【技术实现步骤摘要】
本专利技术涉及大洋航行船舶气象航线，更具体地，涉及一种基于k-means聚类的船舶气象航线推荐方法、系统及程序产品。
技术介绍
1、在船舶航行中，确保航行安全是首要任务，其中气象因素是影响航行安全的关键因素之一。2015年10月1日，埃尔法兹号（mv el faro）在巴哈马附近海域遭遇强烈飓风“乔尔”，导致船舶悲惨倾覆，造成船上33名船员全部遇难。尽管船长在出航前已知飓风的存在，但由于对气象条件评估不足，决定继续航行。飓风带来的强风和高达30英尺的巨浪严重影响了船舶的稳定性，加之船舶设计缺陷，使其在恶劣天气下更容易倾覆。此外，船员未能及时调整航线以规避飓风中心，揭示了气象条件对船舶航行安全的重要影响。
2、与此同时，随着科技的发展，航运业正面临日益严峻的环境挑战。船舶的碳排放加剧了全球气候变暖的问题，这迫使航运业必须更加重视节能减排策略。伴随着全球能源危机的加剧，燃料价格的频繁上涨也使得航运企业的运营成本显著增加。这些因素共同推动了航运业向可持续发展转型的必要性。
3、在这种双重背景下，船舶气象航线技术的应用成为提升航行安全与实现节能减排的有效途径。这项技术不仅可以帮助船舶应对恶劣天气，提高航行的安全性，还能在减少因气象因素导致的碳排放方面发挥重要作用。当前国内外的研究中，多集中于对航行区域栅格化处理，采用搜索式算法求解整个航次的气象航线，计算量较为庞大，准确度较低，而对于局部区域船舶航行气象推荐的研究较少。
技术实现思路
1、针对现有技术的上述缺陷，本专
2、为实现上述目的，一方面，本专利技术提供一种基于k-means聚类的船舶气象航线推荐方法，包括以下步骤：
3、步骤一：初始气象聚类生成
4、步骤1.1：气象数据获取：确定船舶大致的航行航线，根据船舶航线所在位置收集附近包含风速、风向、能见度、气压、波高、波向、波周期的气象数据；
5、步骤1.2：数据预处理：去除掉包括但不限于重复数据、缺失值、异常值以及不相关特征数据，筛选出能够进行聚类处理的正常数据进行数据归一化处理；
6、步骤1.3：危险气象特征选取：收集造成船舶事故的危险气象条件所包含的气象数据，采用线性回归法计算这些气象数据里与危险气象条件的相关性，选取相关性高的气象特征，并对这些气象特征给予各自的权重；
7、步骤1.4：确定聚类参数：以所选择的气象特征作为聚类的标准，选取所述步骤1.1收集数据的最佳k值；
8、步骤1.5：加载所述步骤1.1收集的气象数据，根据所述步骤1.4的聚类标准和最佳k值进行k-means聚类生成初始气象聚类结果；
9、步骤二：初始气象聚类分类与范围计算
10、步骤2.1：根据聚类内部点到聚类中心的平均距离、聚类内部点到聚类中心的最大距离、聚类中心的气象特征、聚类内部点个数计算初始气象聚类范围；
11、步骤2.2：气象聚类风险评估：根据所述步骤1.3得到的气象特征权重与每个初始气象聚类中心的气象特征值计算每个初始气象聚类的风险程度；
12、步骤2.3：气象聚类分类：根据所述步骤2.2得到的每个初始气象聚类的风险程度设置初始气象聚类分类标准，将初始气象聚类分类为危险气象聚类与可航气象聚类；
13、步骤三：航行气象推荐及可视化
14、步骤3.1：根据所述步骤1.3得到的气象特征权重划分危险气象聚类内部的风险等势线等级，利用空间插值法绘制危险气象聚类内部风险等势线；
15、步骤3.2：对可航气象聚类内部气象数据再次进行k-means聚类处理，记录新生成聚类中心的气象特征值；利用油耗模型求解推荐航向航速；
16、步骤3.3：根据风险等势线、推荐航向航速用不同标记与颜色可视化航行气象航线推荐。
17、进一步地，所述步骤1.3中，线性回归法采用logistic回归法分析所收集的危险气象条件所包含的气象数据，执行模型训练并输出每个气象特征的回归系数、p值、oddsratio值，综合这三个参数得出每个气象特征与危险气象的相关性，并根据相关性的高低给予每个气象特征不同的权重，计算公式如下：
18、，
19、式中，表示预测样本属于某一类别（如危险气象）的概率，表示所有特征的线性组合，即特征的线性加权和，表示截距项，、、表示对应特征、、的回归系数，表示对数几率函数，表示该特征的增加导致目标事件发生的相对可能性。
20、进一步地，所述步骤1.4中，以所选择的气象特征作为聚类的标准，根据所述步骤1.1收集的数据，采用gap statistic方法处理预处理后的气象数据选择聚类最佳k值。
21、进一步地，所述步骤2.1的计算公式为：
22、，
23、式中，表示初始气象聚类影响范围半径，表示平均距离的权重系数，表示最大距离的权重系数，表示聚类内部样本点到聚类中心的平均距离，表示第个样本点到其所属聚类中心的距离，表示聚类内部样本点到聚类中心的最大距离，表示聚类中心位置，表示第个相邻聚类中心位置，表示与之间的距离。
24、进一步地，所述步骤2.2中，根据所述步骤1.3得到的气象特征的权重值结合经验数据设置每个气象特征的判定标准，对比每个气象聚类中心气象特征值与判定标准得出风险值。
25、进一步地，所述步骤3.2中，对可航气象聚类内部气象数据再次进行k-means聚类处理，记录新生成聚类中心的气象特征值，将所记录的新聚类中心的气象数据代入风阻力与波浪阻力油耗模型中进行求解，保存最优结果对应的航向航速，并标注在对应的聚类范围内。
26、另一方面，本专利技术提供一种基于k-means聚类的船舶气象航线推荐系统，采用如上所述的船舶气象航线推荐方法向船舶推荐气象航线，包括：
27、初始气象聚类生成模块，包括气象数据获取子模块、数据预处理子模块、危险气象特征选取子模块，以所选择的气象特征作为聚类标准，选取收集的气象数据的最佳k值；根据所述聚类标准和最佳k值进行k-means聚类生成初始气象聚类结果；
28、初始气象聚类分类与范围计算模块，根据聚类内部点到聚类中心的平均距离、聚类内部点到聚类中心的最大距离、聚类中心的气象特征、聚类内部点个数计算初始气象聚类范围；根据气象特征权重与每个初始气象聚类中心的气象特征值计算每个初始气象聚类的风险程度；根据每个初始气象聚类的风险程度设置初始气象聚类分类标准，将初始气象聚类分类为危险气象聚类与可航气象聚类；
29、航行气象推荐及可视化模块，利用空间插值法绘制危险气象聚类内部风险等势线本文档来自技高网...
【技术保护点】
1.一种基于K-means聚类的船舶气象航线推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于K-means聚类的船舶气象航线推荐方法，其特征在于，所述步骤1.3中，线性回归法采用Logistic回归法分析所收集的危险气象条件所包含的气象数据，执行模型训练并输出每个气象特征的回归系数、p值、Odds Ratio值，综合这三个参数得出每个气象特征与危险气象的相关性，并根据相关性的高低给予每个气象特征不同的权重，计算公式如下：
3.根据权利要求1所述的一种基于K-means聚类的船舶气象航线推荐方法，其特征在于，所述步骤1.4中，以所选择的气象特征作为聚类的标准，根据所述步骤1.1收集的数据，采用Gap statistic方法处理预处理后的气象数据选择聚类最佳K值。
4.根据权利要求1所述的一种基于K-means聚类的船舶气象航线推荐方法，其特征在于，所述步骤2.1的计算公式为：
5.根据权利要求1所述的一种基于K-means聚类的船舶气象航线推荐方法，其特征在于，所述步骤2.2中，根据所述步骤1.3得到的气象特征的
6.根据权利要求1所述的一种基于K-means聚类的船舶气象航线推荐方法，其特征在于，所述步骤3.2中，对可航气象聚类内部气象数据再次进行K-means聚类处理，记录新生成聚类中心的气象特征值，将所记录的新聚类中心的气象数据代入风阻力与波浪阻力油耗模型中进行求解，保存最优结果对应的航向航速，并标注在对应的聚类范围内。
7.一种基于K-means聚类的船舶气象航线推荐系统，其特征在于，采用如权利要求1至6任一项所述的船舶气象航线推荐方法向船舶推荐气象航线，包括：
8.一种计算机程序产品，其特征在于，用于船舶气象航线推荐；当所述计算机程序产品在计算机或设备上运行时，使得计算机或设备执行如权利要求1至6任一项所述的船舶气象航线推荐方法。
...【技术特征摘要】
1.一种基于k-means聚类的船舶气象航线推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于k-means聚类的船舶气象航线推荐方法，其特征在于，所述步骤1.3中，线性回归法采用logistic回归法分析所收集的危险气象条件所包含的气象数据，执行模型训练并输出每个气象特征的回归系数、p值、odds ratio值，综合这三个参数得出每个气象特征与危险气象的相关性，并根据相关性的高低给予每个气象特征不同的权重，计算公式如下：
3.根据权利要求1所述的一种基于k-means聚类的船舶气象航线推荐方法，其特征在于，所述步骤1.4中，以所选择的气象特征作为聚类的标准，根据所述步骤1.1收集的数据，采用gap statistic方法处理预处理后的气象数据选择聚类最佳k值。
4.根据权利要求1所述的一种基于k-means聚类的船舶气象航线推荐方法，其特征在于，所述步骤2.1的计算公式为：
5.根据权利要求1所述的一种...
【专利技术属性】
技术研发人员：谢宗轩，李永增，孙振，刘肖林，付姗姗，刘卫，王胜正，
申请(专利权)人：上海海事大学，
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。