【技术实现步骤摘要】
本专利技术涉及船舶调度，更具体地说，涉及一种内河锚地智能指泊方法。
技术介绍
1、锚地作为水运生产和航运经济发展的重要公共设施，在船舶的安全营运中起着至关重要的作用，直接影响航道畅通和通航安全。随着水路运输地高速发展，内河船舶交通流量密集化、船型大型化趋势明显，锚地需求量急需增涨。受岸线资源制约，内河航道锚地数量规模已趋于饱和，如何利用目前有限的锚地资源使得锚地利用效率最大化成为当前亟待解决的问题。另外，内河航道锚地地理位置分散，且较为偏僻，信息化数字化网络化覆盖程度低，锚地集中化管理程度不高。目前仍依靠现场值守的锚地管理模式，也使得锚地管理难度和管理成本大大增加。
技术实现思路
1、本专利技术要解决的技术问题在于，提供一种内河锚地智能指泊方法，其能够实现对锚地的远程集中控制和管理，显著降低锚地管理成本，提高锚地运行效率，提升锚地智慧化建设。
2、本专利技术解决其技术问题所采用的技术方案是：构造一种内河锚地智能指泊方法，包括以下步骤：
3、s1、船舶发送泊位申请，获取船舶当前信息；
4、s2、通过船舶信息预测船舶到达每个可停泊锚地时间；
5、s3、统计锚地当前所有停泊船舶信息，基于当前锚地停泊情况对来泊船舶进行泊位分配；
6、s4、当船舶停泊完毕后，检查船舶是否按要求在指定位置停泊；
7、s5、当船舶收到离泊信息后，统计船舶离泊时间，用于之后来泊船舶泊位分配；
8、s6、在到达预定离泊时间后，船舶进
9、所述步骤s3中，通过构建数学模型，基于锚地当前所有停泊船舶信息以及当前锚地的占用情况，使用遗传算法对船舶泊位分配的结果进行求解，模型目标函数f最小化船舶平均靠、离泊影响表示如下：
10、（1）
11、本模型的约束条件包括锚地锚泊点及泊位的数量限制、船舶靠泊条件限制、船舶到达和离泊时间，表示如下：
12、（2）
13、（3）
14、（4）
15、（5）
16、n：表示锚泊点集合，，n为锚泊点总数，
17、：表示第n个锚泊点的空余泊位总数，，，m表示第n个锚泊点上的第m个泊位，
18、i：表示预计到达的船舶数量，i表示第i艘船，
19、v：表示被分配泊位的船舶数量，
20、：表示船舶i的长度，，
21、：表示与船舶i泊位相邻的里侧船舶长度，，
22、：表示与船舶i泊位相邻的外侧船舶长度，，
23、：表示船舶i的预计到达时间，，
24、：表示船舶i的离泊时间，，
25、：表示船舶i靠泊操纵时需要的移泊次数，，
26、：表示船舶i靠泊后，泊位里侧船舶离泊需要的移泊次数，，
27、：表示船舶i离泊时，泊位外侧船舶需要的移泊次数，，
28、：表示船舶i靠、离泊所产生的总移泊次数，，
29、船舶i的靠、离泊影响包括三个部分：
30、1）船舶i靠泊时，是否需要停靠在泊位外侧的船舶移泊，用表示靠泊时需要移泊的次数；
31、2）船舶i靠泊后，位于泊位里侧的船舶离泊时，是否需要船舶i移泊，用表示靠泊后需要移泊的次数；
32、3）船舶i离泊时，位于泊位外侧的船舶是否需要为船舶i移泊，用表示离泊时需要移泊的次数；
33、船舶i靠、离泊所产生的总移泊次数用表示。
34、按上述方案，所述步骤s1中，运用船舶自动识别系统数据，通过解码获取船舶的基本信息，结合船舶申报信息，获取船舶当前信息，所述船舶自动识别系统即为automaticidentification system，简称ais。
35、按上述方案，所述船舶申报信息包括：船名、船舶类型、货物种类、船长、船宽、船高、吃水船舶尺度、实际载货/载客量、实际排水量、申报时间、通航调度信息。
36、按上述方案，所述步骤s2中，使用长短期记忆网络深度学习模型预测船舶到达每个可停泊锚地的时间，所述长短期记忆网络即为long short-term memory，简称lstm，构建lstm模型包括以下步骤：
37、s201、定义模型架构：使用深度学习框架tensorflow定义lstm模型架构；
38、s202、根据输入数据选择合适的层数和神经元数量：使用多层lstm层，每层包含若干神经元；
39、s203、添加dense层：在lstm层之后多个dense层，将lstm层的输出映射到目标变量；
40、s204、编译模型：均方误差来制定损失函数，使用adam优化器来优化模型。
41、按上述方案，在对lstm深度学习模型进行构建与训练阶段之前，收集船舶历史航行数据、ais数据、天气数据、锚地数据，并从收集的数据中获取船舶位置数据、时间戳数据、环境数据、船舶信息和船舶到达时间；
42、获取收集的数据后对数据进行预处理，以用于模型训练；
43、在模型的训练阶段，训练输入为多维特征的时间序列数据，训练输出为船舶的预计到达时间；
44、使用lstm深度学习模型对船舶到达每个可停泊锚地的时间进行预测时，将获取到的当前船舶类型、货物种类、船长、船宽、船高、吃水、实际载货/载客量、实际排水量、当前天气数据、锚地数据以及当前时刻及之前若干时间步的ais数据进行预处理后作为输入。
45、按上述方案，所述数据预处理包括时间序列化处理、缺失值处理和归一化处理；所述时间序列化处理将数据整理成时间序列格式，所述缺失值处理处理或填补缺失数据，所述归一化处理将特征数据归一化或标准化。
46、按上述方案，所述步骤s4中，检查船舶是否按要求在指定位置停泊的具体步骤如下：
47、s401、获取ais数据：所述数据包括船舶静态数据和船舶动态数据，在检查船舶停泊位置时用到的数据包括船舶的位置、航向、航速、船名、mmsi号；
48、s402、识别目标船舶：从ais数据中识别目标船舶，通过每个船舶对应的mmsi号确保选择的船舶与检查的船舶一致；
49、s403、验证船舶位置信息：检查ais数据中的位置信息，包括经度和纬度，验证所述信息是否与指定停泊区域的要求相符，如果船舶位置信息在分配的泊位区域内，则船舶停泊位置无误；
50、s404、ais数据时间戳检查：检查ais数据的时间戳，确保数据为当前的、实时的，以实时确认船舶的确切位置；
51、s405、船舶通讯状态检查：为确保船舶的ais设备处于正常工作状态，查看ais数据中的通讯状态。
52、实施本专利技术的内河锚地智能指泊方法，具有以下有益效果：
53、1、本专利技术综合利用现代信息技术，开展无人值守锚地智慧运行关键技术研究，实现锚地的远程集中控制和管理，为锚地无人值守及智能化运行提供有效可靠的本文档来自技高网...
【技术保护点】
1.一种内河锚地智能指泊方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的内河锚地智能指泊方法，其特征在于，所述步骤S1中，运用船舶自动识别系统（AIS）数据，通过解码获取船舶的基本信息，结合船舶申报信息，获取船舶当前信息。
3.根据权利要求2所述的内河锚地智能指泊方法，其特征在于，所述船舶申报信息包括：船名、船舶类型、货物种类、船长、船宽、船高、吃水船舶尺度、实际载货/载客量、实际排水量、申报时间、通航调度信息。
4.根据权利要求1所述的内河锚地智能指泊方法，其特征在于，所述步骤S2中，使用长短期记忆网络（LSTM）深度学习模型预测船舶到达每个可停泊锚地的时间，构建LSTM深度学习模型的方法包括以下步骤：
5.根据权利要求4所述的内河锚地智能指泊方法，其特征在于，在对LSTM深度学习模型进行构建与训练阶段之前，收集船舶历史航行数据、AIS数据、天气数据、锚地数据，并从收集的数据中获取船舶位置数据、时间戳数据、环境数据、船舶信息和船舶到达时间；
6.根据权利要求5所述的内河锚地智能指泊方法，其特征在于，所述数据预
7.根据权利要求1所述的内河锚地智能指泊方法，其特征在于，所述步骤S4中，检查船舶是否按要求在指定位置停泊的具体步骤如下：
...【技术特征摘要】
1.一种内河锚地智能指泊方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的内河锚地智能指泊方法，其特征在于，所述步骤s1中，运用船舶自动识别系统（ais）数据，通过解码获取船舶的基本信息，结合船舶申报信息，获取船舶当前信息。
3.根据权利要求2所述的内河锚地智能指泊方法，其特征在于，所述船舶申报信息包括：船名、船舶类型、货物种类、船长、船宽、船高、吃水船舶尺度、实际载货/载客量、实际排水量、申报时间、通航调度信息。
4.根据权利要求1所述的内河锚地智能指泊方法，其特征在于，所述步骤s2中，使用长短期记忆网络（lstm）深度学习模型预测船舶到达每个可停泊锚地的时间，构建lstm深度学习模型的方法包括...
【专利技术属性】
技术研发人员：王炜正，程凯，邹艳春，牛作鹏，刘明俊，宋成涛，何洋，李亮，史廉博，薛佳，文曦，冯俊，殷进坤，徐久珺，
申请(专利权)人：中交第二航务工程勘察设计院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。