CN115629548B - 基于大数据推演的船舶通过多级枢纽船闸控制方法及系统 - Google Patents

基于大数据推演的船舶通过多级枢纽船闸控制方法及系统 Download PDF

Info

Publication number
CN115629548B
CN115629548B CN202211629559.1A CN202211629559A CN115629548B CN 115629548 B CN115629548 B CN 115629548B CN 202211629559 A CN202211629559 A CN 202211629559A CN 115629548 B CN115629548 B CN 115629548B
Authority
CN
China
Prior art keywords
ship
lock
time
passing
data
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
CN202211629559.1A
Other languages
English (en)
Other versions
CN115629548A (zh
Inventor
齐俊麟
李然
陈冬元
冯小香
宁武
李涵钊
刘振嘉
彭职隆
曾晓俊
张�杰
张勇
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.)
Guangxi Xijiang Development & Investment Group Co ltd
Tianjin Research Institute for Water Transport Engineering MOT
Three Gorges Navigation Authority
Original Assignee
Guangxi Xijiang Development & Investment Group Co ltd
Tianjin Research Institute for Water Transport Engineering MOT
Three Gorges Navigation Authority
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 Guangxi Xijiang Development & Investment Group Co ltd, Tianjin Research Institute for Water Transport Engineering MOT, Three Gorges Navigation Authority filed Critical Guangxi Xijiang Development & Investment Group Co ltd
Priority to CN202211629559.1A priority Critical patent/CN115629548B/zh
Publication of CN115629548A publication Critical patent/CN115629548A/zh
Application granted granted Critical
Publication of CN115629548B publication Critical patent/CN115629548B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/30—Flood prevention; Flood or storm water management, e.g. using flood barriers

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于大数据推演的船舶通过多级枢纽船闸控制方法及系统，方法包括S100：获取船舶通过多级枢纽船闸的历史数据，对所述历史数据进行分布相似性和共同归纳偏置处理获得处理后的船舶通过多级枢纽的数据集；S200：建立船舶通过多级枢纽大数据推演模型，预测船舶通过多级枢纽船闸的航行轨迹时间序列；S300：对所述处理后的船舶通过多级枢纽的数据集进行时序数据关联度分析，并计算获得船舶航行与船闸运行相匹配的船闸空间序列；S400：根据所述航行轨迹时间序列和与船闸运行相匹配的船闸空间序列，预测未来通过多级枢纽船闸的时间和空间分布规律。本发明精确控制船舶过闸，实现船闸运行控制自动化和数字化管理。

Description

基于大数据推演的船舶通过多级枢纽船闸控制方法及系统
技术领域
本发明属于船舶通航控制技术领域，更具体地，涉及一种基于大数据推演的船舶通过多级枢纽船闸控制方法及系统。
背景技术
船闸作为通过开关泄水阀门实现水利枢纽船舶过闸通道，按结构形式划分为单级枢纽船闸和多级枢纽船闸，其中具有两个及以上连续闸室的为多级枢纽船闸。多级枢纽船闸采取单向连续过闸方式，即第一闸室船舶进闸后，船闸开始运行，待首级闸门开启后，后续同向过闸船舶进闸，船舶过闸始终沿同一方向，其过闸效率主要取决于两个过闸闸次之间的时间间隔。船舶采取单向连续过闸方式通过多级枢纽船闸时，主要采取船舶申报过闸需求，通航调度部门根据船舶到达情况安排过闸计划，船舶根据安排的过闸计划行驶到船闸水域过闸。由于船舶流到达船闸区域是不均衡的，在运输任务繁重的时间段里，多级枢纽船闸过坝量激增就容易形成船舶排队的现象。
多级枢纽船闸呈现为梯级排队等待过闸的现象，对连续多级枢纽船闸运行过程分析，是建立数字化船闸的基础，船舶过闸运行本质上是一个枢纽通航的交通组织过程不断循环重复的场景，这种场景具有空间范围固定（船闸基础设施及位置空间相对固定）和过程相似度高的特征，其智能化的场景相对单一，其数据源多少和数据量大小决定了对算力的要求。
船舶排队过闸过程及船闸运行过程主要包括船舶过闸航行过程、调度指挥过程、船闸设备设施状态转换过程、船闸输水过程四个基本过程，是一个复合型的排队过程。船舶过闸过程经过相应的编队、等待、过闸、出闸阶段，以鱼贯式通过，梯级船闸呈现阶梯式上升或下降。在时间上，以船舶过闸时间顺序为基础，累计船舶逐级通过每一闸室直至出闸，在空间上，连续多级船闸运行过程的分级特性，各间隔闸室内水位变化呈现为“同步升降”趋势，相邻闸室水深呈现为深浅交错的状态，不会出现相邻闸室同时带载运行，且带载闸室间隔分布。单向连续过闸过程中，前后两个船队仅相隔一个闸室，船舶的指挥与调度是分离的，船舶过闸过程控制大体上分为船舶航行、船舶调度指挥、船闸设备运行（含设备操作）、船闸输水（含蓄水和泄水）等阶段，分阶段的控制过程并未形成联贯馈通。对于船舶通过多级枢纽船闸的过程，很少有研究将多个现有业务系统的数据资源进行整合利用，采用大数据的推演方法对船舶过闸过程中船舶与船闸匹配运行过程进行预测，基于时间序列的建模和多任务学习方法未能成功应用于船闸数字化、智能化场景，亟需基于相应大数据技术为船-岸-闸协同管控提供决策辅助，以实现多级枢纽船闸安全高效运行和智能化管控。
发明内容
为了解决现有技术中存在的问题，本发明提供一种基于大数据推演的船舶通过多级枢纽船闸控制方法及系统，基于多任务学习采集船舶通过多级枢纽船闸运行历史数据，分析建立了子过程任务自适应采样数据模型，抽取了多源、多精度数据的分布相似性和潜在的共同归纳偏置，促进了跨任务知识共享和迁移，省去了繁杂的采样计算过程；建立了船舶通过多级枢纽船闸的大数据推演模型，基于面向大规模复杂数据的多任务高斯过程协同演化建模方法，推演船舶过闸航行过程、船闸设备运行过程和船舶过闸调度指挥及操纵过程时间，提取和预测船舶航行轨迹和过闸历时，为船舶与船闸匹配运行提供科学判定依据。
为了实现上述目的，按照本发明的第一方面，提供一种基于大数据推演的船舶通过多级枢纽船闸控制方法，包括：
S100：获取船舶通过多级枢纽船闸的历史数据，对所述历史数据进行分布相似性和共同归纳偏置处理获得处理后的船舶通过多级枢纽的数据集；
S200：建立船舶通过多级枢纽大数据推演模型，并基于所述处理后的船舶通过多级枢纽的数据集进行训练，预测船舶通过多级枢纽船闸的航行轨迹时间序列；
S300：对所述处理后的船舶通过多级枢纽的数据集进行时序数据关联度分析，并计算获得船舶航行与船闸运行相匹配的船闸空间序列；
S400：根据所述航行轨迹时间序列和与船闸运行相匹配的船闸空间序列，预测未来通过多级枢纽船闸的时间和空间分布规律，从而精确控制船舶过闸。
进一步地，步骤S200中，所述船舶通过多级枢纽大数据推演模型为：
Figure 314672DEST_PATH_IMAGE001
其中
Figure 990504DEST_PATH_IMAGE002
为噪音误差，
Figure 963008DEST_PATH_IMAGE003
为船闸设备运行时间序列，
Figure 357081DEST_PATH_IMAGE004
为船舶移泊时间序列，
Figure 315809DEST_PATH_IMAGE005
为 船舶过闸调度指挥及操纵时间序列。
进一步地，所述船舶通过多级枢纽大数据推演模型还包括：
S201：船舶过闸航行过程，船舶移泊时序
Figure 236361DEST_PATH_IMAGE006
数据主要来源于船舶自动识别系统数 据，建立船舶航行累加距离与时间的坐标曲线：
Figure 989553DEST_PATH_IMAGE007
式中，将船舶移泊轨迹点时刻
Figure 497020DEST_PATH_IMAGE008
下的轨迹位置状态
Figure 259440DEST_PATH_IMAGE009
转换为
Figure 909864DEST_PATH_IMAGE010
时间下累加距离
Figure 224171DEST_PATH_IMAGE011
的关系，其中按轨迹点时刻
Figure 327256DEST_PATH_IMAGE008
转化为曲线时间
Figure 627787DEST_PATH_IMAGE010
，将轨迹位置状态
Figure 522931DEST_PATH_IMAGE009
与初始轨迹点之间累加 距离关联，通过轨迹曲线求导即可得到船舶过闸移泊平均速度，进而求取一组船舶捆绑过 闸的过闸单元平均移泊时间。
进一步地，所述船舶通过多级枢纽大数据推演模型还包括：
S202：对于选定的任务
Figure 883505DEST_PATH_IMAGE012
，从模型偏差-方差分解的角度构造自适应采样准则， 通过最大化：
Figure 598520DEST_PATH_IMAGE013
寻找新点
Figure 702742DEST_PATH_IMAGE014
；
式中的方差项
Figure 593338DEST_PATH_IMAGE015
表征了模型预测在点x处的不确定性，全局搜索，可利用 样本欧式距离度量；
式中的偏差项
Figure 482403DEST_PATH_IMAGE016
表征了模型预测在点x处与真实观察值的偏差，刻画任务 输出的局部特征，可用舍叉验证误差度量；
系数
Figure 825660DEST_PATH_IMAGE017
表征局部和全局搜索之间的权衡。
进一步地，所述船舶通过多级枢纽大数据推演模型还包括：
子过程任务自适应采样数据分别建立模型：
Figure 202415DEST_PATH_IMAGE018
式中，
Figure 806571DEST_PATH_IMAGE019
为船舶通过多级枢纽船闸过程数据采集模型，
Figure 508948DEST_PATH_IMAGE003
为船闸设备运行时间 序列，包含时间戳和数据编号；
Figure 339501DEST_PATH_IMAGE020
为船舶移泊时间序列，包含移泊开始时间和停止时间；
Figure 644580DEST_PATH_IMAGE021
为船舶过闸调度指挥及操纵时间；
Figure 244189DEST_PATH_IMAGE022
为数据描述；
Figure 976521DEST_PATH_IMAGE023
为发生位置；
Figure 294370DEST_PATH_IMAGE024
为特征功能分类，i是 数据点的逻辑索引。
进一步地，还包括：
S500：比较预测的通过多级枢纽船闸的时间序列与船舶通过多级枢纽船闸过程的实时时间序列的最小相似性度量值：
Figure 278507DEST_PATH_IMAGE025
式中，
Figure 358720DEST_PATH_IMAGE026
表示第i艘船舶实际过闸用时，
Figure 137321DEST_PATH_IMAGE027
表示模型预测计算第i艘船舶过闸 用时；
根据所述最小相似性度量值调整船舶与船闸匹配运行的误差。
进一步地，步骤S300中，对所述处理后的船舶通过多级枢纽的数据集进行时序数据关联度分析包括：
对船舶通过多级枢纽船闸过程时序数据进行归一化处理，及时钟同步，对漂移异常数据和错误记录进行过滤清除，并消除波动值之间数量级差异。
进一步地，步骤S300中，计算获得船舶航行与船闸运行相匹配的船闸空间序列包括：
利用欧式距离算法计算船舶航行时间序列与船闸运行过程时间序列之间的距离，并计算最小时间累计距离，所述最小时间累计距离为船舶航行与船闸运行相匹配的船闸空间序列。
进一步地，步骤S400中，精确控制船舶过闸包括：
将首级船闸人字闸门开终时刻作为该闸Ⅰ次通过多级枢纽船闸的时间起点，闸Ⅰ次船舶单元进闸靠泊完毕，下一级闸首开始开启输水阀门泄水直至水平，然后开启人字闸门，船舶向下一级闸室移泊，如此循环，船舶由一级闸室向下一级闸室移泊，船闸由一种状态向下一种状态推进，直至下一次首级船闸人字闸门开终时刻，该时刻是闸Ⅱ次的开始时刻，两个过闸闸次时间间隔ΔY可通过模型累加计算：
Figure 942466DEST_PATH_IMAGE028
式中，
Figure 589348DEST_PATH_IMAGE029
表示由历史数据模型训练预测计算得到的船舶过闸调度指挥及操纵时 间，
Figure 163548DEST_PATH_IMAGE030
和
Figure 237684DEST_PATH_IMAGE031
分别为n+4闸首和n+5闸首推导得到的船闸设备运行时间，
Figure 264546DEST_PATH_IMAGE032
表示 闸Ⅰ次船舶过闸单元平均移泊时间，
Figure 590485DEST_PATH_IMAGE033
表示闸Ⅱ次船舶过闸单元平均移泊时间，n为多 级枢纽船闸级数，n≧3。
按照本发明的第二方面，提供一种船舶通过多级枢纽船闸的控制系统，包括：
历史数据处理模块，用于获取船舶通过多级枢纽船闸的历史数据，对所述历史数据进行分布相似性和共同归纳偏置处理获得处理后的船舶通过多级枢纽的数据集；
预测模型，用于建立船舶通过多级枢纽大数据推演模型，并基于所述处理后的船舶通过多级枢纽的数据集进行训练，预测船舶通过多级枢纽船闸的航行轨迹时间序列；
计算模块，用于对所述处理后的船舶通过多级枢纽的数据集进行时序数据关联度分析，并计算获得船舶航行与船闸运行相匹配的船闸空间序列；
控制模块，根据所述航行轨迹时间序列和与船闸运行相匹配的船闸空间序列，预测未来通过多级枢纽船闸的时间和空间分布规律，从而精确控制船舶过闸。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1.本发明的方法，基于多任务学习采集船舶通过多级枢纽船闸运行历史数据，分析建立了子过程任务自适应采样数据模型，抽取了多源、多精度数据的分布相似性和潜在的共同归纳偏置，促进了跨任务知识共享和迁移，省去了繁杂的采样计算过程；
2.本发明的方法，建立了船舶通过多级枢纽船闸的大数据推演模型，基于面向大规模复杂数据的多任务高斯过程协同演化建模方法，推演船舶过闸航行过程、船闸设备运行过程和船舶过闸调度指挥及操纵过程时间，提取和预测船舶航行轨迹和过闸历时，为船舶与船闸匹配运行提供科学判定依据；
3.本发明的方法，推进了连续多级枢纽船闸管控一体化进程，便于实现船闸运行控制自动化和数字化管理；
4.本发明的方法，通过数据驱动的建模分析方法，提高多级枢纽船闸运行管控的可靠性、稳定性和安全性。
附图说明
图1为本发明基于大数据推演的船舶通过多级枢纽船闸控制方法流程示意图；
图2为本发明实施例船舶通过五级船闸过程分解示意图；
图3为本发明实施例实时采集多级枢纽船闸控制系统实时数据方案示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1
如图1所示，本发明实施例提供了一种基于大数据推演的船舶通过多级枢纽船闸控制方法，包括：
步骤一、获取船舶通过多级枢纽船闸的历史数据，对所述历史数据进行分布相似性和共同归纳偏置处理获得处理后的船舶通过多级枢纽的数据集；
具体的，多任务学习采集船舶通过多级枢纽船闸运行历史数据，主要基于对称多任务自适应主动学习方法，针对船舶通过多级枢纽船闸时能够依据时空顺序将待闸、进闸、逐级过闸、出闸逻辑过程分解为船舶过闸航行过程、调度指挥过程、船闸设备设施状态转换过程、船闸输水过程，每个过程包含船闸设备运行状态数据、船闸控制系统数据、调度系统业务数据、排档指挥过程数据、船舶自动识别系统数据，数据之间关联度和相似度高，具有时序性和对称性，同时考虑数据采集任务内部和跨任务采样的自适应性，采集过程分为以下步骤：
（1）在当前迭代步标定应该采样的任务，对于需要进一步序贯采样的任务
Figure 143826DEST_PATH_IMAGE034
，
Figure 529808DEST_PATH_IMAGE035
，通过最大化式：
Figure 43966DEST_PATH_IMAGE036
找到当前目标任务
Figure 537045DEST_PATH_IMAGE037
。式中C代表采样任务数据样本数，C’代表某一采样任务 数据点数量，Q(c)表征了多任务高斯过程模型对各任务的预测质量，可以利用积分均方差
Figure 85838DEST_PATH_IMAGE038
来刻画，x为采样数据点（某一船舶过闸数据），D为数据描述，预测方差
Figure 501776DEST_PATH_IMAGE039
已隐式包含任务关联信息，系数
Figure 503230DEST_PATH_IMAGE040
可帮助显式考虑关联信息以及非对称任务 场景下任务计算效比的影响。
（2）对于选定的任务
Figure 170971DEST_PATH_IMAGE041
，可以从模型偏差-方差分解的角度构造自适应采样准 则，通过最大化：
Figure 698905DEST_PATH_IMAGE042
寻找新点
Figure 161110DEST_PATH_IMAGE043
。式中的方差项
Figure 649860DEST_PATH_IMAGE044
表征了模型预测在点x处的不确定性， 倾向于全局搜索，该项可利用样本欧式距离度量；式中的偏差项
Figure 980347DEST_PATH_IMAGE045
表征了模型预测 在点x处与真实观察值的偏差，刻画任务输出的局部特征，该项可用舍一交叉验证误差度 量；系数
Figure 238153DEST_PATH_IMAGE046
是局部和全局搜索之间的权衡，合理的动态权衡能有效提高采样质量。
（3）子过程任务自适应采样数据分别建立模型：
Figure 762938DEST_PATH_IMAGE047
式中
Figure 738984DEST_PATH_IMAGE048
为船舶通过多级枢纽船闸过程数据采集模型，
Figure 482949DEST_PATH_IMAGE049
为船闸设备运行时间序 列，包含时间戳和数据编号；
Figure 985475DEST_PATH_IMAGE050
为船舶移泊时间序列，包含移泊开始时间和停止时间；
Figure 789483DEST_PATH_IMAGE029
为船舶过闸调度指挥及操纵时间；
Figure 252825DEST_PATH_IMAGE051
为数据描述；
Figure 925115DEST_PATH_IMAGE052
为发生位置；
Figure 157513DEST_PATH_IMAGE053
为特征功能分类，i 是数据点的逻辑索引。模型输出表述为Q个独立潜函数的线性加权，用半正定的对称任务关 联矩阵标定任务两两之间的关联性，利用多个拥有各自超参的潜函数挖掘不同尺度的共享 任务信息，通过有效学习模型超参及合理标定任务关联矩阵使模型学习效果增强，在任务 层面共享核参数促进跨任务知识共享和迁移。
步骤二、建立船舶通过多级枢纽大数据推演模型，并基于所述处理后的船舶通过多级枢纽的数据集进行训练，预测船舶通过多级枢纽船闸的航行轨迹时间序列；
具体的，所述船舶通过多级枢纽船闸的船舶通过多级枢纽大数据推演模型，主要依据步骤一中船舶通过多级枢纽船闸时过闸航行、调度指挥操纵、船闸设备设施状态转换、船闸输水基本时序过程所采集处理的每个样本表示为向量，不同过程模型生成向量包含空间位置信息的嵌入、时间信息的嵌入，船舶通过多级枢纽大数据推演模型为：
Figure 522635DEST_PATH_IMAGE054
式中
Figure 207695DEST_PATH_IMAGE055
为噪音误差，各信息经融合后基于数据和模型的目标就是得到最佳模型f， 使得船舶通过多级枢纽船闸过程实际时间与模型预测计算时间最小化：
Figure 824621DEST_PATH_IMAGE056
式中
Figure 269115DEST_PATH_IMAGE057
表示实际过闸用时，
Figure 946084DEST_PATH_IMAGE058
表示模型预测计算需要的用时。
进一步的，按照船舶过闸通行方向将船舶通过多级枢纽船闸的过程分解为子任务集，其中包括：
（1）船舶过闸航行过程，船舶移泊时序
Figure 180756DEST_PATH_IMAGE059
数据主要来源于船舶自动识别系统数据， 建立船舶航行累加距离与时间的坐标曲线：
Figure 194849DEST_PATH_IMAGE060
式中，将船舶移泊轨迹点时刻
Figure 401839DEST_PATH_IMAGE061
下的轨迹位置状态
Figure 249709DEST_PATH_IMAGE062
转换为
Figure 768416DEST_PATH_IMAGE063
时间下累加距离
Figure 727144DEST_PATH_IMAGE064
的关系，其中按轨迹点时刻
Figure 257483DEST_PATH_IMAGE061
转化为曲线时间
Figure 636774DEST_PATH_IMAGE063
，将轨迹位置状态
Figure 783721DEST_PATH_IMAGE065
与初始轨迹点之 间累加距离关联，通过轨迹曲线求导即可得到船舶过闸移泊平均速度，进而求取一组船舶 捆绑过闸的过闸单元平均移泊时间。
（2）船闸设备运行过程，多级枢纽船闸设备运行主要包含多个闸首闸阀门设备开 启及关闭时间，运行过程关键技术参数，因每个闸首现地机房设备及控制系统不完全一致， 各闸首设备运行时间序列嵌入数据编号，船闸设备运行时间序列为
Figure 405195DEST_PATH_IMAGE066
， 通过多任务学习 采样及模型训练，将多个闸首任务训练数据集按闸首划分为独立的子数据集
Figure 321199DEST_PATH_IMAGE067
，训 练相应闸首的多任务高斯过程专家模型，提取设备运行数据特征。进行特征融合，得到专家 模型预测值，进而推导得到船闸设备运行时间结果。
（3）船舶过闸调度指挥及操纵过程，过程信息主要来源于船闸通航调度系统业务 数据、船舶交通管理信息和船闸控制系统中操纵信息。通航调度系统业务数据主要包括船 舶过闸申报信息和调度计划。其中，过闸申报信息包括申报方式、申报时间、船舶信息、船舶 过闸申报项目等；调度计划信息包括闸号、闸次、航向、驳数、定额载客（货）量、货种、实际载 客（货）量、队形、过闸方式、过闸起止时间，根据步骤一中多任务学习采集的船闸运行历史 数据，建立数据模型
Figure 979713DEST_PATH_IMAGE068
，将数据点分配到多级枢纽船闸对应的多个局部模型并单独训练。
对每个局部模型对应的操纵数据按照预设时间周期进行聚合，并对聚合后的所述操纵数据进行标准化处理，得到历史操纵行为记录，并对历史操纵行为记录进行标识信息标记，以标识的信息及历史操纵行为记录为输入参数，采用多元时间序列预测模型，计算船舶过闸调度指挥及操纵时间和未来闸次船舶过闸调度指挥和操纵时间预测精度。
根据多级枢纽船闸连续性运行特点，将首级船闸人字闸门开终时刻作为该闸Ⅰ次通过多级枢纽船闸的时间起点，闸Ⅰ次船舶单元进闸靠泊完毕，下一级闸首开始开启输水阀门泄水，直至水平，然后开启人字闸门，船舶向下一级闸室移泊，如此循环，船舶由一级闸室向下一级闸室移泊，船闸由一种状态向下一种状态推进，直至下一次首级船闸人字闸门开终时刻，该时刻是闸Ⅱ次的开始时刻。两个过闸闸次时间间隔ΔY可通过模型累加计算，可表示为：
Figure 738591DEST_PATH_IMAGE069
式中，
Figure 773543DEST_PATH_IMAGE070
表示由历史数据模型训练预测计算得到的船舶过闸调度指挥及操纵时 间，
Figure 809632DEST_PATH_IMAGE071
和
Figure 29261DEST_PATH_IMAGE072
分别为n+4闸首和n+5闸首推导得到的船闸设备运行时间，
Figure 885221DEST_PATH_IMAGE073
表示 闸Ⅰ次船舶过闸单元平均移泊时间，
Figure 177111DEST_PATH_IMAGE074
表示闸Ⅱ次船舶过闸单元平均移泊时间，n为 多级枢纽船闸级数，n≧3。
如图3所示，以五级船闸下行逐级连续运行方式为例，建立船舶通过五级船闸的大数据推演模型，将整个过程分解为子过程，过闸单元A由上游导航靠泊区域进入第①闸室，该过程包含船舶航行、调度排档指挥（操纵）、船闸运行（包含船闸设施状态转换、船闸水位转换、船闸运行控制及过程监视等）等子过程。船舶由①闸室移泊至第②闸室的运行过程也包括船舶航行、调度排档指挥（操纵）、船闸运行（包含船闸设施状态转换、船闸水位转换、船闸运行控制及过程监视等）等子过程。船舶由②闸室移泊至第③闸室的运行过程同样包括船舶航行、调度排档指挥（操纵）、船闸运行（包含船闸设施状态转换、船闸水位转换、船闸运行控制及过程监视等）等子过程。与此同时，另一个闸次运行过程开始，该闸次船舶过闸单元B开始由上游导航靠泊区域进入第①闸室，依次类推，一个完整的船闸运行过程A，按照时空顺序包含了5个子过程，每一个过程都具有很高的相似性，依此类推，还有过程B、C、D……，各状态时序大数据推演逻辑如下表所示：
Figure 802128DEST_PATH_IMAGE075
其中，
Figure 68024DEST_PATH_IMAGE076
表示闸次航行移泊时间，即第A闸次移泊至X闸室的时间。进闸时间、出闸 时间均视为移泊时间。Ti为集控运行人员排档指挥（复核）时间。
Figure 535914DEST_PATH_IMAGE077
为设备运行时间（含船 闸设施运行状态转换和水位转换时间），表示关闭相邻闸首闸门时刻与本闸首闸门开终时 刻间的差值。计算过程中max取最大时刻，即船舶最晚停泊完毕时刻。某闸次A船舶过闸单元 在接受船闸运行指挥人员下发的发航指令后，到达浮式导航墙指定位置待闸。在正常运行 情况下，由船闸运行过程可知，当首级人字闸门开终，以该时刻作为计时起点，若某一闸次 船舶进闸靠泊完毕，下一闸首开始开输水阀门泄水，直至水平，然后开人字闸门，船舶向下 一闸室移泊，如此循环，船舶由一级闸室向下一级闸室移泊，船闸由一种状态向下一种状态 推进，以闸次编号作为匹配对象，以时间作为辅助匹配的条件参数，首级人字闸门开终时刻 作为闸次A过闸开始时刻，那么直至下一次首级人字闸门开终时刻，该时刻是闸次B的开始 时刻。两次时间间隔ΔY可通过推演模型计算得到：ΔY=Y4-Y1=2Ti+M5+VA4+M6+VB5，该时间间 隔平均值作为闸次识别和匹配的条件参数，可推演预测闸次过闸单元通过多级船闸的时 间。
步骤三，对所述处理后的船舶通过多级枢纽的数据集进行时序数据关联度分析，并计算获得船舶航行与船闸运行相匹配的船闸空间序列；
具体的，步骤三中，对数据进行预处理，进行时序数据关联度分析，主要包括：船舶通过多级枢纽船闸过程时序数据归一化处理，时钟同步，将自适应采样数据Oi归一化处理和标准化处理为统一格式，对漂移异常数据和错误记录进行过滤清除，通过多突变点检测子系列数据计算子系列波动量，消除波动值之间数量级差异。
分析时序数据周期性特征，因船舶到达n+3级闸室时，下一闸次船舶到达n级闸室，相邻两个闸次过闸单元时间序列存在与多级枢纽船闸运行节奏一致性，存在相似性和周期性。
计算采样所得船闸运行历史时序数据O(i)(i=1,2,3…,m)从k=0到k=l的相关系 数，
Figure 178248DEST_PATH_IMAGE078
，其中m是时间序列的长度，
Figure 923351DEST_PATH_IMAGE079
为 时间序列均值，s为时间序列的标准差，通过傅里叶余弦变换，求取相关系数的粗谱，并对粗 谱估计做平滑处理，得到最终谱估计值，计算周期，通过检验估计值显著性是否连续判断噪 声。
获取同一船舶数量闸次过闸单元通过多级枢纽船闸过程，船舶交通管理信息系统 采集的实时数据V(i)，经过归一化处理、时钟同步预处理，统一为标准格式。利用欧式距离 算法计算船舶过闸时间序列与船闸运行过程时间序列之间的距离，
Figure 484782DEST_PATH_IMAGE080
，其中m为时间序列的长度，oi和vi分别是船舶和船闸 时间序列样本。根据递推公式计算最小累计距离
Figure 315335DEST_PATH_IMAGE081
，回溯求 出匹配点对，由匹配点对(m-1, m-1)向前回溯一直到点(0,0)，最终最小累计距离即为两个 时间序列O(i)与V(i)的相似性度量。即揭示了船舶航行与船闸运行匹配时间关系序列特 征。
步骤四，根据所述航行轨迹时间序列和与船闸运行相匹配的船闸空间序列，预测未来通过多级枢纽船闸的时间和空间分布规律，从而精确控制船舶过闸。
具体的，在步骤四中，预测未来闸次船舶过闸单元通过多级枢纽船闸过程的时间和空间分布规律，分析船舶与船闸匹配运行关联规则，监控匹配运行过程误差；主要根据步骤三的方法分析不同船舶数量的闸次过闸单元通过多级枢纽船闸的船舶过闸航行与船闸运行过程两个时间序列匹配特征，基于步骤二建立的船舶通过多级枢纽船闸的船舶通过多级枢纽大数据推演模型，前一闸次过闸单元发航时间由通航调度系统采集确定后，即可确定进闸时间，累加ΔY标准数值运算即可得到下一闸次过闸单元进闸开始时间,进而预测船舶通过多级枢纽船闸过程中的船舶过闸航行移泊、船闸设备运行、船舶过闸调度指挥及操纵时间序列，过闸闸次船舶按照间隔分布于多级船闸闸室空间,确定大数据推演模型中的均值函数及协方差函数，具体表达式为：
f(y)~GP(μ(y)，k(y,y’))
式中y=(m,v,t)为类似计时起点的样本时间序列数据，μ(y)表示均值函数，k(y,y’)是协方差函数,均值函数用常数项表示，即常均值函数,协方差函数表示为：
Figure 620414DEST_PATH_IMAGE082
式中，
Figure 220023DEST_PATH_IMAGE083
表示尺度参数，
Figure 827721DEST_PATH_IMAGE084
为信号方差，T表示矩阵的转置，分别对模型进行参数 估计，应用极大似然法估计模型参数，通过船舶过闸完整历史数据训练模型优化超参数，监 控实时船舶闸次单元过闸实时数据，并得到最优预测值，计算比较预测时间序列与船舶通 过多级枢纽船闸过程实时时间序列最小相似性度量值，以此为依据监控船舶与船闸匹配运 行误差。
船舶根据安排的过闸计划行驶至多级枢纽船闸水域待闸，无序的交通流经过调度系统转换为有序交通流，过闸单元依次逐级连续通过多级枢纽船闸，建立实时监测采集网络采集多级枢纽船闸控制系统实时运行数据，根据步骤1所采集的船闸设备运行状态数据、船闸控制系统历史数据、调度系统业务数据、排档指挥过程数据、船舶自动识别系统数据均是时序数据，主要存储于数据中心，通过船舶通过多级枢纽大数据推演模型预测未来闸次船舶通过多级枢纽船闸过程的时间和空间分布规律，通过实时过闸数据与预测时间数据的对比为船舶与船闸之间的协同管控提供评估和决策辅助。
实施例2
本发明实施例提供了一种船舶通过多级枢纽船闸的控制系统，包括：
历史数据处理模块，用于获取船舶通过多级枢纽船闸的历史数据，对所述历史数据进行分布相似性和共同归纳偏置处理获得处理后的船舶通过多级枢纽的数据集；
具体的，如图3所示，多任务学习采集船舶通过多级枢纽船闸运行历史数据，主要基于对称多任务自适应主动学习方法，针对船舶通过多级枢纽船闸时能够依据时空顺序将待闸、进闸、逐级过闸、出闸逻辑过程分解为船舶过闸航行过程、调度指挥过程、船闸设备设施状态转换过程、船闸输水过程，每个过程包含船闸设备运行状态数据、船闸控制系统数据、调度系统业务数据、排档指挥过程数据、船舶自动识别系统数据，数据之间关联度和相似度高，具有时序性和对称性，同时考虑数据采集任务内部和跨任务采样的自适应性，采集过程分为以下步骤：
（1）：在当前迭代步标定应该采样的任务，对于需要进一步序贯采样的任务
Figure 771669DEST_PATH_IMAGE085
，
Figure 490226DEST_PATH_IMAGE086
，通过最大化式：
Figure 209921DEST_PATH_IMAGE087
找到当前目标任务
Figure 113155DEST_PATH_IMAGE088
。式中C代表采样任务数据样本数，C’代表某一采样任务 数据点数量，Q(c)表征了多任务高斯过程模型对各任务的预测质量，可以利用积分均方差
Figure 918299DEST_PATH_IMAGE089
来刻画，x为采样数据点（某一船舶过闸数据），D为数据描述，预测方差
Figure 565181DEST_PATH_IMAGE090
已隐式包含任务关联信息，系数
Figure 139382DEST_PATH_IMAGE091
可帮助显式考虑关联信息以及非对称任务 场景下任务计算效比的影响。
（2）：对于选定的任务
Figure 88884DEST_PATH_IMAGE092
，可以从模型偏差-方差分解的角度构造自适应采样准 则，通过最大化：
Figure 240379DEST_PATH_IMAGE093
寻找新点
Figure 831898DEST_PATH_IMAGE094
。式中的方差项
Figure 995026DEST_PATH_IMAGE095
表征了模型预测在点x处的不确定性，倾 向于全局搜索，该项可利用样本欧式距离度量；式中的偏差项
Figure 738598DEST_PATH_IMAGE096
表征了模型预测 在点x处与真实观察值的偏差，刻画任务输出的局部特征，该项可用舍一交叉验证误差度 量；系数
Figure 518335DEST_PATH_IMAGE046
是局部和全局搜索之间的权衡，合理的动态权衡能有效提高采样质量。
（3）：子过程任务自适应采样数据分别建立模型：
Figure 647965DEST_PATH_IMAGE097
式中
Figure 790233DEST_PATH_IMAGE098
为船舶通过多级枢纽船闸过程数据采集模型，
Figure 612696DEST_PATH_IMAGE099
为船闸设备运行时间 序列，包含时间戳和数据编号；
Figure 473204DEST_PATH_IMAGE100
为船舶移泊时间序列，包含移泊开始时间和停止时间；
Figure 406525DEST_PATH_IMAGE101
为船舶过闸调度指挥及操纵时间；
Figure 278666DEST_PATH_IMAGE051
为数据描述；
Figure 131085DEST_PATH_IMAGE102
为发生位置；
Figure 619835DEST_PATH_IMAGE103
为特征功能分类，i是 数据点的逻辑索引。模型输出表述为Q个独立潜函数的线性加权，用半正定的对称任务关联 矩阵标定任务两两之间的关联性，利用多个拥有各自超参的潜函数挖掘不同尺度的共享任 务信息，通过有效学习模型超参及合理标定任务关联矩阵使模型学习效果增强，在任务层 面共享核参数促进跨任务知识共享和迁移。
预测模型，用于建立船舶通过多级枢纽大数据推演模型，并基于所述处理后的船舶通过多级枢纽的数据集进行训练，预测船舶通过多级枢纽船闸的航行轨迹时间序列；
具体的，所述船舶通过多级枢纽船闸的船舶通过多级枢纽大数据推演模型，主要依据历史数据处理模块中船舶通过多级枢纽船闸时过闸航行、调度指挥操纵、船闸设备设施状态转换、船闸输水基本时序过程所采集处理的每个样本表示为向量，不同过程模型生成向量包含空间位置信息的嵌入、时间信息的嵌入，船舶通过多级枢纽大数据推演模型为：
Figure 91267DEST_PATH_IMAGE104
式中
Figure 709593DEST_PATH_IMAGE055
为噪音误差，各信息经融合后基于数据和模型的目标就是得到最佳模型f， 使得船舶通过多级枢纽船闸过程实际时间与模型预测计算时间最小化：
Figure 873858DEST_PATH_IMAGE105
式中
Figure 443379DEST_PATH_IMAGE106
表示实际过闸用时，
Figure 718503DEST_PATH_IMAGE107
表示模型预测计算需要的用时。
进一步的，按照船舶过闸通行方向将船舶通过多级枢纽船闸的过程分解为子任务集，其中包括：
（1）船舶过闸航行过程，船舶移泊时序
Figure 830815DEST_PATH_IMAGE108
数据主要来源于船舶自动识别系统数 据，建立船舶航行累加距离与时间的坐标曲线：
Figure 25036DEST_PATH_IMAGE109
式中，将船舶移泊轨迹点时刻
Figure 222800DEST_PATH_IMAGE008
下的轨迹位置状态
Figure 36035DEST_PATH_IMAGE009
转换为
Figure 127488DEST_PATH_IMAGE010
时间下累加距离
Figure 367976DEST_PATH_IMAGE011
的关系，其中按轨迹点时刻
Figure 682064DEST_PATH_IMAGE008
转化为曲线时间
Figure 298990DEST_PATH_IMAGE010
，将轨迹位置状态
Figure 713791DEST_PATH_IMAGE009
与初始轨迹点之间累加 距离关联，通过轨迹曲线求导即可得到船舶过闸移泊平均速度，进而求取一组船舶捆绑过 闸的过闸单元平均移泊时间。
（2）船闸设备运行过程，多级枢纽船闸设备运行主要包含多个闸首闸阀门设备开 启及关闭时间，运行过程关键技术参数，因每个闸首现地机房设备及控制系统不完全一致， 各闸首设备运行时间序列嵌入数据编号，船闸设备运行时间序列为
Figure 125180DEST_PATH_IMAGE049
， 通过多任务学习 采样及模型训练，将多个闸首任务训练数据集按闸首划分为独立的子数据集
Figure 422170DEST_PATH_IMAGE110
，训 练相应闸首的多任务高斯过程专家模型，提取设备运行数据特征。进行特征融合，得到专家 模型预测值，进而推导得到船闸设备运行时间结果。
（3）船舶过闸调度指挥及操纵过程，过程信息主要来源于船闸通航调度系统业务 数据、船舶交通管理信息和船闸控制系统中操纵信息。通航调度系统业务数据主要包括船 舶过闸申报信息和调度计划。其中，过闸申报信息包括申报方式、申报时间、船舶信息、船舶 过闸申报项目等；调度计划信息包括闸号、闸次、航向、驳数、定额载客（货）量、货种、实际载 客（货）量、队形、过闸方式、过闸起止时间，根据历史数据处理模块中多任务学习采集的船 闸运行历史数据，建立数据模型
Figure 311628DEST_PATH_IMAGE111
，将数据点分配到多级枢纽船闸对应的多个局部模型并 单独训练。
对每个局部模型对应的操纵数据按照预设时间周期进行聚合，并对聚合后的所述操纵数据进行标准化处理，得到历史操纵行为记录，并对历史操纵行为记录进行标识信息标记，以标识的信息及历史操纵行为记录为输入参数，采用多元时间序列预测模型，计算船舶过闸调度指挥及操纵时间和未来闸次船舶过闸调度指挥和操纵时间预测精度。
根据多级枢纽船闸连续性运行特点，将首级船闸人字闸门开终时刻作为该闸Ⅰ次通过多级枢纽船闸的时间起点，闸Ⅰ次船舶单元进闸靠泊完毕，下一级闸首开始开启输水阀门泄水，直至水平，然后开启人字闸门，船舶向下一级闸室移泊，如此循环，船舶由一级闸室向下一级闸室移泊，船闸由一种状态向下一种状态推进，直至下一次首级船闸人字闸门开终时刻，该时刻是闸Ⅱ次的开始时刻。两个过闸闸次时间间隔ΔY可通过模型累加计算，可表示为：
Figure 518619DEST_PATH_IMAGE112
式中，
Figure 959964DEST_PATH_IMAGE113
表示由历史数据模型训练预测计算得到的船舶过闸调度指挥及操纵时 间，
Figure 619616DEST_PATH_IMAGE114
和
Figure 938864DEST_PATH_IMAGE115
分别为n+4闸首和n+5闸首推导得到的船闸设备运行时间，
Figure 361DEST_PATH_IMAGE116
表示闸 Ⅰ次船舶过闸单元平均移泊时间，
Figure 753553DEST_PATH_IMAGE117
表示闸Ⅱ次船舶过闸单元平均移泊时间，n为多级 枢纽船闸级数，n≧3。
如图3所示，以五级船闸下行逐级连续运行方式为例，建立船舶通过五级船闸的大数据推演模型，将整个过程分解为子过程，过闸单元A由上游导航靠泊区域进入第①闸室，该过程包含船舶航行、调度排档指挥（操纵）、船闸运行（包含船闸设施状态转换、船闸水位转换、船闸运行控制及过程监视等）等子过程。船舶由①闸室移泊至第②闸室的运行过程也包括船舶航行、调度排档指挥（操纵）、船闸运行（包含船闸设施状态转换、船闸水位转换、船闸运行控制及过程监视等）等子过程。船舶由②闸室移泊至第③闸室的运行过程同样包括船舶航行、调度排档指挥（操纵）、船闸运行（包含船闸设施状态转换、船闸水位转换、船闸运行控制及过程监视等）等子过程。与此同时，另一个闸次运行过程开始，该闸次船舶过闸单元B开始由上游导航靠泊区域进入第①闸室，依次类推，一个完整的船闸运行过程A，按照时空顺序包含了5个子过程，每一个过程都具有很高的相似性，依此类推，还有过程B、C、D……，各状态时序大数据推演逻辑如下表所示：
Figure 87451DEST_PATH_IMAGE118
其中，
Figure 584292DEST_PATH_IMAGE119
表示闸次航行移泊时间，即第A闸次移泊至X闸室的时间。进闸时间、出 闸时间均视为移泊时间。Ti为集控运行人员排档指挥（复核）时间。
Figure 234716DEST_PATH_IMAGE120
为设备运行时间（含 船闸设施运行状态转换和水位转换时间），表示关闭相邻闸首闸门时刻与本闸首闸门开终 时刻间的差值。计算过程中max取最大时刻，即船舶最晚停泊完毕时刻。某闸次A船舶过闸单 元在接受船闸运行指挥人员下发的发航指令后，到达浮式导航墙指定位置待闸。在正常运 行情况下，由船闸运行过程可知，当首级人字闸门开终，以该时刻作为计时起点，若某一闸 次船舶进闸靠泊完毕，下一闸首开始开输水阀门泄水，直至水平，然后开人字闸门，船舶向 下一闸室移泊，如此循环，船舶由一级闸室向下一级闸室移泊，船闸由一种状态向下一种状 态推进，以闸次编号作为匹配对象，以时间作为辅助匹配的条件参数，首级人字闸门开终时 刻作为闸次A过闸开始时刻，那么直至下一次首级人字闸门开终时刻，该时刻是闸次B的开 始时刻。两次时间间隔ΔY可通过推演模型计算得到：ΔY=Y4-Y1=2Ti+M5+VA4+M6+VB5，该时间 间隔平均值作为闸次识别和匹配的条件参数，可推演预测闸次过闸单元通过多级船闸的时 间。
计算模块，用于对所述处理后的船舶通过多级枢纽的数据集进行时序数据关联度分析，并计算获得船舶航行与船闸运行相匹配的船闸空间序列；
具体的，计算模块中，对数据进行预处理，进行时序数据关联度分析，主要包括：船舶通过多级枢纽船闸过程时序数据归一化处理，时钟同步，将自适应采样数据Oi归一化处理和标准化处理为统一格式，对漂移异常数据和错误记录进行过滤清除，通过多突变点检测子系列数据计算子系列波动量，消除波动值之间数量级差异。
分析时序数据周期性特征，因船舶到达n+3级闸室时，下一闸次船舶到达n级闸室，相邻两个闸次过闸单元时间序列存在与多级枢纽船闸运行节奏一致性，存在相似性和周期性。
计算采样所得船闸运行历史时序数据O(i)(i=1,2,3…,m)从k=0到k=l的相关系 数，
Figure 549023DEST_PATH_IMAGE121
，其中m是时间序列的长度，
Figure 183266DEST_PATH_IMAGE079
为时 间序列均值，s为时间序列的标准差，通过傅里叶余弦变换，求取相关系数的粗谱，并对粗谱 估计做平滑处理，得到最终谱估计值，计算周期，通过检验估计值显著性是否连续判断噪 声。
获取同一船舶数量闸次过闸单元通过多级枢纽船闸过程，船舶交通管理信息系统 采集的实时数据V(i)，经过归一化处理、时钟同步预处理，统一为标准格式。利用欧式距离 算法计算船舶过闸时间序列与船闸运行过程时间序列之间的距离，
Figure 218218DEST_PATH_IMAGE122
，其中m为时间序列的长度，oi和vi分别是船舶和船闸时 间序列样本。根据递推公式计算最小累计距离
Figure 346318DEST_PATH_IMAGE123
，回溯求出 匹配点对，由匹配点对(m-1, m-1)向前回溯一直到点(0,0)，最终最小累计距离即为两个时 间序列O(i)与V(i)的相似性度量。即揭示了船舶航行与船闸运行匹配时间关系序列特征。
控制模块，用于根据所述航行轨迹时间序列和与船闸运行相匹配的船闸空间序列，预测未来通过多级枢纽船闸的时间和空间分布规律，从而精确控制船舶过闸。
具体的，控制模块中，预测未来闸次船舶过闸单元通过多级枢纽船闸过程的时间和空间分布规律，分析船舶与船闸匹配运行关联规则，监控匹配运行过程误差；主要根据计算模块的方法分析不同船舶数量的闸次过闸单元通过多级枢纽船闸的船舶过闸航行与船闸运行过程两个时间序列匹配特征，基于预测模块建立的船舶通过多级枢纽船闸的船舶通过多级枢纽大数据推演模型，前一闸次过闸单元发航时间由通航调度系统采集确定后，即可确定进闸时间，累加ΔY标准数值运算即可得到下一闸次过闸单元进闸开始时间,进而预测船舶通过多级枢纽船闸过程中的船舶过闸航行移泊、船闸设备运行、船舶过闸调度指挥及操纵时间序列，过闸闸次船舶按照间隔分布于多级船闸闸室空间,确定大数据推演模型中的均值函数及协方差函数，具体表达式为：
f(y)~GP(μ(y)，k(y,y’))
式中y=(m,v,t)为类似计时起点的样本时间序列数据，μ(y)表示均值函数，k(y,y’)是协方差函数,均值函数用常数项表示，即常均值函数,协方差函数表示为：
Figure 706892DEST_PATH_IMAGE124
式中，
Figure 828432DEST_PATH_IMAGE125
表示尺度参数，
Figure 526129DEST_PATH_IMAGE126
为信号方差，T表示矩阵的转置，分别对模型进行参数 估计，应用极大似然法估计模型参数，通过船舶过闸完整历史数据训练模型优化超参数，监 控实时船舶闸次单元过闸实时数据，并得到最优预测值，计算比较预测时间序列与船舶通 过多级枢纽船闸过程实时时间序列最小相似性度量值，以此为依据监控船舶与船闸匹配运 行误差。
船舶根据安排的过闸计划行驶至多级枢纽船闸水域待闸，无序的交通流经过调度系统转换为有序交通流，过闸单元依次逐级连续通过多级枢纽船闸，建立实时监测采集网络采集多级枢纽船闸控制系统实时运行数据，根据历史数据处理模块所采集的船闸设备运行状态数据、船闸控制系统历史数据、调度系统业务数据、排档指挥过程数据、船舶自动识别系统数据均是时序数据，主要存储于数据中心，通过船舶通过多级枢纽大数据推演模型预测未来闸次船舶通过多级枢纽船闸过程的时间和空间分布规律，通过实时过闸数据与预测时间数据的对比为船舶与船闸之间的协同管控提供评估和决策辅助。
实施例3
本发明实施例提供了一种存储器，存储有多条指令，所述指令用于实现基于大数据推演的船舶通过多级枢纽船闸控制方法。
实施例4
本发明实施例提供了一种电子设备，包括处理器和与所述处理器连接的存储器，所述存储器存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行基于大数据推演的船舶通过多级枢纽船闸控制方法。
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。
在本发明所提供的几个实施例中，应所述理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的系统实施例仅仅是示意性的，例如所述单元的划分，仅仅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，可以是电性或其它的形式。
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网络单元上。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的产品销售或使用时，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所述技术方案的全部或部分可以以软件产品的形式体现出来，所述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、只读存储介质(ROM，Read-Only Memory)、随机存取存储介质(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。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (8)

1.一种基于大数据推演的船舶通过多级枢纽船闸控制方法，其特征在于，包括：
S100：获取船舶通过多级枢纽船闸的历史数据，对所述历史数据进行分布相似性和共同归纳偏置处理获得处理后的船舶通过多级枢纽的数据集；
S200：建立船舶通过多级枢纽大数据推演模型，并基于所述处理后的船舶通过多级枢纽的数据集进行训练，预测船舶通过多级枢纽船闸的航行轨迹时间序列；
S300：对所述处理后的船舶通过多级枢纽的数据集进行时序数据关联度分析，并计算获得船舶航行与船闸运行相匹配的船闸空间序列，其中，对所述处理后的船舶通过多级枢纽的数据集进行时序数据关联度分析包括：
对船舶通过多级枢纽船闸过程时序数据进行归一化处理，及时钟同步，对漂移异常数据和错误记录进行过滤清除，并消除波动值之间数量级差异；
计算获得船舶航行与船闸运行相匹配的船闸空间序列包括：
利用欧式距离算法计算船舶航行时间序列与船闸运行过程时间序列之间的距离，并计算最小时间累计距离，所述最小时间累计距离为船舶航行与船闸运行相匹配的船闸空间序列；
S400：根据所述航行轨迹时间序列和与船闸运行相匹配的船闸空间序列，预测未来通过多级枢纽船闸的时间和空间分布规律，从而精确控制船舶过闸。
2.如权利要求1所述的基于大数据推演的船舶通过多级枢纽船闸控制方法，其特征在于，步骤S200中，所述船舶通过多级枢纽大数据推演模型为：
Figure QLYQS_1
其中
Figure QLYQS_2
为噪音误差， />
Figure QLYQS_3
为船闸设备运行时间序列， />
Figure QLYQS_4
为船舶移泊时间序列， />
Figure QLYQS_5
为船舶过闸调度指挥及操纵时间序列。
3.如权利要求2所述的基于大数据推演的船舶通过多级枢纽船闸控制方法，其特征在于，所述船舶通过多级枢纽大数据推演模型还包括：
S201：船舶过闸航行过程，船舶移泊时序
Figure QLYQS_6
数据主要来源于船舶自动识别系统数据，建立船舶航行累加距离与时间的坐标曲线：
Figure QLYQS_7
式中，将船舶移泊轨迹点时刻
Figure QLYQS_8
下的轨迹位置状态 />
Figure QLYQS_9
转换为/>
Figure QLYQS_10
时间下累加距离/>
Figure QLYQS_11
的关系，其中按轨迹点时刻/>
Figure QLYQS_12
转化为曲线时间 />
Figure QLYQS_13
，将轨迹位置状态 />
Figure QLYQS_14
与初始轨迹点之间累加距离关联，通过轨迹曲线求导即可得到船舶过闸移泊平均速度，进而求取一组船舶捆绑过闸的过闸单元平均移泊时间。
4.如权利要求3所述的基于大数据推演的船舶通过多级枢纽船闸控制方法，其特征在于，所述船舶通过多级枢纽大数据推演模型还包括：
S202：对于选定的任务
Figure QLYQS_15
，从模型偏差-方差分解的角度构造自适应采样准则，通过最大化：/>
Figure QLYQS_16
寻找新点
Figure QLYQS_17
；
式中的方差项
Figure QLYQS_18
表征了模型预测在点x处的不确定性，全局搜索，可利用样本欧式距离度量；
式中的偏差项
Figure QLYQS_19
表征了模型预测在点x处与真实观察值的偏差，刻画任务输出的局部特征，可用舍叉验证误差度量；
系数
Figure QLYQS_20
表征局部和全局搜索之间的权衡。
5.如权利要求4所述的基于大数据推演的船舶通过多级枢纽船闸控制方法，其特征在于，所述船舶通过多级枢纽大数据推演模型还包括：
子过程任务自适应采样数据分别建立模型：
Figure QLYQS_21
式中，
Figure QLYQS_22
为船舶通过多级枢纽船闸过程数据采集模型， />
Figure QLYQS_23
为船闸设备运行时间序列，包含时间戳和数据编号； />
Figure QLYQS_24
为船舶移泊时间序列，包含移泊开始时间和停止时间； />
Figure QLYQS_25
为船舶过闸调度指挥及操纵时间； />
Figure QLYQS_26
为数据描述； />
Figure QLYQS_27
为发生位置； />
Figure QLYQS_28
为特征功能分类，i是数据点的逻辑索引。
6.如权利要求1-5中任一项所述的基于大数据推演的船舶通过多级枢纽船闸控制方法，其特征在于，还包括：
S500：比较预测的通过多级枢纽船闸的时间序列与船舶通过多级枢纽船闸过程的实时时间序列的最小相似性度量值：
Figure QLYQS_29
式中，
Figure QLYQS_30
表示第i艘船舶实际过闸用时， />
Figure QLYQS_31
表示模型预测计算第i艘船舶过闸用时；
根据所述最小相似性度量值调整船舶与船闸匹配运行的误差。
7.如权利要求1-5中任一项所述的基于大数据推演的船舶通过多级枢纽船闸控制方法，其特征在于，步骤S400中，精确控制船舶过闸包括：
将首级船闸人字闸门开终时刻作为该闸Ⅰ次通过多级枢纽船闸的时间起点，闸Ⅰ次船舶单元进闸靠泊完毕，下一级闸首开始开启输水阀门泄水直至水平，然后开启人字闸门，船舶向下一级闸室移泊，如此循环，船舶由一级闸室向下一级闸室移泊，船闸由一种状态向下一种状态推进，直至下一次首级船闸人字闸门开终时刻，该时刻是闸Ⅱ次的开始时刻，两个过闸闸次时间间隔ΔY可通过模型累加计算：
Figure QLYQS_32
式中，
Figure QLYQS_33
表示由历史数据模型训练预测计算得到的船舶过闸调度指挥及操纵时间，/>
Figure QLYQS_34
和 />
Figure QLYQS_35
分别为n+4闸首和n+5闸首推导得到的船闸设备运行时间， />
Figure QLYQS_36
表示闸Ⅰ次船舶过闸单元平均移泊时间， />
Figure QLYQS_37
表示闸Ⅱ次船舶过闸单元平均移泊时间，n为多级枢纽船闸级数，n≧3。
8.一种船舶通过多级枢纽船闸的控制系统，其特征在于，包括：
历史数据处理模块，用于获取船舶通过多级枢纽船闸的历史数据，对所述历史数据进行分布相似性和共同归纳偏置处理获得处理后的船舶通过多级枢纽的数据集；
预测模型，用于建立船舶通过多级枢纽大数据推演模型，并基于所述处理后的船舶通过多级枢纽的数据集进行训练，预测船舶通过多级枢纽船闸的航行轨迹时间序列；
计算模块，用于对所述处理后的船舶通过多级枢纽的数据集进行时序数据关联度分析，并计算获得船舶航行与船闸运行相匹配的船闸空间序列，其中，对所述处理后的船舶通过多级枢纽的数据集进行时序数据关联度分析包括：
对船舶通过多级枢纽船闸过程时序数据进行归一化处理，及时钟同步，对漂移异常数据和错误记录进行过滤清除，并消除波动值之间数量级差异；
计算获得船舶航行与船闸运行相匹配的船闸空间序列包括：
利用欧式距离算法计算船舶航行时间序列与船闸运行过程时间序列之间的距离，并计算最小时间累计距离，所述最小时间累计距离为船舶航行与船闸运行相匹配的船闸空间序列；
控制模块，根据所述航行轨迹时间序列和与船闸运行相匹配的船闸空间序列，预测未来通过多级枢纽船闸的时间和空间分布规律，从而精确控制船舶过闸。
CN202211629559.1A 2022-12-19 2022-12-19 基于大数据推演的船舶通过多级枢纽船闸控制方法及系统 Active CN115629548B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211629559.1A CN115629548B (zh) 2022-12-19 2022-12-19 基于大数据推演的船舶通过多级枢纽船闸控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211629559.1A CN115629548B (zh) 2022-12-19 2022-12-19 基于大数据推演的船舶通过多级枢纽船闸控制方法及系统

Publications (2)

Publication Number Publication Date
CN115629548A CN115629548A (zh) 2023-01-20
CN115629548B true CN115629548B (zh) 2023-03-28

Family

ID=84910099

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211629559.1A Active CN115629548B (zh) 2022-12-19 2022-12-19 基于大数据推演的船舶通过多级枢纽船闸控制方法及系统

Country Status (1)

Country Link
CN (1) CN115629548B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116341392B (zh) * 2023-05-26 2023-08-11 交通运输部天津水运工程科学研究所 一种多梯级船闸船舶调度管控方法
CN116468255B (zh) * 2023-06-15 2023-09-08 国网信通亿力科技有限责任公司 一种配置化主数据管理系统
CN116805184B (zh) * 2023-08-22 2023-11-03 交通运输部科学研究院 一种船舶过闸时间预测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107274703A (zh) * 2016-04-07 2017-10-20 阿里巴巴集团控股有限公司 车辆位置的标定方法、装置及系统
CN110110403A (zh) * 2019-04-19 2019-08-09 长江三峡通航管理局 一种适用单向连续过闸船舶的调度排档方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106447096A (zh) * 2016-09-14 2017-02-22 中设设计集团股份有限公司 一种船舶过闸优化调度系统及调度方法
US11334794B2 (en) * 2020-04-28 2022-05-17 Trabus Artificial-intelligence-based waterway information system
CN112116201B (zh) * 2020-08-11 2021-07-06 长江三峡通航管理局 船闸通航运行数据的采集、处理方法
CN112053008B (zh) * 2020-09-21 2022-03-18 长江三峡通航管理局 基于时序复合运算模型的梯级船闸通航调度运行方法
CN114398423A (zh) * 2021-12-31 2022-04-26 广东长天思源环保科技股份有限公司 一种基于多源数据的河涌水质时空预测方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107274703A (zh) * 2016-04-07 2017-10-20 阿里巴巴集团控股有限公司 车辆位置的标定方法、装置及系统
CN110110403A (zh) * 2019-04-19 2019-08-09 长江三峡通航管理局 一种适用单向连续过闸船舶的调度排档方法

Also Published As

Publication number Publication date
CN115629548A (zh) 2023-01-20

Similar Documents

Publication Publication Date Title
CN115629548B (zh) 基于大数据推演的船舶通过多级枢纽船闸控制方法及系统
CN109587713B (zh) 一种基于arima模型的网络指标预测方法、装置及存储介质
Myung et al. Travel time prediction using k nearest neighbor method with combined data from vehicle detector system and automatic toll collection system
CN107145645B (zh) 带不确定冲击的非平稳退化过程剩余寿命预测方法
CN107967542B (zh) 一种基于长短期记忆网络的售电量预测方法
CN109920248B (zh) 一种基于gru神经网络的公交到站时间预测方法
CN104751363B (zh) 基于贝叶斯分类器的股票中长期趋势预测方法及系统
CN108197743A (zh) 一种基于深度学习的预测模型软测量方法
CN112414694B (zh) 基于多元状态估计技术的设备多级异常状态识别方法及装置
CN112434848A (zh) 基于深度信念网络的非线性加权组合风电功率预测方法
US10453020B2 (en) Method for providing a typical load profile of a vehicle for a public transport system
CN109858681B (zh) 一种基于ic卡的交通短时客流预测方法和相关装置
CN112183868B (zh) 交通流量预测模型的构建方法及电子设备
CN116843071B (zh) 一种用于智慧港口的运输网络运行指数预测方法及装置
CN116865251A (zh) 一种短期负荷概率预测方法及系统
CN115907181A (zh) 一种城市轨道交通乘客流量预测方法及系统
CN106846891B (zh) 一种基于序列分解的公共停车场泊位多步预测方法
CN112053008B (zh) 基于时序复合运算模型的梯级船闸通航调度运行方法
CN106875681B (zh) 一种交通拥塞趋势预测方法及系统
CN114510467A (zh) 一种智慧水务数据异常识别方法
Mulesa et al. Devising a method for constructing the optimal model of time series forecasting based on the principles of competition
CN117114051A (zh) 基于lstm和自注意力机制的船舶轨迹预测方法
CN116311948A (zh) 基于交通流速度预测和信号灯状态的车辆路径规划方法
CN113298240B (zh) 一种伺服驱动系统生命周期预测方法及装置
CN113221248B (zh) 一种基于pf-garch模型的船舶系统设备状态参数预测方法

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