WO2020129225A1 - 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

航海支援方法、航海支援装置および航海支援プログラム Download PDF

Info

Publication number
WO2020129225A1
WO2020129225A1 PCT/JP2018/047100 JP2018047100W WO2020129225A1 WO 2020129225 A1 WO2020129225 A1 WO 2020129225A1 JP 2018047100 W JP2018047100 W JP 2018047100W WO 2020129225 A1 WO2020129225 A1 WO 2020129225A1
Authority
WO
WIPO (PCT)
Prior art keywords
marine vessel
pattern
ship
operation data
data
Prior art date
Application number
PCT/JP2018/047100
Other languages
English (en)
French (fr)
Inventor
匡史 山海
拓郎 池田
阿南　泰三
Original Assignee
富士通株式会社
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 富士通株式会社 filed Critical 富士通株式会社
Priority to EP18943973.0A priority Critical patent/EP3901580A4/en
Priority to PCT/JP2018/047100 priority patent/WO2020129225A1/ja
Priority to JP2020561106A priority patent/JP7226453B2/ja
Publication of WO2020129225A1 publication Critical patent/WO2020129225A1/ja
Priority to US17/336,884 priority patent/US20210285772A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G3/00—Traffic control systems for marine craft
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G01C21/203—Specially adapted for sailing ships
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B79/00—Monitoring properties or operating parameters of vessels in operation
    • B63B79/20—Monitoring properties or operating parameters of vessels in operation using models or simulation, e.g. statistical models or stochastic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T70/00—Maritime or waterways transport
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T70/00—Maritime or waterways transport
    • Y02T70/10—Measures concerning design or construction of watercraft hulls

Definitions

  • the present invention relates to a navigation support method and the like.
  • the navigation speed and the navigation speed required for navigation considering the effect of the weather and oceanic conditions on the navigation when the ship navigates in this area
  • the statistical value of the fuel consumption is calculated, and the time required for the navigation of the ship or the fuel consumption is rationally estimated using the statistical value (for example, refer to Patent Document 1).
  • the navigation speed and fuel consumption referred to here are the performance of the ship.
  • the performance of the ship is estimated based on the ship operation data and the past weather and sea condition data, and the optimum route for this ship is calculated based on the estimated ship performance and the weather and sea condition data. To do.
  • the captain of the vessel selects the route with the regular output determined at the time of designing the vessel and less wind and wave resistance.
  • the normal output referred to here is an output that is normally used to obtain the cruising speed, and is an economical output from the viewpoint of engine efficiency and maintenance.
  • the route selected by regular output is the one with less fuel consumption and shorter time.
  • the conventional navigation support technology has a problem in that it is not possible to accurately recommend the optimum route for regular output. That is, in the conventional navigation support technology, since the performance of the ship is estimated using all ship operation data including deceleration operation in which the vehicle is operated at a speed other than the normal output, the normal output normally selected by the captain. It is difficult to accurately recommend the optimum route in Japan.
  • the present invention aims to accurately recommend an optimum route according to a marine vessel maneuvering pattern.
  • the computer classifies the ship operation data for each meteorological and sea condition, and uses the classified ship operation data to calculate a characteristic distribution of the marine vessel maneuver for each meteorological and sea condition, Extracting a plurality of marine vessel maneuvering patterns from the calculated characteristic distribution of each marine vessel maneuvering, aggregating the marine vessel operation data for each marine vessel maneuvering pattern, from the marine vessel maneuvering data aggregated for each marine vessel maneuvering pattern, the actual data of meteorological and oceanographic conditions
  • a process of generating a learning model for each of the marine vessel maneuvering patterns is executed with the ship performance as an objective variable as an explanatory variable.
  • FIG. 1 is a functional block diagram showing the configuration of the navigation support device according to the embodiment.
  • FIG. 2 is a diagram showing an outline of navigation support according to the embodiment.
  • FIG. 3 is a diagram illustrating an example of flight data according to the embodiment.
  • FIG. 4 is a diagram illustrating an example of weather/sea state data according to the embodiment.
  • FIG. 5 is a diagram illustrating an example of operation data classification processing according to the embodiment.
  • FIG. 6 is a diagram illustrating an example of operation data aggregation processing according to the embodiment.
  • FIG. 7 is a diagram illustrating an example of correction processing of flight data for each pattern according to the embodiment.
  • FIG. 8 is a diagram illustrating an example of the performance estimation model generation process according to the embodiment.
  • FIG. 1 is a functional block diagram showing the configuration of the navigation support device according to the embodiment.
  • FIG. 2 is a diagram showing an outline of navigation support according to the embodiment.
  • FIG. 3 is a diagram illustrating an example of flight data according to the embodiment
  • FIG. 9 is a diagram illustrating an image of the performance estimation model generation process according to the embodiment.
  • FIG. 10 is a diagram illustrating an example of the performance estimation process and the optimum route search process according to the embodiment.
  • FIG. 11 is a diagram illustrating an example of the optimum route search result according to the embodiment.
  • FIG. 12 is a diagram illustrating an example of a flowchart of the model learning phase according to the embodiment.
  • FIG. 13 is a diagram illustrating a usage example of the navigation support process according to the embodiment.
  • FIG. 14 is a diagram illustrating an example of a computer that executes a navigation support program.
  • FIG. 1 is a functional block diagram showing the configuration of the navigation support device according to the embodiment.
  • the navigation support device 1 classifies the ship navigation data for each weather/sea condition, and calculates the distribution of ship speeds for each classified weather/sea condition.
  • the navigation support device 1 collects the vessel operation data for each vessel operation pattern extracted from the distribution of vessel operations calculated for each classified weather and ocean condition.
  • the navigation support device 1 learns ship performance by using the collected ship operation data and past meteorological and oceanographic data for each ship maneuvering pattern, and constructs a ship performance estimation model for each ship maneuvering pattern.
  • the vessel performance referred to here includes the vessel's navigation speed and fuel consumption.
  • the vessel maneuvering pattern here refers to the pattern that the captain actually selects when maneuvering.
  • pattern a in which the marine vessel is maneuvered at a normal output
  • pattern b in which the engine output is slightly lowered
  • pattern c in which the marine vessel is maneuvered in a decelerated operation are assumed.
  • the marine vessel maneuvering pattern may be simply referred to as “pattern”.
  • “Pattern a” is a pattern in which the regular output is determined at the time of ship design, and a route with less wind and wave resistance is selected for maneuvering.
  • Regular output means economical output from the viewpoint of engine efficiency and maintenance.
  • the route selected by regular output is the one with less fuel consumption and shorter time.
  • the pattern a is called a marine vessel maneuvering pattern with regular output.
  • Patent b is a pattern in which the engine is operated with a reduced output so that the engine is not loaded (torque rich) under stormy weather.
  • the pattern b is referred to as a medium output marine vessel maneuvering pattern.
  • “Pattern c” is a pattern in which, when there is no next voyage schedule and there is enough time, the boat is decelerated and maneuvered to reduce fuel consumption.
  • the pattern c is referred to as a small-powered marine vessel maneuvering pattern.
  • the marine vessel maneuvering pattern is not limited to this.
  • the marine vessel maneuvering pattern may include, for example, a pattern d in which the marine vessel is maneuvered by increasing the output so as to apply a load to the engine when there is no time.
  • the pattern d is referred to as a high-powered marine vessel maneuvering pattern.
  • FIG. 2 is a diagram showing an outline of navigation support according to the embodiment.
  • the navigation support device 1 calculates a ship speed distribution from the operation data 21 related to the ship, and extracts a marine vessel maneuvering pattern (pattern) from the ship speed distribution ( ⁇ 1>).
  • the distribution of ship speed indicates the frequency distribution of ship speed.
  • the pattern is extracted based on the appearance frequency.
  • the section having the highest appearance frequency is extracted as the regular output pattern a. This is because the captain often selects a route that has a normal output determined at the time of designing the vessel and has less resistance to wind and waves and sails.
  • the section having the second highest appearance frequency is extracted as the medium output pattern b.
  • the section with the slowest ship speed is extracted as a small output pattern c.
  • the distribution may be engine speed or horsepower instead of ship speed.
  • the navigation support device 1 collects the operation data 21′ for each pattern ( ⁇ 2>).
  • the navigation support device 1 learns the ship performance by using the aggregated operation data 21′ and the actual weather/sea condition data (actual results/forecast) 22 for each pattern, and determines the ship performance of each pattern. Build an estimation model ( ⁇ 3>). As a result, the navigation support device 1 can estimate the optimum route that suits the captain's sense by learning the actual maneuvering performed by the captain.
  • the navigation support device 1 has a control unit 10 and a storage unit 20.
  • the control unit 10 corresponds to an electronic circuit such as a CPU (Central Processing Unit).
  • the control unit 10 has an internal memory for storing programs and control data that define various processing procedures, and executes various processing by these.
  • the control unit 10 includes a data collection unit 11, an operation data classification unit 12, a pattern extraction unit 13, an operation data aggregation unit 14, a performance estimation model generation unit 15, a performance estimation unit 16, and an optimum route search unit 17.
  • the operation data classification unit 12, the pattern extraction unit 13, the operation data aggregation unit 14, and the performance estimation model generation unit 15 are functional units in the model learning phase.
  • the performance estimating unit 16 and the optimum route searching unit 17 are functional units in the service providing phase.
  • the operation data classification unit 12 is an example of a classification unit.
  • the pattern extraction unit 13 is an example of an extraction unit.
  • the flight data aggregation unit 14 is an example of a calculation unit and an aggregation unit.
  • the performance estimation model generation unit is an example of a generation unit.
  • the storage unit 20 is, for example, a semiconductor memory element such as a RAM or a flash memory (Flash Memory), or a storage device such as a hard disk or an optical disk.
  • the storage unit 20 has operation data 21, weather/sea state data (actual results/forecast) 22, operation data (for each weather/sea condition) 23, pattern 24, operation data (for each pattern) 25, and a performance estimation model 26.
  • the operation data 21 is data indicating when, where, at what speed the ship was heading, in which direction, etc., during operation.
  • the operation data 21 is data indicating the history of maneuvering performed by the captain of the ship.
  • the operation data 21 is collected by using, for example, AIS (Automatic Identification System), VDR (Voyage Data Recorder), engine logger, and the like.
  • FIG. 3 is a diagram illustrating an example of flight data according to the embodiment.
  • the navigation data 21 stores latitude, longitude, speed, traveling direction,..., Bow direction, time,... Corresponding for each versel_name. versel_name indicates the name of the ship.
  • the operation data 21 is not limited to this, and may additionally include engine speed and fuel consumption.
  • meteorological and oceanographic data (actual results/forecast) 22 is meteorological data and oceanographic data including the actual results and forecast of the ship.
  • the weather/sea condition data (actual results/forecast) 22 may be collected using, for example, data distributed from a weather forecast data provider.
  • FIG. 4 is a diagram illustrating an example of weather/sea state data according to the embodiment.
  • the upper part of FIG. 4 shows wind data for forecasting among the meteorological data.
  • wave data for forecasting among the oceanographic data is shown.
  • the lower part of FIG. 4 shows the forecast ocean current data among the oceanographic data.
  • the wind data stores latitude, longitude, wind speed, and wind direction in association with the forecast delivery date and time and the target date and time.
  • the wave data stores latitude, longitude, wave height, wave direction, and wave period in association with the forecast delivery date and time and the target date and time.
  • the ocean current data stores latitude, longitude, ocean current velocity, ocean current direction, and hierarchy in association with the forecast delivery date and time and target date and time.
  • the operation data (for each weather/sea condition) 23 is the operation data of the operation data 21 classified for each weather/sea condition.
  • the operation data (for each weather condition) 23 is classified by the operation data classification unit 12.
  • the pattern 24 is a marine vessel maneuvering pattern extracted from a plurality of marine vessel maneuvering patterns.
  • the pattern 24 is extracted by the pattern extracting unit 12.
  • the operation data (for each pattern) 25 is operation data aggregated for each pattern in the operation data 21.
  • the operation data (for each pattern) 25 is collected by the operation data collecting unit 14.
  • the performance estimation model 26 is an estimation model of ship performance for each pattern.
  • the performance estimation model 26 is generated by the performance estimation model generation unit 15.
  • the data collection unit 11 collects various data. For example, the data collection unit 11 collects the flight data 21 using AIS. The data collection unit 11 receives the weather data (actual results/forecast) and the sea condition data (actual results/forecast) distributed from the weather forecast data provider, and collects the weather/sea condition data (actual results/forecast) 22.
  • the operation data classification unit 12 classifies the operation data 21 for each weather/sea condition.
  • FIG. 5 is a diagram illustrating an example of operation data classification processing according to the embodiment.
  • the operation data classification unit 12 classifies the operation data 21 according to predetermined meteorological and sea condition conditions, and generates operation data 23 for each meteorological and sea condition condition.
  • the wind speed and the wind direction are applied as meteorological and oceanographic conditions.
  • the meteorological and oceanographic conditions there are cases where the wind force is “0”, the wind force is “1” and the front side, the wind force is “1” and the rear side,..., The wind force is “10” and the port side is rearward. It is shown.
  • the operation data 21 is classified into the operation data 23 for each weather/sea condition.
  • the pattern extraction unit 13 clusters the ship speed data of the operation data 23 for each meteorological and oceanographic condition to extract a marine vessel maneuvering pattern (pattern). For example, the pattern extraction unit 13 uses the data including at least the position (latitude, longitude), time, and ship speed of the operation data 23 for each weather and ocean condition to cluster the ship speed data. For example, the k-means method or the like may be used for the clustering. Then, as an example of the clustering result, the pattern extraction unit 13 extracts a marine vessel maneuvering pattern (pattern a) for normal output, a marine vessel maneuvering pattern for medium output (pattern b), a marine vessel maneuvering pattern for small output (pattern c), and the like. To do.
  • the pattern extraction unit 13 stores the extracted pattern in the pattern 24.
  • the pattern extraction unit 13 has been described as clustering the ship speed data of the operation data 23 for each weather and ocean condition to extract the pattern, the pattern extraction unit 13 is not limited to this, and the engine speed and the horsepower may be used instead of the ship speed data. Patterns may be extracted by clustering using.
  • the operation data aggregating unit 14 calculates the distribution of ship speeds by using the operation data 23 for each weather/sea condition.
  • the distribution of ship speeds referred to herein means, for example, the distribution of ship speed appearance frequencies. That is, the operation data aggregating unit 14 calculates the appearance frequency distribution of ship speeds for the operation data 23 for each weather and ocean condition.
  • the operation data aggregating unit 14 divides the distribution section based on the appearance frequency of the ship speed distribution calculated for each weather and ocean condition. The divided sections are associated with the marine vessel maneuvering pattern. As a result, the operation data aggregating unit 14 calculates the appearance frequency of the ship speed under the same meteorological and oceanographic conditions, and can regard the section of the ship speed with the highest appearance frequency as the regular output marine vessel maneuvering pattern. That is, it is assumed that when the captain operates the vessel, he often selects the regular output, which is an economical output. Similarly, the operation data aggregating unit 14 can regard a section of a distribution obtained from the appearance frequency and the ship speed as a predetermined marine vessel maneuvering pattern by calculating the appearance frequency of the ship speed under the same meteorological and oceanographic conditions. ..
  • the operation data aggregating unit 14 aggregates the operation data 23 for each meteorological and oceanographic condition for each ship operation pattern and generates the operation data 25 for each ship operation pattern.
  • the operation data aggregating unit 14 may correct the operation data 25 for each maneuvering pattern when collecting the operation data 25 for each maneuvering pattern. That is, the operation data aggregating unit 14 determines the marine vessel maneuvering pattern based on the appearance frequency of the vessel speed for the same meteorological and oceanographic condition. However, if the operation data aggregating unit 14 determines the vessel operation pattern based only on the vessel speed, it will be aggregated so as to switch the vessel operation pattern in a very short period of time. Never switch. Therefore, when the duration of the marine vessel maneuvering pattern is within the predetermined period, it is preferable that the marine vessel maneuvering data collection unit 14 corrects the marine vessel maneuvering pattern operation data with the largest number of marine vessel maneuvering patterns included in the predetermined period as the marine vessel maneuvering pattern for the period. ..
  • FIG. 6 is a diagram illustrating an example of operation data aggregation processing according to the embodiment.
  • the operation data aggregating unit 14 aggregates the operation data 23 for each weather/sea condition for the regular output marine vessel maneuvering pattern to generate the operational data 25 for the regular output marine vessel maneuvering pattern.
  • the operation data aggregating unit 14 uses the operation data 23 for each weather and ocean condition to calculate a frequency distribution table of each ship speed.
  • the operation data aggregating unit 14 divides the distribution section based on the appearance frequency of the calculated ship speed frequency distribution table.
  • the section of the ship speed that has the highest appearance frequency is regarded as the regular output marine vessel maneuvering pattern. This is because it is assumed that when the captain operates the vessel, he often selects the regular output, which is an economical output.
  • the operation data aggregating unit 14 aggregates the operation data 23 for each meteorological and oceanographic condition, and generates the operation data 25 of the marine vessel maneuvering pattern that is normally output.
  • the section of the ship speed that has the highest appearance frequency is regarded as the regular output marine vessel maneuvering pattern. Therefore, the operation data aggregating unit 14 aggregates the operation data of the section of the ship speed having the highest appearance frequency in each frequency distribution table calculated for each meteorological and oceanic condition, and the operation data of the operation pattern of the normal output. 25 is generated.
  • the section with the second highest frequency of appearance may be used as a medium-powered marine vessel maneuvering pattern.
  • the operation data aggregating unit 14 aggregates the operation data of the section of the distribution of the ship speed having the second highest appearance frequency in each frequency distribution table calculated for each weather and ocean condition, and outputs the medium output. Operation data 25 of the marine vessel maneuvering pattern is generated.
  • the section of the distribution in which the ship speed is the slowest may be a small output marine vessel maneuvering pattern.
  • the operation data aggregating unit 14 aggregates the operation data of the section having the slowest ship speed in each frequency distribution table calculated for each meteorological and oceanographic condition, and creates a small-output ship operation pattern. Operation data 25 is generated.
  • the section of the distribution with the highest ship speed may be a high-power marine vessel maneuvering pattern.
  • the operation data aggregating unit 14 aggregates the operation data of the section with the fastest ship speed in each frequency distribution table calculated for each meteorological and oceanographic condition, and creates a high-output ship operation pattern. Operation data 25 is generated.
  • FIG. 7 is a diagram showing an example of correction processing of flight data for each pattern according to the embodiment.
  • the operation data aggregating unit 14 has generated operation data 25 for each of the marine vessel maneuvering patterns, such as pattern a (regular output), pattern b, and pattern c.
  • the flight data before correction is displayed every minute.
  • the marine vessel maneuvering pattern is switched based on the appearance frequency of the ship speed.
  • the navigation data aggregating unit 14 determines the marine vessel maneuvering pattern only by the boat speed, it will switch the marine vessel maneuvering pattern in a very short period of time, but in reality, it does not switch the marine vessel maneuvering pattern in a very short period of time. Therefore, when the duration of the marine vessel maneuvering pattern is within a predetermined period, the marine vessel maneuvering data collection unit 14 corrects the marine vessel maneuvering pattern operation data with the most marine vessel maneuvering pattern included in the predetermined period as the marine vessel maneuvering pattern for the period.
  • each pattern of the operation data indicated by the reference sign d1 has the largest number of patterns a, as shown by the reference sign d1′, it is corrected as the operation data of the maximum number of patterns a. That is, the flight data aggregating unit 14 corrects the flight data of the pattern c and the flight data of the pattern b as the flight data of the pattern a. Further, since the pattern c has the largest number of the respective flight data indicated by the reference sign d2, the flight data of the maximum number of the pattern c is corrected as indicated by the reference sign d2′. That is, the operation data aggregation unit 14 corrects the operation data of the pattern a and the operation data of the pattern b as the operation data of the pattern c. As a result, the operation data aggregating unit 14 can aggregate the operation data for each marine vessel maneuvering pattern according to the reality.
  • the performance estimation model generation unit 15 learns the vessel performance using the aggregated operation data 25 and the actual weather/sea condition data 22 for each vessel maneuvering pattern, and estimates the vessel performance model. To generate. For example, the performance estimation model generation unit 15 generates the performance estimation model 26 for each maneuvering pattern using the actual weather/sea condition data 22 as an explanatory variable and the ship performance of the operation data 25 aggregated for each maneuvering pattern as an objective variable. To do. As an example, the performance estimation model generation unit 15 generates the performance estimation model 26 for each marine vessel maneuvering pattern by the least squares method of the multiple regression equation of the following equation (1). In addition, y of Formula (1) is an objective variable and shows ship speed, for example.
  • X 1 to x 6 in the equation (1) are explanatory variables, respectively, and indicate, for example, wind speed, wind direction, wave height, wave direction, ocean current velocity, and ocean current direction.
  • y ⁇ 0 + ⁇ 1 x 1 + ⁇ 2 x 2 + ⁇ 3 x 3 + ⁇ 4 x 4 + ⁇ 5 x 5 + ⁇ 6 x 6 ...
  • FIG. 8 is a diagram illustrating an example of the performance estimation model generation process according to the embodiment.
  • the performance estimation model generation unit 15 learns the vessel performance by using the aggregated operation data 25 and the actual weather/sea condition data 22 for each vessel maneuvering pattern, and estimates the vessel performance. Generate a model.
  • the operation data 25 for each of the marine vessel maneuvering patterns of pattern a, pattern b, and pattern c is collected.
  • the performance estimation model generation unit 15 learns ship performance by using, for example, “wind speed” in the actual weather/sea condition data 22 as an explanatory variable and using, for example, “ship speed” in the operation data 25 of the pattern a as an objective variable, The performance estimation model 26 of the pattern a is generated.
  • the performance estimation model generation unit 15 learns ship performance by using, for example, “wind speed” in the actual weather/sea condition data 22 as an explanatory variable and using, for example, “ship speed” in the operation data 25 of the pattern b as an objective variable, The performance estimation model 26 of the pattern b is generated.
  • the performance estimation model generation unit 15 learns the vessel performance by using, for example, “wind speed” in the actual weather/sea condition data 22 as an explanatory variable and using, for example, “ship speed” in the operation data 25 of the pattern c as an objective variable, The performance estimation model 26 of the pattern c is generated.
  • FIG. 9 is a diagram illustrating an image of the performance estimation model generation process according to the embodiment.
  • a performance estimation model is generated when the marine vessel maneuvering pattern is the regular output pattern a.
  • the only explanatory variable is “wind speed”.
  • the performance estimation model generation unit 15 obtains a regression line from two-dimensional coordinates when the x-axis is “wind speed” and the y-axis is “ship speed”.
  • the performance estimation model generation unit 15 searches for “ship speed” and “wind speed” at the same time and the same position (latitude, longitude) from the flight data 25 of the pattern a and the actual weather/sea state data 22. Then, the searched “ship speed” and “wind speed” are sampled in two-dimensional coordinates. Then, the performance estimation model generation unit 15 obtains a regression line from the sampled points by the least square method.
  • the explanation variable is only the “wind speed”, but it is not limited to this.
  • the performance estimation model generation unit 15 sets the x-axis to “wind speed”, the y-axis to “wind direction”, and the z-axis to “ship speed”.
  • the objective variable is set to “ship speed”, but the present invention is not limited to this.
  • the objective variable may be “fuel consumption”.
  • the performance estimating unit 16 estimates the ship performance of the specified marine vessel maneuvering pattern from the forecast weather/sea state data 22 and the performance estimating model 26. For example, the performance estimation unit 16 receives the designation of the marine vessel maneuvering pattern and acquires the performance estimating model 26 corresponding to the marine vessel maneuvering pattern. The performance estimation unit 16 estimates the ship performance at the target position (latitude, longitude) using the acquired performance estimation model 26 and the forecast meteorological/sea state data 22.
  • the ship performance referred to here means ship speed and fuel consumption.
  • the optimum route searching unit 17 searches for the optimum route for the ship based on the ship performance estimated by the performance estimating unit 16. For example, the optimum route search unit 17 receives the navigation conditions of the ship.
  • the navigation conditions of the ship include, for example, a departure place, an arrival place, a departure time, and a marine vessel maneuvering pattern.
  • the optimum route search unit 17 searches the optimum route in the section from the departure point to the arrival point when the passenger departs at the designated departure time and selects the designated marine vessel maneuvering pattern.
  • the optimum route search unit 17 searches for the optimum route based on the estimated ship performance at each position (latitude, longitude) included in the section.
  • the search for the optimum route may use any conventional technique as long as the estimated ship performance is used.
  • the optimum route search unit 17 saves the optimum route of the designated marine vessel maneuvering pattern in the storage unit 20 as the optimum route search result.
  • the optimum route is a route that consumes less fuel and takes less time when operating in each of the selected marine vessel maneuvering patterns.
  • the optimum route is a route with less fuel consumption and shorter time when operating in the pattern a.
  • the pattern b when the marine vessel maneuvering pattern is medium output
  • the pattern c when the marine vessel maneuvering pattern is small output.
  • FIG. 10 is a diagram illustrating an example of the performance estimation process and the optimum route search process according to the embodiment.
  • the optimum route search unit 17 receives a departure place, an arrival place, a departure time, and a maneuvering pattern as navigation conditions of the ship (S100).
  • the optimum route search unit 17 inquires about the ship performance (for example, ship speed) when maneuvering in accordance with the received maneuvering pattern for each position (latitude, longitude) included in the section from the departure place to the arrival place (S110). ..
  • the performance estimating unit 16 receives the designation of the marine vessel maneuvering pattern and the target position, and acquires the performance estimating model 26 corresponding to the marine vessel maneuvering pattern.
  • the performance estimating unit 16 estimates the ship performance (for example, ship speed) at the target position (latitude, longitude) using the acquired performance estimation model 26 and the forecast weather/sea state data 22.
  • the performance estimation part 16 returns the estimated ship performance (for example, ship speed) (S120).
  • the performance estimation unit 16 repeatedly estimates the ship performance for all the designated positions of the target and returns the estimated ship performance.
  • the optimum route search unit 17 searches for the optimum route of the accepted marine vessel maneuvering pattern based on the estimated ship performance (eg, ship speed) of each position (latitude, longitude) included in the section (S130). ..
  • the optimum route for each maneuvering pattern is shown.
  • the optimum route whose marine vessel maneuvering pattern is the pattern a at the regular output is the route indicated by Optimal (normal).
  • the optimum route for which the marine vessel maneuvering pattern is pattern b for medium power is the route indicated by Optimal (slow x1).
  • the optimum route for which the marine vessel maneuvering pattern is the pattern c at low output is the route indicated by Optimal (slow x2).
  • FIG. 11 is a diagram showing an example of the optimum route search result according to the embodiment.
  • the upper part of FIG. 11 shows the summary data of the optimum route search results.
  • the lower part of FIG. 11 shows detailed data of the optimum route search result.
  • FIG. 12 is a diagram illustrating an example of a flowchart of the model learning phase according to the embodiment.
  • the operation data classification unit 12 classifies the operation data 21 (step S11) and generates operation data 23 for each weather and ocean condition.
  • the pattern extraction unit 13 analyzes the pattern of maneuvering from the operation data 23 for each weather/sea condition (step S12). As a result of the analysis, the operation data aggregating unit 14 aggregates operation data for each pattern of marine vessel maneuvering from the operation data 23 for each weather/sea condition (step S13) and stores the operation data 25 for each pattern. Then, the operation data aggregating unit 14 corrects the aggregated operation data for each pattern of marine vessel maneuvering (step S14). Then, the performance estimation model generation unit 15 generates a performance estimation model using the flight data for each pattern (the flight data 25 for each pattern) (step S15). Then, the performance estimation model generation unit 15 stores the generated performance estimation model in the performance estimation model 26.
  • FIG. 13 is a diagram illustrating a usage example of the navigation support process according to the embodiment.
  • the navigation support device 1 is connected to a marine vessel (Sea) using the navigation support processing via a network.
  • the navigation support device 1 is connected to an onshore shipping company by a network.
  • the navigation support apparatus 1 is connected to various onshore providers via a network.
  • Various providers include a weather forecast data provider and an AIS data provider.
  • the navigation support device 1 collects actual and forecast meteorological and oceanographic data from a weather forecast data provider.
  • the navigation support device 1 collects flight data from a provider of AIS data.
  • the collected meteorological and oceanographic data and operational data are reflected in the operational data 21 and the meteorological/oceanographic data (actual results/forecast) 22.
  • the captain and land staff inquire of the navigation support device 1 about the optimum route.
  • the captain can also inquire of the navigation support device 1 about the optimum route during the voyage.
  • the navigation support device 1 When receiving the navigation conditions included in the inquiry, the navigation support device 1 searches for an optimum route in the section from the departure point of the vessel to the arrival point when the departure is made at the departure time and when the designated marine vessel maneuvering pattern is selected. .. Then, the navigation support device 1 returns the searched optimum route to the inquiry source. As a result, the navigation support device 1 can accurately recommend the optimum route according to the marine vessel maneuvering pattern.
  • the navigation support device 1 classifies the operation data 21 for each weather/sea condition.
  • the navigation support device 1 calculates the characteristic distribution of the marine vessel maneuvering for each meteorological and oceanographic condition using the classified navigation data 23.
  • the navigation support device 1 extracts a plurality of marine vessel maneuvering patterns from the calculated marine vessel maneuvering characteristic distribution for each weather and ocean condition, and collects operational data for each marine vessel maneuvering pattern.
  • the navigation support apparatus 1 generates a learning model for each maneuvering pattern from the operation data aggregated for each maneuvering pattern, using the actual data of weather and ocean conditions as explanatory variables and the ship performance as an objective variable.
  • the navigation support device 1 can accurately recommend the optimum route according to the marine vessel maneuvering pattern by using the learning model of the marine vessel performance for each marine vessel maneuvering pattern. For example, the navigation support device 1 can estimate the optimum route that suits the captain's sense by learning the actual maneuvering performed by the captain.
  • the navigation support device 1 divides the distribution interval for each marine vessel maneuvering pattern based on the appearance frequency into the calculated marine vessel maneuvering characteristic distribution for each meteorological and oceanographic condition, and for each marine vessel maneuvering pattern.
  • the operation data of the section of distribution is aggregated.
  • the navigation support device 1 can collect the navigation data according to the navigation pattern.
  • the navigation support device 1 can collect the operation data of the normal output by considering the operation data of the section having the highest appearance frequency as the navigation output pattern of the normal output that the captain often selects.
  • the navigation support device 1 can search for an optimum route according to the marine vessel maneuvering pattern of the regular output.
  • the navigation support device 1 estimates the ship performance of the predetermined marine vessel maneuvering pattern by using the learning model of the predetermined marine vessel maneuvering pattern and the forecast data of the meteorological and oceanographic conditions. According to such a configuration, the navigation support device 1 can search for the optimum route for the vessel based on the vessel performance of a predetermined marine vessel maneuvering pattern. For example, when the predetermined marine vessel maneuvering pattern is a regular output pattern, the navigation assistance device 1 can search for an optimum route that consumes less fuel and is short in time.
  • the navigation support device 1 regularly outputs the vessel operation data of the section of the distribution having the maximum appearance frequency with respect to the calculated characteristic distribution of the vessel operation for each weather and ocean condition. Data is aggregated. According to such a configuration, the navigation support device 1 can search for an optimum route according to the marine vessel maneuvering pattern of the regular output.
  • the constituent elements of the illustrated navigation support device 1 do not necessarily have to be physically configured as illustrated. That is, the specific mode of dispersion/integration of the navigation support device 1 is not limited to that shown in the drawings, and all or part of the navigation support device 1 may be functionally or physically arranged in arbitrary units according to various loads and usage conditions. It can be distributed and integrated.
  • the operation data classification unit 12 and the pattern extraction unit 13 may be integrated as one unit.
  • the operation data aggregation unit 14 is separated into an aggregation unit that aggregates the operation data 23 for each weather and ocean condition to generate the operation data 25 for each marine vessel maneuvering pattern and a correction unit that corrects the operation data 25 for each marine vessel maneuvering pattern. You may do it.
  • the storage unit 20 may be connected as an external device of the navigation support device 1 via a network.
  • FIG. 14 is a diagram illustrating an example of a computer that executes a navigation support program.
  • the computer 200 includes a CPU 203 that executes various arithmetic processes, an input device 215 that receives data input from a user, and a display control unit 207 that controls the display device 209.
  • the computer 200 also includes a drive device 213 that reads a program and the like from a storage medium, and a communication control unit 217 that exchanges data with another computer via a network.
  • the computer 200 also has a memory 201 for temporarily storing various information and an HDD (Hard Disk Drive) 205.
  • the memory 201, the CPU 203, the HDD 205, the display control unit 207, the drive device 213, the input device 215, and the communication control unit 217 are connected by the bus 219.
  • the drive device 213 is, for example, a device for the removable disk 210.
  • the HDD 205 stores a navigation support program 205a and navigation support processing related information 205b.
  • the CPU 203 reads the navigation support program 205a, expands it in the memory 201, and executes it as a process. Such a process corresponds to each functional unit of the navigation support device 1.
  • the navigation support processing related information 205b corresponds to the operation data 21, the weather/sea condition data (actual results/forecast) 22, the operation data (for each weather condition) 23, the pattern 24, the operation data (for each pattern) 25, and the performance estimation model 26. To do.
  • the removable disk 210 stores each information such as the navigation support program 205a.
  • the navigation support program 205a does not necessarily have to be stored in the HDD 205 from the beginning.
  • a "portable physical medium such as a flexible disk (FD), a CD-ROM (Compact Disk Read Only Memory), a DVD (Digital Versatile Disk), a magneto-optical disk, an IC (Integrated Circuit) card, etc., which is inserted into the computer 200.
  • the relevant program is stored in.
  • the computer 200 may read the navigation support program 205a from these and execute it.
  • Performance Estimation Model Generation Section 16 Performance Estimation Section 17 Optimal Route Search Section 20 Storage Section 21 Operation Data 22 Meteorological/Sea Conditions Data (actual results/forecast) 23 Flight data (for each weather condition) 24 patterns 25 flight data (for each pattern) 26 Performance estimation model

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Ocean & Marine Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)

Abstract

航海支援装置（１）は、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。

Description

航海支援方法、航海支援装置および航海支援プログラム
　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ｘ１～ｘ６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＝β０＋β１ｘ１＋β２ｘ２＋β３ｘ３＋β４ｘ４＋β５ｘ５＋β６ｘ６・・・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β０、β１を求めて、回帰直線ｙ＝β０＋β１ｘ１を求める。
Figure JPOXMLDOC01-appb-M000001
　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＝β０＋β１ｘ１＋β２ｘ２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 (6)

  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. 　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
    　ことを特徴とする請求項２に記載の航海支援方法。
  5. 　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、
    　を有することを特徴とする航海支援装置。
  6. 　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
    　処理を実行させる航海支援プログラム。
PCT/JP2018/047100 2018-12-20 2018-12-20 航海支援方法、航海支援装置および航海支援プログラム WO2020129225A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
EP18943973.0A EP3901580A4 (en) 2018-12-20 2018-12-20 AID TO NAVIGATION PROCESS, AID TO NAVIGATION DEVICE AND AID TO NAVIGATION PROGRAM
PCT/JP2018/047100 WO2020129225A1 (ja) 2018-12-20 2018-12-20 航海支援方法、航海支援装置および航海支援プログラム
JP2020561106A JP7226453B2 (ja) 2018-12-20 2018-12-20 航海支援方法、航海支援装置および航海支援プログラム
US17/336,884 US20210285772A1 (en) 2018-12-20 2021-06-02 Navigation support method, navigation support device, and computer-readable recording medium recording navigation support program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/047100 WO2020129225A1 (ja) 2018-12-20 2018-12-20 航海支援方法、航海支援装置および航海支援プログラム

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/336,884 Continuation US20210285772A1 (en) 2018-12-20 2021-06-02 Navigation support method, navigation support device, and computer-readable recording medium recording navigation support program

Publications (1)

Publication Number Publication Date
WO2020129225A1 true WO2020129225A1 (ja) 2020-06-25

Family

ID=71100748

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/047100 WO2020129225A1 (ja) 2018-12-20 2018-12-20 航海支援方法、航海支援装置および航海支援プログラム

Country Status (4)

Country Link
US (1) US20210285772A1 (ja)
EP (1) EP3901580A4 (ja)
JP (1) JP7226453B2 (ja)
WO (1) WO2020129225A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7218973B1 (ja) 2022-07-20 2023-02-07 独立行政法人国立高等専門学校機構 運行支援システム

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS62274500A (ja) * 1986-05-23 1987-11-28 日本鋼管株式会社 船舶用衝突・座礁検知システム
JP2001291200A (ja) * 2000-04-05 2001-10-19 Mitsubishi Heavy Ind Ltd 船舶運航管理装置
JP2009286230A (ja) * 2008-05-28 2009-12-10 Mitsui Eng & Shipbuild Co Ltd 船舶の運航支援システムと船舶の運航支援方法
JP2011512512A (ja) * 2007-11-19 2011-04-21 インテグレーテッド・パワー・テクノロジー・コーポレーション エネルギー抽出船舶のナビゲーション用の監視制御およびデータ収集システム
WO2011055512A1 (ja) * 2009-11-04 2011-05-12 川崎重工業株式会社 操船制御方法及び操船制御システム
JP2013104690A (ja) * 2011-11-10 2013-05-30 Mitsui Eng & Shipbuild Co Ltd 船舶の最適航路計算システム、船舶の運航支援システム、船舶の最適航路計算方法、及び船舶の運航支援方法
JP2013134089A (ja) 2011-12-26 2013-07-08 Mitsubishi Heavy Ind Ltd 最適航路計算装置及び最適航路計算方法
JP2015520698A (ja) * 2012-06-01 2015-07-23 アーベーベー・テヒノロギー・アーゲー シップの性能の評価ための方法およびシステム
JP2015523557A (ja) * 2012-06-01 2015-08-13 アーベーベー・テヒノロギー・アーゲー シップに対するルートの決定の方法およびシステム
JP6281022B1 (ja) 2016-10-12 2018-02-14 日本郵船株式会社 船舶の航行に要する時間または燃料消費量を推定するためのデータ処理装置、プログラム、および記録媒体

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SG11201509677YA (en) * 2013-05-24 2015-12-30 Nippon Yusen Kk Ship managing device, ship managing system, and program

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS62274500A (ja) * 1986-05-23 1987-11-28 日本鋼管株式会社 船舶用衝突・座礁検知システム
JP2001291200A (ja) * 2000-04-05 2001-10-19 Mitsubishi Heavy Ind Ltd 船舶運航管理装置
JP2011512512A (ja) * 2007-11-19 2011-04-21 インテグレーテッド・パワー・テクノロジー・コーポレーション エネルギー抽出船舶のナビゲーション用の監視制御およびデータ収集システム
JP2009286230A (ja) * 2008-05-28 2009-12-10 Mitsui Eng & Shipbuild Co Ltd 船舶の運航支援システムと船舶の運航支援方法
WO2011055512A1 (ja) * 2009-11-04 2011-05-12 川崎重工業株式会社 操船制御方法及び操船制御システム
JP2013104690A (ja) * 2011-11-10 2013-05-30 Mitsui Eng & Shipbuild Co Ltd 船舶の最適航路計算システム、船舶の運航支援システム、船舶の最適航路計算方法、及び船舶の運航支援方法
JP2013134089A (ja) 2011-12-26 2013-07-08 Mitsubishi Heavy Ind Ltd 最適航路計算装置及び最適航路計算方法
JP2015520698A (ja) * 2012-06-01 2015-07-23 アーベーベー・テヒノロギー・アーゲー シップの性能の評価ための方法およびシステム
JP2015523557A (ja) * 2012-06-01 2015-08-13 アーベーベー・テヒノロギー・アーゲー シップに対するルートの決定の方法およびシステム
JP6281022B1 (ja) 2016-10-12 2018-02-14 日本郵船株式会社 船舶の航行に要する時間または燃料消費量を推定するためのデータ処理装置、プログラム、および記録媒体

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3901580A4

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7218973B1 (ja) 2022-07-20 2023-02-07 独立行政法人国立高等専門学校機構 運行支援システム
JP2024013416A (ja) * 2022-07-20 2024-02-01 独立行政法人国立高等専門学校機構 運行支援システム

Also Published As

Publication number Publication date
EP3901580A4 (en) 2021-12-15
US20210285772A1 (en) 2021-09-16
JPWO2020129225A1 (ja) 2021-10-14
JP7226453B2 (ja) 2023-02-21
EP3901580A1 (en) 2021-10-27

Similar Documents

Publication Publication Date Title
JP6393940B2 (ja) 船舶の経年変化推定方法、船舶の経年変化推定システム、最適航路計算システム、及び船舶の運航支援システム
US20140277865A1 (en) Method and apparatus for real-time polars
Mannarini et al. VISIR-I: small vessels–least-time nautical routes using wave forecasts
JP2012086604A (ja) 船舶運航支援システム
US20200240787A1 (en) System and method for voyage consumption optimization
US20160121979A1 (en) Ship managing device, ship managing system, and program
CN107289947A (zh) 一种船载智能气象导航系统
KR102109571B1 (ko) 선박의 최적항로 도출 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체
US10293899B2 (en) Device, program and recording medium for supporting analysis of fuel consumption in voyage of ship
Guinness et al. A method for ice-aware maritime route optimization
FI127931B (fi) Navigoinnin analyysilaite, navigoinnin analyysimenetelmä, ohjelma, ja tallennusväline
US11352105B2 (en) Estimation method, training method, storage medium, and estimation device
WO2020129225A1 (ja) 航海支援方法、航海支援装置および航海支援プログラム
KR20210116798A (ko) 디지털 트윈을 이용하여 선박의 경제운항을 위한 파랑 정보 수집 장치
WO2020129226A1 (ja) 航海支援方法、航海支援装置および航海支援プログラム
US9835458B2 (en) Ship assignment device, ship assignment method, program, and recording medium
US20180031376A1 (en) Systems and methods for computing and displaying navigation indicators based on historic and real-time vessel data
WO2022091677A1 (ja) 船舶監視システム、船舶監視方法、情報処理装置、及びプログラム
Mannarini et al. VISIR-I: Small vessels, least-time nautical routes using wave forecasts
JP5890540B2 (ja) 船舶管理装置およびプログラム
WO2018115569A1 (en) Method for analyzing fleet operations
KR20200038915A (ko) 선박의 최적항로 도출 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체
Walker et al. Shallow and Deep Learning Models for Vessel Motions Forecasting during Adverse Weather Conditions
TWI792418B (zh) 預測船舶油耗的方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18943973

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020561106

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2018943973

Country of ref document: EP

Effective date: 20210720