解决方案

一、应用建设总体建构

船视宝构成如图所示，包括多源异构数据的实时采集与融合技术，船舶行为和态势智能感知与识别技术，航运业务智能理解与推断，产业应用集成与部署四个部分。

图：项目技术路线

1）多源异构信息的实时采集与融合技术

针对船、岸、星各类船舶AIS数据，形成了流批一体的AIS原始报文数据实时接入与高效解码方法，研究了基于深度学习的AIS数据质量控制技术，高效识别和处理船舶AIS数据重复、MMSI套牌、MMSI更换、AIS数据缺失等数据异常和质量问题。针对船舶档案数据，重点研究基于相似船舶聚类分析的船舶异常字段识别和处理技术，缺失数据回填技术等。港口与海洋专题数据采集与预处理。构建了全球电子海图数据、洋流、气象等数据的采集、处理和时空配准、对齐和融合方法。研究了多源异构大数据的高效融合、表征、存储和检索方法，构建了时空索引和湖仓一体数据中台。

2）船舶行为和态势智能感知与识别技术

融合多源异构信息构建了时空数据库，基于语义推理和空间计算构建了准确完备的船舶行为状态标识模型，对船舶行为状态进行时空标识；针对船舶各自独立行为进行综合时序分析，结合多源数据融合和深度学习理论与迁移学习理论，对海量数据自主标注，提出了船舶综合行为理解方法；针对船舶行为状态的时空连贯性、时间持续性、环境敏感性和差异性，研究常态化场景（加油、装卸、锚泊、修理、泊位作业效率）在开放水域、特殊通道、港口等不同场景下行为特征，建立常态化行为特点分析模型；针对船舶失踪、偏离航线、速度反常、碰撞、搜寻、漂航、异常抛锚、仿冒他船、设备故障、违反通航规定等非常态行为，通过大数据分析、人机交互和人工智能识别等技术，获取不同类型船舶在不同区域、季节、时间、气象、水文、临船关系等条件下的航行规律，研究船舶异常行为特征提取和判断技术，对异常行为进行监测。

3）航运业务智能理解与推断

以融合的多源数据为驱动，以机器学习、关联学习算法为工具，深度挖掘数据中的隐藏模式和规律，并关联协同各业务场景，探寻生产经营指标间的内在逻辑，开发了运营效率对比指数、空载船舶指标、船舶能耗、港口拥堵等描述型数据服务体系；基于专题时空知识库，专家知识和深度学习的混合智能计算，研制了“运营风险分析”、“船舶航行风险”等智能辨识等诊断型数据服务；基于大数据预测算法、机器学习等算法模型，构建了“船舶排期”、“运营消息动态测算”、“船舶航线规划”等预测型数据服务；基于机器学习、优化分析等技术，综合利用多学科知识，围绕各类问题的认知、发现、研究、评估，形成解决方案，开发了“货物安排”、“运力布局优化”等方案型数据服务为管理部门精准施策提供依据。

4）产业应用集成部署

汇集各业务场景下的算法开发与应用操作，集中管理数据、代码、算法模型等资源，并针对产业需求研发集成应用平台系统，涵盖船舶调度、搜索、管理、安全、应急、商品、指数、竞争等应用。采用微服务架构（Microservice Architect）模式，将架构中的各应用划分成一组小的服务，服务之间互相协调、互相配合。引入前后端分离的架构风格，后端负责业务/数据接口，前端负责展现/交互逻辑，同一份数据接口，可以快速定制开发多种版本。为了满足对海量结构化和非结构化数据的存储管理、复杂分析、关联查询、实时性处理和控制建设成本等多方面的需要，本项目采用多数据库混合架构成为满足复杂应用的必然选择。

二、创新点

围绕全球海运实时智能感知与产业应用，国内外已有部分机构进行研究，但主要存在智能化程度不高、功能不完善、覆盖业务场景范围窄等问题。本项目开展了“海运数据实时采集与融合-船舶行为与态势智能感知与识别-航运业务智能理解与推断-产业应用集成与部署”一系列关键技术研究与系统功能研发，突破了多个技术瓶颈，极大增强了平台对于航运数字化基建和功能性业务能力痛点的理解和建设能力，总体达到国内领先国际先进水平。

案例主要创新点：

a)船视宝运用人工智能技术，对具有多模态、强噪声、多粒度特性的全球海运大数据进行清洗和预处理，并根据数据的时空和属性特征，建立多层次、多粒度数据融合方法。

图：AIS数据实时采集清洗技术与实时数据交换引擎

b)采用关联分析时空标识算法，对实时采集与处理计算的全球海运大数据进行多源异构数据分析，建立多粒度标识模型及多模态统一表征网络。

图：基于时空知识库的时空标识及基于迁移学习的船舶行为理解方法研究

c)结合船舶轨迹数据和行为特征，运用机器学习、关联学习等智能算法，构建全球海运拓扑网络结构，实现对航运业务的智能理解和推理。

图：数据集构建及实施服务

d)采用分布式微服务架构和运用栅矢数据稀疏金字塔技术，搭建船舶智能综合服务平台“船视宝”， 实现全球海运实时智能感知，可向行业用户提供SAAS、小程序、API、定制化等多种服务形式。

图：工程示范应用于效果评估验证研究内容