Моделирование маршрутов грузовых кораблей при помощи анализа бортовых журналов с использованием NLP-технологий

Введение 3
1. Теоретическая часть 5
1.1 Моделирование маршрутов кораблей 6
1.2 Бортовые журналы грузовых кораблей 11
1.3 Обзор NLP технологии 19
2. Практическая часть 25
2.1 Постановка проблемы 25
2.2 Выбор наилучшего варианта ее решения 31
2.3 Реализация решения 67
2.4 Выводы 70
Заключение 71
Библиографический список. 72

Весь текст будет доступен после покупки

Моделирование маршрутов судов является сложной и очень важной задачей в области морского транспорта. Растущая торговая деятельность и глобализация привели к росту судоходной отрасли, что сделало ее неотъемлемой частью мировой экономики. Однако эффективность и безопасность морских маршрутов в значительной степени зависят от точного моделирования различных факторов, включая океанские течения, погодные условия, характеристики судов и управление движением.
Этот дипломный проект направлен на предоставление подробного анализа методов моделирования, используемых для судовых маршрутов, и того, как эти модели влияют на эффективность и безопасность морских перевозок. Исследование будет сосредоточено на разработке математических и компьютерных моделей, которые могут моделировать различные сценарии и прогнозировать влияние различных факторов на маршруты движения судов.
Судовые журналы содержат огромное количество данных, связанных с судовыми операциями, включая навигационную информацию, погодные условия, расход топлива и действия с грузом. Анализ этих данных может дать ценную информацию о производительности, безопасности и эффективности корабля. Однако ручной анализ судовых журналов может отнимать много времени и подвергаться ошибкам. Технологии обработки естественного языка (NLP) могут помочь автоматизировать этот процесс, извлекая и анализируя соответствующую информацию из судовых журналов.
Первым шагом в анализе судовых журналов с помощью NLP является преобразование неструктурированных текстовых данных в структурированный формат, который может быть легко обработан алгоритмами. Это включает в себя предварительную обработку текстовых данных путем удаления шума, такого как знаки препинания, пробелы и стоп-слова. Следующим шагом является использование методов NLP, таких как токенизация, маркировка частей речи и распознавание именованных объектов, для идентификации и извлечения соответствующей информации из текстовых данных.

Весь текст будет доступен после покупки

1. Теоретическая часть

1.1 Моделирование маршрутов кораблей

Планирование судоходных маршрутов является горячей точкой исследований в области морского транспорта. Если в процессе перевозки произойдет столкновение, судно и его груз также подвержены потерям. В то же время загрязнение морской среды, вызванное столкновением, также очень серьезно. Основной целью исследований по планированию маршрута предотвращения столкновения судов является снижение вероятности дорожно-транспортных происшествий. Поэтому становится очень важным планировать маршрут предотвращения столкновения судов. Наука и технологии, такие как искусственный интеллект и глубокое обучение, часто появляются в различных областях общественной жизни в результате быстрого роста компьютерных технологий. Новые технологии, такие как искусственный интеллект, также оказывают большое влияние на морские перевозки. эффективно продвигать быстрое развитие беспилотных кораблей и интеллектуальных навигационных технологий. В процессе постепенного развития судовых беспилотных технологий более важной основной технологией является технология планирования маршрута судна, особенно в сложных морских районах.
В транспортной деятельности реального морского сообщения условия движения, с которыми сталкиваются суда, очень сложны, и вероятность аварий судов значительно возрастает в сложных и изменчивых морских районах [1]. В последние годы частые морские дорожно-транспортные происшествия побудили людей обратить внимание на решение различных проблем, возникающих при морских перевозках. Как снизить вероятность морских транспортных происшествий и в наибольшей степени обеспечить безопасность персонала и имущества – важная проблема, требующая безотлагательного решения. Судовая навигация и автопилот — действенные способы эффективного решения текущих задач. В процессе интеллектуальной навигации корабля важным звеном является автоматическое планирование маршрута. В некоторой степени, это связано с интенсивностью труда водителей судов и показателями безопасности судов и окажет непосредственное влияние на безопасность общественной жизни и имущества. Поэтому исследования по планированию маршрутов судов, особенно по планированию маршрутов судов в сложных акваториях, имеют большое значение.

Весь текст будет доступен после покупки

1. W. Pan, QL Dong, XW Xu, «Планирование маршрута интеллектуальных судов с учетом факторов навигационной среды»,Journal of Shanghai Maritime University , vol. 42, нет. 3, стр. 76–84, 2021.
2. Л.П. Ван, З. Чжан и С. Ма, «Улучшенное планирование маршрута судна на основе генетического алгоритма с учетом ограничений маневренности корабля»,Журнал Харбинского инженерного университета , том. 42, нет. 7, стр. 1056–1062, 2021.
3. XX Yao, QY Hu и C. Yang, «Планирование маршрута судов с помощью алгоритма колонии муравьев и массивных данных AIS», Journal of Transport Information and Safety , vol. 37, нет. 3, стр. 79–85, 2019.
4. ZH Han, YB Zhang и Y. Zhang, «Автоматическое планирование маршрута корабля на основе глубокого обучения с подкреплением», Navigation of China , vol. 44, нет. 1, стр. 100–105, 2021.
5. GX Wang, LC Wang и J. Zheng, «Метод динамического планирования маршрута для интеллектуальных судов с учетом сложных метеорологических изменений», Журнал Шанхайского морского университета , том. 42, нет. 1, стр. 1–6, 2021.
6. Ю. Лю, С. Л. Се и А. Хе, «Последовательное планирование маршрута судна через территорию многоэтажных строительных площадок», « Навигация Китая» , том. 42, нет. 3, стр. 51–54, 2019.
7. Дж. Л. Дуан и Ю. Хан, «Алгоритм планирования маршрута, основанный на исторической статистике путей», Журнал Шанхайского научно-исследовательского института судоходства , том. 43, нет. 2, стр. 10–14, 2020.
8. М.Ю. Пан, Ю.С. Лю и К. Ли, «Улучшенное планирование маршрутов на основе алгоритма и его применение для сети внутренних водных путей»,Журнал Шанхайского морского университета , том. 41, нет. 1, стр. 40–45, 2020.
9. JH Jin, J. Sun и T. ZhangA, «Планирование пути USV на основе квантовой оптимизации роя частиц», Journal of Ship Mechanics , vol. 24, нет. 3, стр. 352–361, 2020.
10. M. ZhangL и F. WuX, «Метод планирования оптимизации маршрута распределения грузовых судов в условиях низкого содержания углерода», Ship Science and Technology , vol. 43, нет. 18, стр. 181–183, 2021.
11. Moens, M.-F. Information Extraction: Algorithms and Prospects in a Retrieval Context. – Netherlands: Springer. – 2009. – 255 p.
12. Большакова Е. И. И др. Автоматическая обработка текстов на естественном языке и компьютерная лингвистика: учеб.пособие – М.: МИЭМ, 2011. — 272 с.
13. Jurafsky D., Martin J. H. Speech and language processing: An introduction to natural language processing, computational linguistics, and speech recognition // Prentice Hall series in artificial intelligence. – 2009.

Весь текст будет доступен после покупки