JP7226453B2 - 航海支援方法、航海支援装置および航海支援プログラム - Google Patents

Description

本発明は、航海支援方法等に関する。

航海支援技術が開示されている。

１つの例では、船舶運航データおよび船舶が航行する海域における気象海象の過去データに基づき、この海域を船舶が航行した場合に気象海象が航行に与える影響を考慮した航行に要する航行速度と航行による燃料消費量の統計値を算出し、統計値を用いて、船舶の航行に要する時間または燃料消費量を合理的に推定する（例えば、特許文献１参照）。ここでいう航行速度や燃料消費量は、船舶の性能である。

また、別の例では、船舶の航路の出発地および目的値を含む領域における過去の気象海象データを統計処理した統計データを算出し、統計データと船舶の航海性能データとに基づいて、出発地から目的値までの最適航路を計算する（例えば、特許文献２参照）。

すなわち、航海支援技術では、船舶運航データと過去の気象海象データとに基づき船舶の性能を推定し、推定された船舶の性能と、気象海象データとに基づいて、この船舶にとっての最適航路を計算する。

特許第６２８１０２２号公報 特開２０１３－１３４０８９号公報

ところで、実際の航海では、船舶の船長は、船舶の設計時に決められた常用出力で、風や波の抵抗の少ない航路を選択する。ここでいう常用出力とは、航海速力を得るために常用する出力で、機関の効率と保守の観点から経済的な出力のことをいう。常用出力で選択される航路が、燃費が少なく、時間も短い航路とされる。

しかしながら、従来の航海支援技術では、常用出力での最適航路を精度良く推薦することができないという問題がある。すなわち、従来の航海支援技術では、常用出力以外でのわざと減速して運航する減速運航等を含む全ての船舶運航データを用いて船舶の性能を推定しているため、船長が通常選択する常用出力での最適航路を精度良く推薦することが難しい。

また、常用出力での船舶運航データだけを使用しようとしても、船長の操船は、気象海象条件によって複雑に変化するため、船舶運航データの中でどの部分が常用出力のデータであるのか判別するのが難しい。

なお、上記課題は、常用出力だけではなく、エンジンに負荷をかけない中出力や燃費を削減するための小出力等の他の操船パターンにも同様に生じる課題である。

本発明は、１つの側面では、操船パターンに応じた最適航路を精度良く推薦することを目的とする。

１つの態様では、航海支援方法では、コンピュータが、船舶運航データを気象海象条件毎に分類し、分類した船舶運航データを用いて、気象海象条件毎の操船の特性分布を算出し、気象海象条件毎の算出された操船の特性分布から複数の操船パターンを抽出し、前記操船パターン毎に前記船舶運航データを集約し、前記操船パターン毎に集約された船舶運航データから、気象海象の実績データを説明変数として、船舶性能を目的変数として、前記操船パターン毎の学習モデルを生成する処理を実行する。

１実施態様によれば、操船パターンに応じた最適航路を精度良く推薦することが可能となる。

図１は、実施例に係る航海支援装置の構成を示す機能ブロック図である。 図２は、実施例に係る航海支援の概要を示す図である。 図３は、実施例に係る運航データの一例を示す図である。 図４は、実施例に係る気象・海象データの一例を示す図である。 図５は、実施例に係る運航データ分類処理の一例を示す図である。 図６は、実施例に係る運航データ集約処理の一例を示す図である。 図７は、実施例に係るパターン毎運航データの補正処理の一例を示す図である。 図８は、実施例に係る性能推定モデル生成処理の一例を示す図である。 図９は、実施例に係る性能推定モデル生成処理のイメージを示す図である。 図１０は、実施例に係る性能推定処理および最適航路探索処理の一例を示す図である。 図１１は、実施例に係る最適航路探索結果の一例を示す図である。 図１２は、実施例に係るモデル学習フェーズのフローチャートの一例を示す図である。 図１３は、実施例に係る航海支援処理の利用例を示す図である。 図１４は、航海支援プログラムを実行するコンピュータの一例を示す図である。

以下に、本願の開示する航海支援方法、航海支援装置および航海支援方法の実施例を図面に基づいて詳細に説明する。なお、本発明は、実施例により限定されるものではない。

［航海支援装置の構成］
図１は、実施例に係る航海支援装置の構成を示す機能ブロック図である。図１に示すように、航海支援装置１は、船舶航海データを気象海象条件毎に分類し、分類した気象海象条件毎に、船速の分布を算出する。航海支援装置１は、分類した気象海象条件毎に算出された操船の分布から抽出される操船パターン毎に船舶運航データを集約する。航海支援装置１は、操船パターン毎に、集約された船舶運航データと、過去の気象海象データとを用いて、船舶性能を学習し、操船パターン毎の船舶性能の推定モデルを構築する。

ここでいう船舶性能には、船舶の航行速度や燃料消費量等が挙げられる。

ここでいう操船パターンとは、実際に、船長が操船する際に選択するパターンのことをいう。操船パターンには、例えば、常用出力で操船される「パターンａ」、エンジン出力を少し下げて操船される「パターンｂ」、減速運航で操船される「パターンｃ」等が想定される。以降では、操船パターンを単に「パターン」という場合がある。

「パターンａ」は、船舶設計時に決められた常用出力で、風や波の抵抗の少ない航路を選択して操船されるパターンである。「常用出力」とは、機関の効率と保守の観点から経済的な出力のことをいう。常用出力で選択される航路が、燃費が少なく、時間も短い航路とされる。パターンａは、常用出力での操船パターンという。

「パターンｂ」は、荒天の下では、エンジンに負荷をかけない（トルクリッチにならない）ように出力を下げて操船されるパターンである。パターンｂは、中出力での操船パターンという。「パターンｃ」は、次の航海予定がなく、時間に余裕がある場合に、燃費を削減するために減速して操船されるパターンである。パターンｃは、小出力での操船パターンという。なお、操船パターンは、これに限定されない。操船パターンには、一例として、時間に余裕がない場合に、エンジンに負荷をかけるように出力を上げて操船されるパターンｄを含んでも良い。パターンｄは、高出力での操船パターンという。

［航海支援の概要］
ここで、実施例に係る航海支援の概要を、図２を参照して説明する。図２は、実施例に係る航海支援の概要を示す図である。

図２に示すように、航海支援装置１は、船舶に係る運航データ２１から船速の分布を算出し、船速の分布から操船パターン（パターン）を抽出する（＜１＞）。船速の分布は、船速の度数分布を示す。ここでは、パターンは、出現頻度に基づいて抽出される。出現頻度が最も高い区間が常用出力のパターンａとして抽出される。船長は、船舶の設計時に決められた常用出力で、風や波の抵抗の少ない航路を選択して航行することが多いからである。出現頻度が次に高い区間が中出力のパターンｂとして抽出される。最も船速が遅い区間が小出力のパターンｃとして抽出される。なお、分布は、船速の代わりに、エンジン回転数、馬力であっても良い。

そして、航海支援装置１は、パターン毎に、運航データ２１´を集約する（＜２＞）。

そして、航海支援装置１は、パターン毎に、集約された運航データ２１´と、実績の気象・海象データ（実績・予報）２２とを用いて、船舶性能を学習し、パターン毎の船舶性能の推定モデルを構築する（＜３＞）。これにより、航海支援装置１は、実際に船長が行っている操船を学習することで、船長の感覚にあった最適航路を推定することが可能となる。

図１に戻って、航海支援装置１は、制御部１０および記憶部２０を有する。

制御部１０は、ＣＰＵ（Central Processing Unit）等の電子回路に対応する。そして、制御部１０は、各種の処理手順を規定したプログラムや制御データを格納するための内部メモリを有し、これらによって種々の処理を実行する。制御部１０は、データ収集部１１、運航データ分類部１２、パターン抽出部１３、運航データ集約部１４、性能推定モデル生成部１５、性能推定部１６および最適航路探索部１７を有する。なお、運航データ分類部１２、パターン抽出部１３、運航データ集約部１４および性能推定モデル生成部１５は、モデル学習フェーズの機能部である。また、性能推定部１６および最適航路探索部１７は、サービス提供フェーズの機能部である。なお、運航データ分類部１２は、分類部の一例である。パターン抽出部１３は、抽出部の一例である。運航データ集約部１４は、算出部及び集約部の一例である。性能推定モデル生成部は、生成部の一例である。

記憶部２０は、例えば、ＲＡＭ、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置である。記憶部２０は、運航データ２１、気象・海象データ（実績・予報）２２、運航データ（気象海象条件毎）２３、パターン２４、運航データ（パターン毎）２５および性能推定モデル２６を有する。

運航データ２１は、船舶が運航時に、いつ、どこで、どのくらいの速度で、どちらの方向に向かっていたのか等を示すデータである。言い換えれば、運航データ２１は、船舶の船長が行った操船の履歴を示すデータである。運航データ２１は、例えば、ＡＩＳ（Automatic Identification System）やＶＤＲ（Voyage Data Recorder）、エンジンロガー等を利用して収集される。

ここで、運航データ２１の一例を、図３を参照して説明する。図３は、実施例に係る運航データの一例を示す図である。図３に示すように、運航データ２１は、versel_name毎に、緯度、経度、速度、進行方向、・・・、船首方向、時刻、・・・、を対応付けて記憶する。versel_nameは、船舶の名称を示す。なお、運航データ２１は、これに限定されず、さらに、エンジン回転数、消費燃料を加えても良い。

図１に戻って、気象・海象データ（実績・予報）２２は、船舶の実績および予報を含む気象データおよび海象データである。気象・海象データ（実績・予報）２２は、例えば、天気予報データのプロバイダから配信されたデータを利用して収集されれば良い。

ここで、気象・海象データ（実績・予報）２２の一例を、図４を参照して説明する。図４は、実施例に係る気象・海象データの一例を示す図である。図４上図には、気象データのうち予報の風データが表わされている。図４中図には、海象データのうち予報の波データが表わされている。図４下図には、海象データのうち予報の海流データが表わされている。

図４上図に示すように、風データは、緯度、経度、風速および風向を、予報配信日時おおび対象日時に対応付けて記憶する。図４中図に示すように、波データは、緯度、経度、波高、波向、波周期を、予報配信日時および対象日時に対応付けて記憶する。図４下図に示すように、海流データは、緯度、経度、海流速度、海流方向、階層を、予報配信日時および対象日時に対応付けて記憶する。

図１に戻って、運航データ（気象海象条件毎）２３は、運航データ２１のうち気象海象条件毎に分類された運航データである。なお、運航データ（気象海象条件毎）２３は、運航データ分類部１２によって分類される。

パターン２４は、複数の操船パターンのうち抽出された操船パターンである。なお、パターン２４は、パターン抽出部１２によって抽出される。

運航データ（パターン毎）２５は、運航データ２１のうちパターン毎に集約された運航データである。なお、運航データ（パターン毎）２５は、運航データ集約部１４によって集約される。

性能推定モデル２６は、パターン毎の船舶性能の推定モデルである。なお、性能推定モデル２６は、性能推定モデル生成部１５によって生成される。

データ収集部１１は、各種データを収集する。例えば、データ収集部１１は、ＡＩＳを利用して運航データ２１を収集する。データ収集部１１は、天気予報データのプロバイダから配信される気象データ(実績・予報）および海象データ（実績・予報）を受信して、気象・海象データ（実績・予報）２２を収集する。

運航データ分類部１２は、運航データ２１を気象海象条件毎に分類する。

ここで、運航データ分類の一例を、図５を参照して説明する。図５は、実施例に係る運航データ分類処理の一例を示す図である。図５に示すように、運航データ分類部１２は、運航データ２１を、あらかじめ定められた気象海象条件毎に分類して、気象海象条件毎の運航データ２３を生成する。ここでは、気象海象条件として、風速および風向を適用した場合である。気象海象条件の一例として、風力「０」である場合、風力「１」および前方である場合、風力「１」および後方である場合、・・・、風力「１０」および左舷後方である場合が示されている。かかる気象海象条件毎に、運航データ２１は、気象海象条件毎の運航データ２３に分類される。

パターン抽出部１３は、気象海象条件毎の運航データ２３の船速データをクラスタリングして、操船パターン（パターン）を抽出する。例えば、パターン抽出部１３は、気象海象条件毎の運航データ２３の少なくとも運航時の位置（緯度、経度）、時刻、船速を含むデータを利用して、船速データをクラスタリングする。クラスタリングには、一例として、ｋ－ｍｅａｎｓ法等を用いれば良い。そして、パターン抽出部１３は、クラスタリングの結果、一例として、常用出力での操船パターン（パターンａ）、中出力での操船パターン（パターンｂ）、小出力での操船パターン（パターンｃ）等を抽出する。そして、パターン抽出部１３は、抽出したパターンをパターン２４に保存する。なお、パターン抽出部１３は、気象海象条件毎の運航データ２３の船速データをクラスタリングして、パターンを抽出すると説明したが、これに限定されず、船速データの代わりにエンジン回転数、馬力を用いてクラスタリングして、パターンを抽出しても良い。

図１に戻って、運航データ集約部１４は、気象海象条件毎の運航データ２３を用いて、船速の分布を算出する。ここでいう船速の分布とは、例えば、船速の出現頻度分布のことをいう。すなわち、運航データ集約部１４は、気象海象条件毎の運航データ２３について、船速の出現頻度分布を算出する。

また、運航データ集約部１４は、気象海象条件毎に算出された船速の分布の出現頻度に基づいて、分布の区間を分割する。分割される区間は、操船パターンに対応付けられる。これにより、運航データ集約部１４は、同一の気象海象条件において、船速の出現頻度を算出することで、出現頻度が最も高い船速の区間を常用出力の操船パターンとみなすことができる。つまり、船長が船舶を操船するときには、経済的な出力である常用出力を選択することが多いと想定されるからである。同様に、運航データ集約部１４は、同一の気象海象条件において、船速の出現頻度を算出することで、出現頻度と船速とから得られる分布の区間を所定の操船パターンとみなすことができる。

また、運航データ集約部１４は、操船パターン毎に、気象海象条件毎の運航データ２３を集約して、操船パターン毎の運航データ２５を生成する。

なお、運航データ集約部１４は、操船パターン毎の運航データ２５を集約する際、操船パターン毎の運航データ２５を補正しても良い。すなわち、運航データ集約部１４は、同一の気象海象条件について、船速の出現頻度に基づいて、操船パターンを決定する。ところが、運航データ集約部１４は、船速だけで操船パターンを決定すると、非常に短期間で操船パターンを切り替えるように集約されてしまうことになるが、現実には、非常に短期間で操船パターンを切り替えることはない。したがって、運航データ集約部１４は、操船パターンの継続期間が所定期間以内の場合には、所定期間に含まれる最多の操船パターンをその期間の操船パターンとして操船パターンの運航データを補正するのが望ましい。

ここで、運航データ集約の一例を、図６を参照して説明する。図６は、実施例に係る運航データ集約処理の一例を示す図である。図６では、運航データ集約部１４が、常用出力の操船パターンについて、気象海象条件毎の運航データ２３を集約して、常用出力の操船パターンの運航データ２５を生成する場合を説明する。

運航データ集約部１４は、気象海象条件毎の運航データ２３を用いて、それぞれの船速の度数分布表を算出する。

そして、運航データ集約部１４は、算出された船速の度数分布表の出現頻度に基づいて、分布の区間を分割する。ここでは、最も出現頻度が高い船速の区間が、常用出力の操船パターンとみなされる。これは、船長が船舶を操船するとき、経済的な出力である常用出力を選択することが多いと想定されるからである。

そして、運航データ集約部１４は、気象海象条件毎の運航データ２３を集約して、常用出力の操船パターンの運航データ２５を生成する。ここでは、最も出現頻度が高い船速の区間が、常用出力の操船パターンとみなされる。したがって、運航データ集約部１４は、気象海象条件毎に算出されたそれぞれの度数分布表のうち、最も出現頻度が高い船速の区間の運航データを集約して、常用出力の操船パターンの運航データ２５を生成する。

なお、出現頻度が次に高い船速の区間が、中出力の操船パターンとしても良い。かかる場合には、運航データ集約部１４は、気象海象条件毎に算出されたそれぞれの度数分布表のうち、出現頻度が次に高い船速の分布の区間の運航データを集約して、中出力の操船パターンの運航データ２５を生成する。また、最も船速が遅い分布の区間が、小出力の操船パターンとしても良い。かかる場合には、運航データ集約部１４は、気象海象条件毎に算出されたそれぞれの度数分布表のうち、最も船速が遅い分布の区間の運航データを集約して、小出力の操船パターンの運航データ２５を生成する。また、最も船速が速い分布の区間が、高出力の操船パターンとしても良い。かかる場合には、運航データ集約部１４は、気象海象条件毎に算出されたそれぞれの度数分布表のうち、最も船速が速い分布の区間の運航データを集約して、高出力の操船パターンの運航データ２５を生成する。

図７は、実施例に係るパターン毎運航データの補正処理の一例を示す図である。図７では、運航データ集約部１４は、パターンａ（常用出力）、パターンｂ、パターンｃのように、操船パターン毎の運航データ２５を生成したものとする。

図７に示すように、補正前の１分毎の運航データが表わされている。それぞれの運航データは、船速の出現頻度に基づいて、操船パターンを切り替えている。ところが、運航データ集約部１４は、船速だけで操船パターンを決定すると、非常に短期間で操船パターンを切り替えることになるが、現実には、非常に短期間で操船パターンを切り替えることはない。したがって、運航データ集約部１４は、操船パターンの継続時間が所定期間以内の場合には、所定期間に含まれる最多の操船パターンをその期間の操船パターンとして操船パターンの運航データを補正する。ここでは、符号ｄ１で示されるそれぞれの運航データは、パターンａが最多であるので、符号ｄ１´で示されるように、最多のパターンａの運航データとして補正される。すなわち、運航データ集約部１４は、パターンｃの運航データおよびパターンｂの運航データをパターンａの運航データとして補正する。また、符号ｄ２で示されるそれぞれの運航データは、パターンｃが最多であるので、符号ｄ２´で示されるように、最多のパターンｃの運航データとして補正される。すなわち、運航データ集約部１４は、パターンａの運航データおよびパターンｂの運航データをパターンｃの運航データとして補正する。これにより、運航データ集約部１４は、現実に即して、操船パターン毎の運航データを集約することができる。

図１に戻って、性能推定モデル生成部１５は、操船パターン毎に、集約された運航データ２５と、実績の気象・海象データ２２とを用いて、船舶性能を学習し、船舶性能の推定モデルを生成する。例えば、性能推定モデル生成部１５は、実績の気象・海象データ２２を説明変数として、操船パターン毎に集約された運航データ２５の船舶性能を目的変数として、操船パターン毎の性能推定モデル２６を生成する。一例として、性能推定モデル生成部１５は、以下の式（１）の重回帰式を最小二乗法により操船パターン毎の性能推定モデル２６を生成する。なお、式（１）のｙは、目的変数であり、例えば、船速を示す。式（１）のｘ_１～ｘ_６は、それぞれ説明変数であり、例えば、風速、風向、波高、波向、海流速度、海流方向を示す。
ｙ＝β_０＋β_１ｘ_１＋β_２ｘ_２＋β_３ｘ_３＋β_４ｘ_４＋β_５ｘ_５＋β_６ｘ_６・・・式（１）

ここで、実施例に係る性能推定モデル生成の一例を、図８を参照して説明する。図８は、実施例に係る性能推定モデル生成処理の一例を示す図である。図８に示すように、性能推定モデル生成部１５は、操船パターン毎に、集約された運航データ２５と、実績の気象・海象データ２２とを用いて、船舶性能を学習し、船舶性能の推定モデルを生成する。ここでは、パターンａ、パターンｂおよびパターンｃの操船パターン毎の運航データ２５が集約されている。性能推定モデル生成部１５は、実績の気象・海象データ２２のうち例えば「風速」を説明変数として、パターンａの運航データ２５のうち例えば「船速」を目的変数として、船舶性能を学習し、パターンａの性能推定モデル２６を生成する。性能推定モデル生成部１５は、実績の気象・海象データ２２のうち例えば「風速」を説明変数として、パターンｂの運航データ２５のうち例えば「船速」を目的変数として、船舶性能を学習し、パターンｂの性能推定モデル２６を生成する。性能推定モデル生成部１５は、実績の気象・海象データ２２のうち例えば「風速」を説明変数として、パターンｃの運航データ２５のうち例えば「船速」を目的変数として、船舶性能を学習し、パターンｃの性能推定モデル２６を生成する。

ここで、実施例に係る性能推定モデル生成処理のイメージを、図９を参照して説明する。図９は、実施例に係る性能推定モデル生成処理のイメージを示す図である。なお、図９では、操船パターンが常用出力のパターンａである場合の性能推定モデルを生成する場合を説明する。説明の便宜上、説明変数を「風速」のみとする。

図９に示すように、性能推定モデル生成部１５は、ｘ軸を「風速」とし、ｙ軸を「船速」とした場合の２次元座標から、回帰直線を求める。ここでは、性能推定モデル生成部１５は、パターンａの運航データ２５と、実績の気象・海象データ２２とから、同一時刻および同一位置（緯度、経度）の「船速」および「風速」を探索し、探索した「船速」および「風速」を２次元座標にサンプリングする。そして、性能推定モデル生成部１５は、サンプリングした複数の点を最小二乗法により、回帰直線を求める。

すなわち、性能推定モデル生成部１５は、式（２）を最小にするパラメータβ_０、β_１を求めて、回帰直線ｙ＝β_０＋β_１ｘ_１を求める。

なお、図９では、説明の便宜上、説明変数を「風速」のみとしたが、これに限定されない。例えば、説明変数を「風速」、「風向」とした場合には、性能推定モデル生成部１５は、ｘ軸を「風速」とし、ｙ軸を「風向」とし、ｚ軸を「船速」とした場合の３次元座標から、回帰直線ｙ＝β_０＋β_１ｘ_１＋β_２ｘ_２を求めれば良い。また、図９では、目的変数を「船速」としたが、これに限定されない。例えば、目的変数を「燃料消費」としても良い。

図１に戻って、性能推定部１６は、予報の気象・海象データ２２と、性能推定モデル２６とから、指定された操船パターンの船舶性能を推定する。例えば、性能推定部１６は、操船パターンの指定を受け付けると、操船パターンに対応する性能推定モデル２６を取得する。性能推定部１６は、取得した性能推定モデル２６および予報の気象・海象データ２２を用いて、対象の位置（緯度、経度）の船舶性能を推定する。ここでいう船舶性能とは、船速や燃料消費のことをいう。

最適航路探索部１７は、性能推定部１６によって推定される船舶性能に基づき、船舶にとっての最適航路を探索する。例えば、最適航路探索部１７は、船舶の航海条件を受け付ける。船舶の航海条件には、一例として、出発地、到着地、出発時刻、操船パターンが挙げられる。最適航路探索部１７は、出発地から到着地までの区間において、指定された出発時刻で出発した場合且つ指定された操船パターンを選択した場合の最適航路を探索する。一例として、最適航路探索部１７は、区間に含まれるそれぞれの位置（緯度、経度）の推定される船舶性能に基づいて、最適航路を探索する。最適航路の探索は、推定される船舶性能を用いれば、いかなる従来技術を用いても構わない。

また、最適航路探索部１７は、指定された操船パターンの最適航路を最適航路探索結果として記憶部２０に保存する。

なお、最適航路とは、選択されるそれぞれの操船パターンでの運行において、燃料消費が少なく、時間も短い航路となる。例えば、操船パターンが常用出力でのパターンａである場合には、最適航路とは、パターンａで運航した場合での、燃料消費が少なく、時間も短い航路となる。操船パターンが中出力でのパターンｂ、操船パターンが小出力でのパターンｃにおいても同様である。

ここで、実施例に係る性能推定処理および最適航路探索処理の一例を、図１０を参照して説明する。図１０は、実施例に係る性能推定処理および最適航路探索処理の一例を示す図である。

図１０に示すように、最適航路探索部１７は、船舶の航海条件として出発地、到着地、出発時刻、操船パターンを受け付ける（Ｓ１００）。最適航路探索部１７は、出発地から到着地までの区間に含まれるそれぞれの位置（緯度、経度）について、受け付けた操船パターンで操船した場合の船舶性能（例えば、船速）を問い合わせる（Ｓ１１０）。

性能推定部１６は、操船パターンおよび対象の位置の指定を受け付けると、操船パターンに対応する性能推定モデル２６を取得する。性能推定部１６は、取得した性能推定モデル２６および予報の気象・海象データ２２を用いて、対象の位置（緯度、経度）の船舶性能（例えば、船速）を推定する。そして、性能推定部１６は、推定した船舶性能（例えば、船速）を返却する（Ｓ１２０）。性能推定部１６は、対象の指定された全ての位置について、繰り返し船舶性能を推定して、推定した船舶性能を返却する。

そして、最適航路探索部１７は、区間に含まれるそれぞれの位置（緯度、経度）の推定される船舶性能（例えば、船速）に基づいて、受け付けた操船パターンの最適航路を探索する（Ｓ１３０）。ここでは、操船パターン毎の最適航路が表わされている。操船パターンが常用出力でのパターンａである最適航路は、Ｏｐｔｉｍａｌ（ｎｏｒｍａｌ）で示される航路である。操船パターンが中出力でのパターンｂである最適航路は、Ｏｐｔｉｍａｌ（ｓｌｏｗ ｘ１）で示される航路である。操船パターンが小出力でのパターンｃである最適航路は、Ｏｐｔｉｍａｌ（ｓｌｏｗ ｘ２）で示される航路である。

図１１は、実施例に係る最適航路探索結果の一例を示す図である。図１１上図には、最適航路探索結果のサマリデータが示されている。図１１下図には、最適航路探索結果の詳細データが示されている。

［モデル学習フェーズのフローチャート］
図１２は、実施例に係るモデル学習フェーズのフローチャートの一例を示す図である。

図１２に示すように、運航データ分類部１２は、運航データ２１を分類して（ステップＳ１１）、気象海象条件毎の運航データ２３を生成する。

パターン抽出部１３は、気象海象条件毎の運航データ２３から、操船のパターンを分析する（ステップＳ１２）。運航データ集約部１４は、分析した結果、気象海象条件毎の運航データ２３から、操船のパターン別運航データを集約して（ステップＳ１３）、パターン毎の運航データ２５を保存する。そして、運航データ集約部１４は、集約された操船のパターン別運航データを補正する（ステップＳ１４）。そして、性能推定モデル生成部１５は、パターン別運航データ（パターン毎の運航データ２５）を用いて、性能推定モデルを生成する（ステップＳ１５）。そして、性能推定モデル生成部１５は、生成した性能推定モデルを性能推定モデル２６に保存する。

［航海支援処理の利用例］
図１３は、実施例に係る航海支援処理の利用例を示す図である。図１３に示すように、航海支援装置１が、航海支援処理を利用する海上（Sea）の船舶とネットワークで接続される。航海支援装置１は、陸上（on shore）の船舶会社（Shipping company）とネットワークで接続される。また、航海支援装置１は、陸上（on shore）の各種プロバイダとネットワークで接続される。各種プロバイダには、天気予報データのプロバイダ（Weather forecast data provider）やＡＩＳデータのプロバイダ（AIS data provider）が含まれる。

航海支援装置１では、天気予報データのプロバイダから実績および予報の気象海象データを収集する。航海支援装置１は、ＡＩＳデータのプロバイダから運航データを収集する。収集した気象海象データおよび運航データは、運航データ２１および気象・海象データ（実績・予報）２２に反映される。

船長や陸上職員は、航海前に、最適航路を航海支援装置１に問い合わせる。また、船長は、航海中に、最適航路を航海支援装置１に問い合わせることもできる。

航海支援装置１は、問い合わせに含まれる航海条件を受け付けると、船舶の出発地から到着地までの区間において、出発時刻で出発した場合且つ指定された操船パターンを選択した場合の最適航路を探索する。そして、航海支援装置１は、探索した最適航路を問い合わせ元へ返す。これにより、航海支援装置１は、操船パターンに応じた最適航路を精度良く推薦することができる。

［実施例の効果］
上記実施例によれば、航海支援装置１は、運航データ２１を気象海象条件毎に分類する。航海支援装置１は、分類した運航データ２３を用いて、気象海象条件毎の操船の特性分布を算出する。航海支援装置１は、気象海象条件毎の算出された操船の特性分布から複数の操船パターンを抽出し、操船パターン毎に運航データを集約する。航海支援装置１は、操船パターン毎に集約された運航データから、気象海象の実績データを説明変数として、船舶性能を目的変数として、操船パターン毎の学習モデルを生成する。かかる構成によれば、航海支援装置１は、操船パターン毎の船舶性能の学習モデルを用いることで、操船パターンに応じた最適航路を精度良く推薦することができる。例えば、航海支援装置１は、実際に船長が行っている操船を学習することで、船長の感覚にあった最適航路を推定することが可能となる。

また、上記実施例によれば、航海支援装置１は、気象海象条件毎の算出された操船の特性分布に対して、出現頻度に基づいて操船パターン毎の分布の区間を分割し、操船パターン毎に分布の区間の運航データを集約する。かかる構成によれば、航海支援装置１は、操船パターンに応じた運航データを集約することが可能となる。特に、航海支援装置１は、出現頻度が最も高い区間の運航データを船長が選択することの多い常用出力の操船パターンとみなすことで、常用出力の運航データを集約することが可能となる。この結果、航海支援装置１は、常用出力の操船パターンに応じた最適航路を探索することができる。

また、上記実施例によれば、航海支援装置１は、所定の操船パターンの学習モデルと、気象海象の予測データとを用いて、所定の操船パターンの船舶性能を推定する。かかる構成によれば、航海支援装置１は、所定の操船パターンの船舶性能に基づき、船舶にとっての最適航路を探索することが可能となる。例えば、航海支援装置１は、所定の操船パターンが常用出力のパターンである場合には、消費燃料が少なく、時間も短い最適航路を探索することが可能となる。

また、上記実施例によれば、航海支援装置１は、気象海象条件毎の算出された操船の特性分布に対して、出現頻度が最大となる分布の区間の船舶運航データを常用出力の操船パターンのデータとして集約する。かかる構成によれば、航海支援装置１は、常用出力の操船パターンに応じた最適航路を探索することができる。

［その他］
なお、図示した航海支援装置１の各構成要素は、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、航海支援装置１の分散・統合の具体的態様は図示のものに限られず、その全部または一部を、各種の負荷や使用状況等に応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。例えば、運航データ分類部１２とパターン抽出部１３とを１つの部として統合しても良い。また、運航データ集約部１４を、気象海象条件毎の運航データ２３を集約して操船パターン毎の運航データ２５を生成する集約部と、操船パターン毎の運航データ２５を補正する補正部とに分離しても良い。また、記憶部２０を航海支援装置１の外部装置としてネットワーク経由で接続するようにしても良い。

また、上記実施例で説明した各種の処理は、予め用意されたプログラムをパーソナルコンピュータやワークステーション等のコンピュータで実行することによって実現することができる。そこで、以下では、図１に示した航海支援装置１と同様の機能を実現する航海支援プログラムを実行するコンピュータの一例を説明する。図１４は、航海支援プログラムを実行するコンピュータの一例を示す図である。

図１４に示すように、コンピュータ２００は、各種演算処理を実行するＣＰＵ２０３と、ユーザからのデータの入力を受け付ける入力装置２１５と、表示装置２０９を制御する表示制御部２０７とを有する。また、コンピュータ２００は、記憶媒体からプログラム等を読取るドライブ装置２１３と、ネットワークを介して他のコンピュータとの間でデータの授受を行う通信制御部２１７とを有する。また、コンピュータ２００は、各種情報を一時記憶するメモリ２０１と、ＨＤＤ（Hard Disk Drive）２０５を有する。そして、メモリ２０１、ＣＰＵ２０３、ＨＤＤ２０５、表示制御部２０７、ドライブ装置２１３、入力装置２１５、通信制御部２１７は、バス２１９で接続されている。

ドライブ装置２１３は、例えばリムーバブルディスク２１０用の装置である。ＨＤＤ２０５は、航海支援プログラム２０５ａおよび航海支援処理関連情報２０５ｂを記憶する。

ＣＰＵ２０３は、航海支援プログラム２０５ａを読み出して、メモリ２０１に展開し、プロセスとして実行する。かかるプロセスは、航海支援装置１の各機能部に対応する。航海支援処理関連情報２０５ｂは、運航データ２１、気象・海象データ（実績・予報）２２、運航データ（気象海象条件毎）２３、パターン２４、運航データ（パターン毎）２５及び性能推定モデル２６に対応する。そして、例えばリムーバブルディスク２１０が、航海支援プログラム２０５ａ等の各情報を記憶する。

なお、航海支援プログラム２０５ａについては、必ずしも最初からＨＤＤ２０５に記憶させておかなくても良い。例えば、コンピュータ２００に挿入されるフレキシブルディスク（ＦＤ）、ＣＤ－ＲＯＭ（Compact Disk Read Only Memory）、ＤＶＤ（Digital Versatile Disk）、光磁気ディスク、ＩＣ（Integrated Circuit）カード等の「可搬用の物理媒体」に当該プログラムを記憶させておく。そして、コンピュータ２００がこれらから航海支援プログラム２０５ａを読み出して実行するようにしても良い。

１ 航海支援装置
１０ 制御部
１１ データ収集部
１２ 運航データ分類部
１３ パターン抽出部
１４ 運航データ集約部
１５ 性能推定モデル生成部
１６ 性能推定部
１７ 最適航路探索部
２０ 記憶部
２１ 運航データ
２２ 気象・海象データ（実績・予報）
２３ 運航データ（気象海象条件毎）
２４ パターン
２５ 運航データ（パターン毎）
２６ 性能推定モデル

Claims (5)

1. 船舶運航データを気象海象条件毎に分類し、
   分類した船舶運航データを用いて、気象海象条件毎の操船の特性分布を算出し、
   気象海象条件毎の算出された操船の特性分布から複数の操船パターンを抽出し、前記操船パターン毎に前記船舶運航データを集約し、
   前記操船パターン毎に集約された船舶運航データから、気象海象の実績データを説明変数として、船舶性能を目的変数として、前記操船パターン毎の学習モデルを生成する
   処理をコンピュータが実行し、
   前記集約する処理は、気象海象条件毎の算出された操船の特性分布に対して、出現頻度が最大となる分布の区間の前記船舶運航データを常用出力の操船パターンのデータとして集約する
   ことを特徴とする航海支援方法。
2. 該集約する処理は、気象海象条件毎の算出された操船の特性分布を示す性能特性分布に対して、出現頻度に基づいて前記操船パターン毎の分布の区間を分割し、前記操船パターン毎に分布の区間の前記船舶運航データを集約する
   ことを特徴とする請求項１に記載の航海支援方法。
3. 所定の操船パターンの学習モデルと、気象海象の予測データとを用いて、前記所定の操船パターンの船舶性能を推定する
   ことを特徴とする請求項１に記載の航海支援方法。
4. 船舶運航データを気象海象条件毎に分類する分類部と、
   前記分類部によって分類された船舶運航データを用いて、気象海象条件毎の操船の特性分布を算出する算出部と、
   気象海象条件毎の算出された操船の特性分布から複数の操船パターンを抽出する抽出部と、
   気象海象条件毎の算出された操船の特性分布から、前記操船パターン毎に前記船舶運航データを集約する集約部と、
   前記操船パターン毎に集約された船舶運航データから、気象海象の実績データを説明変数として、船舶性能を目的変数として、前記操船パターン毎の学習モデルを生成する生成部と、を有し、
   前記集約部は、気象海象条件毎の算出された操船の特性分布に対して、出現頻度が最大となる分布の区間の前記船舶運航データを常用出力の操船パターンのデータとして集約する
   ことを特徴とする航海支援装置。
5. コンピュータに、
   前記船舶運航データを気象海象条件毎に分類し、
   分類した船舶運航データを用いて、気象海象条件毎の操船の特性分布を算出し、
   気象海象条件毎の算出された操船の特性分布から複数の操船パターンを抽出し、前記操船パターン毎に前記船舶運航データを集約し、
   前記操船パターン毎に集約された船舶運航データから、気象海象の実績データを説明変数として、船舶性能を目的変数として、前記操船パターン毎の学習モデルを生成する
   処理を実行させ、
   前記集約する処理は、気象海象条件毎の算出された操船の特性分布に対して、出現頻度が最大となる分布の区間の前記船舶運航データを常用出力の操船パターンのデータとして集約する
   航海支援プログラム。

Images