1.目的及意义

近年来，随着我国经济持续增长，内河航运业也得以快速发展，不仅船舶数目急剧增加，而且船舶呈现大型化发展趋势；但是，内河航道尺度受限且航行环境复杂，导致船舶碰撞事故屡屡发生，造成的生命财产损失以及产生的对社会不良的影响，给内河航运业带来了沉重打击。为了减少内河船舶碰撞事故的发生，保障船舶航行安全，需要对内河水上交通进行更为科学的规划和控制，而船舶领域则是一个很好的切入点。

船舶自动识别系统（AutomaticIdentification System, AIS）是当前船上普遍使用的一种导助航系统，能够提供船舶实时位置、船速、航向等动态数据，以及船名、尺度、危险货物等静态数据。基于AIS系统，不仅可对船舶的类型、长度、航速等影响船舶领域的因素进行数据统计，而且也可获得这些船舶周围的其它船舶的位置分布及相应的距离、相对方位等信息，通过分析这些信息与船舶领域影响因素的关系，可以构建内河船舶领域模型，为内河水上交通的有效管理提供一定的理论支持。

2.国内外研究现状分析

2.1船舶领域的研究现状

19世纪60 年代，日本学者藤井弥平首次提出船舶领域的概念，该学者通过海上交通观测及雷达数据，建立了以本船为中心的对称椭圆形船舶领域。随后，英国女学者 Goodwin 通过海上交通调查建立了由船舶号灯划分的三个不同大小的扇形组成的船舶领域；P.A.Davis 等对 Goodwin所建立的船舶领域模型做了平滑处理，构建成一个圆形领域模型，领域中心相对于船舶中心存在右上方的偏移；Coldwell通过交通观测和数据分析，建立了追越情况下的完整对称椭圆的船舶领域，以及对遇情况下的半个椭圆的领域模型；赵劲松、吴兆麟、王逢辰等在 Goodwin 模型的基础上，计算船舶之间的避碰时机和最小会遇距离，利用模糊数学，建立了模糊船舶领域模型；毕修颖利用AIS 数据提供的船舶信息建立了船舶动态避碰行动领域模型；Pietrzykowski通过计算目标船附近不同方向的来船方位，进行统计分析，得到了一种多边形船舶领域。

国内有关船舶领域的研究相较国外较晚，但也取得了较丰硕的成果。刘绍满借助雷达的位置和航向信息建立了内河拥挤水域的船舶领域模型。周崇喜对不同类型船舶的船舶领域进行统计并分析，构建了内河航道的船舶领域模型。齐乐利用模糊数学和数理统计，对琼州海峡的 AIS 数据进行分析，建立了开阔水域船舶领域模型。任亚磊考虑能见度、会遇态势、船长和船速的影响，标绘本船与他船的相对位置，建立了动态船舶领域模型。向哲等利用 AIS 数据计算目标船周围水域内他船的叠加分布情况，分析出不同长度船舶的领域尺度。丁法和张鹏利用 AIS 数据统计了开阔水域内的不同种类、不同大小船舶的领域形状和尺寸。席朝阳等在受限水域内的船舶领域研究方法上，进一步选择特定样本，得到了能见度不良情况下受限水域内的船舶领域，并进行了理论检验和对比验证。

2.2人工神经网络的研究现状

人工神经网络（ArtificialNeural Network，ANN）是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。由于其快速和大规模的处理能力，几乎在各个领域都有广泛应有。在水上交通领域，林莉等根据船舶海上航行的实际情况，针对船舶运动的特点,提出了用不同神经网络对船舶运动数学模型进行辨识的新方法。朱鸣鹤等针对船舶油污事故损害赔偿评估非线性系统的复杂性，建立船舶油污事故损害的神经网络评估模型，为中国船舶油污事故损害赔偿评估提供了一种新颖而方便的计算方法。路其军建立了客滚船大风浪航行安全评估的三层BP神经网络模型，并应用于实船安全评估，为港口监督人员、公司管理人员和客滚船驾驶人员提供了参考依据。曲径综合利用小波变换的局部化性质与神经网络的自学习能力，并引入灰色模型以反映船舶交通流的发展趋势，使得小波神经网络在灰色模型预测结果的基础上结合船舶交通流的影响因素再预测，构成基于灰色小波神经网络的船舶交通流组合预测模型。翟久刚等设计一种基于BP神经网络与残差分析的非线性时间序列预测流程，将该预测流程应用于长江九江大桥观测线船舶交通流量预测，预测效果证明该方法可行。陈姿颖建立了基于祌经网络的港口绩效评价模型。吴汉才使用具有强大非线性逼近性能的人工神经网络建立船舶风险模型，并使用双层粒子群优化算法对人工神经网络的隐含层节点数和参数进行优化，改进后的神经网络风险评价模型的误差更低，更加能够保证预测结果的准确性和可行性。肖进丽等针对船舶交通流时间序列的非线性和非平稳性特点，设计一种结合集合经验模态分解和差分进化算法优化BP神经网络的船舶交通流组合预测模型。

2. 研究的基本内容与方案

1.基本内容