淺析機器學習在智能航運的潛力與未來

牛旭彤，范洪博

（昆明理工大學信息工程院自動化學院，云南 昆明 650000）

“開放的大門只會越開越大”，“中國的發展離不開世界，世界的繁榮也需要中國。”這是習近平總書記在慶祝改革開放40 周年大會上的重要講話，擲地有聲、意蘊深遠，顯示出中國將站在新起點上推進更高水平對外開放的堅定決心和信心。這既是歷史足音的回蕩，又是新時代開放的宣言。航運業在國際貿易中扮演著重要的角色，航運業的發展也是國家經濟實力的重要體現。近些年來，智能航運飛速發展，智能航運、高效運輸等新興產業是傳統航運與機器學習、人工智能、優化算法、現代信息等高新技術高度結合后形成的新概念航運生態鏈[1]。然而隨著智能航運的高速發展，水上運輸設備日益增加，交通壓力急速上升，水上交通運輸效率低、交通事故增多等問題開始逐漸變多。

機器學習是一門多學科交叉專業，涵蓋概率論，統計學，近似理論和復雜算法知識，使用計算機作為工具并致力于真實實時的模擬人類學習方式，并將現有內容進行知識結構劃分來有效提高學習效率[2]。它是人工智能的核心，也是航運智能化的基礎。

本文將在第一章對機器學習進行原理的分析與討論，解釋其可行性以及合理性。在第二章中將討論機器學習可適用于的智能航運中的實際場景，并分析其優劣。最后一章將對全文進行簡單的總結，并對智能航運的未來做出大膽的猜想與展望。

1 機器學習

1.1 定義與分類

簡單地說，機器學習就是指導計算機從數據中提取特征，改善自身的性能。它賦予了計算機學習的能力，這種能力并不是通過顯著式編程所獲得的。在機器學習中，算法會不斷進行訓練，從大型數據集中發現模式和相關性，然后根據數據分析結果做出最佳決策和預測[3]。

機器學習一般分為兩大類，即強化學習與監督學習。強化學習一般指在機器學習中，算法會不斷進行訓練，從大型數據集中發現模式和相關性，然后根據數據分析結果做出最佳決策和預測。同時強化學習的特征也由計算機與外界環境進行互動獲得的。計算機隨機的產生行為，同時獲得該行為的結果，而我們的程序需要通過定義這些行為的收益函數，對行為進行獎勵或者懲罰。例如自動駕駛，如果到達終點，我們就進行獎勵；如果沒有到達終點或者中途出了事故，我們就進行懲罰。

而由人工采集數據以及相應標簽輸入計算機的機器學習方法稱為監督學習，其中監督學習又分為傳統監督學習、無監督學習、半監督學習，如圖1 所示：

圖1 機器學習結構圖

1.2 傳統監督學習

其核心標識為每一個數據都有對應標簽，對于傳統監督學習中，我們會學到的算法主要包括支持向量機、人工神經網絡[4]等。其實際應用場景已經深入生活各個方面，如：人臉識別、停車場自動抬桿以及違規交通監測等。

（1）無監督學習：其核心標識為所有的數據都沒有對應的標簽。在無監督學習中，一般需要假設一個條件：在二維空間中相聚更近的點即為一類，如果這個假設成立我們就可以根據樣本空間的信息，設計算法將其聚集然后進行分類。常用的算法有：聚類算法、EM 算法以及主成分分析。

（2）半監督學習：半監督學習的核心標識即一部分數據有標簽，一部分數據沒有標簽。半監督學習的運用非常廣泛，隨著互聯網的不斷發展，數據量不斷增大。進行數據標簽的成本也越來越大。因此，利用少量標注數據和大量沒有標注的數據訓練一個更好的機器學習算法，成了機器學習領域的熱點之一。

1.3 特性分析

通過機器學習的定義與分類，我們可知其具備以下特性：

（1）由數據驅動，在特點場景下相比于人類可以做出更快速、更優的判斷。這點在汽車自動駕駛以及AlphaGo 戰勝圍棋世界冠軍等場景中已得到充分體現。

（2）嚴重依賴于數據，如果訓練數據的質量不夠好，就可能導致系統學到不全面或不正確的模型。

（3）學習高級特征，機器學習可以學習人類目前所無法解釋的高維度特征與細節特征。通過對這些特征進行反推導，或許能幫助了解未知的領域。

2 機器學習在智能航運的應用

2.1 航線的智能選擇

水路運輸作為國際國內貿易的最主要運輸方式，其運營成本極高。因此，對航線和班輪掛靠日期的進行改進和優化，就能節省大量的營運成本，提高航運效率[4]。目前國內的航運路線仍存在以下兩個主要問題：首先是由于缺少細粒度的統籌管理與建設，許多航運公司對行駛路線選擇自制，常常與智能航運系統中的路線沖突；其次由于規劃不夠全面，港口運輸量需求不足、高峰期港口堵塞、重復運力浪費等問題依然客觀存在。針對這兩個問題，機器學習可以從以下兩點對問題進行切分、解決：首先是通過學習以往船舶的型號、行駛路線、停靠時間、載貨重量等信息以及交通路線的環境、天氣等信息，結合自身船舶的特點與載物情況進行綜合判斷，做出最優的線路規劃。

2.2 船舶實時智能監測

機器學習中的3D 卷積神經網絡可以以時間維度為基準，對時間段內的所有圖像信息進行處理與分析。在與船舶監控結合后，可以在多個場景進行使用。如：動態的火災預警。在船舶監控處于工作的條件下，機器學習可以將拍攝的視頻逐幀進行切割以及實時分析。若船舶內部出現黑煙、明火，機器學習會在傳統的火災預報傳感器之前發出警告預警。同時機器學習中的目標識別與檢測也非常適用于船舶的許多場景，如：貨物檢測。通過學習載物的靜態圖像與動態視頻，可以實時監測載物是否處于安全狀態。天氣、船舶顛簸等客觀因素是否會對載物帶來不可挽回的損失。

2.3 突發情況的決策

由于船舶質量大、慣性大、船舶控制精度較低、終端控制操作難度較大，且各船舶的配置不同，各個船舶的航行條件無法與多變的環境氣候相匹配。船舶在航行狀態時的面對突發情況的決策顯得尤為重要。在分析船舶的航行狀態時，為了便于研究一般將其量化成6 個自由度的運動，集中體現在規則地域化、控制力不足、不穩定性、非一致性等方面[5]。機器學習可以將這些高維度的數據進行處理與分析，并通過回歸、擬合等多種方法將其公式化，結合海域內的航線交通狀況、當前海域的氣象狀況與船舶的配置信息，使其盡可能輸出接近真實的值，輔助船員做出最優的決策。值得一提的是，由于船舶的配置與交通路線的多變性。不同的船舶所作出的決策會存在一定的差異性，這是由于機器學習的模型不具備普遍適用性導致的。

3 結論

機器學習是研究怎樣使用計算機模擬或實現人類學習活動的科學，是人工智能中最具智能特征，最前沿的研究領域之一，在智能航運的場景中表現出了足夠的能力與潛力。

或許在不久的未來，機器學習能夠讓航運業實現完全的智能化。船舶能夠自主接單，并計算出最優航線與最優交易港口，在途中遇到突發狀況，能夠自我保護，將損失降至最低。

機器學習在智能航運中的合理應用或許會成為我國航運業起飛的重要燃料，幫我國航運業在國際競爭中突出重圍。