白響恩，李博翰，徐笑鋒，肖英杰

基于AIS數(shù)據(jù)的航運(yùn)物流港口調(diào)度優(yōu)化研究

白響恩，李博翰，徐笑鋒，肖英杰

（上海海事大學(xué) 商船學(xué)院，上海 201306）

針對寧波舟山港區(qū)的復(fù)雜航道水域與密集物流交通流，研究更加有效的調(diào)度方案，達(dá)成調(diào)度時(shí)間和等待時(shí)間最小化，即效率最大化。分析寧波舟山港區(qū)航道的航行情況，提出交會(huì)處復(fù)雜航道水域存在的問題，以調(diào)度時(shí)間和等待時(shí)間最小為目標(biāo)的多目標(biāo)函數(shù)，建立復(fù)雜航道水域船舶調(diào)度模型。針對大量的船舶AIS數(shù)據(jù)，構(gòu)建基于神經(jīng)網(wǎng)絡(luò)的航道水域調(diào)度模型，對不同類型、不同大小的船舶建立速度變化和船舶預(yù)測模型，實(shí)現(xiàn)對船舶調(diào)度狀態(tài)的預(yù)測。設(shè)計(jì)以傳統(tǒng)粒子群算法為基礎(chǔ)的改良版船舶調(diào)度算法。算法對模型求解表明，根據(jù)不同船長與間距可判別交通流擁擠程度進(jìn)而對船舶進(jìn)行調(diào)度。通過模型預(yù)測到可能產(chǎn)生擁擠，則應(yīng)當(dāng)選擇小型船只走條帚門航道，大型船只走蝦峙門航道，并且盡量避免產(chǎn)生擁堵。使用該模型與算法可以有效地提升船舶調(diào)度效率，為復(fù)雜航運(yùn)物流港口調(diào)度優(yōu)化研究提供了一定理論基礎(chǔ)。

復(fù)雜航道；深度神經(jīng)網(wǎng)絡(luò)；粒子群算法；船舶調(diào)度；AIS數(shù)據(jù)

航運(yùn)物流業(yè)正向著拼箱貨物的增加，應(yīng)急、備用及時(shí)性貨物的運(yùn)輸量增加以及數(shù)字化的方向發(fā)展。導(dǎo)致船舶大型化、智能化、低碳化的發(fā)展，對船舶調(diào)控的要求也越來越高。在港口作業(yè)、船舶運(yùn)輸方面，船舶調(diào)度在保障港口正常運(yùn)行，船舶物流快速到達(dá)等起到重要的作用，通過港口信息調(diào)度中心，根據(jù)港口當(dāng)前或未來一段時(shí)間的預(yù)測情況對所涉及的船舶進(jìn)行交通指揮，以達(dá)到節(jié)約船舶在港口航行作業(yè)時(shí)間的目的[1]。2021年蘇伊士運(yùn)河事件導(dǎo)致船舶大規(guī)模滯留，造成的損失成本無法估量。這暴露出了在亟需高效作業(yè)、港口運(yùn)河疏通時(shí)的調(diào)度問題。港口船舶占用通道時(shí)間長、船舶通行時(shí)交岔會(huì)遇等問題極大地影響了港口和運(yùn)河地作業(yè)效率[2]。

天津港港區(qū)航道水域改建工程、長江口水域改造工程等[3]，通過預(yù)估未來船舶通行量需求以及船舶運(yùn)行軌跡等對航道進(jìn)行改造。在此基礎(chǔ)上，根據(jù)港口的情況進(jìn)行科學(xué)有效地調(diào)度，可以減少船舶出入港的時(shí)間，減少船舶碰撞的風(fēng)險(xiǎn)，做到安全性與經(jīng)濟(jì)效益兼顧[4]，但是由于各種因素導(dǎo)致船舶調(diào)度相關(guān)研究在現(xiàn)實(shí)應(yīng)用中受限，很多港口依舊采用人工經(jīng)驗(yàn)調(diào)度法，效果較為低下。所以，很有必要對船舶調(diào)度進(jìn)行研究，同時(shí)主要根據(jù)港口和航道本身的情況對調(diào)度進(jìn)行分類[5]。根據(jù)水域類型分為單向、雙向和復(fù)雜航道水域，不同的類型對船舶調(diào)度的要求也不同，但是目的都是調(diào)度和等待時(shí)間最少[6]。

順序調(diào)度模型可以有效地減少船舶的等待時(shí)間，但是這種算法用于船舶調(diào)度優(yōu)化時(shí)[7]，每一輪的船舶通航順序會(huì)對自己一輪甚至下一輪造成影響，在模型建立時(shí)應(yīng)該提出船舶等待時(shí)間上限。船舶航行時(shí)與時(shí)間結(jié)合的預(yù)測模型，即RECIP–MILP模型是由Paola Pellegrini提出的[8]，該模型說明了當(dāng)運(yùn)河布局具有明確的結(jié)構(gòu)時(shí)如何將距離安全約束轉(zhuǎn)換為時(shí)間約束。

目前，單向航道和雙向航道的調(diào)度問題研究已經(jīng)取得了一定的研究成績，但是復(fù)雜航道水域因其多變性和人為因素對其干擾影響大，難以以單一的模型或者算法將其概括。對于某種特定的復(fù)雜航道水域研究，常從水域交通流量統(tǒng)計(jì)與預(yù)測，水域通過能力，水域風(fēng)險(xiǎn)評估及安全因素等進(jìn)行調(diào)度規(guī)劃[9]，但這些研究，均存在單切入點(diǎn)的情況，無法做到從全局的角度考慮調(diào)度最優(yōu)問題[10]。另一方面，隨著技術(shù)的發(fā)展，信息技術(shù)以及人工智能等相關(guān)理論在航運(yùn)屆逐漸展開應(yīng)用[11]，船舶調(diào)度逐漸向智能化、高效化作業(yè)形勢轉(zhuǎn)變[12]。結(jié)合當(dāng)前的AIS技術(shù)等，對船舶港內(nèi)航行，船舶出入港和港口進(jìn)行管理調(diào)度[13]。

從單水域航道和雙水域航道的經(jīng)驗(yàn)出發(fā)，總結(jié)并設(shè)計(jì)復(fù)雜航道水域的模型與算法。調(diào)度相關(guān)算法中遺傳算法使用最廣，其優(yōu)化方法也層出不窮[14]。本質(zhì)上就是改進(jìn)了隨機(jī)產(chǎn)生的過程，使仿真模擬收斂更快[15]。將彈性網(wǎng)絡(luò)概念加入遺傳算法，在低密度水域網(wǎng)格上可以提高調(diào)度規(guī)劃效率[16]。在選取隨機(jī)算子時(shí)，可以使用輪盤賭進(jìn)行選擇。輪盤賭隨機(jī)選擇一個(gè)變異點(diǎn)，進(jìn)行變異操作得到新的個(gè)體[17]，這樣可以降低出現(xiàn)過早收斂的概率。設(shè)立懲罰函數(shù)，在未滿足約束時(shí)需要受到懲罰。再采用精英策略，讓適應(yīng)度高的個(gè)體直接進(jìn)入下一代，再用輪盤賭的方式對剩余群體進(jìn)行選擇，這樣可以有效防止優(yōu)良解的丟失[18]。退火算法的原理是固體經(jīng)過增溫和降溫，內(nèi)部粒子從有序變?yōu)闊o序再變成有序，在常溫時(shí)固體內(nèi)能最小[19-20]。粒子是算法的解，內(nèi)能是解的目標(biāo)值[21]。多種群遺傳算法的加入，改善遺傳算法的局部最優(yōu)和收斂過慢問題[22]。降溫后的搜索范圍迅速縮小可以使收斂速度提高[23]。蟻群算法可以劃分靜態(tài)權(quán)值和動(dòng)態(tài)權(quán)值來衡量航線權(quán)重，靜態(tài)權(quán)值是用船舶航行距離衡量，動(dòng)態(tài)權(quán)值是用經(jīng)濟(jì)效益[24]衡量。改進(jìn)蟻群算法優(yōu)先選擇行走實(shí)時(shí)方向角與初始方向角相同的路線，至下一節(jié)點(diǎn)，重新選擇路線直到終點(diǎn)，減少了從零開始迭代的迭代次數(shù)[25]。

調(diào)度相關(guān)的算法還包括粒子群優(yōu)化算法、Dijkstra算法、A*算法、細(xì)菌覓食神經(jīng)網(wǎng)絡(luò)算法[26]。同時(shí)還有將2種算法結(jié)合，如粒子群優(yōu)化算法和多物種遺傳算法進(jìn)行結(jié)合，可以加快粒子群優(yōu)化算法的運(yùn)算速度和優(yōu)化精確程度[27]。Dijkstra算法可以在遺傳算法的基礎(chǔ)上進(jìn)行改造。A*算法在靜態(tài)網(wǎng)絡(luò)中通過對A*函數(shù)進(jìn)行優(yōu)化，添加相應(yīng)的約束條件以及修正估價(jià)函數(shù)可以加快A*函數(shù)運(yùn)算速度[28-29]。神經(jīng)網(wǎng)絡(luò)算法主要用于構(gòu)造環(huán)境變量[30]。

隨著寧波舟山港的發(fā)展建設(shè)，在保證安全與遵守航行規(guī)則的前提下，提高港口運(yùn)行效率，保障航線安全是港口運(yùn)營的核心問題[31]。目前存在高峰時(shí)期通過能力不足，小型船只占用航道時(shí)間過長等[32]。文中從寧波舟山港區(qū)的復(fù)雜航道水域優(yōu)化開始，探究復(fù)雜航道水域的優(yōu)化模型和算法。

1 航道分析

1.1 條帚門航道與蝦峙門航道分析

條帚門航道整體的特點(diǎn)就是航道窄、水深、流急，可以滿足30萬t級的船舶通過，但是由于航道寬度狹窄、水深不富余等，航道寬度最窄的地方只有500 m，這種條件使得船舶效應(yīng)和岸壁效應(yīng)更加明顯，漁船眾多使航道的情況更加復(fù)雜。

因?yàn)槲r峙門航道北口處存在一號警戒區(qū)，這個(gè)位置是通航分道進(jìn)入口，而且船舶眾多，事故頻發(fā)，所以可以將船舶出港路線選擇為條帚門航道，這樣可以減少一號警戒區(qū)的壓力；小型船舶的進(jìn)港路線盡量選擇條帚門航道，10萬t級以上的船舶進(jìn)出港盡量選擇蝦峙門航道，如果存在航行能見度低、蝦峙門航道擁擠時(shí)，可以考慮選擇條帚門航道，但是要時(shí)刻注意幾個(gè)淺水區(qū)域。

1.2 y型航道交岔口問題描述

1.2.1 交匯口地理情況

圖1為蝦峙門航道和條帚門航道y型交岔口的整體框架，具體包括出入港區(qū)的主航道和從蝦峙門航道和條帚門航道出入的雙向航道以及警戒區(qū)。警戒區(qū)位于在蝦峙門航道和條帚門航道航道交匯處。交岔口以及主航道處的水域較為寬闊，水深滿足能通過蝦峙門航道和條帚門航道的船舶的吃水要求。

1.2.2 交岔交通流分析

進(jìn)出港口和通過蝦峙門航道和條帚門航道的船舶都必須經(jīng)過交岔口，如圖1所示，y型交岔口主要受到以下2股交通流沖突的影響：第1股交通流沖突為條帚門航道進(jìn)港船流與蝦峙門航道進(jìn)港船流交岔；第2股交通流沖突為條帚門航道進(jìn)港船流與蝦峙門航道出港船流交岔。

圖1 交通流交匯分析

1.2.3 警戒區(qū)分析

由圖2所示，警戒區(qū)處有3個(gè)沖突點(diǎn)已在途中標(biāo)明。在船舶的交匯航行過程中，對這3個(gè)沖突點(diǎn)可能存在的交通事故進(jìn)行預(yù)測，一方面可以提高航行的安全性，另一方面，預(yù)防交通事故的發(fā)生也間接地提高了港口調(diào)度的效率。

按照警戒區(qū)的交通沖突嚴(yán)重性進(jìn)行劃分，采用空間距離法、時(shí)間距離法或者是碰撞危險(xiǎn)度參數(shù)法可以將交通沖突劃分為3個(gè)等級：一般沖突、中等沖突和嚴(yán)重沖突。按照一定的評價(jià)標(biāo)準(zhǔn)可以建立對警示區(qū)安全等級評價(jià)的評價(jià)指標(biāo)，針對不同的安全影響因素賦予一定的安全評價(jià)權(quán)重，最后將安全評價(jià)權(quán)重累積起來得到警戒區(qū)的安全等級評價(jià)。期望法模型、熵權(quán)法模型或者超熵法模型通過仿真實(shí)驗(yàn)進(jìn)一步對警示區(qū)進(jìn)行評級。

1.3 待解決關(guān)鍵問題

傳播在航行調(diào)度過程中，由于影響因素和不可抗力因素過多，需在模型設(shè)立過程中做好取舍。首先需要考慮船舶大小、類型等；其次水流速度、天氣情況也是可能造成影響的因素；還有人為因素也會(huì)對船舶調(diào)度過程產(chǎn)生影響。此外，船舶需要嚴(yán)格地遵循調(diào)度過程中預(yù)設(shè)的航行規(guī)則，以確保航行的安全性。

如果僅單純地使用寧波舟山港區(qū)VTS技術(shù)，無法準(zhǔn)確地提供調(diào)度策略。通過大數(shù)據(jù)將以往的AIS數(shù)據(jù)進(jìn)行處理分析，結(jié)合未來一段時(shí)間AIS數(shù)據(jù)的預(yù)測，利用大數(shù)據(jù)的特點(diǎn)，在相對理想的狀態(tài)下完成對船舶調(diào)度的過程模擬。針對出現(xiàn)特殊情況的數(shù)據(jù)進(jìn)行分析與處理，最終得到更有說服力的實(shí)例應(yīng)用，并在發(fā)生一系列輕微影響的突發(fā)情況時(shí)可以隨時(shí)添加影響因素變量，使得模型更加準(zhǔn)確。

船舶調(diào)度的最終目的是時(shí)間成本的最低化與經(jīng)濟(jì)效益的最大化，但是航行中最為重要的一點(diǎn)一直是安全性。在充分分析船舶交會(huì)情況與警戒區(qū)情況的前提下，對船舶調(diào)度整個(gè)過程堅(jiān)持安全優(yōu)先，進(jìn)一步結(jié)合VTS技術(shù)和AIS數(shù)據(jù)對船舶進(jìn)行調(diào)控。

2 模型的設(shè)計(jì)與建立

2.1 船舶分類

按照船舶的大小和類型以及進(jìn)出港情況給每艘報(bào)備進(jìn)出港的船只賦予一定的權(quán)重，由于條帚門航道進(jìn)出的船舶多為小于10萬t級，可以粗略地按照10萬t為界限進(jìn)行劃分，則對10萬t級以上的船只給予更高的船舶權(quán)重系數(shù)，同時(shí)出港船只權(quán)重系數(shù)也更高。具體來說，一般進(jìn)港船只系數(shù)為1.00，10萬t以下出港船只和10萬t以上進(jìn)港船只系數(shù)為1.25，10萬t出港船系數(shù)只取1.50。將權(quán)重系數(shù)分別乘上船舶的航行時(shí)間和等待時(shí)間即為該艘船舶的目標(biāo)值。

2.2 模型約束條件

根據(jù)航道通航規(guī)則建立4個(gè)模型約束。

1）船舶之間安全距離約束，船長200 m以上的船舶應(yīng)與前船保持1 n mile以上的距離。超大型油輪應(yīng)與前船保持1.5 n mile以上距離，由安全距離和船舶航速計(jì)算出最短船舶航行間隔，作為約束條件1。

2）根據(jù)第1種交岔口交匯情況，設(shè)置安全距離，保持船舶距離大于安全距離，由安全距離和船舶航速計(jì)算出最短船舶航行間隔，作為約束條件2。

3）根據(jù)第2種交岔口交匯情況，設(shè)置安全距離，保持船舶距離大于安全距離，由安全距離和船舶航速計(jì)算出最短船舶航行間隔，作為約束條件3。

4）如果采用的是等待時(shí)間限制方案，則將等待時(shí)間上限作為約束條件4。

2.3 建立模型函數(shù)

在對港區(qū)航道環(huán)境分析的基礎(chǔ)上，確定以調(diào)度時(shí)間和等待時(shí)間最短為目標(biāo)，建立復(fù)雜航道水域調(diào)度模型。

在保證約束的情況下使模型的目標(biāo)函數(shù)1和2最小即可。

目標(biāo)函數(shù)1：總的調(diào)度時(shí)間1最小。

(2)

式中：fi為船舶調(diào)度結(jié)束時(shí)刻；si為船舶調(diào)度開始時(shí)刻。

目標(biāo)函數(shù)2：總的船舶等待時(shí)間2最小。

船舶在來到交岔口的時(shí)候，即開始計(jì)算等待時(shí)間，總的船舶等待時(shí)間更小，即代表港口運(yùn)行的效率更高。

式中：bi為船舶到達(dá)交岔口的時(shí)間。

根據(jù)對約束條件的分析，通過對船舶進(jìn)出港的不同情況和船舶大小的不同情況設(shè)置船舶優(yōu)先權(quán)重，將船舶大小和船舶進(jìn)出港的影響因素權(quán)重考慮進(jìn)模型內(nèi)。

再根據(jù)船舶的不同類型權(quán)重m，以及船舶的特殊類型權(quán)重r計(jì)算船舶通航的具體權(quán)重：

對于越需要緊急通航的船舶將r設(shè)置的更大即可，根據(jù)σ的不同對船舶通航等級排序，得到最初的船舶通航順序。

通過統(tǒng)計(jì)船舶進(jìn)入和駛離交岔口、進(jìn)入或者離開航道的時(shí)刻可以得到船舶的航行結(jié)束時(shí)刻的預(yù)估值，見式（6）。

式中：d為、兩處的距離。

進(jìn)一步考慮約束條件1，根據(jù)船舶之間的間距和船速估計(jì)船舶之間通航的安全間隔時(shí)間，見式（7）。

考慮約束條件2，約束條件2為船舶之間同向進(jìn)入交岔口的交通流交匯情況。當(dāng)出現(xiàn)從蝦峙門航道和條帚門航道均有船舶需要進(jìn)入港區(qū)的情況時(shí)，兩船之間也需要保持一定的船舶安全航行間隔：

與約束條件1同理，2i0和2i1分別為先后進(jìn)入主航道的船舶的航行開始時(shí)刻；為兩船之間的航行安全時(shí)間間隔；2i為設(shè)置好的船舶之間的安全距離。

約束條件3為船舶之間異向進(jìn)入交岔口的交通流交匯情況：

約束條件4為設(shè)置船舶最大等待時(shí)間pi：

則計(jì)算船舶開始到達(dá)交岔口時(shí)間與開始航離時(shí)間的差值即可。

3 算法設(shè)計(jì)

以寧波舟山港區(qū)蝦峙門航道和條帚門航道的航道情況為基礎(chǔ)，從交通流交匯的角度，以及符合交通安全，遵守航行規(guī)則的角度出發(fā)，結(jié)合航道一段時(shí)間內(nèi)的AIS數(shù)據(jù)，提出一種以深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的船舶航行狀態(tài)預(yù)測模型。同時(shí)，使用改進(jìn)的粒子群算法對模型進(jìn)行優(yōu)化，使模型更貼合實(shí)際情況，通過分析船舶在出港時(shí)的船速與調(diào)度間隔時(shí)間，給出使擁堵情況可能性降到最低的船舶調(diào)度辦法。以Matlab軟件為程序編寫平臺(tái)對該模型進(jìn)行驗(yàn)證。

3.1 AIS數(shù)據(jù)預(yù)處理

特定時(shí)刻的船舶AIS數(shù)據(jù)中動(dòng)態(tài)的數(shù)據(jù)包括船舶瞬時(shí)的對地航向、對地航速等，同時(shí)也會(huì)有靜態(tài)數(shù)據(jù)，如船舶的長度、吃水、寬度等。AIS數(shù)據(jù)不僅包含了船舶不同的航行狀況，也蘊(yùn)含了船舶在港口因?yàn)榇伴g作用影響的狀況。對一段時(shí)間內(nèi)的大量的AIS數(shù)據(jù)進(jìn)行分析，可以利用大數(shù)據(jù)與深度學(xué)習(xí)模型對在港其他船舶的航行信息進(jìn)行預(yù)測[33]。

表1是部分AIS數(shù)據(jù)的原始樣本數(shù)據(jù)，對原始的AIS數(shù)據(jù)記錄往往存在大量的噪聲以及錯(cuò)誤數(shù)據(jù)，為此需要對AIS數(shù)據(jù)進(jìn)行一定標(biāo)準(zhǔn)的預(yù)處理，需要進(jìn)行處理的數(shù)據(jù)包括船舶位置異常，船舶航向、航速異常，船舶基礎(chǔ)長度、寬度、吃水?dāng)?shù)據(jù)異常。

記單個(gè)AIS數(shù)據(jù)樣本為p=(t,x,y,c,h,l,w,d),(=1,2,3,…)，其中t為AIS數(shù)據(jù)采樣時(shí)間，x和y分別代表經(jīng)度和緯度，c, h,l,w,d分別代表船舶對應(yīng)的對地航向、船首向船長、船寬和吃水深度。將樣本數(shù)據(jù)輸入Matlab中，編寫刪除異常數(shù)據(jù)樣本的腳本，其中設(shè)定船舶和合理范圍為[0, 360]，設(shè)定船舶長寬和吃水應(yīng)為大于0的數(shù)。將蝦峙門航道和條帚門的AIS數(shù)據(jù)樣本分別帶入得到預(yù)處理后的數(shù)據(jù)樣本，流程見圖3。

3.2 神經(jīng)網(wǎng)絡(luò)的運(yùn)用

深度學(xué)習(xí)與大數(shù)據(jù)結(jié)合，減少了在對研究檢測對象進(jìn)行預(yù)測時(shí)產(chǎn)生的誤差。在航運(yùn)領(lǐng)域應(yīng)用深度學(xué)習(xí)進(jìn)行數(shù)據(jù)處理分析現(xiàn)階段還較少。文中考慮將預(yù)處理之后的AIS數(shù)據(jù)與深度神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)合，建立船舶動(dòng)態(tài)預(yù)測模型。深度學(xué)習(xí)的權(quán)重隨著迭代的進(jìn)行，可進(jìn)行粗略的求解，文中引用G. E. Hinton的論文結(jié)論，見式（14）。

式中：為學(xué)習(xí)率；為代價(jià)函數(shù)。

圖4為文中使用的深度神經(jīng)網(wǎng)絡(luò)的示意圖，其中輸入圓圈代表船舶信息，輸出圓圈代表需要進(jìn)行預(yù)測的信息。運(yùn)用貝葉斯神經(jīng)網(wǎng)絡(luò)模型，通過調(diào)整神經(jīng)元個(gè)數(shù)以及訓(xùn)練集、測試集的數(shù)量將深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型的誤差盡可能降低。

3.3 遺傳算法

只使用模型帶入數(shù)據(jù)進(jìn)行求解得到的結(jié)果往往不具有隨機(jī)性代表性，為此利用遺傳算法對模型進(jìn)行優(yōu)化。

設(shè)定船舶編號、進(jìn)出港方向、船舶類型以及航行起點(diǎn)終點(diǎn)位置的4位遺傳算子，以表示船舶的基礎(chǔ)數(shù)據(jù)。如：1101代表1號船舶從港口出來，為大型的集裝箱船，經(jīng)過主航道向蝦峙門航道航行。

在算法中要考慮適應(yīng)度函數(shù)的取值。適應(yīng)度越大，被選擇的概率就越大，本模型目標(biāo)函數(shù)是總調(diào)度時(shí)間和總等待時(shí)間最小，如果調(diào)度時(shí)間越小，等待時(shí)間越短，說明個(gè)體的適應(yīng)度越大，因此用等待時(shí)間的倒數(shù)作為適應(yīng)度函數(shù)值，見式（15）。在實(shí)際過程中由于船舶等待時(shí)間存在上限，故可以設(shè)定一個(gè)上限值。如果船舶的等待時(shí)間已經(jīng)達(dá)到了上限值，也要降低該個(gè)體的適應(yīng)度值，以此讓優(yōu)秀的個(gè)體更好地遺傳下去。

其他相關(guān)的算法中采用輪盤賭的方式選擇算子，交岔算子采用兩點(diǎn)交岔的方式，變異算子采用兩點(diǎn)變異的方式，具體過程見圖5。

表1 原始AIS數(shù)據(jù)

Tab.1 Original AIS data

注：time為時(shí)間，mmsi為水上移動(dòng)通信業(yè)務(wù)標(biāo)識碼，speed為航速，cog為對地航向，hdg為船首向，type為AIS船舶類型，length為船長，width為船寬，draught為吃水。

圖3 利用Matlab處理AIS數(shù)據(jù)流程

圖4 船舶調(diào)度深度神經(jīng)網(wǎng)絡(luò)

3.4 利用改進(jìn)粒子群算法對預(yù)測信息進(jìn)行優(yōu)化

粒子群優(yōu)化算法將每個(gè)樣本看作維空間中的忽略體積的粒子X=(x1,x2, …,x)，分別計(jì)算樣本初始的個(gè)體值，得到最好的個(gè)體值（最好的位置）記為pbest，即P=(p1,p2, …,p)，給粒子群賦予速度V=(v1,v2, …,v)，每次迭代后再計(jì)算粒子對應(yīng)的個(gè)體值，將群體中的最優(yōu)個(gè)體值（最好的位置）記為gbest，即G=(g1,g2, …,g)。對于每次的迭代，一般每一維的速度都有上下限的設(shè)定，個(gè)體值也可以設(shè)定上下限。

傳統(tǒng)的粒子群算法多用于對多維樣本進(jìn)行尋優(yōu)，文中利用粒子群算法的特性，結(jié)合前文已建立的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型，將模型得到的預(yù)測結(jié)果進(jìn)行優(yōu)化。其中，對船舶本身而言，船舶長度、寬度和吃水是不發(fā)生變化的，故僅將船舶速度、所在的經(jīng)緯度、對地航向、船首向作為考慮因素。傳統(tǒng)的粒子群算法是現(xiàn)在每代中得到群體最優(yōu)粒子，再從這些群體最優(yōu)粒子中選擇總的最優(yōu)粒子。在程序的編寫中，傳統(tǒng)的粒子群算法是對群體進(jìn)行迭代，更新速度采用最優(yōu)粒子與樣本個(gè)體值做差再隨機(jī)化。文中采用的改進(jìn)方法是對每個(gè)樣本點(diǎn)（即每艘船舶的樣本值）單獨(dú)進(jìn)行迭代，最終結(jié)果也相互獨(dú)立，而不是取群體最優(yōu)值。

圖5 算法流程

設(shè)計(jì)的粒子群算法基礎(chǔ)參數(shù)及流程見圖6a。maxgen為粒子群進(jìn)化次數(shù)上限，sizepop為粒子群種群規(guī)模，Vmax和Vmin分別為粒子群迭代速度的最大值和最小值，popmax和popmin分別為粒子群基礎(chǔ)參數(shù)最大值和最小值，pop為樣本值。

在準(zhǔn)備迭代時(shí)，需要先產(chǎn)生新迭代的迭代速度，在產(chǎn)生后進(jìn)行迭代得到下一代粒子群，將粒子反代回求解出適應(yīng)度，并通過比較的方法得到最佳的粒子適應(yīng)度，記下該粒子數(shù)據(jù)，具體流程見圖6b。fitness為樣本適應(yīng)度，fun為深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型函數(shù)，zbest和gbest分別代表全局最佳粒子和個(gè)體最佳粒子，fitnessgbest代表個(gè)體最佳粒子對應(yīng)的適應(yīng)度。

產(chǎn)生新一代粒子群，通過一一比較確定最佳粒子以及其適應(yīng)度，將該粒子及其最佳適應(yīng)度記錄，作為暫時(shí)最佳適應(yīng)度，具體的改進(jìn)粒子群算法流程見圖6c。

圖6 粒子群算法相關(guān)流程及偽代碼

4 寧波舟山港區(qū)實(shí)例應(yīng)用

前文分析得出一般情況下，在避免擁堵的范圍內(nèi)大部分的船舶從核心港區(qū)出港選擇蝦峙門航道更加合理，一旦通過模型預(yù)測到可能發(fā)生擁擠，則應(yīng)當(dāng)選擇小型船只走條帚門航道，大型船只走蝦峙門航道，并且盡量避免擁堵的產(chǎn)生。

根據(jù)現(xiàn)行港口管理?xiàng)l例，船舶之間安全距離約束，船長200 m以上的船舶應(yīng)與前船保持1 n mile以上的距離。超大型油輪應(yīng)與前船保持1.5 n mile以上距離，由安全距離和船舶航速計(jì)算出最短船舶航行間隔。

在此案例中將上文粒子群算法中的適應(yīng)度函數(shù)設(shè)定為船舶可能達(dá)到的最大平均航速，由于已知數(shù)據(jù)包括船舶出入港時(shí)間間隔，如果最大預(yù)測船速都無法滿足調(diào)度需求，即大概率會(huì)發(fā)生擁堵情況，可以得到船舶在調(diào)度時(shí)間間隔內(nèi)按照預(yù)測優(yōu)化后的航行狀態(tài)進(jìn)行航行，觀察是否會(huì)產(chǎn)生擁堵狀態(tài)，以此為依據(jù)選擇出港船舶的調(diào)度方式。

表2是寧波舟山港區(qū)一段連續(xù)時(shí)間內(nèi)出港船舶的AIS數(shù)據(jù)，數(shù)據(jù)已經(jīng)過預(yù)處理，符合模型的要求。對應(yīng)的調(diào)度間隔時(shí)間見圖7。從圖7中可以看出，第2與第3艘次船舶、第7與第8艘次船舶、第11與第12艘次船舶較為擁擠，時(shí)間較短，應(yīng)進(jìn)行調(diào)度分流。

將AIS數(shù)據(jù)帶入模型和算法中得到預(yù)測的船舶速度見圖8。

表2 樣本數(shù)據(jù)AIS

Tab.2 AIS of sample data

注：time為時(shí)間，mmsi為水上移動(dòng)通信業(yè)務(wù)標(biāo)識碼，cog為對地航向，hdg為船首向，type為AIS船舶類型，length為船長，width為船寬，draught為吃水。

圖7 船舶調(diào)度時(shí)間間隔

圖8 船舶預(yù)測船速

根據(jù)表2中內(nèi)容求得實(shí)際調(diào)度中預(yù)測的間距：

式中：預(yù)為預(yù)測間距；c為預(yù)測最大平均船速；c為船舶調(diào)度時(shí)間間隔。得到間距見圖9。

如果按照1 n mile間距的船舶安全距離來看，選擇第12艘次船舶從條帚門航道出港，第11艘次船舶和第13艘次船舶從蝦峙門航道出港，其他船舶的選擇對擁堵狀況影響不大，按照小型船只盡量走條帚門航道的標(biāo)準(zhǔn)，可以將第3艘船只從條帚門航道出港。

圖9 船舶距離

模型的提出和算法的求解，目的是為了提高港口生產(chǎn)效率，充分利用航道。雖然通過智能算法提出智能調(diào)度方案，但是依然利用AIS和VTS通過頻道對講人工進(jìn)行調(diào)度，通過引航員工作，帶領(lǐng)船舶進(jìn)港。目前只有蝦峙門航道發(fā)生了擁堵，條帚門航道才作為應(yīng)急航道，只有在蝦峙門航道禁航的情況下才會(huì)進(jìn)行分流走條帚門航道。

5 結(jié)語

在以往的調(diào)度經(jīng)驗(yàn)中大部分的船只都只從蝦峙門航道通行，條帚門航道則由于地理因素等一系列的原因使用較少。利用AIS信息，結(jié)合大數(shù)據(jù)與深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)算法建立航行預(yù)測模型，同時(shí)使用改進(jìn)粒子群優(yōu)化算法對模型進(jìn)行優(yōu)化，結(jié)合對寧波舟山港區(qū)蝦峙門航道和條帚門航道不同的地理環(huán)境的分析建立優(yōu)化調(diào)度模型，最后利用蝦峙門航道和條帚門航道的AIS數(shù)據(jù)樣本抽樣對模型和算法進(jìn)行驗(yàn)證，得到船舶出港調(diào)度順序的結(jié)果。實(shí)例證明第2與第3艘次船舶、第7與第8艘次船舶、第11與第12艘次船舶較為擁擠，安全距離考慮第12艘次船舶走條帚門進(jìn)港較為合理。該模型與算法可優(yōu)化港口航運(yùn)調(diào)度，為港口發(fā)展和提高物流效率具有一定理論指導(dǎo)意義。

[1] 王金濤. 基于單向航道的船舶調(diào)度優(yōu)化模型與算法研究[D]. 大連: 大連海事大學(xué), 2014: 8-75.

WANG Jin-tao. Research on Vessels Scheduling Model and Algorithm Based on One-Way Channel[D]. Dalian: Dalian Maritime University, 2014: 8-75.

[2] 徐海棟. 港口海側(cè)交通組織優(yōu)化研究[D]. 大連: 大連海事大學(xué), 2018: 8-66.

XU Hai-dong. Research on Optimization of Port Seaside Traffic Organization[D]. Dalian: Dalian Maritime University, 2018: 8-66.

[3] 張新宇, 李瑞杰, 張加偉, 等. 多種航道條件下的港口船舶交通組織優(yōu)化[C]// 第十三屆中國智能交通年會(huì)大會(huì)論文集, 中國智能交通協(xié)會(huì), 2018: 708-717.

ZHANG Xin-yu, LI Rui-jie, ZHANG Jia-wei, WANG Zhi-qiang. Optimization of Port Vessel Traffic Organization Under Multiple Channel Conditions[C]// Proceedings of the 13th China Intelligent Transportation Annual Conference, China Intelligent Transportation Association, 2018: 708-717.

[4] 完劍俠, 繆克銀, 張樹奎. Y型航道內(nèi)船舶交通流量的非線性特征研究[J]. 廣州航海學(xué)院學(xué)報(bào), 2019, 27(4): 8-12.

WAN Jian-xia, MIAO Ke-yin, ZHANG Shu-kui. Research on Nonlinear Characteristics of Ship Flow in Y-Type Waterway[J]. Journal of Guangzhou Maritime Institute, 2019, 27(4): 8-12.

[5] 張新宇, 李瑞杰, 林俊, 等. Y形分叉復(fù)式航道船舶交通調(diào)度優(yōu)化建模[J]. 大連海事大學(xué)學(xué)報(bào), 2018, 44(2): 1-8.

ZHANG Xin-yu, LI Rui-jie, LIN Jun, et al. Optimization Modeling of Vessel Traffic Scheduling for Y Shaped Bifurcated Compound Waterway[J]. Journal of Dalian Maritime University, 2018, 44(2): 1-8.

[6] 陳向. 復(fù)式航道條件下的港口船舶調(diào)度優(yōu)化[D]. 大連: 大連海事大學(xué), 2017: 9-61.

CHEN Xiang. Optimization of Port Ship Scheduling under the Condition of Compound Channel[D]. Dalian: Dalian Maritime University, 2017: 9-61.

[7] 文元橋, 鄭海濤, 周春輝, 等. 基于復(fù)雜性地圖的多船避碰模擬[J]. 武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版), 2017, 41(3): 401-405.

WEN Yuan-qiao, ZHENG Hai-tao, ZHOU Chun-hui, et al. Simulation of Multi-Ship Collision Avoidance with the Complexity Map[J]. Journal of Wuhan University of Technology (Transportation Science & Engineering), 2017, 41(3): 401-405.

[8] 余文曌, 佘航宇, 歐陽子路. 基于彈性網(wǎng)格的改進(jìn)遺傳算法在無人艇路徑規(guī)劃中的研究[J]. 中國航海, 2018, 41(4): 101-105.

YU Wen-zhao, SHE Hang-yu, OUYANG Zi-lu. Path Planning of Unmanned Surface Vehicle Based on Variable Mesh Improved Genetic Algorithm[J]. Navigation of China, 2018, 41(4): 101-105.

[9] 張春瑋, 馬杰, 牛元淼, 等. 基于行為特征相似度的船舶軌跡聚類方法[J]. 武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版), 2019, 43(3): 517-521.

ZHANG Chun-wei, MA Jie, NIU Yuan-miao, et al. Clustering Method of Ship Trajectory Based on Similarity of Behavior Pattern[J]. Journal of Wuhan University of Technology (Transportation Science & Engineering), 2019, 43(3): 517-521.

[10] 劉嬌, 史國友, 楊學(xué)錢, 等. 基于DE–SVM的船舶航跡預(yù)測模型[J]. 上海海事大學(xué)學(xué)報(bào), 2020, 41(1): 34-39.

LIU Jiao, SHI Guo-you, YANG Xue-qian, et al. Ship Trajectory Prediction Model Based on DE-SVM[J]. Journal of Shanghai Maritime University, 2020, 41(1): 34-39.

[11] 方瓊林, 邵哲平, 潘家財(cái), 等. 天津港大沽沙航道交通組織優(yōu)化[J]. 集美大學(xué)學(xué)報(bào)(自然科學(xué)版), 2015, 20(5): 365-370.

FANG Qiong-lin, SHAO Zhe-ping, PAN Jia-cai, et al. Study on the Optimization of Traffic Coordination in Tianjin Dagusha Waterway[J]. Journal of Jimei University (Natural Science), 2015, 20(5): 365-370.

[12] 甘浩亮. 港口水域LNG船舶交通組織優(yōu)化研究[D]. 武漢: 武漢理工大學(xué), 2012: 7-72.

GAN Hao-liang. The Study on Traffic Organization and Optimization of LNG Vessel in Port Waters[D]. Wuhan: Wuhan University of Technology, 2012: 7-72.

[13] 周偉, 肖英杰, 吳善剛, 等. 基于Anylogic的耙吸裝駁作業(yè)船舶交通組織仿真[J]. 中國航海, 2019, 42(2): 42-46.

ZHOU Wei, XIAO Ying-jie, WU Shan-gang, et al. Simulation on Vessel Traffic Organization for TSHD Loading Barge Operation Using Anylogic Software[J]. Navigation of China, 2019, 42(2): 42-46.

[14] 倪生科, 劉正江, 蔡垚, 等. 基于混合遺傳算法的船舶避碰路徑規(guī)劃[J]. 上海海事大學(xué)學(xué)報(bào), 2019, 40(1): 21-26.

NI Sheng-ke, LIU Zheng-jiang, CAI Yao, et al. Ship Collision Avoidance Path Planning Based on Hybrid Genetic Algorithm[J]. Journal of Shanghai Maritime University, 2019, 40(1): 21-26.

[15] 陳成明, 虞麗娟, 李加林, 等. 基于改進(jìn)遺傳算法的遠(yuǎn)洋漁船船隊(duì)調(diào)度路徑優(yōu)化[J]. 上海海事大學(xué)學(xué)報(bào), 2016, 37(4): 1-6.

CHEN Cheng-ming, YU Li-juan, LI Jia-lin, et al. Scheduling Route Optimization of Ocean Fishing Fleet Based on Improved Genetic Algorithm[J]. Journal of Shanghai Maritime University, 2016, 37(4): 1-6.

[16] 陳超, 耿沛文, 張新慈. 基于改進(jìn)人工勢場法的水面無人艇路徑規(guī)劃研究[J]. 船舶工程, 2015(9): 72-75.

CHEN Chao, GENG Pei-wen, ZHANG Xin-ci. Path Planning Research on Unmanned Surface Vessel Based on Improved Potential Field[J]. Ship Engineering, 2015(9): 72-75.

[17] 霍鳳財(cái), 任偉建, 劉東輝. 基于改進(jìn)的人工勢場法的路徑規(guī)劃方法研究[J]. 自動(dòng)化技術(shù)與應(yīng)用, 2016, 35(3): 63-67.

HUO Feng-cai, REN Wei-jian, LIU Dong-hui. Research on Path Planning Method Based on Improved Artificial Potential Field Method[J]. Techniques of Automation and Applications, 2016, 35(3): 63-67.

[18] 范云生, 柳健, 王國峰, 等. 基于異源信息融合的無人水面艇動(dòng)態(tài)路徑規(guī)劃[J]. 大連海事大學(xué)學(xué)報(bào), 2018, 44(1): 9-16.

FAN Yun-sheng, LIU Jian, WANG Guo-feng, et al. Dynamic Path Planning for Unmanned Surface Vehicle Based on Heterologous Information Fusion[J]. Journal of Dalian Maritime University, 2018, 44(1): 9-16.

[19] 童幫裕, 胡堅(jiān)堃. 基于改進(jìn)蟻群算法的船舶冰區(qū)航行路徑規(guī)劃[J]. 中國航海, 2020, 43(1): 24-28.

TONG Bang-yu, HU Jian-kun. Improved Ant Colony Optimization for Navigation Path Planning in Ice Zone[J]. Navigation of China, 2020, 43(1): 24-28.

[20] 范云生, 趙永生, 石林龍, 等. 基于電子海圖柵格化的無人水面艇全局路徑規(guī)劃[J]. 中國航海, 2017, 40(1): 47-52.

FAN Yun-sheng, ZHAO Yong-sheng, SHI Lin-long, et al. Global Path Planning for Unmanned Surface Vehicle Based on Grid Model of Electronic Chart[J]. Navigation of China, 2017, 40(1): 47-52.

[21] 羅賢程, 尹建川, 李宏賓. 基于動(dòng)態(tài)分階勢場法的船舶自動(dòng)避碰系統(tǒng)[J]. 上海海事大學(xué)學(xué)報(bào), 2020, 41(1): 1-7.

LUO Xian-cheng, YIN Jian-chuan, LI Hong-bin. An Automatic Collision Avoidance System of Ships Based on Dynamic Hierarchical Potential Field Method[J]. Journal of Shanghai Maritime University, 2020, 41(1): 1-7.

[22] 陳立家, 黃立文, 崔梅. 基于改進(jìn)蟻群算法的船舶多約束最優(yōu)航線設(shè)計(jì)[J]. 上海海事大學(xué)學(xué)報(bào), 2017, 38(4): 11-15.

CHEN Li-jia, HUANG Li-wen, CUI Mei. Optimal Ship Route Planning with Multiple Constraints Based on Improved Ant Colony Algorithm[J]. Journal of Shanghai Maritime University, 2017, 38(4): 11-15.

[23] 尚明棟, 朱志宇, 周濤. 基于改進(jìn)蟻群算法的水面無人艇智能避碰方法研究[J]. 船舶工程, 2016, 38(9): 6-9.

SHANG Ming-dong, ZHU Zhi-yu, ZHOU Tao. Research on Intelligent Anti-Collision Method of USV Based on Improved Ant Colony Algorithm[J]. Ship Engineering, 2016, 38(9): 6-9.

[24] 陳卓, 茅云生, 宋利飛, 等. 基于進(jìn)化勢場模型的無人艇路徑規(guī)劃算法[J]. 武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版), 2019, 43(1): 113-117.

CHEN Zhuo, MAO Yun-sheng, SONG Li-fei, et al. Path Planning Algorithm of USV Based on Evolutionary Potential Field Model[J]. Journal of Wuhan University of Technology (Transportation Science & Engineering), 2019, 43(1): 113-117.

[25] 薛翔, 朱小林. 基于優(yōu)先權(quán)重粒子群算法的危險(xiǎn)品運(yùn)輸路徑優(yōu)化建模[J]. 大連海事大學(xué)學(xué)報(bào), 2016, 42(4): 112-118.

XUE Xiang, ZHU Xiao-lin. Modeling Hazardous Materials Transportation Routing Optimization Based on Prioritiesparticle Swarm Optimization[J]. Journal of Dalian Maritime University, 2016, 42(4): 112-118.

[26] 曾小龍, 茅云生, 宋利飛, 等. 基于改進(jìn)細(xì)菌覓食優(yōu)化的無人艇自主避碰算法[J]. 大連海事大學(xué)學(xué)報(bào), 2018, 44(4): 35-42.

ZENG Xiao-long, MAO Yun-sheng, SONG Li-fei, et al. Automatic Collision Avoidance Algorithm for Unmanned Surface Vehicle Based on Improved Bacterial Foraging Optimization[J]. Journal of Dalian Maritime University, 2018, 44(4): 35-42.

[27] ZHU Da-qi, TIAN Chen, SUN Bing, et al. Complete Coverage Path Planning of Autono mous Underwater Vehicle Based on GBNN Algorithm[J]. Springer Netherlands, 2019, 94(1).

[28] 胡佳穎, 劉克中, 吳曉烈, 等. 基于前景理論的船舶避碰決策優(yōu)化方法[J]. 中國航海, 2020, 43(1): 18-23.

HU Jia-ying, LIU Ke-zhong, WU Xiao-lie, et al. Optimization of Ship Collision Avoidance Decision-Making Based on Prospect Theory[J]. Navigation of China, 2020, 43(1): 18-23.

[29] 何傲, 謝新連, 李猛. 考慮安全性的施工水域路徑優(yōu)化[J]. 大連海事大學(xué)學(xué)報(bào), 2019, 45(3): 114-120.

HE Ao, XIE Xin-lian, LI Meng. Route Optimization in Construction Waters Considering Safety[J]. Journal of Dalian Maritime University, 2019, 45(3): 114-120.

[30] 潘明陽, 劉乙賽, 李琦, 等. 基于改進(jìn)A*算法的內(nèi)河水網(wǎng)航線規(guī)劃及應(yīng)用[J]. 上海海事大學(xué)學(xué)報(bào), 2020, 41(1): 40-45.

PAN Ming-yang, LIU Yi-sai, LI Qi, et al. Improved A* Algorithm Based Route Planning and Its Application for Inland Waterway Network[J]. Journal of Shanghai Maritime University, 2020, 41(1): 40-45.

[31] 閆化然, 薛松輝, 熊華, 等. 大型船舶進(jìn)出洋山港四期碼頭交通組織[J]. 中國航海, 2018, 41(4): 53-56.

YAN Hua-ran, XUE Song-hui, XIONG Hua, et al. Traffic Organization of Large Vessels Entering Yangshan Port Phase Ⅳ[J]. Navigation of China, 2018, 41(4): 53-56.

[32] 王冰. 基于多目標(biāo)遺傳算法的散雜貨港口船舶調(diào)度系統(tǒng)研究[D]. 北京: 北京交通大學(xué), 2014: 9-67.

WANG Bing. Research on Ship Scheduling System of Bulk Cargo Port Based on Multi-Objective Genetic Algorithm[D]. Beijing: Beijing Jiaotong University, 2014: 9-67.

[33] 侯春曉, 許勁松, 楊榮武. 內(nèi)河無人船局部路徑規(guī)劃和循跡控制[J]. 船舶工程, 2017, 39(6): 41-45.

HOU Chun-xiao, XU Jin-song, YANG Rong-wu. Local Path Planning and Path Following Control for Inland Water USV[J]. Ship Engineering, 2017, 39(6): 41-45.

Scheduling Optimization of Shipping Logistics Port Based on AIS Data

BAI Xiang-en, LI Bo-han, XU Xiao-feng, XIAO Ying-jie

(Merchant Marine College, Shanghai Maritime University, Shanghai 201306, China)

The work aims to study a more effective scheduling scheme to deal with the complex waterway waters and dense logistics traffic flow in Ningbo Zhoushan Port area, to minimize the scheduling time and waiting time, that is, to maximize the efficiency. The navigation situation of Zhoushan Port in Ningbo was analyzed. The problems existing in the complex waterway area were put forward. A multi-objective function was proposed to minimize dispatching time and waiting time, a ship dispatching model for the complex waterways was established. In view of a large number of AIS data for ships, a waterway area scheduling model based on neural network was constructed, and speed change and ship prediction models were established for ships of different types and sizes to realize the prediction of ship scheduling status. An improved ship scheduling algorithm based on traditional particle swarm optimization was designed. The results showed that the model was solved by the algorithm and the traffic congestion could be judged and ship scheduling could be carried out based on different captains and spacing. Once possible congestion was predicted through the model, small vessels should pass through from the Tiaozhou Men channel and large vessels should pass through from the Xiasi Men channel and avoid congestion as much as possible. The model and algorithm can effectively improve the efficiency of ship scheduling and provide a theoretical basis for optimization of complex scheduling in shipping logistics ports.

complex waterway; deep neural network; particle swarm optimization; ship scheduling; AIS data

U652.1+2

A

1001-3563(2023)05-0211-11

10.19554/j.cnki.1001-3563.2023.05.027

2022?04?16

國家自然科學(xué)基金面上項(xiàng)目（42176217）

白響恩（1984—），女，副教授，主要研究方向?yàn)橥ê桨踩u估、港航論證和極地航行等。

徐笑鋒（1986—），男，博士后，主要研究方向載運(yùn)工具及其應(yīng)用工程。

責(zé)任編輯：曾鈺嬋