[发明专利]一种基于船舶轨迹和蚁群算法的船舶路径规划方法

说明书

本发明公开了一种基于船舶轨迹和蚁群算法的船舶路径规划方法，将聚类对象从点改成航迹段，航迹段相对于轨迹点，船舶航向、船舶速度等信息保留，在进行聚类时，聚类结果更加准确。相似性度量中，采用更加多维的角度进行相似性度量计算，从水平距离，垂直距离，转向角以及速度四个维度进行考量。进而使整体的聚类结果更加准确。本方法使用改进的DBSCAN算法，在保留了船舶轨迹中蕴含的速度方向等信息，同时也加快了聚类速度。本方法提出的改进的蚁群算法，经过实验发现，相较于之前的蚁群算法，本方法提出的适用于船舶路径规划的蚁群算法在解决船舶航线规划时，提高了收敛速度。

技术领域

本发明涉及路径规划技术领域，尤其涉及一种多停靠点的船舶路径规划方法，尤其涉及一种基于船舶轨迹数据和蚁群算法的多停靠点的船舶路径规划方法。

背景技术

船舶在实际航行中，因为人员或货物的装卸载或者因为补给等问题，在航向中要规划好多个停靠点，多停靠点的船舶路径规划是根据已知的信息，规划出一条可以从出发点到途中各个停靠点的综合距离(在安全、费用、时间的综合距离)最优的路径。

随着航运技术的发展，船舶自动识别系统(Automatic Identification System,简称AIS系统)的发展也愈加成熟。如今，绝大多数的船舶都已安装了AIS系统。通过AIS系统，将船舶的名称、类型、MMSI、IMO、船籍、呼号、船长、船宽、吃水深以及经度、纬度、船艏向等位置信息记录下来。通过AIS系统，积累了大量的船舶轨迹属数据，蕴含着大量的海上交通特征。传统的船舶路径规划主要基于海图，存在着由于天气或者其他原因导致的路径失效问题，而通过近期的船舶轨迹数据，则可以保证数据的有效性，进一步保证其中蕴含的航线的有效性。

聚类主要的作用对象是需要被划分的数据，其工作原理就是将数据划成多个类或簇，使位于同一簇中的数据在某些特征上接近，而不同簇之间的数据在这些特征上相差较大通过数据挖掘技术，可以将其中的交通特征联系发现出来。DBSCAN聚类算法是一个比较成熟的基于密度的聚类算法，可以在有噪声干扰的情况下发现任意形状的簇。通过DBSCAN算法，对船舶轨迹进行聚类，将船舶典型轨迹从AIS数据中发现出来。传统的DBSCAN算法的聚类对象为点对象，若对点对象进行聚类，则会失去其中包含的速度、方向等信息，而导致聚类效果不佳，同时，对点对象进行聚类，过多的数量也会导致聚类的效率不高。

传统的路径规划算法多为精确算法，如Dijkstra算法求解的是加权连通简单图中一个顶点到其它每个顶点的具有最小权和的有向路，而船舶在行驶中，途中会因为货物、人员的上下或者船舶的补给，中间要按计划停靠多次，更类似于非精确的旅行商问题。精确算法在解决此类问题时运算量极大。蚁群算法作为非精确算法，更适合解决这类问题。同时，蚁群算法也存在着容易陷入局部最优解而无法继续和算法收敛速度慢的问题。

综上，使用现有的船舶路径规划方法，存在以下问题：

规划的路径时效性不强，存在路径失效的可能；传统DBSCAN聚类容易丢失轨迹中包含的船舶综合信息，且聚类数量多，聚类速度慢；若使用精确算法运算量过大；蚁群算法存在着着容易陷入局部最优解而无法继续和算法收敛速度慢的问题进而影响整体效率等问题。

发明内容

本发明提供一种多停靠点的船舶路径规划方法，能够有效的提高此场景下船舶路径规划的时效性、准确性以及减少了整体方法的时间消耗。

为了实现上述目的，一方面本方法对其中关键点进行优化。包括：

依据近期的大量AIS数据进行计算，通过保证船舶航行轨迹数据的时效性，进而保证通过本方法提出的聚类方法得到的代表轨迹的时效性。