶乘潮进港航迹关键点,包括:
S101、在给定航程内,如果大型船舶相邻三个轨迹点构成夹角的互补角小于或等于航向变化阈值,则判断夹角顶点为大型船舶关键转向点;
S102、在给定航程内,若间隔轨迹点的航速差的绝对值大于或等于速度变化阈值,则中间轨迹点为大型船舶关键变速点。
3.根据权利要求1所述的长航道大型船舶精细化逐段乘潮进港方法,其特征在于,采用K中心点聚类算法对所述航迹关键点进行聚类分析,获取大型船舶乘潮进港航行行为变化关键船位点,包括:
将大型船舶航向变化与大型船舶航速变化数据所组成的向量数据作为聚类模型的输入样本。
4.根据权利要求1所述的长航道大型船舶精细化逐段乘潮进港方法,其特征在于,结合长航道地理环境特征和大型船舶航行行为特征对长航道进行精细化分段,包括:
将选取潮汐检验站以及大型船舶乘潮进港航行行为变化关键船位点作为长航道分段节点,对长航道进行精细化分段。
CN202110960316.5A 2021-08-20 2021-08-20 一种长航道大型船舶精细化逐段乘潮进港方法 Active CN113689738B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110960316.5A CN113689738B (zh) 2021-08-20 2021-08-20 一种长航道大型船舶精细化逐段乘潮进港方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110960316.5A CN113689738B (zh) 2021-08-20 2021-08-20 一种长航道大型船舶精细化逐段乘潮进港方法

Publications (2)

Publication Number Publication Date
CN113689738A CN113689738A (zh) 2021-11-23
CN113689738B true CN113689738B (zh) 2022-06-14

Family

ID=78580991

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110960316.5A Active CN113689738B (zh) 2021-08-20 2021-08-20 一种长航道大型船舶精细化逐段乘潮进港方法

Country Status (1)

Country Link
CN (1) CN113689738B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114627680B (zh) * 2022-04-11 2023-04-11 交通运输部天津水运工程科学研究所 一种超大型船舶通航安全预测方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001203645A (ja) * 2000-01-18 2001-07-27 Kaijo Hoanchiyou Chokan 浅海域波浪流況観測における水中超音波を用いたデータ伝送システム
KR20160009142A (ko) * 2014-07-15 2016-01-26 원시스템주식회사 해양물때정보 안내 시스템 및 그 안내 방법
CN107180404A (zh) * 2017-07-13 2017-09-19 中交上海航道勘察设计研究院有限公司 一种潮位潮流双因素控制的航道设计及乘潮水位确定方法
CN107330167A (zh) * 2017-06-14 2017-11-07 中交上海航道勘察设计研究院有限公司 一种滩槽相间长航道设计乘潮水位的确定方法
CN107330587A (zh) * 2017-06-16 2017-11-07 天津大学 一种基于ais的近岸航道水深利用率计算方法
CN107341573A (zh) * 2017-07-05 2017-11-10 大连海事大学 一种复式航道水域的船舶交通组织优化方法
CN108154299A (zh) * 2017-12-25 2018-06-12 大连海事大学 多验潮站长航道船舶乘潮安全分析系统
CN108346319A (zh) * 2018-04-18 2018-07-31 大连海事大学 一种进出大型海港复杂航道的全局交通组织优化方法
JP6537156B1 (ja) * 2019-02-14 2019-07-03 東京瓦斯株式会社 管理システムおよび管理装置
CN111898859A (zh) * 2020-06-23 2020-11-06 唐山港集团股份有限公司 一种多目标单向航道码头连续型泊位分配调度方法
CN112835366A (zh) * 2021-01-04 2021-05-25 福建省港航勘察设计院有限公司 一种基于潮位潮流双因素控制的航道控制方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105513428B (zh) * 2015-11-20 2017-09-01 大连海事大学 船舶定线制水域交通饱和度智能分析方法
CN109637195B (zh) * 2019-02-01 2021-06-08 大连海事大学 一种海上安全航行智能诱导装置
CN112182726A (zh) * 2020-10-21 2021-01-05 张平辉 一种港口航道不对称式船舶双向通航的方法
CN112949140A (zh) * 2021-03-26 2021-06-11 海博泰科技(青岛)有限公司 一种基于动态条件的大型船舶安全乘潮入港的方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001203645A (ja) * 2000-01-18 2001-07-27 Kaijo Hoanchiyou Chokan 浅海域波浪流況観測における水中超音波を用いたデータ伝送システム
KR20160009142A (ko) * 2014-07-15 2016-01-26 원시스템주식회사 해양물때정보 안내 시스템 및 그 안내 방법
CN107330167A (zh) * 2017-06-14 2017-11-07 中交上海航道勘察设计研究院有限公司 一种滩槽相间长航道设计乘潮水位的确定方法
CN107330587A (zh) * 2017-06-16 2017-11-07 天津大学 一种基于ais的近岸航道水深利用率计算方法
CN107341573A (zh) * 2017-07-05 2017-11-10 大连海事大学 一种复式航道水域的船舶交通组织优化方法
CN107180404A (zh) * 2017-07-13 2017-09-19 中交上海航道勘察设计研究院有限公司 一种潮位潮流双因素控制的航道设计及乘潮水位确定方法
CN108154299A (zh) * 2017-12-25 2018-06-12 大连海事大学 多验潮站长航道船舶乘潮安全分析系统
CN108346319A (zh) * 2018-04-18 2018-07-31 大连海事大学 一种进出大型海港复杂航道的全局交通组织优化方法
JP6537156B1 (ja) * 2019-02-14 2019-07-03 東京瓦斯株式会社 管理システムおよび管理装置
CN111898859A (zh) * 2020-06-23 2020-11-06 唐山港集团股份有限公司 一种多目标单向航道码头连续型泊位分配调度方法
CN112835366A (zh) * 2021-01-04 2021-05-25 福建省港航勘察设计院有限公司 一种基于潮位潮流双因素控制的航道控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CALCULATION AND MEASUREMENT OF TIDE HEIGHT FOR THE NAVIGATION OF SHIP AT HIGH TIDE USING ARTIFICIAL NEURAL NETWORK;Li Qiang;《POLISH MARITIME RESEARCH》;20190111;第25卷(第3期);全文 *
狭水道船舶乘潮进出港优化调度研究;蒋思怡;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》;20190815(第8期);全文 *
高精度瞬时水深模型的乘潮进港分析;缪峰;《测绘科学》;20120731;第37卷(第4期);全文 *

Also Published As

Publication number Publication date
CN113689738A (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
CN112906830B (zh) 一种基于ais大数据的船舶最优航线自动生成方法
CN113450596B (zh) 基于船舶轨迹特征点提取的时空dp方法
Chen et al. The design of coastal shipping services subject to carbon emission reduction targets and state subsidy levels
Montewka et al. Probability modelling of vessel collisions
CN113553682A (zh) 一种数据驱动的多层次船舶航路网络构建方法
CN111861155B (zh) 船舶碰撞风险检测方法、系统、计算机设备和存储介质
CN113689738B (zh) 一种长航道大型船舶精细化逐段乘潮进港方法
CN114077926A (zh) 航行轨迹预测方法、计算机存储介质及程序产品
CN114936332A (zh) 一种风电场水域船舶交通流分析的方法、装置和存储介质
Yang et al. Maritime traffic flow clustering analysis by density based trajectory clustering with noise
CN112819255B (zh) 多准则船舶航线确定方法、装置、计算机设备及可读存储介质
CN110444046A (zh) 一种受限水域非冲突会遇船舶集群态势分析方法
He et al. Mining channel water depth information from IoT-based big automated identification system data for safe waterway navigation
KR102109571B1 (ko) 선박의 최적항로 도출 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체
Seo et al. Ship collision avoidance route planning using CRI-based A∗ algorithm
CN113985406A (zh) 一种海上雷达目标航迹拼接方法
CN107330587B (zh) 一种基于ais的近岸航道水深利用率计算方法
CN112350733B (zh) 一种基于有效距离的快速轨迹压缩方法
CN113641954B (zh) 一种复杂海洋环境中的三维声场快速预报方法及系统
Assimizele et al. A sustainable model for optimal dynamic allocation of patrol tugs to oil tankers
Lee et al. Changes in Maritime Traffic Patterns According to Installation of Floating LiDAR Using Spatial Analysis
CN113138978A (zh) 面向城市差异性沉降监测的北斗数据填充与变形预测方法
KR20200038915A (ko) 선박의 최적항로 도출 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체
Ahokas Analysis of voyage optimization benefits for different shipping stakeholders
CN117724473A (zh) 航路优化计算建模与仿真的内河水网船舶路径规划方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant