海洋运输对于今天的全球商业非常重要，运输货物由油轮、散货船和集装箱船执行，每年在几个主要的贸易航线中运输的货物达到数十亿吨。随着市场日益全球化，自20世纪50年代以来，世界贸易增长了3倍以上，而作为这种增长的结果，港口和海上交通路线在全世界变得更拥挤。在过去的几十年中，船舶操作管理和调度工作引入了多种自动化技术，包括计算机导航，以及全球定位系统（GPS）等，提高了安全标准，总的船只损失从1990年代中期的每年200多艘减少到现在的约150艘。

虽然通过引入新技术，能够提升海洋运输的安全性并降低了年度事故率^{[1 -4]}。然而，尽管应用了这些技术，碰撞、摩擦和触礁事故等仍然不断发生（涉及各种类型船只），经济、环境和生命损失仍然非常严重。造成船舶损失的主要原因如下：

1）碰撞：由于撞击或被另一艘船撞击而造成的船舶损失，无论船舶当前状态是正在进行、锚定或停泊；

2）摩擦接触：由于撞击外部物质而损失的船舶，其中外部物质通常包括其他船舶、礁石、其他海洋设施等；

3）失事/搁浅：由于接触海底、沙洲或海滨以及水下残骸等而损失的船舶。

为解决以上问题，本文提出一种应用于海洋运输流量调度和管理的物联网大数据协同处理系统。该系统采用模块化结构，每个模块间采用松耦合方式进行设计，本文提出的协同处理系统的整体架构如图 1所示。

图 1 物联网大数据协同处理系统 Fig. 1 Collaborative system of IoT and big data

设系统包含以下4个子系统：

1）传感器子系统主要部署在船舶上和航道中，与船舶使用的AIS系统配合使用^[5]，用来识别和采集当前船舶的实时信息，包括当前船舶的名称、位置、航向、航速、吨位等。同时，结合一些环境监测传感器，如洋流传感器、风速传感器等，综合自然环境和海运现状，为海洋运输调度和管理提供更加全面和科学的决策。在该系统中，每个传感器子系统均独立部署，且通常分布在不同的地理位置，执行不同的任务，并能够根据当前环境和需求的变化，进行动态的调整，具有较好的灵活性和可扩展性。

2）物联网子系统连接各个传感器子系统，并通过标准化的协议，将各个子系统接入统一的物联网，从而完成数据的传输和采集。在本文提出的系统中，物联网子系统具有控制层和传输层2层结构。其中控制层主要对海洋运输物联网大数据协同处理系统中的多种传感器进行维护，实时了解当前传感器的工作状态，统一不同传感器子系统，接入物联网的接口。而传输层则主要完成数据的传输，根据控制层规定的传输协议，将数据发送给数据收集设备和岸基控制中心。

3）云计算与大数据处理平台是整个系统的核心，其主要包含的组件如图 2所示。

图 2 云计算与大数据处理平台架构 Fig. 2 The platform of cloud computing and big data

如图 2所示，云计算与大数据处理平台共有数据收集层次、数据准备层次及数据分析层次3个层次。在数据收集层次，通过提供标准化的接口，接收不同物联网组件和传感器子系统，通过Internet提供给平台多种数据。这种数据通常是详细的量化数据，没有任何语义。在数据准备层次，上层提供的原始数据，通过数据模型的匹配和转译，形成了能够进行处理和分析的数据模型；在数据分析层次，具有服务多种不同应用的机器学习算法，这些学习算法根据不同应用的具体需求，对数据模型进行分析，最终得出需要的分析结果。

4）用户终端子系统根据用户终端的不同类别，分为移动终端、专用终端和桌面终端等。用户终端子系统通过软件实现，能够大大节省设计和使用成本。利用云计算与大数据处理平台的开放接口，不同的企业和个人，能够根据自身的不同需求，定制化地设计用户终端子系统，从而适应不同的需求。同时，由于当前移动终端的普及，使得系统的用户终端子系统更加小型化和便携化，同时也使得其保有成本较为低廉，因此能够在小型船舶和普通渔民中得到较为广泛的应用。长期以来，小型船舶一直是航运安全地重大隐患，因此，用户终端子系统的廉价性具有重大的意义。

综上所述，相比于传统的海运流量调度和管理方法，本文提出的方法主要有以下几个优势：

1）灵活性：本文提出的模型采用模块的设计方式，能够根据不同的应用场景和需求，设计、添加和更改相应的模块，实现定制化的内容；

2）功能性：通过结合云计算平台的大数据分析技术，为大量数据的处理和分析提供了基础，为该系统提供了强大的计算能力，并能够实现更多的功能，适应不同的业务；

3）易用性：本文使用的用户终端子系统，采用软件实现，使得用户接入系统服务非常方便，同时较为低廉的使用和维护价格，大大提高了整个系统的易用性。

为了验证本文设计的合理性和可用性，本文实现了一个简易的系统原型，并在此原型中进行了性能实验。本文采用Google platform作为云计算与大数据处理平台的开发平台，同时采用SQL Server作为数据存储和处理的主要场所。

在实验中，本文主要对不同传感器设备下的响应时间和不同用户请求下的响应时间2项指标进行验证。前者决定了本文提出的系统模型，能够应用于多大的海域，后者则决定了本文提出的模型能够容纳最大的用户数量。其中不同用户请求数量下的响应时间如图 3所示。

图 3 系统响应时间 Fig. 3 Response time of the system

由图 3可知，当用户请求数量较多时，系统仍然能够维持较快的响应时间（1 s内）。同时，当用户请求的并发水平升高时，系统响应时间并没有显著变化，说明通过云计算平台提供的强大计算能力，本文提出的系统能够始终保持较好的性能，从而能够向多艘船舶和大量用户提供服务。不同设备数量下的系统响应时间如图 4所示。

图 4 不同设备数量下的系统响应时间 Fig. 4 The system response time under different devices number

由图 4可看出，在物联网设备较多时，本文提出的系统仍然能够保持较好的响应时间（小于1 ms），因此能够应用于较为广泛的海域和较为繁忙的港口，具有较好的实用性。

本文针对当前海洋运输中的流量调度和管理问题，提出了一种物联网大数据系统处理系统，该系统通过传感器子系统、物联网子系统、云计算和大数据分析平台以及用户端子系统等为船舶运输管理部门，提供了一种高性能、易用性好、可扩展性和灵活性佳的智能工具。通过实验证明，本文提出的系统能够应用于较大规模的应用场景，同时能够容纳较多的用户数量，具有较好的应用前景。