为提高潮汐预测精度,解决单一调和分析预测精度不高的问题,提出一种基于调和分析和自回归综合移动平均-支持向量回归机(autoregressive integrated moving average support vector machine for regression,ARIMA-SVR)的组合潮汐预测模型。潮汐分析中,潮汐可认为是由受引潮力影响的天文潮位和受环境因素影响的非线性水位的叠加。采用小波分析对潮汐样本数据进行去噪处理,使用调和分析法计算天文潮位,以调和分析法计算产生的残差作为非线性水位样本数据,并使用ARIMA-SVR模型进行潮高计算,最后将两部分的计算结果进行线性求和得到最终的潮汐预测值。利用美国旧金山港口实测潮汐数据进行预测仿真,结果表明,该组合模型解决了调和分析忽略非线性影响的问题,提高了潮汐预测准确率,可行且高效。
为解决驾驶员使用最近会遇距离(distance of closest point of approach,DCPA)和最短会遇时间(time of closest point of approach,TCPA)进行避让决策时存在的忽略目标船参数的问题,采用Coldwell船舶领域模型并引入度量参数的方式,推导出具有时间序列的动态避让决策参数——最小缩放因子、领域侵入时间和领域侵入度。基于二分法和推导出的决策参数设计让路船决策流程,使用VC++MFC编程实现MMG模型仿真,并与基于传统DCPA和TCPA的避让决策仿真结果进行对比。结果表明,基于推导出的决策参数的避让决策能够解决基于DCPA、TCPA的避让决策忽略目标船参数的问题,具有预警时间精度高,避让时间短,避让转向角更合理等优势。推导出的决策参数在航线经济最优化和限制水域的避让决策方面都存在实用价值。
