摘要:本研究针对航海环境中航线规划的需求,研究了一种多源数据融合方法在航线规划中的应用。通过分析航海环境数据的多源性、异构性和动态性特点,提出了数据预处理、特征提取与选择、加权融合算法等步骤,构建了基于遗传算法的航线规划模型。实证分析表明,该方法能有效提高航线规划的优化效果、降低航行风险,并提升航行经济性,为航海领域航线规划提供了新思路。
关键词:航海环境;多源数据融合;航线规划;应用研究
随着全球贸易的不断发展,海上航运作为国际贸易的重要运输方式,其航线规划的安全、高效和经济性日益受到关注。然而,航海环境复杂多变,如何利用丰富的航海环境数据实现航线优化,成为航海领域亟待解决的问题。本研究旨在探讨多源数据融合方法在航线规划中的应用,以期为航海领域提供一种新的航线规划思路,从而提高航行的安全性和经济性。
一、航海环境多源数据概述
(一)数据来源
航海环境数据是航线规划的基础,来源包括天基和地基探测手段[1]。气象数据来自全球卫星气象观测系统、地基雷达和船舶传感器;水文数据通过海洋浮标、海底观测网和卫星遥感获取;地理信息数据由遥感影像和电子海图构成;航行资料如航路指南、航海通告等,由海事机构提供。
(二)数据特点
1.多源性
航海环境数据的多源性体现在数据来源的多样性,不同来源的数据在空间覆盖范围、时间分辨率、测量精度等方面存在显著差异。
2.异构性
数据的异构性表现在数据结构、语义和格式的多样性。在航海环境数据中,既有以数值形式存在的气象和水文参数,也有以文本形式记录的航行通告,还有以图像形式呈现的遥感影像[2]。
3.动态性
航海环境数据的动态性表现为数据随时间不断变化,这要求航线规划系统能够实时或近实时地处理和更新数据。例如,气象条件的变化对航线规划的影响是即时且显著的,因此,实时更新的气象数据对于确保航线安全至关重要。
二、多源数据融合方法
(一)数据预处理
数据预处理是确保多源数据融合质量的关键步骤,其目的在于消除数据中的噪声、填充缺失值、处理异常值,从而提高数据的可用性和准确性。该过程主要包括以下三个环节:
1.数据清洗:通过统计学方法和机器学习算法(如聚类、孤立森林等)识别并剔除数据中的噪声和异常值。对于缺失数据,可以采用插值、回归分析等方法进行填充。
2.数据转换:由于不同数据源的数据格式和度量标准可能存在差异,因此需要通过数据转换统一数据格式和度量标准。例如,将所有地理信息数据转换为统一的地理坐标系。
3.数据归一化:为了消除不同数据源之间的量纲影响,采用归一化方法(如最小-最大标准化、Z-score标准化等)将数据映射到同一数值区间,便于后续融合处理。
(二)特征提取与选择
特征提取与选择是提取数据中有效信息并降低数据维度的过程,对于提高数据融合效率和航线规划精度至关重要。
1.特征提取:针对不同类型的数据,采用相应的特征提取方法。例如,对于遥感影像数据,可以提取其纹理特征(如灰度共生矩阵GLCM)、光谱特征等;对于水文数据,可以提取其时序特征、周期性特征等。
2.特征选择:在提取出多维特征后,通过特征选择算法(如 ReliefF、主成分分析PCA、最小冗余最大相关性mRMR等)筛选出对航线规划有重要影响的特征子集。这一步骤有助于减少计算复杂度,避免过拟合现象。
(三)数据融合算法
本文采用加权融合算法对多源数据进行融合,该算法通过为不同数据源分配适当的权重,实现数据的综合与优化。具体步骤如下:
1.确定各数据源的权重系数:权重系数的确定可以基于专家经验、数据质量评估(如数据精度、可靠性等)或采用优化算法(如遗传算法、粒子群优化PSO等)进行动态调整。设第个数据源的权重系数为,则有:
其中,为数据源的总数。
2.根据权重系数,计算融合后的数据:设融合后的数据为,第个数据源的数据为,则融合后的数据可以表示为:
通过上述步骤,可以得到一个综合多源数据信息的融合结果,为航线规划提供更为全面和准确的数据支持。
三、基于多源数据融合的航线规划方法
(一)航线规划模型
航线规划模型的构建旨在最小化航行成本,同时确保航行的安全性和效率[3]。航行成本C可定义为航行时间T、燃料消耗F和安全风险R的加权组合,即:
其中,、和分别为航行时间、燃料消耗和安全风险的权重系数,满足:
航行时间的计算依赖于船舶速度和航线距离,即。燃料消耗与船舶的航速、航线条件等因素相关,可通过船舶性能模型进行估算。安全风险则是一个综合指标,包括气象条件、水文环境、航道状况等因素,可通过风险评估模型进行量化。
(二)算法实现
为实现上述航线规划模型的最优求解,采用遗传算法(GA)进行算法实现。遗传算法是一种模拟自然选择和遗传机制的优化算法,适用于求解复杂优化问题。
1.编码:将航线规划问题转化为染色体编码,每条染色体代表一条可能的航线。编码方式可以是实数编码,其中每个基因代表航线上的一个航点坐标。
2.初始化种群:随机生成一定数量的染色体作为初始种群,确保种群的多样性。
3.适应度函数:定义适应度函数来评价染色体的优劣,本文中适应度函数可取为航行成本的倒数,即:
4.选择:根据适应度函数,采用轮盘赌等方式选择优秀的染色体进入下一代。
5.交叉:通过交叉操作,交换两条染色体的部分基因,产生新的染色体,模拟生物的繁殖过程。
6.变异:随机改变染色体上的某些基因,以保持种群的多样性。
7.终止条件:当算法达到预设的迭代次数或适应度函数值收敛时,算法终止。
通过上述步骤,遗传算法能够从融合后的多源数据中搜索出最优航线。输出结果为一条综合考虑航行成本、安全性和效率的航线。
四、实证分析
为验证本文提出的基于多源数据融合的航线规划方法的有效性,选取我国南海某复杂海域作为实证分析的场景。该海域具有多变的气象条件、复杂的水文特征以及繁忙的航行交通,对航线规划提出了较高的要求。
(一)实证分析流程如下:
1.数据收集:搜集了实验海域的卫星遥感数据、气象站数据、船舶AIS信息、海图资料等,构建了多源数据集。
2.数据处理:依据前文所述的数据预处理、特征提取与选择、数据融合方法,对收集到的数据进行处理,得到了高质量的综合数据集。
3.航线规划:将处理后的数据集输入至基于遗传算法的航线规划模型中,进行了航线优化计算。
(二)实证分析结果如下:
1.航线优化效果:通过对比优化航线与原有航线,发现优化航线在航行距离上减少了约8.2%,在预计航行时间上缩短了约11.4%。
2.航行风险评估:优化航线在规避恶劣天气、浅水区和渔区等高风险区域方面表现更为出色,降低了航行风险指数约14.3%。
3.经济性分析:根据船舶燃油消耗模型,优化航线相较于原航线在燃油消耗上减少了约9.6%,显著提升了航行的经济性。
五、结论
本研究提出的基于多源数据融合的航线规划方法,通过数据预处理、特征提取与选择、加权融合算法等步骤,有效提高了航线规划的优化效果,降低了航行风险,并提升了航行经济性。实证分析结果表明,该方法在复杂航海环境中具有显著的应用价值,为航海领域航线规划提供了新的思路和技术支持。
参考文献:
[1]李洪,张大铭,严晞隽,等. 面向海洋探测的多源信息融合技术研究及展望[J]. 宇航总体技术,2021,5(4):1-6.
[2]李举锋.AUV多源观测数据融合方法及应用技术研究[D].哈尔滨工程大学,2011.
[3]吴恭兴,王凌超,郑剑,等. 考虑复杂气象变化的智能船舶动态航线规划方法[J]. 上海海事大学学报,2021,42(1):1-6,12.
武警海警学院 何维玮
