一种基于AIS大数据的航道动态仿真系统
技术领域
本发明涉及大数据处理和航道仿真学习领域，具体为一种基于AIS大数据的航道动态仿真系统。
背景技术
AIS(船舶自动识别系统)是指一种应用于船和岸、船和船之间的海事安全与通信的新型助航系统，能够降低了船舶间碰撞的风险，增强了ARPA雷达、船舶交通管理系统、船舶报告的功能，在电子海图上显示所有船舶可视化的航向、航线、船名等信息，改进了海事通信的功能，提供了一种与通过AIS识别的船舶进行语言和文本通信的方法，使得航海界进入了数字时代。
CA模型(元胞自动机模型)是通过对时间和空间的离散化，建立与一种有效的描述航运网络的时间和空间资源的模型，在航运系统分析中被广泛使用。但是CA模型中包含多种参数，其中包括航道网络的环境参数，元胞自动机演化模型参数等。在现有CA的相关工作中，航道网络的CA模型参数主要是通过人工经验来手动设置的，之所以是基于人工经验来手动设置参数，是因为缺少对真实系统的观测知识，这种方式有可能使得CA模型在演化的结果与实际情况有较大的误差，影响到模型的准确性。
发明内容
(一)解决的技术问题
为解决以上问题，本发明提供了一种基于AIS大数据的航道动态仿真系统，获取并利用AIS的实际船舶数据来进行训练CA演化模型，减少与实际船舶行驶行为的误差，提高仿真效果。
(二)技术方案
为实现上述目的，本发明提供如下技术方案：包括航道建立模块、数据处理模块、演化模块和仿真模块，航道建立模块基于电子海图信息建立航道网络 CA模型；数据处理模块基于AIS大数据获取指定范围内航道网络中船舶的航行轨迹信息；演化模块用于获取数据处理模块内的船舶的航行轨迹信息，并在航道网络模型中学习且训练CA的动态演化模型参数；仿真模块用于利用演化装置学习后得到的CA的动态演化模型参数，进行搭建内河航道网络仿真的CA模型。
优选的，演化模块的动态演化模型参数学习利用迭代优化算法。
优选地，演化模块内的航段宽度学习算法基于遗传算法。
一种基于AIS大数据的航道动态仿真方法：
S1：航道模块基于电子海图信息建立航道网络CA模型：
G＝(V，E)
G为航道网络模型；
其中集合V包括航道网络的所有交叉、分岔口和航道网络的入口以及出口，边集E中包括顶点之间具有直接航道项链的顶点连接关系，即(i，j)∈E，其中i和j为连通航道关系；
S2：数据处理模块基于AIS大数据获取指定范围内航道网络中船舶的航行轨迹信息，并将该数据表格化，其中每个内容之间通过“|”分隔，内容依次为船舶ID信息、时间、经度、纬度、速度、方向以及X，Y和Z方向的加速度；
获取到真实的AIS数据后，便可获得1-T时刻航道网络中的船只数量，表示为N0T,根据AIS数据分析，可测每个航段的流量，设n个航段从1到T时刻的流量为{fi，t，i＝1，...，t＝1，...，T}，从而得到真实数据的各时刻的各航段船舶数量以及n个航段信息的不同时间的流量信息；
S3：演化模块将数据处理模块内t时刻的i航段定义为
根据在为标定航道宽度的航段中，需要设每段未知宽度的航道宽度参数为ωi，并基于AIS的实际数据在航道网络中进行模拟，可描述为：
所得出的流量数据需要与实际的流量数据相对比，并找出与实际流量数据最为接近的航道宽度参数，其中ξgap为主动刹车距离，Δ表示安全余量，p表示加速意愿概率，q表示改换航道意愿概率；
S4：仿真模块采用Anylogic仿真软件对S1，S2和S3的所得出的参数进行内河航道网络仿真CA模型的搭建。
(三)有益效果
本发明提供的一种基于AIS大数据的航道动态仿真系统，包括航道建立模块、数据处理模块、演化模块和仿真模块，航道建立模块基于电子海图信息建立航道网络CA模型；数据处理模块基于AIS大数据获取指定范围内航道网络中船舶的航行轨迹信息；演化模块用于获取数据处理模块内的船舶的航行轨迹信息，并在航道网络模型中学习且训练CA的动态演化模型参数；仿真模块用于利用演化装置学习后得到的CA的动态演化模型参数，进行搭建内河航道网络仿真的CA模型。总的来说，该基于AIS大数据的航道动态仿真系统获取并利用AIS 的实际船舶数据来进行训练CA演化模型，减少与实际船舶行驶行为的误差，提高仿真效果。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制,在附图中：
图1示出了本发明的系统的结构示意图；
图2示出了本发明的方法的步骤示意图；
图3示出了图1中演化模块的迭代优化算法的代码；
图4示出了图1中演化模块的基于遗传算法的航道宽度学习代码；
图5示出了图1中仿真模块的内河航运网络仿真模型图一；
图6示出了图1中仿真模块的内河航运网络仿真模型图二；
图7示出了图1中仿真模块的内河航运网络仿真模型图三；
图8示出了基于仿真模型与实际AIS数据集对比训练的动态演化模型参数；
图9示出了随着种群换代，平均适应度和最佳适应度的变化过程图；
图10示出了适应度尺度的分布情况图；
图11示出了当前最佳种群结果柱状图。
图中：1航道建立模块、2数据从处理模块、3演化模块、4仿真模块。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅附图1-附图11，本发明公开一种基于AIS大数据的航道动态仿真系统，包括航道建立模块1、数据处理模块2、演化模块3和仿真模块4，航道建立模块1基于电子海图信息建立航道网络CA模型；数据处理模块2基于AIS大数据获取指定范围内航道网络中船舶的航行轨迹信息；演化模块3用于获取数据处理模块2内的船舶的航行轨迹信息，并在航道网络模型中学习且训练CA的动态演化模型参数；仿真模块4用于利用演化装置3学习后得到的CA的动态演化模型参数，进行搭建内河航道网络仿真的CA模型。
基于上述方案，该基于AIS大数据的航道动态仿真系统的实施方法如下：
S1：航道模块1基于电子海图信息建立航道网络CA模型：
G＝(V，E)
G为航道网络模型；
其中集合V包括航道网络的所有交叉、分岔口和航道网络的入口以及出口，边集E中包括顶点之间具有直接航道项链的顶点连接关系，即(i，j)∈E，其中i和j为连通航道关系；
S2：数据处理模块2基于AIS大数据获取指定范围内航道网络中船舶的航行轨迹信息，并将该数据表格化，其中每个内容之间通过“|”分隔，内容依次为船舶ID信息、时间、经度、纬度、速度、方向以及X，Y和Z方向的加速度；
获取到真实的AIS数据后，便可获得1-T时刻航道网络中的船只数量，表示为N0T,根据AIS数据分析，可测每个航段的流量，设n个航段从1到T时刻的流量为{fi，t，i＝1，...，t＝1，...，T}，从而得到真实数据的各时刻的各航段船舶数量以及n个航段信息的不同时间的流量信息；
S3：演化模块3将数据处理模块2内t时刻的i航段定义为
根据在为标定航道宽度的航段中，需要设每段未知宽度的航道宽度参数为ωi，并基于AIS的实际数据在航道网络中进行模拟，可描述为：
所得出的流量数据需要与实际的流量数据相对比，并找出与实际流量数据最为接近的航道宽度参数，其中ξgap为主动刹车距离，Δ表示安全余量，p表示加速意愿概率，q表示改换航道意愿概率；
S4：仿真模块4采用Anylogic仿真软件对S1，S2和S3的所得出的参数进行内河航道网络仿真CA模型的搭建。
其中需要注意的是，CA的演化模型参数定义：
ξgap为主动刹车距离，即当驾驶员看到自己的船舶与前船的距离为ξgap时，便会采取主动刹车动作。当船舶的当前形势速度为v，刹车的减速度为d时，为保证碰撞避免，船舶从起始速度v进行刹车，刹车的距离一定要小于ξgap，即ξgap要大于船舶从当前速度到停稳的实际刹车距离，才能保证碰撞避免。设前船的速度保持不变，表示为vf，则当后船刹车后速度小于vf之后，两船之间就可以保持安全距离。
在CA模型中，位置和时间都是离散的，设船舶从速度v开始，以d的减速度进行刹车，则刹车所用的时间周期为
由于
其中Dsc(v，vf，d)为从v到vf的实际刹车距离，与速度成平方关系，与减速度成反比关系。
为了保证避免碰撞，ξgap与Dsc(v，vf，d)之间关系必须满足：
即在已知当前船只速度v，前船船只速度vf，船舶的刹车减速度d的情况下，ξgap由安全刹车距离Δ决定。
p为加速意愿概率，后船会有一定的概率加速，加速的意愿一般随着两船之间的间距增大而增大，所以加速概率p为两船之间间距的函数：p(d)。所以vt表示船舶当前的速度，vf为前船速度，vt+1表示当前船舶下一时刻的速度，a表示为单位加速度，则船舶在t+1时刻的速度可能为：
即当前船只同前船的距离大于安全距离时，当前船只以p(d)的概率会选择加速，以1-p(d)的概率会选择减速。
CA模型演化分为单航道演化模型和多航道演化模型：
单航道演化模型的定义：设第n艘船在t时刻的速度为
船舶的状态演化模型如下：
1.如果
(a)
(b)
2.如果
(a)
(b)
对同一航道中的每艘船，都采用上述船舶加速和减速模型。但是在我们的模型中，同实际系统不同，总会有第一艘船，即在最前面行驶的船只。对首船，我们设定其航速为速度v0，设其可以一定范围连续变化。后船则根据上述模型更新自己的速度和位置。
多航道演化模型的定义：在多航道模型中，船舶可以改变航道，因此我们首先要考虑多航道模型中的改换航道条件和改换航道概率q。
改换航道条件：船只发现前面的船只航速较慢，而且旁边航道前后方都空闲的时候，可能会选择改变航道并加速超越前面的船只。因此需要设定当前船只i从航道s换道进入s+1航道的约束条件为：
1.船只i的航速高于航道前船j的航速，即vi＞vj。
2.船只i的右前方航道有空闲，即若右侧航道(表示为航道s+1)前方有船只m，则船只i换道后，有d(i，m)＞ξgap(vi，vm，d)。
3.船只i的右后方航道有空闲，即若右侧航道(表示为航道s+1)后方有船只k，则船只i换道后，有d(i，k)＞ξgap(vk，vi，d)。
我们便将上述条件定义为S(i，s-＞s+1)；S(i，s-＞s+1)＝TRUE表示船只i满足换道约束条件，反之为S(i，s-＞s+1)＝FALSE。
改换航道意愿概率q：在实际航行时，即使船只i满足航道更换条件，驾驶员也可能有一定的意愿不改变航道。所以船只i换道发生的情况是：(1)满足换道条件；(2)换道意愿概率高于q，即为：
1.S(i，s-＞s+1)＝TRUE
2.rand()＜q
此时船只i加速发生换道：
1.l(i)＝s+1
2.
基于上述，在多航道情况下，我们将当前船只i的动态演化模型可以描述如下：
1.如果d＞ξgap，则船只i以一定的概率加速，前船仍然根据其同前面船只的距离决定加速和减速，所以这里只给出船只i的速度和位置的更新方法。
(a)
(b)
2.如果
(a)if S(i，s-＞s+1)＝TRUE，则以q的概率改变航道。
I.if rand()＜q，则加速换道：
A.l(i)＝s+1
B.
II.否则，没有换道意愿，则减速慢行：
A.
B.
(b)if S(i，s-＞s+1)＝FALSE，则没有改换航道的条件，则减速慢行。
I.
II.
进一步的，演化模块3的动态演化模型参数学习利用迭代优化算法。
具体的，动态演化参数的学习模型中，待学习的主要参数为Δ，p，q。分析这些未知参数的特点，可见：Δ和q均为一个标量，其中q的取值范围为(0，1)。p是 d的函数，一般d值越大，则p越大，所以我们可以设p为d的单调增函数。根据航运经验，加速意愿概率随着距离前船增大而增大，当两船之间的距离足够大时，则后船将有较高的加速意愿。我们设p是d的一次，即设：
p＝θ1d+θ2
从而实际上带学习的参数为Δ，q，θ1，θ2的四个参数。其中θ1，θ2即激素概率同d之间的关系可以通过船舶运动的一般性知识来获得。如果d＜ξgap，则q＝0，如 d＞5ξgap，则q趋近于1.由此可以将q表示为如下分段函数：
由于
参阅附图3，该迭代优化算法的是思路是每次固定1个参数，对另外一个参数进行局部搜索，寻找使得目标函数最小的参数值，之后固定这个参数，对另外一个参数进行搜索，并反复迭代，直到收敛。其中第一行初始化参数。3-13 行为给定Δ的情况下，对q在取值范围内进行线性搜索，寻找比当前的q更优的取值。4-14行是固定q，对Δ进行线性搜索，寻找比当前Δ更好的取值。两部分在 while循环中迭代，直至两次更新的误差差异小于ε，则停止迭代。
进一步的，演化模块3内的航段宽度学习算法基于遗传算法。
参阅附图4，我们设买个航段具有相同的宽度，则对于n个航段，需要确定的航段宽度参数为n个。航道宽度必然为整数，取值范围为{1，2，...，k}，所以航段宽度参数的求解空间维度为kn，为指数级别。为此我们提出基于遗传算法的航段宽度学习算法。
1.遗传编码：对于n个航段，每个航段的航道宽度范围为1-Lmax，所以将每个航道的参数用二进制编码为k位二进制数，其中k＝log2 Lmax，所以每个航道的宽度编码为(00…0)-(11…1)。将n个航道的编码连接在一起，组成长度为nk的编码向量。
2.适应函数：使用函数是遗传算法的关键，在给定一个航段的编码xi后，首先将编码切分为n个航段的编码，之后将每个航段编码转换为10进制数ωi，之后计算适应函数为：
3.选择函数：在种群的适应函数计算之后，xi被选择的概率为：
其中S是当前种群集合。
4.交叉函数：我们选用遗传算法中两点交叉运算，即在被选中的两个基因中，随机选择两个位置u，v位置之间的基因段进行交换，即得到交叉后的基因结果。
5.变异运算：我们采用同单点基因变异策略，设单点的基因变异的概率为 pb＝0.0001，则在交叉之后，各个基因位置以上述概率发生突变。
需要说明的是，本发明的实施例中的仿真模块4是采用Anylogic 8.0的仿真软件，其中利用了Anylogic的交通仿真工具包搭建了内河航道网络仿真的CA 模型，如附图5所示，利用Anylogic的CarSource模块模拟到达航道网络的船舶，利用SelectOutput模块搭建航道网络路径，利用CarMoveTo模块制定船舶形式路径，利用CarDispose模块，模拟船舶离开指定航道网络。
参阅附图6和附图7，我们基于宁波航段的电子地图和河道地图，建立了多航道的CA模型，附图6的各个交叉路线表明河道中船舶的行驶路线。附图7示出了基于CA模型模拟船舶在宁波航段行驶时的仿真场景，并利用Anylogic的仿真引擎模拟船舶行驶的动态演化过程。
基于宁波航段的AIS数据，分析了10个航段在50个时间段中的流量数据，将相同数量的船只在相同航段中用CA仿真模型获得的流量数据进行对比。在动态演化模型主要训练Δ和q，在0-2000米的安全余量距离范围和0-1之间的加速意愿概率范围内，通过迭代优化的方法对模型参数进行训练，在仿真中，最大刹车加速度设为20m/s2，所得到最优的模型参数如附图8所示，可得Δ为1036 米，q为0.35。
基于上述的训练结果，对未知航道宽度的11个航道采用遗传算法来学习航道宽度参数，其中在计算过程中采用二进制编码，选择种群的数量为2000，采用公式
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
在本申请的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本申请保护范围的限制；方位词“内、外”是指相对于各部件本身的轮廓的内外。
为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。
此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本申请保护范围的限制。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
