[发明专利]一种基于深度学习的航行时间预测方法及装置

说明书

本发明提供一种基于深度学习的航行时间预测方法，包括：获取AIS数据；对所述获取到的AIS数据进行处理，得到不同航段、不同时间段的航行时间数据；构建航行时间预测模型，将所述航行时间数据输入到所述构建的航行时间预测模型中进行训练；将训练好的航行时间预测模型与航线规划技术结合，得到准确的航行时间预测值。本发明的技术方案能够准确的预测航行时间，使得船舶提前知道通过某个航段的预估时间，提前选择最优路径，从而提高航运的通行效率与经济效益，为船舶智能航行打下基础。

技术领域

本发明涉及航行时间预测技术领域，具体而言，尤其涉及一种基于深度学习的航行时间预测方法及装置。

背景技术

内河航运作为我国现代综合运输体系的重要组成部分，具有运力大、污染轻、成本低、能耗低等突出优势，对促进区域经济快速协调发展发挥了重大作用，据统计：中国有江河五千多条﹐总长度42万多公里，内河航道全长约13.51万公里，其中高等级航道占比46.56％，全长约6.29万公里，内河港口多达1300个，生产性泊位约为2.6万个，运输船舶数量高达20多万艘。

随着内河运输量的不断增加，拥堵情况日益严峻。交通管理部门也在一直探索交通管理方法，优化出行体验。航行时间作为内河交通信息的一种，作用相当重要，准确的航行时间预测能够帮助船舶提前知道通过某个航段的预估时间，提前选择最优航线，从而提高航运的通行效率与经济效益。

然而，目前关于内河的航行时间估算方法包括：

1)根据经验估计；

2)根据船舶航线距离以及初始速度，两者相除得到船舶航行的预估时间。

上述关于内河的航行时间估算方法没有充分考虑航行时间这一时间序列的周期性、规律性以及航道之间的空间相关性，无法准确的对船舶航行时间进行估计。

发明内容

根据上述提出的技术问题，而提供一种基于深度学习的航行时间预测方法。本发明主要利用航行时间预测模型，并融合航道静态信息(航道长度、水深、历史平均航行时间等)以提高模型的预测精度。

本发明采用的技术手段如下：

一种基于深度学习的航行时间预测方法，包括：

获取AIS数据；

对所述获取到的AIS数据进行处理，得到不同航段、不同时间段的航行时间数据；

构建航行时间预测模型，将所述航行时间数据输入到所述构建的航行时间预测模型中进行训练；

将训练好的航行时间预测模型与航线规划技术结合，得到准确的航行时间预测值。

进一步地，所述对所述接收到的AIS数据进行处理，得到不同航段、不同时间段的航行时间数据，包括：

根据航道特征对航道进行切割分段，每段航道内类型相近的船舶将具有相近的航行行为和航行时间；

利用AIS数据中的船舶航速信息统计出船舶在各个航段内的平均航行速度，进而再根据平均速度计算通过船舶穿过整个航段所需的平均航行时间；

根据交通流特性，设定时间间隔为n小时，针对每个航段进行分时段的航行时间统计。

进一步地，所述AIS数据包括船舶静态数据、船舶动态数据、船舶航次数据以及航行安全信息；

所述船舶静态数据包括船名、呼号、海上移动业务识别码(MMSI)、国际海事组织(IMO)编号、船长、船宽、船舶类型；

所述船舶动态数据包括船位数据、对地航速/航向和船首向信息；

所述船舶航次数据包括船舶状态、吃水、目的地、ETA信息；