0 引　言

船舶管理信息化主要是实现船舶运行过程中的各种信息进行收集、存储、分析等方式，对相关数据形成精准的信息化分析，更好地为船舶管理人员提供详实的数据，是船舶现代化管理的一种重要实现手段和发展趋势^[1]。随着信息技术、人工智能领域的发展，智能船、无人船成为船舶设计制造的热门方向，对船舶管理信息化的要求越来越高。传统的船舶信息管理系统将渐渐无法满足新型智能船、无人船运营的需求，在现有基础上更智能、更高效的船舶信息管理系统将成为主流。

船舶管理信息化系统主要包括船岸管理与船舶管理信息系统。船岸交通管理信息系统智能化主要是指在传统的船舶交通管理系统（VTS）上结合大数据、数据通信、人工智能等技术，在船舶交通组织、船舶安全航行等方面实现智能化决策和管理。船舶管理信息系统智能化主要指利用传感器、通信、互联网和人工智能等技术，自动感知和获取船舶自身、海洋环境等方面的信息和数据，基于计算机技术、自动控制、大数据等技术，在船舶航行、管理等信息系统实现智能化，使船舶更加安全、环保和经济可靠。

1 船岸交通管理信息系统智能化

船岸交通管理系统（VTS）指用先进的信息系统和现代管理方法与交通相互作用实现交通控制从而对船舶交通实时进行动态管理的系统，是一个在保障船舶交通安全、提高船舶航行效率和保护环境方面发挥重要作用的岸基信息系统^[2]。而目前的VTS虽能获得大量信息，但缺乏成熟的信息处理手段，导致信息利用率低^[3]。随着大数据、数据通信、人工智能等技术的发展，智能化VTS将在船舶交通组织方案的智能化决策、智能化船舶安全计划等领域发挥核心功能。

从信息流程角度看，智能化船舶交通管理信息系统可分为信息采集、信息传输、信息处理和信息提供4个部分，智能化VTS具备集成的交通信息采集数据库、基于“船联网”的信息共享平台、智能信息决策系统。

1.1 基于“船联网”的信息共享平台

船联网是物联网技术在智能船舶管理信息系统上的具体应用，其通过合理整合和管理航运数据资源，加强多部门、跨区域资源数据协同，建立数据共享技术规范及机制，实现区域内及区域间船舶交通信息互联、数据信息共享，将多种信息进行融合、分析、挖掘，协同运作各航运管理资源。

基于“船联网”的信息共享平台是指通过汇总、存储和管理智能交通信息数据库的信息资源，为智能信息决策系统提供信息支持，有2个层次：第1层是将雷达数据、AIS数据、船舶到港计划、港口资源管理、航运基础设施等不同结构信息系统之间的数据交换、集成；第2层是各跨部门、跨区域的航运交通信息，如在航船舶信息、航运运行环境等实现信息共享、集成。

基于“船联网”的信息共享平台获取的信息主要有两类，一类是动态交通信息，如来自AIS、GPS、雷达等设备的信息，另一类是静态交通信息，如地图数据库、港口资源管理信息等。信息共享平台通过构筑标准统一、结构合理、链路通常、安全可靠的基础信息网络平台，实现船联网的信息交换和共享，为数据管理、智能信息决策等提供支撑服务。

1.2 智能信息决策系统

智能信息决策系统是模拟人或自然界其他生物处理信息的行为，建立处理复杂系统信息的理论、算法及系统的方法和技术，主要应用于信息建模、信息分析、系统决策、系统控制、系统优化和系统设计等领域^[4]。人工智能技术的发展极大地提高了信息处理系统的智能水平，尤其是模糊技术、神经网络、小波分析、机器学习等技术的发展为智能信息处理系统的建立提供了技术支持。智能信息决策系统指在船舶交通管理中基于各类信息数据对船舶做出指导性建议时采用人工智能手段以替代传统的人工决策方式，使决策更具备科学性。

智能信息决策系统由人类专家知识库、信息数据库、智能决策程序、用户接口组成。人类专家知识库是基于求解问题所需要的专业知识、专家经验，既有常识性知识，也有启发性知识，如专家在实践中积累的经验或是专家在以往面对的问题、解决方案，是智能决策程序依据的不断更新的知识系统；信息数据库是存储智能决策系统在执行和解决问题中的各种信息的动态数据库；智能决策程序依据人类专家知识库和信息数据库，采用人工智能算法进行方案搜索和决策；用户接口给用户提供决策方案、与用户进行信息交互。智能决策系统的信息流如图2所示。

以神经网络算法为例建立智能决策系统，神经网络模型是基于大脑中神经元相互链接并通过电脉冲交流形成神经网络的原理而建立的智能算法。智能决策系统使用以往的数据库信息进行神经网络模型训练，并在运营过程中定期导入最新的数据和相应的决策更新模型。

样本集经过清晰、抽取后统一量纲与相应决策组合得到神经网络模型的训练样本集：

$\left\{ {\left( {{x^{(1)}},{s^{(1)}}} \right),\left( {{x^{(2)}},{s^{(2)}}} \right), \cdots ,\left( {{x^{(m)}},{s^{(m)}}} \right)} \right\}\text{。}$

(1)

式中： ${x^{(i)}}$ 为输入层的第i个样本输入数据； ${s^{(i)}}$ 为对应的决策。

$ \begin{split} {x^{(i)}} = & (x_1^{(i)},x_2^{(i)}, \cdots ,x_n^{(i)}) = \\ & ({a_1},{a_2}, \cdots ,{a_l},{b_1},{b_2}, \cdots ,{b_k},{c_1},{c_2}, \cdots ,{c_p}) \text{。} \end{split} $

(2)

式中：a_j，b_j，c_j分别表示船舶静动态数据、通航环境信息和航运交通信息。神经网络模型如图3所示。

取s形函数（Sigmoid Function）作为激活函数，其表达公式为：

$g(z) = \frac{1}{{1 + {e^{ - z}}}}\text{。}$

(3)

神经网络模型中每一层元素都是上一层元素线性组合的激活函数，即

${\hat x_i} = g(\theta _{i0}^{(1)}{x_0} + \theta _{i1}^{(1)}{x_1} + \cdots ,\theta _{in}^{(1)}{x_n}) = g({\theta _i}x)\text{。}$

(4)

式中， ${\theta _i}$ 即为神经网络模型需要训练的参数。

智能信息决策系统可通过将多种信息进行融合，减少冗余信息，提高信息质量；通过将船舶动态数据与交通地理信息进行神经网络建模训练，为船舶交通管理提供方案、为碰撞、搁浅等风险提供预警、应急处理。智能信息处理系统将极大地提高船岸交通管理信息系统的监管效率，对环境影响分析、船舶航行信息分析、障碍/风险评估分析、信息报告指示和事故预防等多方面做出科学的指导性建议。

2 船舶管理信息系统智能化

船舶管理信息系统智能化发展主要指船舶自身具备智能航行、智能能效管理和智能集成平台等功能，为实现和完善上述功能，需进一步研究和深化与船舶有关的信息感知技术、通信导航技术、航线规划技术等关键技术。其中，自主避障系统和智能路径规划需综合自动感知环境参数、能效控制、通信导航、人工智能算法等技术，是船舶管理信息系统智能化的研究热点。

2.1 自主避障系统

自主避障是指船舶在航行过程中，通过AIS、雷达等传感器，结合GIS（地理信息系统）的运用，实时获取船体周围的船舶和障碍物信息，并依据所设定的避碰策略，对航线中的障碍物进行躲避动作^[5]。

船舶航行过程中的避障目标主要包括水上障碍物和水下障碍信息，体现了船舶周围一定区域内的障碍物和其它船舶信息，在此基础上结合周边区域航行环境给船舶的自主避障功能提供数据支持，以在面对障碍物时能够采取绕行或停船命令^[6]。GIS系统传输实时海洋水文信息和气象信息，包括洋流动态、海底地形地质、水温、潮汐类型、流速流向和大气压力层结构变化、气温等。在智能避碰系统中，GIS以电子海图为基础，通过传递实时信息到电子海图上，传递狭窄航道、港湾、海底暗礁及沉船等危险航行地带信息，结合其他信息，对船舶航行进行动态监控，实时监视船舶航行环境变化，实现船舶的避障。自主避障信息系统结构如图4所示。

2.2 智能路径规划

船舶路径规划就是规划出一条从起始点到目标点的无碰撞的可行路径，它是船舶信息管理智能化的重要课题^[7]。传统的船舶路径规划基本上是根据人工来分析图上的一些障碍物、水深等信息，在执行任务前事先规划好的船舶航迹路线，存在航迹规划效率低、可靠性和灵活性差等问题。随着船舶信息系统智能化的发展，船舶从周围环境收集信息，构造关于周围环境信息的模型，并利用模型规划出一条无碰撞可前行的路径，就是智能化路径规划。

根据船舶对环境信息的处理能力，路径规划可分为全局路径规划和局部路径规划。全局规划可以对所知的环境信息，例如障碍物的形状、位置等建立地图，然后对环境建模，在此环境约束下实现船舶的路径规划；局部路径规划指周围的环境状态未知，需要不断利用船舶传感器确定周围环境，反馈给船舶后以确定是否需改变路径，实现局部路径规划^[8]。

由于船舶的结构、动力等各方面的设计都需基于既定的一条或几条固定航线完成，且在运营过程中已经积累了丰富的海区数据和经验，从船舶设计和运营发展趋势来看，进行航线的全局规划并无绝对必要。但在面对一些突发状况等情况时，进行实时的智能路径局部规划可以实现较高的效率和灵活性。

智能路径规划借助自动导航可实现航迹保持，并通过航行优化和航行安全进行最佳航线设计，结合自主避障系统，通过航线优化、船舶态势监控和航迹跟踪控制，对航向和速度进行修正。

2.3 基于支持向量机算法的自主避障和路径规划

基于船舶设计的现状和运营经验的积累，船舶航线一般在设计初期就会有较明确的规定，即船舶的结构安全和动力系统设计以及满足经济性等需要船舶航线保持在一定范围内。支持向量机作为二分类模型则是基于使间隔最大化的分割原则，基于支持向量机算法所得的分类线是距离样本点距离最大的分类线，如图5所示。

基于航线设计和已知的港口、岛屿等障碍物，建立一系列的分界点和障碍物点，其中分界点的边缘为设计时限定的航线最大能到的范围，障碍物点则是已知的一系列障碍物和船舶传感器实时探测的浅滩、其他船舶等突发障碍物信息。基于假设的航线，这些障碍物可以被完全分成2类，作为支持向量机算法需要分出的类别，如图6所示。圆圈和叉分别时作为2种边界点，连续线内为可航行的范围。

以此建立支持向量机模型：

$\begin{array}{l} \mathop {\max }\limits_{b,\overrightarrow \omega } \begin{array}{*{20}{c}} {}& \!\!\!\! {\mathop {\min }\limits_{n = 1,2, \cdots N,N + 1, \cdots M} }&{\displaystyle\frac{1}{{\left\| {\left. {\overrightarrow \omega } \right\|} \right.}}} \end{array}{y_n}({\overrightarrow \omega ^{\rm T}}\overrightarrow {{x_n}} \!+\! b)\text{，} \\ {\rm s.t.} \!\! \begin{array}{*{20}{c}} {}& \!\!\!\! {{y_n}({{\overrightarrow \omega }^{\rm T}}\overrightarrow {{x_n}} + b) > 0} \!\! &{n \!\!=\!\! 1,2, \cdots N,N \!+\! 1, \cdots M} \text{。} \end{array} \end{array} $

(5)

式中： $\overrightarrow \omega $ 和b是需要训练的参数； $1,2, \cdots N$ 为已知的边界点序号； $N + 1, \cdots M$ 为实时探测的障碍物坐标信息。

通过引入拉格朗日乘子和建立对偶模型，支持向量机模型为如下形式：

$\begin{array}{l} \begin{array}{*{20}{c}} {}&{\mathop {\min }\limits_{\overrightarrow \alpha } }&{\displaystyle\frac{1}{2}} \end{array}{\overrightarrow \alpha ^T}{{ Q}_d}\overrightarrow \alpha - {\overrightarrow 1 ^T}\overrightarrow \alpha \text{，} \\ {\rm s.t.}\begin{array}{*{20}{c}} {}&{{{\overrightarrow y }^{\rm{T}}}\overrightarrow \alpha = 0;}&{} \end{array} \\ \begin{array}{*{20}{c}} {}&{}&{{\alpha _n}} \end{array} \geqslant 0,for\begin{array}{*{20}{c}} {n = 1,2, \cdots N,N + 1, \cdots M} \text{。} &{} \end{array} \\ \end{array} $

(6)

式中： ${{ Q}_d}$ 矩阵的元素 ${q_{n,m}} = {y_n}{y_m}{\overrightarrow {{z_n}} ^{\rm T}}\overrightarrow {{z_m}} = {y_n}{y_m}\phi {(\overrightarrow {{x_n}} )^{\rm T}}\phi (\overrightarrow {{x_m}} )$ ； $\overrightarrow z = \phi (\overrightarrow x )$ 为 $\overrightarrow x $ 的特征转换。

根据船舶航线特征，取多项式核函数训练模型：

${{{K}}_Q}(\overrightarrow x ,\overrightarrow {{x'}} ) = {(\xi + \gamma {\overrightarrow x ^{\rm T}}\overrightarrow {{x'}} )^Q}\text{。}$

(7)

式中：Q， $\xi $ 和 $\gamma $ 为核函数的参数，通过不同组合可以训练出不同的模型。

取 $\xi = 1$ ， $\gamma = 1$ 和Q=10，针对图6所示的边界点和航线范围可得到路径规划如图7所示。

如果在航行过程中遇到实时的障碍，训练模型会根据所得的障碍物位置信息作为新添加的边界点 $(\overrightarrow {{x_n}} ,{y_n})$ $n = N + 1, \cdots M$ ，并判断新的边界点在原始设定航线的哪一侧，选择新的边界点的类别（为圆圈型或叉形），实时进行模型的训练，得到新的航行路径。

3 结　语

本文对船岸管理与船舶管理信息系统智能化发展进行探讨，探究船岸交通管理系统基于“船联网”的信息共享平台和智能信息决策系统、船舶管理系统的智能避障系统和智能路径规划，建立了智能决策的神经网络模型和基于支持向量机的自主避障和路径规划模型。本文研究可以为未来船舶管理信息系统的智能化研究提供一定的参考。