航運作為一種運量大、成本低的運輸方式，在全球貿易貨物運輸中發揮著十分重要的作用。隨著船舶數量的增加和船舶大型化發展，航運業面臨著溫室氣體排放、人力成本增加、航行安全不足等諸多挑戰。近年來，為應對上述挑戰，目前航運業正逐步向低碳化、智能化方向發展。

自主航行是船舶按照預定目標，自主規劃航速航線，自動航行至終點并完成作業的過程。目前，船舶自動化可分為四個等級，分別是有自動化過程和決策支持的船舶、有人遠程遙控船舶、無人遙控船以及自主航行船舶。此外針對智能船舶的指導性法規預計將于今年年底發表，并預計將于2026年1月發布強制法規，2028年1月正式生效。

低碳航行是當下研究的一大熱點，船舶自主航行是其中的關鍵技術，包括態勢感知技術、認知計算技術、碰撞決策技術以及航行控制技術，航行控制技術主要是對船舶航跡進行控制，實現開闊水道自動導航、擁擠水道自主避碰以及進出港自動靠泊，而對船舶的航跡預測是實現這些功能的基礎，因此南通中遠海運川崎擬針對船舶運動軌跡進行智能分析及預測。

一、方案概述

船舶的運動軌跡預測是一個十分綜合的問題，主機負荷影響船舶的航速，風浪等外界環境影響船舶的航向，水流影響舵角以及船艏向，船舶姿態影響主機負荷。傳統方案是通過理論方法簡歷船舶的運動方程從而對船舶的運動軌跡進行計算，該方案具有良好的穩定性，但難以表征模型與環境之間的耦合作用，在實海域場景下計算復雜。因此本項目擬用機器學習方法進行數據建模，從而更好地處理船舶運動的非線性和不確定性帶來的影響。

二、項目實施過程

1. 人員分工及項目進度

本項目項目進度如下圖表所示。

2. 數據收集

本研究選擇某船2023年度實際的一段運營數據進行分析，船舶航行包含直行段和曲線段，共24500條。

數據包含三部分，共14維，包括風速、風向的外界環境信息，包括航行日期、經度、緯度的船舶位置信息，包括航速、航向、艏向角、舵角載況、主機信息等的船舶航行信息。

首先對樣本進行數據預處理，對于載況，船舶裝載時會將吃水計打開，而船舶航行時，船舶的載況基本維持不變，此時吃水計會被關掉，因此會產生大量的空值，因此采用插值的方法進行填補，對于其他個別未采集到的數據則選擇刪除樣本。因為本項目研究的是船舶的運動軌跡，因此對船舶停止時的數據也進行刪除處理。

之后，對數據集進行分析。對于環境信息，風速風向無明顯異常值，對于風速，存在較小部分風速很大的情況，占比約0.5%，此時航速會偏小。對于位置信息，船舶經緯度無明顯異常值，數據分布均勻。對于航行信息，數據無明顯異常值，分布比較均勻，由于船舶靜止數據的存在，航速，主機功率和主機轉速存在兩級分化的值，航向和船艏向角同樣也存在極值分化的情況，這是因為角度范圍為0~360°，較小的角度和較大的角度均位于船艏，只是分布在船艏兩舷，屬于合理情況。

之后對數據集進行相關性分析，根據相關性分析，輸出變量和輸入變量之間的線性相關性較弱，表明輸入輸出變量之間的關系較為復雜；輸入變量內部相關性相對較弱，可以反映出輸入變量內部不存在冗余變量。

3. 建模流程

項目建模流程如圖所示。

4. 建模流程

本項目共采用了4種方法對船舶運動軌跡進行預測。

方法1：

將數據集分為訓練集預測試集，對訓練值進行建模，訓練集用于基于回歸模型的精度對比，測試集用于船舶運動軌跡預測。訓練集的流程及模型對比結果如下圖所示。

利用測試集預測的船舶運動軌跡，結果如下圖所示，可以看出雖然不同模型的精度很高，但是預測的軌跡精度很低，存在過擬合現象，且軌跡預測與時間有關，回歸類模型訓練不適合。因此，后續將嘗試利用時序模型進行建模訓練。

方法2：

采用線型時序模型訓練。變量僅時間和船舶經緯度，訓練集的時序進行重采樣，確保時間間隔相等，模型預測未來100個周期的數據。模型流程及預測結果如下圖所示。

從預測結果可以看出，在預測的100個時間周期內，開始的預測結果較好，隨著時間的推移，精度開始變差；預測結果僅與時間有關，未考慮外力的影響，很難模擬船舶的回轉軌跡；僅能預測100個時間周期，不具備長期預預測能力。因此，該模型不適合長期預測船舶運動軌跡。

方法3：

采用滑動窗口+回歸模型對船舶運動軌跡進行預測。考慮外界因素對預測結果的影響，采用滑動窗口的方式考慮變量的歷史值。滑動窗口設置三個位移，包括風速、風向、航向、艏向、舵角、主機轉速和主機功率。并引入MDI重要性分析，重要性閾值設為0.02。模型流程及預測結果如下圖所示。

從預測結果可以看出，預測結果誤差仍然較大，通過敏感性分析后，仍存在過擬合的情況。通過分析，輸出變量的歷史值影響下一時刻的位置，即外力條件一樣，不同時刻輸出的位置也是不一樣的。因此，需要生成與時間和位置相關聯的特征變量。

方法4：

采用滑動窗口+表達式生成新特征變量+回歸模型的方法。輸入變量為航行日期及經度緯度，通過表達式將其轉化為時間間隔與航行距離。輸出變量為航行距離與船舶航向，通過表達式將其轉化為經度和緯度的位置信息。經緯度滑動窗口設置一個偏移量，以計算相鄰時間點內的航行距離。模型流程與訓練結果如下圖所示。

將生成的距離轉化為經緯度，與實際值進行對比訓練得到的軌跡與實際軌跡高度重合，滿足建模的要求，該模型適合本項目。

4. 模型應用

高精度的船舶軌跡預測模型可應用于航線優化，以促進船舶的節能減排。也可利用該模型實現船舶航行中的自主避碰，從而提升船舶運行的安全性。也有望應用于船舶的自主航行，實現船舶航行的智能化。

三、項目總結和展望

1. 項目總結

本項目借助于南京天洑軟件有限公司DTEmpower工具，選擇了較為平順的一段營運航線，建立了船舶運動軌跡預測模型，通過不斷地調整模型以及精度，最終構建的模型能夠較為精確地預測船舶未來的運動軌跡；進一步地運用該方法，提出了今后與航線優化和智能控制結合起來的研究方向。

下一步可考慮其他的外界因素：比如波浪、潮流等氣象條件，港口限制、多載況的影響等，因此，后期可以基于本項目的框架，建立更為復雜的數學模型，以增強其工程實用性。

2. DTEmpower軟件特點

使用操作便捷：不需要掌握專業的數據建模知識，入門門檻低；

數據處理智能：避免了大量的數據處理工作；

算法工具豐富：提供了豐富的算法工具箱，訓練精度和穩定性好；

應用場景廣泛：能夠解決工程中各種數據挖掘及建模問題。

軟件內置30天免費試用，即下即用。您可登錄天洑官網前往試用。

注：本項目參與人員南通中遠海運川崎船舶工程有限公司周旭、王楠、宋洋濤；南京天洑軟件有限公司金云峰。