基于深度强化学习和历史轨迹的船舶路径规划

为减少船舶在航行过程中人为操作不当或者没有及时对障碍风险做出反应而造成的船舶碰撞事故,增加船舶航行的安全性,提出一种船舶路径规划方法。将船舶历史的船舶自动识别系统(AIS)数据进行相应的预处理后,运用K-means聚类算法对相应数据进行聚类,得到的一条特征轨迹,并将其作为船舶在该区域的全局静态路径规划轨迹。设计一种基于深度确定性策略梯度(DDPG)算法的局部路径避碰方法和基于深度强化学习(DQN)的局部路径回归方法,使船舶可对局部动态风险做出有效的反应。分析全局静态路径的效果,并对局部动态路径规划方法做了仿真验证,结果表明:该方法可得到一条较为安全的全局路径,并且可规避航行时的局部动态风险,为船舶安全航行提供一定的参考。

改进QuickBundles算法在船舶轨迹聚类中的应用

对船舶AIS数据聚类进行研究,可以挖掘出船舶航行过程中有效或潜在的信息,对于提高船舶海事交通管理和水路交通运输的智能化水平具有重要意义。传统的聚类算法在面对大量的AIS数据样本时通常表现出很低的执行效率。因而,提出一种改进QuickBundles算法,并对船舶轨迹采样方法和距离度量方式进行改进,选取长江南京航段板桥汽渡水域的船舶AIS数据作为试验依据,最终实现船舶轨迹的有效聚类。试验结果表明,与原QuickBundles算法和DBSCAN算法相比,改进QuickBundles算法在算法执行效率和算法准确性方面优于前两种算法,证明改进QuickBundles算法可有效应用于船舶轨迹聚类。

基于ISM-BN的内河船舶航行风险因素研究

为保障内河船舶航行安全,手动收集近5年长江段海事事故报告,提取代表风险因素频率的主要数据特征;结合事故调查报告分析风险要素,确定船舶航行风险评价指标体系;采用解释结构模型(ISM)构建风险因素之间的关联性模型,获得因素之间的层级关系以判定风险因素间的相关性。采用数据驱动的贝叶斯网络(BN),研究各因素对海事安全的影响,并通过敏感性分析和以往事故记录进行模型验证。结果表明:事故类型涉及到的关键风险因素有水域位置、船型、操纵执行和航道条件;通过所提方法能够识别出不同事故类型的关键风险因素,且风险模型的平均预测精度为82.87%。