CN116341392B - 一种多梯级船闸船舶调度管控方法 - Google Patents
一种多梯级船闸船舶调度管控方法 Download PDFInfo
- Publication number
- CN116341392B CN116341392B CN202310603307.XA CN202310603307A CN116341392B CN 116341392 B CN116341392 B CN 116341392B CN 202310603307 A CN202310603307 A CN 202310603307A CN 116341392 B CN116341392 B CN 116341392B
- Authority
- CN
- China
- Prior art keywords
- ship
- lock
- voyage
- time
- navigation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 238000004140 cleaning Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 230000001174 ascending effect Effects 0.000 claims abstract description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 16
- 238000011144 upstream manufacturing Methods 0.000 claims description 9
- 230000009191 jumping Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims 1
- 238000003062 neural network model Methods 0.000 description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 241000251468 Actinopterygii Species 0.000 description 2
- 244000020518 Carthamus tinctorius Species 0.000 description 2
- 235000003255 Carthamus tinctorius Nutrition 0.000 description 2
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 244000037364 Cinnamomum aromaticum Species 0.000 description 1
- 235000014489 Cinnamomum aromaticum Nutrition 0.000 description 1
- 238000004873 anchoring Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q10/06314—Calendaring for a resource
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多梯级船闸船舶调度管控方法,包括以下步骤:一)生成船舶下行和上行通过相邻多梯级船闸的航次;二)以船舶航次为基本单元,根据船载北斗历史轨迹数据生成船舶下行和上行数据集;三)依据船舶行为特征对数据集进行清洗;四)计算各航次的船舶平均航速,并确定各船舶下行和上行的航速分级特征值;五)确定船舶航行特征参数,并建立船舶航速神经网络计算模型;六)计算船舶航程时间并进行多梯级船闸船舶调度管控。本发明以船舶航次作为分析基本单元,基于船舶历史行为特征确定航速分级指标,并根据航行特征参数构建航速计算模型,可以快速生成船舶航程时间,为多梯级船闸船舶调度管控提供可靠的参考依据。
Description
技术领域
本发明属于水运交通领域,具体涉及到一种多梯级船闸船舶调度管控方法。
背景技术
船闸是梯级渠化工程中重要的通航设施,在保障内河高等级航道建设的同时,也成为水上交通运输的重要节点。近年来,随着内河水运的快速发展,国内一些大型船闸的通过能力日趋饱和,船闸附近船舶的大量积压逐渐成为常态,这极大增加了水上交通的管理压力。为提高船舶过闸效率和提升船闸服务水平,国内不少船闸管理部门正积极推进多梯级船闸的联合调度,并应用船载智能终端为过闸船舶提供便捷服务,其中西江船舶可采用船载北斗终端进行报闸,船舶到达指定报到线时无需上岸、北斗终端可进行自动报闸。船舶在通过西江多梯级船闸群时,仅需一次报闸、即可全线通过。然而,由于目前船闸依据先到先过的原则对船舶进行调度,船舶需提前到达船闸锚地进行排号等待过闸,这在一定程度上增加了待闸船舶的数量,迫切需要优化船闸传统的船舶调度模式。
实行预约排号过闸时船舶无需到达船闸即可进行排号,可以极大缓解船闸附近船舶拥堵的情况。但是,与陆路交通和海上运输不同的是,船舶在内河航道的航行不仅受上行、下行航向的影响,河道流量和水位、河势特征、船舶载重、船舶性能、驾驶员行为习惯等均对船舶航速有不同程度的影响,相同航程时各船舶所需的航行时间差异较大,这对于多梯级船闸的一体化精准调度管控提出了更高要求。同时为避免船舶进行虚假过闸预约,提高船闸运行效率,也需要对通过多梯级船闸的船舶加强调度管控。
发明内容
本发明为解决公知技术中存在的技术问题而提供一种多梯级船闸船舶调度管控方法。该方法以北斗终端采集的船舶历史轨迹数据、船闸运行资料和枢纽运行资料为基础,充分挖掘船舶在多梯级船闸间的历史行为特征,将船舶航程时间计算问题转换为航段的航速计算问题,以船舶航次作为计算分析单元,再根据船舶航行特征参数构建航速计算模型,进一步结合航段里程确定航程时间并对通过多梯级船闸的船舶进行调度管控,这为多梯级船闸的高效运行和精准调度提供了重要参考依据。
本发明提供一种多梯级船闸船舶调度管控方法,包括以下步骤:
一)根据船闸运行资料生成船舶连续下行和上行通过相邻多梯级船闸的船舶航次;
对于两个相邻的多梯级船闸,设上游梯级船闸为,下游梯级船闸为/>,两个梯级船闸间的航道组成航段/>,设船舶进入航段/>的过闸时间为/>,该船离开航段的报到时间为/>,则该船在/>至/>时间内的航行组成一个在该航段的船舶航次;根据梯级船闸/>和梯级船闸/>运行资料,提取船舶连续下行通过梯级船闸/>和梯级船闸/>的船舶航次/>,即船舶由梯级船闸/>进入并从梯级船闸/>离开;同时提取船舶连续上行通过梯级船闸/>和梯级船闸/>的船舶航次/>,即船舶由梯级船闸/>进入并从梯级船闸/>离开;
二)以步骤一)所得船舶航次为基本单元,由北斗终端采集的船舶历史轨迹数据生成船舶下行和上行数据集;
三)对步骤二)船舶下行和上行数据集中的经纬度跳跃点进行清理,并将经纬度坐标转换为航段里程位置,进一步依据船舶行为特征对数据集进行清洗;
四)计算步骤三)清洗所得数据集中各船舶航次的船舶平均航速,并确定船舶下行和上行的航速分级特征值,实现方式如下,
根据步骤三)得到各船舶航次北斗终端采集的最后一个记录和第一个记录的航段里程差值、时间差值分别为、/>,各船舶航次北斗记录停船时间和为/>,由下式计算各船舶航次的平均航速/>,
设船舶相同航向的航次数为,该船相同航向时的常态航速/>定义为,
根据内河船舶的实际航速区间范围对所述航段内上行、下行各船舶的常态航速/>分别进行分级,并得到航速分级特征值/>;
五)确定船舶航行特征参数,并建立船舶航速神经网络计算模型;
根据船闸运行资料提取步骤三)清洗所得数据集中各船舶航次的船舶核载吨位、总吨位/>、实载吨位/>,由枢纽运行资料确定步骤一)梯级船闸/>的入库流量/>和坝前水位/>,由步骤四)所得各船舶航次的船舶平均航速/>和航速分级特征值/>,建立并训练船舶航速神经网络计算模型
;
六)计算船舶航程时间并进行多梯级船闸船舶调度管控;
在船舶进行过闸预约时,将该船当前位置经纬度坐标和目标船闸经纬度坐标转换为航段里程位置,并得到航程距离;由枢纽运行资料确定梯级船闸/>的入库流量/>和坝前水位/>;根据船闸运行资料确定船舶核载吨位/>和总吨位/>,船舶当前实载吨位/>在过闸预约时填报;结合该船航速分级特征值/>,由步骤五)船舶航速神经网络计算模型生成其平均航速/>,则该船到达目标船闸的航行时间/>;
在多梯级船闸船舶调度时,以所述航行时间作为船舶过闸预约的管控条件,当船舶在/>时刻预约/>时刻到达目标船闸,当/>时,允许船舶按照预约时间过闸;反之,不允许船舶按照预约时间过闸。
而且,步骤三)或步骤六)中,经纬度坐标转换为航段里程位置的实现方式如下:
将航段间的航线分割成等间距的里程控制点/>,各里程控制点的航段里程起点为下游梯级船闸/>,船舶在航段/>间航行时,设北斗终端采集的第/>条记录所在/>点与所述里程控制点的第/>个点距离/>最小,则将该里程控制点的航段里程作为/>点的航段里程位置。
而且,步骤三)中,船舶下行和上行数据集清洗方式如下:
提取每个船舶航次进入和离开航段的实载吨位分别为/>、/>,两者相差,若/>,则舍弃该船舶航次;
提取每个船舶航次船载北斗轨迹最后一个记录和第一个记录的航段里程差值和时间差值分别为、/>,若航段里程差值/>小于20km或时间差值/>小于4h,则舍弃该船舶航次;
提取每个船舶航次船载北斗轨迹记录中间缺失总时间和停船总时间分别为、,若缺失总时间/>大于4h或停船总时间/>大于4h,则舍弃该船舶航次。
而且,步骤四)或步骤五)中的船舶航速分级特征值根据船载北斗终端采集的步骤一)航段船舶历史轨迹资料确定,对于新进入该航段的船舶,其航速分级特征值采用该船在邻近梯级航段相同方向的航速分级特征值,新船采用同类型船舶的航速分级特征值。
而且,步骤六)船舶当前位置和目标船闸位于同一航段。
而且,船舶航次中船载北斗轨迹记录停船时间和由下式计算:
其中,、/>分别为船舶航次中船载北斗轨迹的记录序号和记录总数,/>为船载北斗数据采集频率,/>为该船舶航次第/>条记录的瞬时航速,/>表示瞬时航速小于0.5 km/h时,结果为1,否则为0。
而且,航段里程控制点间距根据河道特征确定,取值不超过200m。
而且,梯级船闸的上游锚地和下游锚地附近设置有报到线,闸室设置有过闸线,装载有北斗终端的船舶进闸前经过报到线时,北斗终端自动生成船舶的报到时间,船舶出闸经过过闸线时,北斗终端自动生成船舶的过闸时间。
本发明具有的优点和积极效果是:
(1)本发明以船舶通过多梯级船闸的航次作为船舶行为特征分析计算的基本单元,并根据内河船舶航线较为单一的特点,将船舶航迹的经纬度坐标转换为航段里程位置,为船舶航行特征参数提取和异常行为清洗提供了一套便捷和有效方法。
(2)本发明提供了一种基于船舶行为特征的船舶航速计算模型,该方法引入航段的船舶航速分级特征值作为船舶航速模型计算的重要参数,可以反应船舶性能、驾驶员行为习惯、河势特征等对船舶航行的一般影响,可以提高船舶航速和船舶航程时间计算的准确性。
(3)本发明提供的一种多梯级船闸船舶调度管控方法,可以根据船载北斗终端记录的船舶轨迹资料、船闸调度资料和枢纽运行资料进行构建,模型输入参数较为简单,模型实用性强,不仅可以快速生成船舶航程时间并作为多梯级船闸船舶智能调度管控的依据,还能为运输企业安排运输计划和船舶航行等提供辅助决策支持,具有较强的推广应用价值。
附图说明
图1是本发明的原理框图;
图2是本发明实施例的航段里程控制点间距确定条件示意图;
图3是本发明选择的桂平—贵港航段贵港二司903下行各船舶航次航行时间与流量关系图;
图4是本发明选择的桂平—贵港航段贵港二司903下行各船舶航次航行时间与载重关系图;
图5是本发明实施例所在的西江航运干线梯级船闸位置图。
图中:箭头为水流方向,广西对西江干支流上的12个梯级船闸实行联合调度,其中长洲、大藤峡、桥巩三个梯级船闸位于西江干流,分别位于浔江、黔江、红水河河段,桂平、贵港、西津、邕宁四个梯级船闸位于西江支流郁江,老口、金鸡滩、鱼梁、那吉四个梯级位于郁江干流右江,红花船闸位于西江支流柳江。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
请参见图1,本发明实施例提供一种多梯级船闸船舶调度管控方法,所述通过多梯级船闸的船舶装载有北斗终端,可以按照设定频率实时采集船舶经度、纬度和瞬时航速,梯级船闸的上游锚地和下游锚地附近设置有报到线,闸室设置有过闸线,装载有北斗终端的船舶进闸前经过报到线和出闸时经过过闸线,北斗终端自动生成船舶的报到时间和过闸时间信息并存储到船闸调度系统中,包括以下步骤:
一)根据船闸运行资料生成船舶连续下行和上行通过相邻多梯级船闸的船舶航次;
对于两个相邻的多梯级船闸,设上游梯级船闸为,下游梯级船闸为/>,两个梯级船闸间的航道组成航段/>,设船舶进入航段/>的过闸时间为/>,该船离开航段的报到时间为/>,则该船在/>至/>时间内的航行组成一个在该航段的船舶航次。船舶进出航段/>共有四种可能:分别为,由梯级船闸/>进入并从梯级船闸/>离开(/>),由梯级船闸/>进入并从梯级船闸/>离开(/>),同时由梯级船闸/>进入和离开(),同时由梯级船闸/>进入和离开(/>)。对于/>和/>两种情况,船舶在航段/>中间可能存在较长时间停船,无法反应船舶的连续、正常航行情况。因此,在具体实施时,仅生成/>,/>两种情况的航次,分别对应船舶连续下行和上行经过两个梯级船闸的情况。
本发明所述根据船闸运行资料生成的各船舶航次,包括:船舶名称(),航次序号(/>),进入航段时梯级船闸数字标识(/>),进入航段时船舶实载吨位(/>),进入航段时船舶过闸时间(/>),离开航段时梯级船闸数字标识(/>),离开航段时船舶实载吨位(/>),离开航段时船舶报到时间(/>)。
二)以步骤一)所得船舶航次为基本单元,由北斗终端采集的船舶历史轨迹数据生成船舶下行和上行数据集;
本发明所述船载北斗终端采集的船舶历史轨迹数据,包括船舶名称()、经度()、纬度(/>)、采集时间(/>)、瞬时航速(/>)五个特征,数据按照采集时间先后进行存储,采集频率/>为1min或0.5min。具体实施时,为提高船舶下行和上行数据集的生成效率,需要对船载北斗终端采集的船舶历史轨迹数据提前进行预处理,包括按船舶名称分割成单独的文件,相同名称的船舶轨迹数据存储到一个文件中,并删除了重复记录和船名为空的记录。
根据步骤一)生成的下行和上行船舶航次,提取每个船舶在各航次至/>时间内的北斗轨迹坐标、采集时间和瞬时航速,并分别生成以船舶航次为基本单元的下行和上行数据集,各数据集的特征为:船舶名称(/>),航次序号(/>),进入航段时的船舶实载吨位(),离开航段时的船舶实载吨位(/>),采集时间(/>),经度(/>)、纬度(/>)、瞬时航速(/>)。
三)对步骤二)船舶下行和上行数据集中的经纬度跳跃点进行清理,并将经纬度坐标转换为航段里程位置,进一步依据船舶行为特征对数据集进行清洗;
本发明所述船载北斗终端采集的经纬度位置常发生跳跃,需要对步骤二)船舶下行和上行数据集中的经纬度跳跃点进行清理。
优选地,设船载北斗终端采集的某船舶航次内第条记录的经度、纬度分别为/>、/>,该船舶航次经度平均值、纬度平均值分别为/>、/>。当/>与/>差值的绝对值大于阈值/>即/>,或/>与/>差值的绝对值大于阈值/>即/>,则认为该条记录为跳跃点,并将其删除。阈值/>、/>由船载北斗终端采集点的跳跃情况确定,西江船载北斗终端采集船舶轨迹跳跃点的阈值/>、/>值均等于1。
进一步地,将航段间的航线分割成等间距的航段里程控制点/>,各控制点的里程起点为下游梯级船闸/>,提取各控制点的经纬度坐标和航段里程,并按照航段里程由小到大的顺序生成航段里程控制点文件。船舶在航段/>间航行时,设船载北斗终端采集的第/>条记录所在/>点与所述里程控制点的第/>个控制点距离/>最小,则将该里程控制点的航段里程作为/>点的航段里程位置。
请参见图2,本发明提出的航段里程控制点间距应根据河道特征确定,对于弯道段,设两弯顶最短距离为图中B点与C点的连线,距离为/>,则控制点间距/>;
优选地,航段里程控制点间距取值不超过200m。
进一步地,本发明以每艘船舶的各船舶航次为基本单元,在清除跳跃点后,再根据船载北斗轨迹记录的船舶行为特征对船舶下行和上行数据集进行清洗,具体实施方式为,
提取每个船舶航次进入和离开航段的实载吨位分别为/>、/>,两者相差,若/>,该船在中途可能进行了装卸作业,需舍弃该船舶航次;
提取每个船舶航次船载北斗轨迹最后一个记录和第一个记录的航段里程差值和时间差值分别为、/>,若段里程差值/>小于20km或时间差值/>小于4h,表明该航次的船载北斗轨迹记录数据较少,可能会影响后续模型计算精度,需舍弃该船舶航次;
提取每个船舶航次船载北斗轨迹记录中间缺失总时间和停船总时间分别为、,若缺失总时间/>大于4h或停船总时间/>大于4h,表明该航次北斗记录的停船时间较长或缺失时间较长,也可能会影响后续模型计算精度,需舍弃该船舶航次;
优选地,为去除锚泊期间船体抖动或是北斗信号不稳定时产生的船舶假航行问题,本发明提出各船舶航次的船载北斗轨迹记录停船时间和由下式计算:
其中,、/>分别为船舶航次中船载北斗轨迹的记录序号和记录总数,/>为船载北斗数据采集频率,/>为该船舶航次第/>条记录的瞬时航速,/>表示瞬时航速小于0.5 km/h时,结果为1,否则为0。
四)计算步骤三)清洗所得数据集中各船舶航次的船舶平均航速,并确定船舶下行和上行的航速分级特征值:
请参见图3和图4,对于相同船舶,受船舶载重、河道水情差异的影响,不同船舶航次的平均航速并不相同,这也导致相同航段的航行时间差别较大;对于不同船舶,船舶性能和驾驶员行为习惯也是影响船舶航速的重要因素,其结果船舶航速往往具有一定的区间。因此,引入船舶航速分级指标来表征船舶性能、河势特征和驾驶员行为对于给定航段船舶航行的一般影响。
根据步骤三)得到各船舶航次北斗终端采集的最后一个记录和第一个记录的航段里程差值、时间差值分别为、/>,各船舶航次北斗记录停船时间和为/>,由下式计算各船舶航次的平均航速/>,
设船舶相同航向的航次数为,该船相同航向时的常态航速/>定义为,
根据内河船舶的实际航速区间范围对所述航段内上行、下行各船舶的常态航速/>分别进行分级,并得到航速分级特征值/>;
优选地,本发明提出将所述船舶常态航速划分为10个等级范围:分别为≤4、4~6、6~8、8~10、10~12、12~14、14~16、16~18、18~20、>20,对应的航速分级特征值/>分别为1、2、3、4、5、6、7、8、9、10。
五)确定船舶航行特征参数,并建立船舶航速神经网络计算模型;
根据船闸运行资料提取步骤三)清洗所得数据集中各航次的船舶核载吨位、总吨位/>、实载吨位/>,由枢纽运行资料确定步骤一)梯级船闸/>的入库流量/>和坝前水位,由步骤四)所得各航次的船舶平均航速/>和航速分级特征值/>,建立船舶航速神经网络计算模型:
;
优选地,选择BP神经网络模型作为船舶航速计算模型,并以修正线性单元ReLu(Rectified linear unit)作为非线性拟合函数,模型建立时对数据进行归一化处理,所述神经网络模型训练通过后进入后续步骤。
六)计算船舶航程时间并进行多梯级船闸船舶调度管控;
在船舶进行过闸预约时,将该船当前位置经纬度坐标和目标船闸经纬度坐标转换为航段里程位置,并得到航程距离;由枢纽运行资料确定梯级船闸/>的入库流量/>和坝前水位/>;根据船闸运行资料确定船舶核载吨位/>和总吨位/>,船舶当前实载吨位/>在过闸预约时填报;结合该船舶航速分级特征值/>,由船舶航速神经网络计算模型生成船舶的平均航速/>,则船舶到达目标船闸的航行时间/>;
在多梯级船闸船舶调度时,以所述航行时间作为船舶过闸预约的管控条件,当船舶在/>时刻预约/>时刻到达目标船闸,当/>时,允许船舶按照预约时间过闸;反之,不允许船舶按照预约时间过闸。
进一步地,船舶进行过闸预约时的当前位置和目标船闸位于同一航段。
进一步地,对于新进入某个梯级航段的船舶,其航速分级特征值采用该船在邻近梯级航段相同方向的航速分级特征值,新船采用同类型船舶的航速分级特征值。
进一步地,梯级船闸的上游锚地和下游锚地附近设置有报到线,闸室设置有过闸线,装载有北斗终端的船舶进闸前经过报到线时,北斗终端自动生成船舶的报到时间,船舶出闸经过过闸线时,北斗终端自动生成船舶的过闸时间。
为便于了解本发明技术效果,便于实施参考起见,提供以下应用实例:
实施例应用实例
请参见图5,目前广西对长洲、桂平、贵港、西津、邕宁、老口、金鸡滩、鱼梁、那吉、大藤峡、红花、桥巩共12个梯级船闸实行联合调度,贵港和桂平是西江支流郁江上的两座相邻多梯级船闸,其中贵港船闸为上游梯级船闸,桂平船闸为下游梯级船闸,贵港—桂平航段里程约110km。贵港、桂平航段是西江较为繁忙的两座船闸,为验证本发明的效果,以贵港、桂平两座多梯级船闸船舶下行调度管控为例说明。
收集到2020年10月—2021年6月西江船载北斗终端采集的船舶历史轨迹数据、船闸运行资料和枢纽水情资料,运行实施例的步骤一)至步骤五),共得到6449个下行船舶航次的记录,在提取各航次的船舶航行特征参数后建立BP神经网络模型对船舶航速进行计算。为检验模型计算效果,所述神经网络模型将得到的全部船舶航次按照8:2的比例随机划分为训练集和测试集。
实施例中,采用最大绝对相对偏差()、平均绝对相对偏差(/>)、均方差(/>)对模型结果进行评价:
最大绝对相对偏差定义为
平均绝对相对偏差定义为
均方差定义为
其中为船舶航次个数,/>为第/>个船舶航次的实际航速值,/>为其对应的计算航速值。
表1为贵港—桂平航段下行船舶航速计算偏差统计表,给出了所述航速神经网络模型运行100次时,各次的最大绝对相对偏差、平均绝对相对偏差、均方差的平均值,得到平均绝对相对偏差误差为4.43%,最大绝对相对偏差为29.85%,均方差为0.62,模型计算精度较高。
表1 贵港—桂平航段下行船舶航速计算偏差统计表
表2为贵港—桂平航段航程时间计算偏差统计表,给出了测试集船舶计算航程时间与实际航程时间的差值分布情况,船舶下行时计算的船舶航程时间与实际航程时间差值普遍在1h内,占总船舶航次的92.63%;计算的船舶航程时间与实际航程时间差值在2h内的占总船舶航次的99.54%。
表2 贵港—桂平航段航程时间计算偏差统计表
进一步地,若船舶安途2299在下行通过贵港船闸后,于2023年1月1日 12:00到达位置(经纬度坐标分别为109.89177°,23.17591°)处预约该日16:00通过桂平船闸。根据实施例步骤三)按照间距m将贵港—桂平110km航道的航线划分为550个里程控制点,各里程控制点根据其与桂平船闸的距离进行排序,第/>个里程控制点的航段里程位置m,桂平船闸上游报到线的航段里程位置为6.2km,船舶安途2299当前位置(109.89177°,23.17591°)与第282个里程控制点最近,对应的航段里程为56.2km,其距离桂平船闸报到线位置为50km。根据船闸运行资料确定该船核载吨位和总吨位分别为4200t、1960t,船舶过闸预约时填报的实载吨位为2000t,由枢纽运行资料确定桂平枢纽入库流量为419m3/s,桂平枢纽的坝前水位为30.8m,该船在该航段的下行船舶航速分级特征值为5。根据步骤五)建立的船舶航速神经网络模型计算该船下行航速为10.5km/h,则其正常到达桂平船闸需要的时间为4.76h(4小时46分钟),而船舶预约在4h后到达,小于当前条件下该船舶的合理航行时间,因此,不允许该船按照当前预约时间过闸,其预约的合理过闸时间应在2023年1月1日16:46以后。
具体实施时,若预测航程位于两个或多个梯级航段,本领域技术人员还应根据梯级枢纽布置进行分段预测。
具体实施时,以上流程可采用计算机软件方式实现自动运行。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,上述的具体实施方式仅仅是示意性的,并不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可以做出很多形式,这些均属于本发明的保护范围之内。
Claims (8)
1.一种多梯级船闸船舶调度管控方法,其特征在于,包括以下步骤:
一)根据船闸运行资料生成船舶连续下行和上行通过相邻多梯级船闸的船舶航次;
对于两个相邻的多梯级船闸,设上游梯级船闸为U,下游梯级船闸为D,两个梯级船闸间的航道组成航段U-D,设船舶进入航段U-D的过闸时间为Dt,该船离开航段U-D的报到时间为Rt,则该船在Dt至Rt时间内的航行组成一个在该航段的船舶航次;根据梯级船闸U和梯级船闸D运行资料,提取船舶连续下行通过梯级船闸U和梯级船闸D的船舶航次U进D出,即船舶由梯级船闸U进入并从梯级船闸D离开;同时提取船舶连续上行通过梯级船闸D和梯级船闸U的船舶航次D进U出,即船舶由梯级船闸D进入并从梯级船闸U离开;
二)以步骤一)所得船舶航次为基本单元,由北斗终端采集的船舶历史轨迹数据生成船舶下行和上行数据集;
三)对步骤二)船舶下行和上行数据集中的经纬度跳跃点进行清理,并将经纬度坐标转换为航段里程位置,进一步依据船舶行为特征对数据集进行清洗;
四)计算步骤三)清洗所得数据集中各船舶航次的船舶平均航速,并确定各船舶下行和上行的航速分级特征值,实现方式如下,
根据步骤三)得到各船舶航次北斗终端采集的最后一个记录和第一个记录的航段里程差值、时间差值分别为ΔL、ΔT,各船舶航次北斗记录停船时间和为St,由下式计算船舶航次的平均航速Hv,
设船舶相同航向的航次数为m,该船相同航向时的常态航速Dv定义为,
根据内河船舶的实际航速区间范围对所述航段U-D内上行、下行各船舶的常态航速Dv分别进行分级,并得到航速分级特征值Cv;
五)确定船舶航行特征参数,并建立船舶航速神经网络计算模型;
根据船闸运行资料提取步骤三)清洗所得数据集中各船舶航次的船舶核载吨位Rw、总吨位Gw、实载吨位Aw,由枢纽运行资料确定步骤一)梯级船闸D的入库流量Q和坝前水位H,由步骤四)所得各船舶航次的船舶平均航速Hv和航速分级特征值Cv,建立并训练船舶航速神经网络计算模型
Hv={Rw;Gw;Aw;Q;H;Cv};
六)计算船舶航程时间并进行多梯级船闸船舶调度管控;
在船舶进行过闸预约时,将该船当前位置经纬度坐标和目标船闸经纬度坐标转换为航段里程位置,并得到航程距离L;由枢纽运行资料确定梯级船闸D的入库流量Q和坝前水位H;根据船闸运行资料确定船舶核载吨位Rw和总吨位Gw,船舶当前实载吨位Aw在过闸预约时填报;结合该船航速分级特征值Cv,由船舶航速神经网络计算模型生成其平均航速Hv,则该船到达目标船闸的航行时间Δt=L/Hv;
在多梯级船闸船舶调度时,以所述航行时间Δt作为船舶过闸预约的管控条件,当船舶在t1时刻预约t2时刻到达目标船闸,当航行时间Δt≤t2-t1时,允许船舶按照预约时间过闸;反之,不允许船舶按照预约时间过闸。
2.根据权利要求1所述一种多梯级船闸船舶调度管控方法,其特征在于:步骤三)或步骤六)中,经纬度坐标转换为航段里程位置的实现方式如下:
将航段U-D间的航线分割成等间距的里程控制点{K1,K2…Kj},各里程控制点的航段里程起点为下游梯级船闸D,船舶在航段U-D间航行时,设北斗终端采集的第i条记录所在Ai点与所述里程控制点的第j个点距离|AiKj|最小,则将该里程控制点的航段里程作为Ai点的航段里程位置。
3.根据权利要求1所述一种多梯级船闸船舶调度管控方法,其特征在于:步骤三)中,船舶下行和上行数据集清洗方式如下:
提取每个船舶航次进入和离开航段U-D的实载吨位分别为Aw进、Aw出,两者相差ΔAw=Aw进-Aw出,若ΔAw≠0,则舍弃该船舶航次;
提取每个船舶航次船载北斗轨迹最后一个记录和第一个记录的航段里程差值和时间差值分别为ΔL、ΔT,若航段里程差值ΔL小于20km或时间差值ΔT小于4h,则舍弃该船舶航次;
提取每个船舶航次船载北斗轨迹记录中间缺失总时间和停船总时间分别为Mt、St,若缺失总时间Mt大于4h或停船总时间St大于4h,则舍弃该船舶航次。
4.根据权利要求1所述一种多梯级船闸船舶调度管控方法,其特征在于:步骤四)或步骤五)中的船舶航速分级特征值根据船载北斗终端采集的步骤一)航段U-D船舶历史轨迹资料确定,对于新进入该航段的船舶,其航速分级特征值采用该船在邻近梯级航段相同方向的航速分级特征值,新船采用同类型船舶的航速分级特征值。
5.根据权利要求1所述一种多梯级船闸船舶调度管控方法,其特征在于:步骤六)船舶当前位置和目标船闸位于同一航段。
6.根据权利要求1或3所述一种多梯级船闸船舶调度管控方法,其特征在于:船舶航次中船载北斗轨迹记录停船时间和St由下式计算:
其中,i、n分别为船舶航次中船载北斗轨迹的记录序号和记录总数,R为船载北斗数据采集频率,Ivi为该船舶航次第i条记录的瞬时航速,if(Ivi<0.5,1,0)表示瞬时航速小于0.5km/h时,结果为1,否则为0。
7.根据权利要求2所述一种多梯级船闸船舶调度管控方法,其特征在于:航段里程控制点间距根据河道特征确定,取值不超过200m。
8.根据权利要求1或2或3或4或5所述一种多梯级船闸船舶调度管控方法,其特征在于:梯级船闸的上游锚地和下游锚地附近设置有报到线,闸室设置有过闸线,装载有北斗终端的船舶进闸前经过报到线时,北斗终端自动生成船舶的报到时间,船舶出闸经过过闸线时,北斗终端自动生成船舶的过闸时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310603307.XA CN116341392B (zh) | 2023-05-26 | 2023-05-26 | 一种多梯级船闸船舶调度管控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310603307.XA CN116341392B (zh) | 2023-05-26 | 2023-05-26 | 一种多梯级船闸船舶调度管控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116341392A CN116341392A (zh) | 2023-06-27 |
CN116341392B true CN116341392B (zh) | 2023-08-11 |
Family
ID=86888016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310603307.XA Active CN116341392B (zh) | 2023-05-26 | 2023-05-26 | 一种多梯级船闸船舶调度管控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116341392B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652503A (zh) * | 2020-06-01 | 2020-09-11 | 中南大学 | 基于网络流模型的多梯级多线船闸联合调度方法及结构 |
CN114219236A (zh) * | 2021-11-29 | 2022-03-22 | 长江三峡通航管理局 | 一种梯级枢纽通航联合调度方法 |
CN115629548A (zh) * | 2022-12-19 | 2023-01-20 | 交通运输部天津水运工程科学研究所 | 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 |
CN115689235A (zh) * | 2022-11-11 | 2023-02-03 | 长江三峡通航管理局 | 一种降低多线单级船闸泄水波影响的通航调度方法 |
CN115810292A (zh) * | 2022-07-19 | 2023-03-17 | 安徽博微广成信息科技有限公司 | 一种航运船舶自动协同调度方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9983010B2 (en) * | 2013-09-06 | 2018-05-29 | Nippon Yusen Kabushiki Kaisha | Device, program, recording medium and method for facilitating management of schedule of voyage |
-
2023
- 2023-05-26 CN CN202310603307.XA patent/CN116341392B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652503A (zh) * | 2020-06-01 | 2020-09-11 | 中南大学 | 基于网络流模型的多梯级多线船闸联合调度方法及结构 |
CN114219236A (zh) * | 2021-11-29 | 2022-03-22 | 长江三峡通航管理局 | 一种梯级枢纽通航联合调度方法 |
CN115810292A (zh) * | 2022-07-19 | 2023-03-17 | 安徽博微广成信息科技有限公司 | 一种航运船舶自动协同调度方法 |
CN115689235A (zh) * | 2022-11-11 | 2023-02-03 | 长江三峡通航管理局 | 一种降低多线单级船闸泄水波影响的通航调度方法 |
CN115629548A (zh) * | 2022-12-19 | 2023-01-20 | 交通运输部天津水运工程科学研究所 | 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 |
Non-Patent Citations (1)
Title |
---|
基于动态二叉树的西江航运干线多梯级船闸链调度;王勇;水运工程(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116341392A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116341392B (zh) | 一种多梯级船闸船舶调度管控方法 | |
CN110047279B (zh) | 一种基于订单数据确定共享单车调度量的方法 | |
CN101982830A (zh) | 一种船舶定线制方案综合评价指标体系和组合评价方法 | |
CN108984927B (zh) | 一种基于系统仿真的港口碳排放计算方法 | |
CN110659857A (zh) | 一种船舶到港排队调度方法 | |
CN107256632A (zh) | 一种基于用户异质时间价值与拥堵费用预算的交通分配方法 | |
CN110920700A (zh) | 一种高铁调度优化方法、系统、及存储介质 | |
CN115527369B (zh) | 一种空港枢纽大面积延误条件下的大客流预警与疏散方法 | |
CN111178697B (zh) | 一种高速铁路通过能力计算方法及系统 | |
CN111898859A (zh) | 一种多目标单向航道码头连续型泊位分配调度方法 | |
CN110288829B (zh) | 一种港湾式公交停靠站停车泊位数量设置判别方法 | |
CN114219237B (zh) | 一种内河长距离联动控制通航调度方法 | |
CN110490443A (zh) | 航运动态运力监测和调配方法 | |
CN115545433A (zh) | 一种船舶航段进度计算方法与系统 | |
CN107633329A (zh) | 一种预测到达航班旅客出机场时间的方法 | |
Wang et al. | Impact of navigational safety level on seaport fairway capacity | |
CN112686706A (zh) | 一种基于多参数的船舶航运成本预估方法 | |
CN115689235A (zh) | 一种降低多线单级船闸泄水波影响的通航调度方法 | |
CN111008736A (zh) | 用于新航线的开通决策方法及系统 | |
CN108154299B (zh) | 多验潮站长航道船舶乘潮安全分析系统 | |
CN101814235A (zh) | 预约集港模式下的港区交通疏导配流方法 | |
CN107330587B (zh) | 一种基于ais的近岸航道水深利用率计算方法 | |
CN109308539A (zh) | 实时估算轨道交通线网中换乘站的乘客滞留状态的方法 | |
CN114882736B (zh) | 可容忍风险船舶航路与海上区域建筑安全间距计算方法 | |
CN110968956A (zh) | 一种控制河段航道通过能力计算方法及其航运控制方法 |
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 |