CN120980098A - 船舶航行模型的部署方法、装置、电子设备及存储介质 - Google Patents

船舶航行模型的部署方法、装置、电子设备及存储介质

Info

Publication number
CN120980098A
CN120980098A CN202510888981.6A CN202510888981A CN120980098A CN 120980098 A CN120980098 A CN 120980098A CN 202510888981 A CN202510888981 A CN 202510888981A CN 120980098 A CN120980098 A CN 120980098A
Authority
CN
China
Prior art keywords
ship
target
data
model
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.)
Pending
Application number
CN202510888981.6A
Other languages
English (en)
Inventor
刘宁
郝迎港
霍通
瞿许明
马卫国
赵倩芳
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.)
Wuhan Hailanjing Technology Co ltd
Original Assignee
Wuhan Hailanjing Technology Co ltd
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 Wuhan Hailanjing Technology Co ltd filed Critical Wuhan Hailanjing Technology Co ltd
Priority to CN202510888981.6A priority Critical patent/CN120980098A/zh
Publication of CN120980098A publication Critical patent/CN120980098A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/096—Transfer learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/2866—Architectures; Arrangements
    • H04L67/30—Profiles
    • H04L67/303—Terminal profiles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Bioethics (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种船舶航行模型的部署方法、装置、电子设备及存储介质，所述方法包括：确定多个特征船舶集合，获取特征船舶集合的船舶数据；其中，每个特征船舶集合包括多个特征相同的船舶；基于多个特征船舶集合的船舶数据训练初始航行模型，得到多个基础航行模型；响应于接收到目标船舶的模型请求，根据目标船舶的船舶数据从多个基础航行模型中确定与目标船舶相匹配的基础航行模型作为目标基础航行模型；将目标基础航行模型部署到目标船舶，以使目标船舶基于船端数据训练目标基础航行模型，得到目标协同航行模型。本申请可以实现船舶自主航行模型的端云协同，提高模型的性能和适应性，为船舶的安全、高效航行提供有力支持。

Description

船舶航行模型的部署方法、装置、电子设备及存储介质
技术领域
本申请属于船舶航行导航技术领域，具体涉及一种船舶航行模型的部署方法、一种船舶航行模型的部署装置、一种电子设备以及一种计算机可读存储介质。
背景技术
随着船载设备软硬件技术的持续进步，算力芯片成本显著降低，加之大语言模型与人工智能(AI)技术的蓬勃发展，船舶自主航行在技术层面已具备实现条件。然而，在实际应用中仍面临诸多挑战。一方面，为确保自主航行的及时性，决策延时需控制在几秒量级，但航行决策依赖海量数据，涵盖船舶自身状态、航行环境等多维度信息。另一方面，船舶原始数据包含大量敏感隐私信息，易引发船东对安全隐私的担忧。此外，船岸之间通信带宽有限，若将船端海量数据上报至岸端进行驾驶决策推理，不仅不现实，还会因数据传输延迟等问题严重影响决策的及时性。
尽管互联网移动端的端云协同模式与船舶自主航行存在一定相似性，但因船舶航行的特殊性和复杂性，其并不能完全适用于船舶自主航行场景，因此，适合船舶领域的云端、船端协同的船舶航行模型部署是亟待解决的技术问题。
发明内容
本申请旨在至少解决现有技术中存在的技术问题之一。为此，本申请提出了一种船舶航行模型的部署方法、装置、电子设备及存储介质。
第一方面，本申请实施例提供一种船舶航行模型的部署方法，包括：
确定多个特征船舶集合，获取特征船舶集合的船舶数据；其中，每个特征船舶集合包括多个特征相同的船舶；
基于多个特征船舶集合的船舶数据训练初始航行模型，得到多个基础航行模型；
响应于接收到目标船舶的模型请求，根据目标船舶的船舶数据从多个基础航行模型中确定与目标船舶相匹配的基础航行模型作为目标基础航行模型；
将目标基础航行模型部署到目标船舶，以使目标船舶基于船端数据训练目标基础航行模型，得到目标协同航行模型。
在一些实施例中，所述特征船舶集合的船舶数据包括船舶驾驶数据、船舶态势数据以及操作数据中的至少一种。
在一些实施例中，在获取特征船舶集合的船舶数据之后，方法还包括：
将特征船舶集合的船舶数据按照预设格式进行转换，得到船舶数据序列；其中，船舶数据序列中的船舶数据是按照时间序列排序的。
在一些实施例中，基于多个特征船舶集合的船舶数据训练初始航行模型，得到多个基础航行模型，包括：
针对每个特征船舶合集，利用特征船舶集合的船舶数据，基于深度学习算法训练初始航行模型，得到基础航行模型。
在一些实施例中，根据目标船舶的船舶数据从多个基础航行模型中确定与目标船舶相匹配的基础航行模型作为目标基础航行模型，包括：
根据目标船舶的船舶数据确定目标船舶的船型数据、船舶尺寸数据以及船舶设备数据；
根据船型数据、船舶尺寸数据以及船舶设备数据从多个基础航行模型中确定与目标船舶相匹配的基础航行模型作为目标基础航行模型。
在一些实施例中，将目标基础航行模型部署到目标船舶，包括：
对目标基础航行模型进行轻量化处理，将轻量化处理后的目标基础航行模型部署到目标船舶。
在一些实施例中，所述方法还包括：
获取多个目标船舶反馈的目标协同航行模型，确定目标协同航行模型的梯度；其中，目标协同航行模型是目标船舶基于船端数据对目标基础航行模型进行迁移学习得到的；
将所有目标协同航行模型的梯度进行聚合，得到聚合梯度；
根据聚合梯度更新多个基础航行模型的参数。
第二方面，本申请实施例提供一种船舶航行模型的部署装置，包括：
确定模块，被配置为确定多个特征船舶集合，获取特征船舶集合的船舶数据；其中，每个特征船舶集合包括多个特征相同的船舶；
训练模块，被配置为基于多个特征船舶集合的船舶数据训练初始航行模型，得到多个基础航行模型；
响应模块，被配置为响应于接收到目标船舶的模型请求，根据目标船舶的船舶数据从多个基础航行模型中确定与目标船舶相匹配的基础航行模型作为目标基础航行模型；
部署模块，被配置为将目标基础航行模型部署到目标船舶，以使目标船舶基于船端数据训练目标基础航行模型，得到目标协同航行模型。
第三方面，本申请实施例提供一种电子设备，包括：处理器和存储器，上述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的船舶航行模型的部署方法的步骤。
第四方面，本申请实施例提供一种计算机可读存储介质，上述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的船舶航行模型的部署方法的步骤。
本申请提供的技术方案，应用于云端，首先确定多个特征船舶集合，获取特征船舶集合的船舶数据；其中，每个特征船舶集合包括多个特征相同的船舶；然后，基于多个特征船舶集合的船舶数据训练初始航行模型，得到多个基础航行模型；进一步地，响应于接收到目标船舶的模型请求，根据目标船舶的船舶数据从多个基础航行模型中确定与目标船舶相匹配的基础航行模型作为目标基础航行模型；最后，将目标基础航行模型部署到目标船舶，以使目标船舶基于船端数据训练目标基础航行模型，得到目标协同航行模型。本申请通过区分船型、尺寸及设备列表并自动匹配基础航行模型，提升适配性与精准度。端云协同机制兼顾岸基云端算力与船端实时决策，减少数据传输、缓解带宽压力，且本地化处理保障数据安全隐私，实现了船舶自主航行模型的端云协同，提高模型的性能和适应性，为船舶的安全、高效航行提供有力支持。
本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例提供的一种船舶航行模型的部署方法的流程示意图。
图2为本申请实施例提供的一种船舶航行模型的部署框架示意图。
图3为本申请实施例提供的一种船舶航行模型的部署装置示意图。
图4为本申请实施例中一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的实施例。虽然附图中显示了本申请的某些实施例，然而应当理解的是，本申请可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本申请。应当理解的是，本申请的附图及实施例仅用于示例性作用，并非用于限制本申请的保护范围。
应当理解，本申请的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本申请的范围在此方面不受限制。
如背景技术部分所记载的，互联网移动端的端云协同通常分为以下几种模式：
第一种为云上训练，云上推断：对于离线阶段，移动端负责收集并上传数据，云侧则利用这些海量数据进行模型训练，最终产出适用于特定任务的模型；对于在线阶段：移动端继续上传实时数据，云侧加载已训练好的模型进行推断，并将结果返回给移动端。
第二种为云上训练，端上推断：对于离线阶段，与第一种模式类似，移动端上传数据，云侧进行模型训练；对于在线阶段，通过模型压缩技术，将训练好的模型小型化后部署到移动端。移动端直接利用本地模型进行推断，无需与云侧进行频繁的数据交互。
第三种为端云协同学习，该方案特点是端侧和云侧保持高度协同。云侧负责大模型的训练和推断，而端侧则进行小模型的训练和推断。两者之间不仅进行数据通信，还进行模型间学习梯度的通信，以实现模型的持续优化和更新。
然而，以上三种模式均不合适，云上训练，云上推断完全不适用船舶领域，因为自主航行和航行决策不由云端完成，不能容忍数据延时。云上训练、端上推断也不能完全解决船舶领域自主航行训练和推断的问题，因为，让船舶生成的海量数据全部上报到岸基很难实现，数据不能上岸，就无法训练模型。更何况，船舶有多种船型、船舶尺寸，训练的模型只能适应于特定的船型(如集装箱船、散货船、油轮、客船等)和船舶尺寸。而对于端云协同学习，由于船舶的数据是敏感数据，主观性较强，因此也不合适。
因此，本申请提出了一种船舶航行模型的部署方法、装置、电子设备及存储介质，云端，通过区分船型、尺寸及设备列表并自动匹配基础航行模型，提升适配性与精准度。端云协同机制兼顾岸基云端算力与船端实时决策，减少数据传输、缓解带宽压力，且本地化处理保障数据安全隐私，实现了船舶自主航行模型的端云协同，提高模型的性能和适应性，为船舶的安全、高效航行提供有力支持。
以下，通过具体的实施例进一步详细说明本申请的技术方案。
步骤S101，确定多个特征船舶集合，获取特征船舶集合的船舶数据；其中，每个特征船舶集合包括多个特征相同的船舶。
在本步骤中，训练数据的采集可能来源于多艘船舶，需要将船舶按船舶特征分类，构建数据集以支持模型训练。船舶特征可以包括船型(如集装箱船、油轮)、船舶尺寸(如载重吨位)、设备配置(如雷达型号、推进系统)、航行区域(如近海、远洋)等。同一特征船舶集合内的船舶在关键特征上完全一致(如均为10万吨级集装箱船，配备相同型号雷达)，也可以允许次要特征差异(如船龄、船东)，但需确保对航行模型影响可忽略。
作为一个可选的实施例，特征船舶集合的船舶数据包括船舶驾驶数据、船舶态势数据以及船长画像数据中的至少一种。
特征船舶集合的船舶数据类型可以包括驾驶数据(如船位、航速、舵角)、态势数据(如风速、水深)、操作数据(如人工干预记录)。
在传统船舶数据(驾驶、态势)基础上，还可以引入船长画像数据，构建更全面的特征船舶集合，提升模型的个性化与适应性。船长画像数据描述船长操作习惯、决策风格、历史行为的数据，反映人为因素对航行的影响。船长画像数据可以包括操作习惯，如舵角调整频率(如平均每分钟调整次数)、主机推进功率的波动范围(如是否频繁加减速)。还可以包括决策风格，如避碰策略(如优先减速还是转向)、航线规划偏好(如是否优先选择最短路径或最安全路径)。还可以包括历史行为，如航行事故记录(如碰撞、搁浅次数)、燃油消耗效率(如单位航程的油耗)。
船舶数据可以通过雷达、AIS(自动识别系统)、GPS/北斗卫星定位、惯性导航系统(INS)等传感器采集。其中，船长画像数据可以通过船舶驾驶系统自动记录船长操作数据，或者定期收集船长主观反馈(如决策偏好)，或者从船东或海事机构获取历史事故与效率数据。
作为一个可选的实施例，在获取特征船舶集合的船舶数据之后，方法还包括：将特征船舶集合的船舶数据按照预设格式进行转换，得到船舶数据序列；其中，船舶数据序列中的船舶数据是按照时间序列排序的。
在获取到船舶数据后，需要将特征船舶集合的船舶数据转换为标准化时间序列格式，消除数据格式差异，提升模型输入的一致性与可解释性。数据标准化处理可以包括统一数据单位，如将航速统一为节(knots)或米/秒(m/s)，将深度统一为米(m)或英尺(ft)。数据标准化处理还可以包括缺失值处理，如利用线性插值算法对连续型数据(如航速、水深)进行线性插值。还可以利用前向填充算法对离散型数据(如设备状态)使用前一个有效值填充。数据标准化处理还可以包括异常值修正，如基于统计阈值(如3σ原则)或物理约束(如船速不可能超过最大设计航速)修正异常值。
进一步地，可以将处理后的所有数据按UTC时间戳排序，采样频率统一为1Hz(或根据需求调整，如0.5Hz)，其中，缺失时间点的数据通过插值或填充补全。可以将时间序列数据按固定时长(如1小时)或固定数据量(如1000条记录)分片，便于后续并行处理。可以使用Parquet或ORC等列式存储格式，优化查询效率，并存储至分布式文件系统(如HDFS)或云存储(如AWS S3)。例如：UTC时间+船舶设备数据，形如时间+船位+航速+艏向+舵角指令+主机推进+推进器+舵角+风速风向+测深仪+计程仪+AIS等。
需要说明的是，标准化时间序列格式可以确保模型在不同特征船舶集合上的输入结构一致，简化模型架构。直接输入时间序列数据，适用于LSTM、Transformer等时序模型。分片后的数据可并行训练，提升大规模数据集的训练效率。
步骤S102，基于多个特征船舶集合的船舶数据训练初始航行模型，得到多个基础航行模型。
在本步骤中，在云端针对每个特征船舶集合，利用其专属船舶数据训练独立的深度学习模型，生成多个基础航行模型。
作为一个可选的实施例，基于多个特征船舶集合的船舶数据训练初始航行模型，得到多个基础航行模型，包括：针对每个特征船舶合集，利用特征船舶集合的船舶数据，基于深度学习算法训练初始航行模型，得到基础航行模型。针对每个特征船舶集合，利用其专属船舶数据训练独立的深度学习模型，得到多个基础航行模型。
可选的，可以通过基于AutoML/NAS训练初始自航行模型并得到基础自航行模型的任务。可以将船舶数据输入AutoML平台，自动完成特征选择、模型搜索(如随机森林、XGBoost、神经网络)，输出最优模型结构及超参数。其中，损失函数可以是燃油效率优化，对应为均方误差(MSE)回归损失。还可以是多目标优化，对应为加权多任务损失(如航速预测+燃油消耗)。
此外，还可以采用Transformer或时空图神经网络(ST-GNN)，处理船舶数据的时间序列与空间关系(如船舶与周边障碍物的相对位置)，利用掩码自编码器(MAE)或对比学习，从未标注的船舶数据中学习航行特征(如航行模式、避碰策略)，最终得到每个特征船舶集合的基础航行模型。
步骤S103，响应于接收到目标船舶的模型请求，根据目标船舶的船舶数据从多个基础航行模型中确定与目标船舶相匹配的基础航行模型作为目标基础航行模型。
在本步骤中，根据目标船舶特征从多个基础航行模型中选择最适配的模型。具体地，匹配方法可以包括精确匹配以及近似匹配，精准匹配是若目标船舶的特征与某一特征船舶集合完全一致，直接选择对应基础航行模型。近似匹配是若无完全匹配模型，计算目标船舶与各特征船舶集合的特征相似度(如欧氏距离、余弦相似度)。选择相似度最高的模型作为候选，并评估其适配性(如通过少量端侧数据验证)。
作为一个可选的实施例，根据目标船舶的船舶数据从多个基础航行模型中确定与目标船舶相匹配的基础航行模型作为目标基础航行模型，包括：根据目标船舶的船舶数据确定目标船舶的船型数据、船舶尺寸数据以及船舶设备数据；根据船型数据、船舶尺寸数据以及船舶设备数据从多个基础航行模型中确定与目标船舶相匹配的基础航行模型作为目标基础航行模型。
在本步骤中，根据目标船舶的实时数据(船型、尺寸、设备等)，从多个预训练的基础航行模型中动态选择最匹配的模型，用于航行决策支持。
具体地，在目标船舶端，可以通过船载设备(如AIS系统、陀螺仪、风速计)实时采集船舶的船型(如集装箱船、散货船)、尺寸(长度、宽度、吃水深度)、设备状态(主机功率、推进器类型)。此外，船长或操作员还可以手动输入特殊需求(如临时避让、节能模式)。进一步地，将船舶数据进行格式处理，如将船舶尺寸(如吃水深度)转换为与模型训练数据一致的单位(如米)，并归一化处理(如吃水深度/最大吃水)。将设备参数(如主机功率)映射为离散类别(如“低”“中”“高”)，便于模型匹配。
进一步地，基于匹配规则从多个基础航行模型中确定与目标船舶相匹配的基础航行模型，匹配规则包括船型必须完全匹配，即目标船舶的船型(如集装箱船)必须属于模型适配的船型列表。匹配规则还可以包括船舶尺寸需在范围内，即目标船舶的尺寸(如长度300米)必须在模型适配的尺寸范围内(如250-350米)。或者，匹配规则还可以包括设备参数需满足要求，即目标船舶的设备参数(如主机功率“高”)必须属于模型适配的参数列表(如“高”或“中”)。在匹配流程中，遍历所有基础航行模型，计算目标船舶特征与每个模型元数据的匹配度，为每个匹配条件分配权重(如船型权重40％、尺寸权重30％、设备参数权重30％)，计算总分，选择总分最高的模型作为目标基础航行模型。若目标船舶特征无完全匹配的模型，选择最接近的模型(如船型匹配但船长略超出范围)，并记录日志，将目标船舶数据加入对应特征集合，重新训练或微调模型。
此外，还可以根据实际航行任务调整匹配规则的权重。例如：
避碰任务：船型匹配权重更高(如50％)，确保模型对船型差异敏感。
节能任务：主机功率匹配权重更高(如50％)，优先选择适配高功率的模型。
步骤S104，将目标基础航行模型部署到目标船舶，以使目标船舶基于船端数据训练目标基础航行模型，得到目标协同航行模型。
在本步骤中，将匹配的模型部署到目标船舶，以使目标船舶基于船端数据训练目标基础航行模型，得到目标协同航行模型。
作为一个可选的实施例，将目标基础航行模型部署到目标船舶，包括：对目标基础航行模型进行轻量化处理，将轻量化处理后的目标基础航行模型部署到目标船舶。
由于云端训练的模型比较大，为了减少对船端硬件的需求，需要将云端训练的目标基础航行模型进行轻量化/压缩，例如模型剪枝、知识蒸馏、权重量化、量化感知训练、无训练量化等。进一步地，通过卫星通信或边缘节点下发模型，支持断点续传。将适配目标船舶的基础航行模型进行轻量化处理，并部署至船舶本地计算设备，实现低延迟、低功耗的实时航行决策支持。
需要说明的是，量化(Quantization)是将模型权重从32位浮点数转换为8位整数(如TensorFlow Lite的量化工具)，减少存储空间与计算复杂度。举例来说，原始模型体积100MB→量化后25MB，推理速度提升3倍。剪枝(Pruning)是移除对输出影响较小的神经元或连接(如权重绝对值低于阈值的参数)，减少冗余计算。举例来说，剪枝后模型参数量减少40％，精度损失<1％。知识蒸馏(Knowledge Distillation)是用轻量级学生模型(如MobileNet)模拟复杂教师模型(如ResNet)的输出，保留核心特征提取能力。举例来说，学生模型体积仅为教师模型的1/5，推理延迟降低60％。
作为一个可选的实施例，所述方法还包括：获取多个目标船舶反馈的目标协同航行模型，确定目标协同航行模型的梯度；其中，目标协同航行模型是目标船舶基于船端数据对目标基础航行模型进行迁移学习得到的；将所有目标协同航行模型的梯度进行聚合，得到聚合梯度；根据聚合梯度更新多个基础航行模型的参数。
在本步骤中，通过多艘目标船舶基于本地数据对基础航行模型进行迁移学习，收集梯度并聚合更新全局模型，实现分布式模型优化。
参考图2，为本申请实施例提供的一种船舶航行模型的部署框架示意图。
已有场景包括任务类型和自有或开源数据集，为模型生成提供基础数据和任务定义。搜索策略定义了模型搜索的优先级，精度优先，时延次之，大小最次，指导模型的选择和优化。自动模型生成中，利用多种任务类型和多种数据集，通过AutoML/NAS(自动机器学习/神经网络搜索)技术建立模型库。已有模型可以通过时延建模反馈到自动模型生成过程中，以优化模型结构。自适应模型检索是根据搜索策略和已有场景，从模型库中检索合适的模型。模型压缩是对检索到的模型进行剪枝、蒸馏和量化，以减少模型大小和计算量。编译优化是通过算子融合、图优化和硬件加速，进一步提升模型在特定硬件上的性能。梯度聚合是在船舶端侧通过联合学习进行梯度聚合，结合多设备的计算结果。考虑船舶端侧设备的机型信息，以适配不同硬件环境。联合学习与迁移学习是利用联合学习和迁移学习技术，在船舶端侧进行模型微调和知识迁移。最终，优化后的模型在船舶端侧进行推理，实现实时决策或预测。整个框架从数据和任务定义出发，通过自动模型生成和优化技术，最终在船舶端侧设备上实现高效、精准的推理，同时考虑了模型的隐私保护(通过梯度聚合而非数据共享)和硬件适配。
云端的迁移学习和云联合学习，其中，迁移学习的优势是在端侧数据量较少时模型不会过拟合(微调通常使用较小的学习率)，可以极大地节省端侧训练所需的时间和资源。迁移学习有两种训练方法，包括：
端侧训练：使用端侧数据对模型的整网进行训练，即使用目标船舶端的“个性化”船舶数据对目标基础航行模型进行训练，既保证了目标基础航行模型与目标船舶的匹配度，又保护了目标船舶的数据隐私性。
端侧微调；只对模型的后几层进行训练，减小了目标船舶端侧的计算量。
进一步地，多个目标船舶将训练好的目标协同航行模型再反馈到云端，云端基于联邦平均(梯度聚合)联合多个目标协同航行模型，通过梯度压缩等方法提高计算通信比，基于差分隐私、同态加密、安全聚合等方法实现隐私保护，利用联邦元学习、联邦增量训练等技术，保持端侧模型个性化，通过元学习、共识算法、恶意样本检测等技术，规避恶意攻击和不可控因素。
本申请提供的一种船舶航行模型的部署方法，应用于云端，首先确定多个特征船舶集合，获取特征船舶集合的船舶数据；其中，每个特征船舶集合包括多个特征相同的船舶；然后，基于多个特征船舶集合的船舶数据训练初始航行模型，得到多个基础航行模型；进一步地，响应于接收到目标船舶的模型请求，根据目标船舶的船舶数据从多个基础航行模型中确定与目标船舶相匹配的基础航行模型作为目标基础航行模型；最后，将目标基础航行模型部署到目标船舶，以使目标船舶基于船端数据训练目标基础航行模型，得到目标协同航行模型。本申请通过区分船型、尺寸及设备列表并自动匹配基础航行模型，提升适配性与精准度。端云协同机制兼顾岸基云端算力与船端实时决策，减少数据传输、缓解带宽压力，且本地化处理保障数据安全隐私，实现了船舶自主航行模型的端云协同，提高模型的性能和适应性，为船舶的安全、高效航行提供有力支持。
需要说明的是，本发明实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本发明实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成上述的方法。
需要说明的是，上述对本发明的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
对应上述实施例，本发明还提出了一种船舶航行模型的部署装置。
如图3所示，为本申请实施例提供的一种船舶航行模型的部署装置示意图。
本发明实施例的船舶航行模型的部署装置300包括：
确定模块301，被配置为确定多个特征船舶集合，获取特征船舶集合的船舶数据；其中，每个特征船舶集合包括多个特征相同的船舶；
训练模块302，被配置为基于多个特征船舶集合的船舶数据训练初始航行模型，得到多个基础航行模型；
响应模块303，被配置为响应于接收到目标船舶的模型请求，根据目标船舶的船舶数据从多个基础航行模型中确定与目标船舶相匹配的基础航行模型作为目标基础航行模型；
部署模块304，被配置为将目标基础航行模型部署到目标船舶，以使目标船舶基于船端数据训练目标基础航行模型，得到目标协同航行模型。
可选的，特征船舶集合的船舶数据包括船舶驾驶数据、船舶态势数据以及操作数据中的至少一种。
可选的，确定模块301，还被配置为：
将特征船舶集合的船舶数据按照预设格式进行转换，得到船舶数据序列；其中，船舶数据序列中的船舶数据是按照时间序列排序的。
可选的，训练模块302，还被配置为：
针对每个特征船舶合集，利用特征船舶集合的船舶数据，基于深度学习算法训练初始航行模型，得到基础航行模型。
可选的，响应模块303，还被配置为：
根据目标船舶的船舶数据确定目标船舶的船型数据、船舶尺寸数据以及船舶设备数据；
根据船型数据、船舶尺寸数据以及船舶设备数据从多个基础航行模型中确定与目标船舶相匹配的基础航行模型作为目标基础航行模型。
可选的，部署模块304，还被配置为：
对目标基础航行模型进行轻量化处理，将轻量化处理后的目标基础航行模型部署到目标船舶。
可选的，部署模块304，还被配置为：
将所有目标协同航行模型的梯度进行聚合，得到聚合梯度；
根据聚合梯度更新多个基础航行模型的参数。
本申请提供的一种船舶航行模型的部署装置，首先确定多个特征船舶集合，获取特征船舶集合的船舶数据；其中，每个特征船舶集合包括多个特征相同的船舶；然后，基于多个特征船舶集合的船舶数据训练初始航行模型，得到多个基础航行模型；进一步地，响应于接收到目标船舶的模型请求，根据目标船舶的船舶数据从多个基础航行模型中确定与目标船舶相匹配的基础航行模型作为目标基础航行模型；最后，将目标基础航行模型部署到目标船舶，以使目标船舶基于船端数据训练目标基础航行模型，得到目标协同航行模型。本申请通过区分船型、尺寸及设备列表并自动匹配基础航行模型，提升适配性与精准度。端云协同机制兼顾岸基云端算力与船端实时决策，减少数据传输、缓解带宽压力，且本地化处理保障数据安全隐私，实现了船舶自主航行模型的端云协同，提高模型的性能和适应性，为船舶的安全、高效航行提供有力支持。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本发明时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
对应上述实施例，本发明还提出了一种电子设备。
参考图4，为根据本发明一些实施例的电子设备的方框示意图，示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器410、存储器420、输入/输出接口430、通信接口440和总线450。其中处理器410、存储器420、输入/输出接口430和通信接口440通过总线450实现彼此之间在设备内部的通信连接。
处理器410可以采用通用的CPU(CentralProcessing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器420可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器420可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器420中，并由处理器410来调用执行。
输入/输出接口430用于连接输入/输出模块，以实现信息输入及输出。输入/输出模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口440用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线450包括一通路，在设备的各个组件(例如处理器410、存储器420、输入/输出接口430和通信接口440)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器410、存储器420、输入/输出接口430、通信接口440以及总线450，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例的方法相对应的，本发明还提供了一种计算机可读存储介质，计算机可读存储介质存储计算机指令，计算机指令用于使计算机执行如上任一实施例的方法。
上述计算机可读存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
上述实施例的存储介质存储的计算机指令用于使计算机执行如上示例性方法部分中任一实施例的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
需要说明的是，除非另外定义，本发明实施例使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
虽然已经参考若干具体实施方式描述了本发明的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。所附权利要求的范围符合最宽泛的解释，从而包含所有这样的修改及等同结构和功能。

Claims (10)

1.一种船舶航行模型的部署方法，其特征在于，应用于云端，所述方法包括：
确定多个特征船舶集合，获取所述特征船舶集合的船舶数据；其中，每个所述特征船舶集合包括多个特征相同的船舶；
基于所述多个特征船舶集合的船舶数据训练初始航行模型，得到多个基础航行模型；
响应于接收到目标船舶的模型请求，根据所述目标船舶的船舶数据从所述多个基础航行模型中确定与所述目标船舶相匹配的基础航行模型作为目标基础航行模型；
将所述目标基础航行模型部署到所述目标船舶，以使所述目标船舶基于船端数据训练所述目标基础航行模型，得到目标协同航行模型。
2.根据权利要求1所述的船舶航行模型的部署方法，其特征在于，所述特征船舶集合的船舶数据包括船舶驾驶数据、船舶态势数据以及操作数据中的至少一种。
3.根据权利要求2所述的船舶航行模型的部署方法，其特征在于，在所述获取所述特征船舶集合的船舶数据之后，所述方法还包括：
将所述特征船舶集合的船舶数据按照预设格式进行转换，得到船舶数据序列；其中，所述船舶数据序列中的船舶数据是按照时间序列排序的。
4.根据权利要求3所述的船舶航行模型的部署方法，其特征在于，所述基于所述多个特征船舶集合的船舶数据训练初始航行模型，得到多个基础航行模型，包括：
针对每个所述特征船舶合集，利用所述特征船舶集合的船舶数据，基于深度学习算法训练所述初始航行模型，得到所述基础航行模型。
5.根据权利要求4所述的船舶航行模型的部署方法，其特征在于，所述根据所述目标船舶的船舶数据从所述多个基础航行模型中确定与所述目标船舶相匹配的基础航行模型作为目标基础航行模型，包括：
根据所述目标船舶的船舶数据确定所述目标船舶的船型数据、船舶尺寸数据以及船舶设备数据；
根据所述船型数据、所述船舶尺寸数据以及所述船舶设备数据从所述多个基础航行模型中确定与所述目标船舶相匹配的基础航行模型作为目标基础航行模型。
6.根据权利要求5所述的船舶航行模型的部署方法，其特征在于，所述将所述目标基础航行模型部署到所述目标船舶，包括：
对所述目标基础航行模型进行轻量化处理，将轻量化处理后的目标基础航行模型部署到所述目标船舶。
7.根据权利要求6所述的船舶航行模型的部署方法，其特征在于，所述方法还包括：
获取多个所述目标船舶反馈的目标协同航行模型，确定所述目标协同航行模型的梯度；其中，所述目标协同航行模型是所述目标船舶基于所述船端数据对所述目标基础航行模型进行迁移学习得到的；
将所有所述目标协同航行模型的梯度进行聚合，得到聚合梯度；
根据所述聚合梯度更新所述多个基础航行模型的参数。
8.一种船舶航行模型的部署装置，其特征在于，包括：
确定模块，被配置为确定多个特征船舶集合，获取所述特征船舶集合的船舶数据；其中，每个所述特征船舶集合包括多个特征相同的船舶；
训练模块，被配置为基于所述多个特征船舶集合的船舶数据训练初始航行模型，得到多个基础航行模型；
响应模块，被配置为响应于接收到目标船舶的模型请求，根据所述目标船舶的船舶数据从所述多个基础航行模型中确定与所述目标船舶相匹配的基础航行模型作为目标基础航行模型；
部署模块，被配置为将所述目标基础航行模型部署到所述目标船舶，以使所述目标船舶基于船端数据训练所述目标基础航行模型，得到目标协同航行模型。
9.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1至7任一项所述的船舶航行模型的部署方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1至7任一项所述的船舶航行模型的部署方法的步骤。
CN202510888981.6A 2025-06-30 2025-06-30 船舶航行模型的部署方法、装置、电子设备及存储介质 Pending CN120980098A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202510888981.6A CN120980098A (zh) 2025-06-30 2025-06-30 船舶航行模型的部署方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202510888981.6A CN120980098A (zh) 2025-06-30 2025-06-30 船舶航行模型的部署方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN120980098A true CN120980098A (zh) 2025-11-18

Family

ID=97648056

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202510888981.6A Pending CN120980098A (zh) 2025-06-30 2025-06-30 船舶航行模型的部署方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN120980098A (zh)

Similar Documents

Publication Publication Date Title
CN113658214B (zh) 轨迹预测方法、碰撞检测方法、装置、电子设备及介质
CN119989283B (zh) 基于数字化空域系统的巡检方法、装置、设备及介质
WO2025039179A1 (zh) 一种用于船舶轨迹预测的动态时空图注意力方法
WO2022212031A1 (en) Controlling asynchronous fusion of spatio-temporal multimodal data
EP3920102B1 (en) Machine learning system and machine learning method involving data augmentation, and storage medium
Abbasian et al. Improving early OSV design robustness by applying ‘Multivariate Big Data Analytics’ on a ship's life cycle
US20160217164A1 (en) Sparse distributed representation of spatial-temporal data
US20250005916A1 (en) System and method for levarging multiple descriptive features for robust few-shot image learning
Bi et al. A CNNGRU-MHA method for ship trajectory prediction based on marine fusion data
EP3961515A2 (en) Method for learning model
Mouzakitis et al. Enabling maritime digitalization by extreme-scale analytics, ai and digital twins: the vesselai architecture
CN119714297A (zh) 一种基于大模型技术的船舶导航决策方法
CN117010265A (zh) 能够进行自然语言交互的自动驾驶模型及其训练方法
Al-Falouji et al. Self-explanation as a basis for self-integration-the autonomous passenger ferry scenario
Kalafatelis et al. A survey on predictive maintenance in the maritime industry using machine and federated learning
Park et al. AIS-LLM: A Unified Framework for Maritime Trajectory Prediction, Anomaly Detection, and Collision Risk Assessment with Explainable Forecasting
CN121158158B (zh) 基于世界模型的具身无人船智能驾驶控制方法及系统
Liang et al. A Digital Twin Model Construction Method for Ships
US12093834B2 (en) Methods and systems for training and validating a perception system
CN116504101B (zh) 自主船航行诱导方法和装置
Xue et al. Vessel track prediction based on fractional gradient recurrent neural network with maneuvering behavior identification
CN121072879A (zh) 基于大数据的客滚运输需求预测与船舶智能调度方法及系统
CN115577511A (zh) 基于无人机运动状态的短期航迹预测方法、装置及系统
Wu et al. A new satellite-ship autonomous communication system with an integrated deep learning anomaly detection algorithm
CN118966483B (zh) 基于深度对比学习的船舶到港时间预测方法、系统、装置

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