基于大数据推演的船舶通过多级枢纽船闸控制方法及系统技术方案

本发明专利技术公开了一种基于大数据推演的船舶通过多级枢纽船闸控制方法及系统，方法包括S100：获取船舶通过多级枢纽船闸的历史数据，对所述历史数据进行分布相似性和共同归纳偏置处理获得处理后的船舶通过多级枢纽的数据集；S200：建立船舶通过多级枢纽大数据推演模型，预测船舶通过多级枢纽船闸的航行轨迹时间序列；S300：对所述处理后的船舶通过多级枢纽的数据集进行时序数据关联度分析，并计算获得船舶航行与船闸运行相匹配的船闸空间序列；S400：根据所述航行轨迹时间序列和与船闸运行相匹配的船闸空间序列，预测未来通过多级枢纽船闸的时间和空间分布规律。本发明专利技术精确控制船舶过闸，实现船闸运行控制自动化和数字化管理。理。理。

【技术实现步骤摘要】
基于大数据推演的船舶通过多级枢纽船闸控制方法及系统


[0001]本专利技术属于船舶通航控制
，更具体地，涉及一种基于大数据推演的船舶通过多级枢纽船闸控制方法及系统。

技术介绍

[0002]船闸作为通过开关泄水阀门实现水利枢纽船舶过闸通道，按结构形式划分为单级枢纽船闸和多级枢纽船闸，其中具有两个及以上连续闸室的为多级枢纽船闸。多级枢纽船闸采取单向连续过闸方式，即第一闸室船舶进闸后，船闸开始运行，待首级闸门开启后，后续同向过闸船舶进闸，船舶过闸始终沿同一方向，其过闸效率主要取决于两个过闸闸次之间的时间间隔。船舶采取单向连续过闸方式通过多级枢纽船闸时，主要采取船舶申报过闸需求，通航调度部门根据船舶到达情况安排过闸计划，船舶根据安排的过闸计划行驶到船闸水域过闸。由于船舶流到达船闸区域是不均衡的，在运输任务繁重的时间段里，多级枢纽船闸过坝量激增就容易形成船舶排队的现象。
[0003]多级枢纽船闸呈现为梯级排队等待过闸的现象，对连续多级枢纽船闸运行过程分析，是建立数字化船闸的基础，船舶过闸运行本质上是一个枢纽通航的交通组织过程不断循环重复的场景，这种场景具有空间范围固定（船闸基础设施及位置空间相对固定）和过程相似度高的特征，其智能化的场景相对单一，其数据源多少和数据量大小决定了对算力的要求。
[0004]船舶排队过闸过程及船闸运行过程主要包括船舶过闸航行过程、调度指挥过程、船闸设备设施状态转换过程、船闸输水过程四个基本过程，是一个复合型的排队过程。船舶过闸过程经过相应的编队、等待、过闸、出闸阶段，以鱼贯式通过，梯级船闸呈现阶梯式上升或下降。在时间上，以船舶过闸时间顺序为基础，累计船舶逐级通过每一闸室直至出闸，在空间上，连续多级船闸运行过程的分级特性，各间隔闸室内水位变化呈现为“同步升降”趋势，相邻闸室水深呈现为深浅交错的状态，不会出现相邻闸室同时带载运行，且带载闸室间隔分布。单向连续过闸过程中，前后两个船队仅相隔一个闸室，船舶的指挥与调度是分离的，船舶过闸过程控制大体上分为船舶航行、船舶调度指挥、船闸设备运行（含设备操作）、船闸输水（含蓄水和泄水）等阶段，分阶段的控制过程并未形成联贯馈通。对于船舶通过多级枢纽船闸的过程，很少有研究将多个现有业务系统的数据资源进行整合利用，采用大数据的推演方法对船舶过闸过程中船舶与船闸匹配运行过程进行预测，基于时间序列的建模和多任务学习方法未能成功应用于船闸数字化、智能化场景，亟需基于相应大数据技术为船
‑
岸
‑
闸协同管控提供决策辅助，以实现多级枢纽船闸安全高效运行和智能化管控。

技术实现思路

[0005]为了解决现有技术中存在的问题，本专利技术提供一种基于大数据推演的船舶通过多级枢纽船闸控制方法及系统，基于多任务学习采集船舶通过多级枢纽船闸运行历史数据，分析建立了子过程任务自适应采样数据模型，抽取了多源、多精度数据的分布相似性和潜
在的共同归纳偏置，促进了跨任务知识共享和迁移，省去了繁杂的采样计算过程；建立了船舶通过多级枢纽船闸的大数据推演模型，基于面向大规模复杂数据的多任务高斯过程协同演化建模方法，推演船舶过闸航行过程、船闸设备运行过程和船舶过闸调度指挥及操纵过程时间，提取和预测船舶航行轨迹和过闸历时，为船舶与船闸匹配运行提供科学判定依据。
[0006]为了实现上述目的，按照本专利技术的第一方面，提供一种基于大数据推演的船舶通过多级枢纽船闸控制方法，包括：S100：获取船舶通过多级枢纽船闸的历史数据，对所述历史数据进行分布相似性和共同归纳偏置处理获得处理后的船舶通过多级枢纽的数据集；S200：建立船舶通过多级枢纽大数据推演模型，并基于所述处理后的船舶通过多级枢纽的数据集进行训练，预测船舶通过多级枢纽船闸的航行轨迹时间序列；S300：对所述处理后的船舶通过多级枢纽的数据集进行时序数据关联度分析，并计算获得船舶航行与船闸运行相匹配的船闸空间序列；S400：根据所述航行轨迹时间序列和与船闸运行相匹配的船闸空间序列，预测未来通过多级枢纽船闸的时间和空间分布规律，从而精确控制船舶过闸。
[0007]进一步地，步骤S200中，所述船舶通过多级枢纽大数据推演模型为：其中为噪音误差，为船闸设备运行时间序列，为船舶移泊时间序列，为船舶过闸调度指挥及操纵时间序列。
[0008]进一步地，所述船舶通过多级枢纽大数据推演模型还包括：S201：船舶过闸航行过程，船舶移泊时序数据主要来源于船舶自动识别系统数据，建立船舶航行累加距离与时间的坐标曲线：式中，将船舶移泊轨迹点时刻下的轨迹位置状态转换为时间下累加距离的关系，其中按轨迹点时刻转化为曲线时间，将轨迹位置状态与初始轨迹点之间累加距离关联，通过轨迹曲线求导即可得到船舶过闸移泊平均速度，进而求取一组船舶捆绑过闸的过闸单元平均移泊时间。
[0009]进一步地，所述船舶通过多级枢纽大数据推演模型还包括：S202：对于选定的任务，从模型偏差
‑
方差分解的角度构造自适应采样准则，通过最大化：寻找新点；式中的方差项表征了模型预测在点x处的不确定性，全局搜索，可利用样本欧式距离度量；式中的偏差项表征了模型预测在点x处与真实观察值的偏差，刻画任务输出的局部特征，可用舍叉验证误差度量；系数表征局部和全局搜索之间的权衡。
[0010]进一步地，所述船舶通过多级枢纽大数据推演模型还包括：子过程任务自适应采样数据分别建立模型：式中，为船舶通过多级枢纽船闸过程数据采集模型，为船闸设备运行时间序列，包含时间戳和数据编号；为船舶移泊时间序列，包含移泊开始时间和停止时间；为船舶过闸调度指挥及操纵时间；为数据描述；为发生位置；为特征功能分类，i是数据点的逻辑索引。
[0011]进一步地，还包括：S500：比较预测的通过多级枢纽船闸的时间序列与船舶通过多级枢纽船闸过程的实时时间序列的最小相似性度量值：式中，表示第i艘船舶实际过闸用时，表示模型预测计算第i艘船舶过闸用时；根据所述最小相似性度量值调整船舶与船闸匹配运行的误差。
[0012]进一步地，步骤S300中，对所述处理后的船舶通过多级枢纽的数据集进行时序数据关联度分析包括：对船舶通过多级枢纽船闸过程时序数据进行归一化处理，及时钟同步，对漂移异常数据和错误记录进行过滤清除，并消除波动值之间数量级差异。
[0013]进一步地，步骤S300中，计算获得船舶航行与船闸运行相匹配的船闸空间序列包括：利用欧式距离算法计算船舶航行时间序列与船闸运行过程时间序列之间的距离，并计算最小时间累计距离，所述最小时间累计距离为船舶航行与船闸运行相匹配的船闸空间序列。
[0014]进一步地，步骤S400中，精确控制船舶过闸包括：将首级船闸人字闸门开终时刻作为该闸Ⅰ次通过多级枢纽船闸的时间起点，闸Ⅰ次船舶单元进闸靠泊完毕，下一级闸首开始开启输水阀门泄水直至水平，然后开启人字闸门，船舶向下一级闸室移泊，如此循环，船舶由一级闸室向下一级闸室移泊，船闸由一种状态向下一种状态推进，直至下一次首级船闸人字闸门开终时刻，该时刻是闸Ⅱ次的开始时刻，两个过闸闸次时间间隔本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据推演的船舶通过多级枢纽船闸控制方法，其特征在于，包括：S100：获取船舶通过多级枢纽船闸的历史数据，对所述历史数据进行分布相似性和共同归纳偏置处理获得处理后的船舶通过多级枢纽的数据集；S200：建立船舶通过多级枢纽大数据推演模型，并基于所述处理后的船舶通过多级枢纽的数据集进行训练，预测船舶通过多级枢纽船闸的航行轨迹时间序列；S300：对所述处理后的船舶通过多级枢纽的数据集进行时序数据关联度分析，并计算获得船舶航行与船闸运行相匹配的船闸空间序列；S400：根据所述航行轨迹时间序列和与船闸运行相匹配的船闸空间序列，预测未来通过多级枢纽船闸的时间和空间分布规律，从而精确控制船舶过闸。2.如权利要求1所述的基于大数据推演的船舶通过多级枢纽船闸控制方法，其特征在于，步骤S200中，所述船舶通过多级枢纽大数据推演模型为：其中为噪音误差，为船闸设备运行时间序列，为船舶移泊时间序列，为船舶过闸调度指挥及操纵时间序列。3.如权利要求2所述的基于大数据推演的船舶通过多级枢纽船闸控制方法，其特征在于，所述船舶通过多级枢纽大数据推演模型还包括：S201：船舶过闸航行过程，船舶移泊时序数据主要来源于船舶自动识别系统数据，建立船舶航行累加距离与时间的坐标曲线：式中，将船舶移泊轨迹点时刻下的轨迹位置状态转换为时间下累加距离的关系，其中按轨迹点时刻转化为曲线时间，将轨迹位置状态与初始轨迹点之间累加距离关联，通过轨迹曲线求导即可得到船舶过闸移泊平均速度，进而求取一组船舶捆绑过闸的过闸单元平均移泊时间。4.如权利要求3所述的基于大数据推演的船舶通过多级枢纽船闸控制方法，其特征在于，所述船舶通过多级枢纽大数据推演模型还包括：S202：对于选定的任务，从模型偏差
‑
方差分解的角度构造自适应采样准则，通过最大化：寻找新点；式中的方差项表征了模型预测在点x处的不确定性，全局搜索，可利用样本欧式距离度量；式中的偏差项表征了模型预测在点x处与真实观察值的偏差，刻画任务输出的局部特征，可用舍叉验证误差度量；系数表征局部和全局搜索之间的权衡。5.如权利要求4所述的基于大数据推演的船舶通过多级枢纽船闸控制方法，其特征在于，所述船舶通过多级枢纽大数据推演模型还包括：
子过程任务自适应采样数据分别建立模型：式中，为船舶通过多级枢纽船闸过程数据采集模型，为船闸设备运行时间序列，包含时间戳和数据编号；为船舶移泊时间序列，包含移泊开始时间和停止时间；为船舶过闸调度指挥及操纵时间；为数据描述；为发生位置；为特征功能分类，i是数据点的逻辑索引。6.如权利要求1
‑
5中任一项所述的基于大数据推演的船舶通过多级枢纽船闸...

【专利技术属性】
技术研发人员：齐俊麟，李然，陈冬元，冯小香，宁武，李涵钊，刘振嘉，彭职隆，曾晓俊，张杰，张勇，
申请(专利权)人：长江三峡通航管理局广西西江开发投资集团有限公司，
类型：发明
国别省市：