Разработка алгоритмического и программного обеспечения для компьютерного анализа онлайн электронных морских карт и морского трафика тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Кужбанова Елена Александровна

• Кужбанова Елена Александровна
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Кужбанова Елена Александровна

Введение

Глава 1. Анализ состояния предметной области. Постановка задач исследования

1.1 Роль морского транспорта в современной мировой экономике

1.2 Особенности движения морских судов в районах морских проливов и каналов

1.3 Анализ способов получения информации о морском трафике в выбранном районе мирового океана

1.5 Обзор результатов анализа морского трафика

1.6 Постановка задачи исследования

Глава 2. Разработка алгоритмического и программного обеспечения для анализа особенностей морского трафика на основе информации, извлекаемой из мгновенных онлайн морских карт

2.1 Анализ информации, размещаемой на мгновенных онлайн картах 39 2.2. Сравнительный анализ результатов распознавания названий морских судов на мгновенных онлайн картах с помощью программных инструментов пакета MATLAB и языка Python

2.2.1. Краткое описание использованных программных инструментов

2.2.2. Критерии качества распознавания названий морских судов на мгновенных морских картах

2.2.3. Анализ качества автоматического распознавания текста на мгновенных онлайн-картах (этап 1)

2.2.4. Методика дообучения алгоритмов распознавания букв на мгновенных морских картах (предобученные нейронный сети) 55 2.2.6. Анализ результатов распознавания символов на мгновенных онлайн картах (дообученные нейронные сети)

2.3 Алгоритм определения географических координат морских судов на мгновенных онлайн морских картах

2.4 Алгоритмы постобработки информации, размещенной в файле MarinTable.csv

2.5 Программные реализации алгоритмов для сбора и анализа информации о морском трафике

2.5.1. Функция CreateMarinTable

2.5.2. Функция FindWaitTime

2.5.3. Функция FindDirection

2.5.4. Функция CountUniqueMarin

2.5.5. Функция FindComeMarin

2.5.6. Функция FindGoneMarin

2.6 Анализ результатов тестирования разработанного алгоритмического и программного обеспечения

2.7 Выводы по разделу

Глава 3. Анализ результатов применения разработанного алгоритмического и программного обеспечения для анализа морского трафика

3.1. Методика анализа особенностей морского трафика в районе Керченского пролива

3.2. Анализ статистических характеристик морского трафика в районе Керченского пролива

3.2.1 Анализ интенсивности движения морских судов через Керченский пролив в прямом и обратном направлениях

3.2.2 Анализ статистических свойств последовательности, составленной из времен ожидания морскими судами разрешения прохода в прямом и обратном направлениях

3.3 Имитационная модель одноканальной СМО «Керченский пролив»

3.4 Выводы по Главе

Заключение

Список литературы

Список сокращений

Приложение А.1. Сообщения судовой АИС

Приложение А.2. Разделы Интернет-ресурса

Приложение А.3. Типы данных предоставляемые АИС

Приложение А.4. Пример отчета информации о судне

Приложение А.5. Результат поиска в html-коде мгновенной онлайн карты 183 Приложение Б.1. Анализ информации, размещаемой на мгновенных онлайн

картах

Приложение Б.2. Анализ результатов распознавания названий морских судов на

мгновенных онлайн картах

Листинг функции распознавание символов с использованием PaddleOCR Python

Результаты автоматического распознавания символов с помощью функции ocr( )

пакета MATLAB

Приложение Б.3. Анализ результатов распознавания символов на мгновенных

онлайн картах (дообученные нейронные сети)

Листинг программного кода обучения ПБ PaddleOCR Python

Листинг программного когда файла конфигурации ПБ PaddleOCR

Приложение Б.4. Программные реализации алгоритмов для сбора и анализа

информации о морском

Листинг «Программа для сбора и анализа информации о морском трафике»221 Приложение В. Программная реализация алгоритма имитационного

моделирования одноканальной НСМО

Приложение Г. Копии актов внедрения

Приложение Д. Свидетельства о регистрации программы для ЭВМ

Введение

Введение диссертации (часть автореферата) на тему «Разработка алгоритмического и программного обеспечения для компьютерного анализа онлайн электронных морских карт и морского трафика»

Актуальность темы исследования

Морские перевозки являются в настоящее время основным способом доставки грузов от отправителей к их получателям, большинство из которых осуществляется исключительно по исторически определенным судоходным маршрутам. Выбор данных маршрутов обусловлен как геофизическими факторами (глубиной Мирового океана, направлением океанических течений, розой ветров, конфигурацией береговых линий, наличием морских проливов и каналов на пути следования морского судна, сокращающих время перевозки), так и целым рядом геополитических факторов. При этом большинство из этих маршрутов проложены через морские проливы (Золотой рог, Ормузский пролив, Берингов пролив, Босфор, Дарданеллы, Керченский пролив в и др.) и каналы (Суэцкий, Панамский), в связи с чем обсуждаемые районы Мирового океана являются областями интенсивного движения морского транспорта (морского трафика), в которых плотность судов может достигать значения 407000 на 0,15 км2. В этой связи, очевидна, сложность задачи управления движением морских судов.

Для решения данной задачи, как очевидно, требуется информация об особенностях движении морских судов в выбранном районе Мирового океана. Сегодня источниками информации о морском трафике являются автоматизированные идентификационные системы (АИС), которыми, начиная с июля 2007 г. в соответствие с V статьей Конвенции по охране человеческой жизни на море 1974 г. (Конвенция СОЛАС-74), в обязательном порядке должно быть оснащено каждое морское судно валовой вместимостью более 300 т., совершающее международные рейсы. В соответствии с действующими международными правилами, АИС морского судна в соответствии с установленным шаблоном передают береговым диспетчерским службам, ответственным за безопасность движения, информацию о его названии, географических координатах, курса и скорости движения. Периодичность передачи информации АИС береговым диспетчерским службам определяется скоростью движения данного морского судна. Данная информация аккумулируется в соответствующих хранилищах данных (ХД), доступ к которым предоставляется на условиях платной подписки рядом международных Интернет-ресурсов (порталов) (например, www.marinetraffic.com, www.vesseltracker.com,www.vesselfinder.com, shipfinder.co), оформить и/или продлить которую в условиях санкций против Российской Федерации, введенных после начала специальной военной операции на Украине странами, на территории которых находятся данные ресурсы, а также отключения российских банков от международной платежной системы SWIFT, оказывается проблематичным.

При этом, однако, незаблокированным для пользователей российского сегмента сети Интернет остается доступ к электронным морским картам, размещаемых на соответствующих Интернет-ресурсах и обновляемых в режиме

реального времени (далее - мгновенные онлайн морские карты). На мгновенных онлайн морских картах отображаются участки суши, названия морских судов и маркеры, соответствующие типу морского судна, размещаемые в точках, соответствующих географическим координатам местоположения судового GPS-передатчика, а также размещается дополнительная информация. Наличие свободного доступа к мгновенным онлайн морским картам дает возможность формирования собственных архивов, содержащих наборы мгновенных онлайн морских карт (скриншотов страниц соответствующих Интернет-порталов), представляющих собой файлы формата jpеg, зарегистрированные в известные моменты времени (далее - первичная информация).

В связи с тем, что на мгновенных онлайн морских картах названия морских судов размещаются вблизи точек, соответствующих географическим координатам их местоположения, понятно, что первичная информация может быть трансформирована в таблицу, состоящую из столбцов «Название морского судна», «Географическая широта местоположения морского судна», «Географическая долгота местоположения морского судна», «Дата и время регистрации мгновенной онлайн морской карты» (далее - таблица № 1). В свою очередь, наличие данной таблицы открывает возможность самостоятельного анализа особенностей морского трафика выбранного района Мирового океана и разработки на его основе соответствующих математических моделей потоков морского транспорта. Однако к началу исследования программных инструментов для анализа онлайн морских карт и особенностей морского трафика в автоматическом режиме не существовало.

В этой связи, задача разработки алгоритмического и программного обеспечения, обеспечивающего излечение из мгновенных онлайн морских карт выбранного района Мирового океана, зафиксированных в электронной форме в известные моменты времени, информации о названиях морских судов и их географических координатах и последующего анализа особенностей морского трафика на основе информации, содержащейся в данной таблице, представляет как научный, так и практический интерес. Для ее решения ой потребовалось последовательно решить следующие частные задачи.

Задача 1. Сбор первичной информации - формирование датасета, содержащего ретроспективные «мгновенные» онлайн морские карты выбранного района Мирового океана в заданные моменты времени (цифровые изображения в формате jpeg).

Задача 2. Разработка алгоритмического и программного обеспечения для предобработки первичной информации - извлечения из цифровых изображений сформированного датасета названий морских судов, находящихся в выбранном районе Мирового океана и значениях их мгновенных географических координат (собственно, первичной информации о морском трафике).

Задача 3. Разработка алгоритмического и программного обеспечения для постобработки первичной информации о морском трафике, извлеченной из мгновенных онлайн морских карт, обеспечивающего вычисление

количественных макроскопических показателей морского трафика (например, значений зависимости «количество морских судов, прошедших через выбранный район Мирового океана в данном направлении в течение ВИ выбранной длительности», от времени и т.д.).

Задача 4. Анализ статистических и частотно-временных характеристик временных рядов (ВР), полученных в результате решения Задачи 3, и разработка на их основе имитационных моделей морского трафика в районах морских проливов и каналах, а также оценка возможности прогнозирования количественных показателей морского трафика.

Отметим, что задача моделирования морского трафика по своей постановке относится к задачам моделирования транспортных потоков различной природы (автомобильного транспорта, авиационного транспорта, железнодорожного транспорта, также потока посетителей, входящих на объект проведения массовых мероприятий, через турникеты информационной контрольно-пропускной системы), характеристики которых могут быть либо стационарными, либо изменяться с течением времени, в том числе, и случайным образом. При этом различают математические (в виде систем дифференциальных или разностных уравнений) и имитационные (компьютерные) модели, создаваемые для получения оценок количественных показателей транспортных потоков при заданных условиях (в первую очередь, имитационные модели, основанные на положениях теории массового обслуживания), а также феноменологические математические модели ВР, составленных из измеренных значений количественных показателей трафика, для построении которых используются не математические модели динамической системы, породившей данный ВР, но его формальные модели (скользящего среднего, авторегрессии, авторегрессии-скользящего среднего, авторегрессии-проинтегрированного скользящего среднего, сингулярного спектрального анализа (SSA), метода группового учета аргументов, искусственных нейронных сетей), которые используются, в первую очередь, для прогнозирования значений изучаемых ВР.

Степень разработанности темы исследования

В ходе приведенного автором информационного поиска публикаций, связанных с теми или иными аспектами морского трафика, было обнаружено: число работ на русском и английском языках по вопросам АИС составило 30900; проблемам обеспечения безопасности движения морских судов - 3402; вопросам безопасности навигации морских судов - 3476; моделированию морского трафика - 612, прогнозированию морского трафика - 144.

Среди них следует отметить:

- работы, посвященные различным аспектам, связанным с эксплуатацией и преобразованием информации, передаваемой АИС, решающие в основном проблемы обеспечения безопасности коллективного движения морских судов, в которых морской трафик - плотность судов на рассматриваемом участке морской акватории (Гриняк В.М., Девятисильного А.С., Люлько В.И.,

Шулениной А.В, Hu S., Fang Q., H. Xia, Xi Y., Wielgosz M., Pietrzykowski Z.K.,Aarsœther K. G., Moan T., Wang H., Pallotta G., Vespe M., Bryan K., De Vries G. K. D., Van Someren M);

- работы, посвященные прогнозированию морского трафика, под которым понимают объемы морских перевозок, количество судов, прошедших через выбранный район Мирового океана, на основе авторегрессионных моделей (Sadeghi Gargari N., Akbari H., Panahi R., Dragan D., Kramberger T.); искусственных нейронных сетей (Chondrodima E., Cui Z., Feng H., Wang S., Liu B.); графовых нейронных сетей (Nie Y., Liu K., Xin X);

- работы, посвященные имитационному моделированию морского трафика: (Mavrakis D., Kontinakis N., Nie Y., Liu K., Xin X., Edmond E. D., Maggs R. P., Huang W. C., Kuo T. C., Wu S. C., Li G).

При этом отметим, что не удалось обнаружить работ по проблемам анализа, моделирования и прогнозирования морского трафика в районах морских проливов и каналов, в которых использовалась первичная информации, извлеченная из электронных морских онлайн карт, а также были получены оценки следующих количественных характеристик морского трафика, в том числе: времени ожидания морских судов прохода через морской пролив (канал), длины очереди морских судов, ожидающих прохода через морской пролив (канал), интенсивности прихода морских судов в зону ожидания прохода через пролив (канал), интенсивности прохода морских судов через пролив (канал), а также оценки возможности прогнозирования ВР, составленных из значений данных показателей.

Таким образом, цель диссертационного исследования, состоящая в разработке алгоритмического и программного обеспечения для извлечения информации о морском трафике из электронных морских онлайн карт, а также его применении для анализа и прогнозирования характеристик морского трафика в выбранных районы Мирового океана является актуальной.

Для достижения поставленной цели были решены следующие задачи:

1. Разработка алгоритмического и программного обеспечения для извлечения названий и географических координат морских судов из мгновенных онлайн морских карт.

2. Разработка алгоритмического и программного обеспечения для постобработки информации, извлеченной из мгновенных онлайн морских карт.

3. Анализ с помощью разработанного алгоритмического и программного обеспечения особенностей морского трафика в выбранных районах Мирового океана.

Объект исследования: методы трансформации информации на основе компьютерных методов анализа информации, методы интеллектуального анализа изображений.

Предмет исследования: алгоритмическое и программное обеспечение для количественного анализа характеристик морского трафика на основе информации, извлекаемой из мгновенных электронных морских карт.

Научная новизна диссертационного исследования.

1. Разработан алгоритм, обеспечивающий в автоматическом режиме трансформацию визуальной информации, содержащейся в мгновенных онлайн морских картах (электронных изображениях формата уре^), зафиксированных в известные моменты реального времени, в таблицу, содержащую названия морских судов, находившихся в известные моменты времени в выбранном районе Мирового океана, их «мгновенные» географические координаты, а также даты и время фиксации каждой мгновенной онлайн морской карты, в котором реализованы:

- автоматическая идентификация названий морских судов, находящихся на данной мгновенной онлайн морской карте;

- вычисление географических координат морских судов на основе экранных координат вершин прямоугольников минимального размера, описываемых на мгновенных онлайн морских картах вокруг идентифицированных названий морских судов.

2. Разработан алгоритм трансформации информации, извлеченной из набора мгновенных онлайн морских карт с помощью алгоритма, описанного выше в п. 1 научной новизны, в значения следующих макроскопических показателей морского трафика:

- число морских судов, ожидавших разрешения прохода через выбранный район Мирового океана и вновь прибывших в него морских судов в течение к-го временного интервала (ВИ) (в терминах теории систем массового обслуживания (СМО) - длина очереди на обслуживание Ьк);

- число морских судов вновь прибывших в район ожидания разрешения прохода (в терминах СМО - интенсивность поступления заявок на обслуживание

- время ожидания каждым морским судном разрешения прохода через выбранный район Мирового океана в течение к-го ВИ (в терминах СМО - время ожидания обслуживания заявки тобсл);

- количество морских судов, покинувших якорную стоянку в течение данного ВИ (в терминах СМО - интенсивность обслуживания заявок цк).

3. Разработана имитационная модель морского трафика через Керченский пролив, отличающаяся от известных имитационных моделей систем массового обслуживания тем, что на каждом к-ом шаге моделирования интенсивность поступления заявок на обслуживание Хк выбирается случайным числом, генерируемым в соответствие с аппроксимацией плотности распределения Розенблатта-Парзена случайной выборки, составленной из значений числа морских судов, пришедших в зону ожидания разрешения прохода через Керченский пролив в течение одного часа.

Перечисленные выше новые научные результаты соответствуют пп. 4, 5, 12 паспорта специальности.

Теоретическая значимость диссертационного исследования

заключается в создании алгоритмов трансформации визуальной информации, размещенной на мгновенных онлайн морских картах, в значения количественных показателей морского трафика; разработке имитационной модели транспортного потока морских судов трафика через Керченский пролив (далее - ИМ СМО «Керченский пролив»), допускающая адаптацию для других морских каналов и проливов.

Практическая значимость диссертационного исследования заключается в разработке программных реализаций алгоритмов трансформации визуальной информации, размещенной на мгновенных онлайн морских картах, в значения количественных показателей морского трафика; подтверждении применимости разработанного алгоритмического и программного обеспечения для анализа мгновенных онлайн морских карт произвольно выбранного района Мирового океана; разработке программной реализации ИМ СМО «Керченский пролив»; демонстрации возможности прогнозирования с приемлемой точностью ВР, составленных из значений количественных показателей морского трафика.

Методология и методы исследования

В работе использованы методы системного анализа, нейросетевые методы обработки изображений, методы теории массового обслуживания, методы прикладной статистики, методы прогнозирования ВР.

Положения, выносимые на защиту:

1. Точность распознавания названий морских судов на мгновенных онлайн морских картах района Керченского пролива масштаба 2 км/1 морская миля в отрезках указанной длины с помощью дообученной нейронной сети, используемой ПБ PaddleOCR, составила 100 %, ^мера - 96 %.

2. Отличия значений географических координат морских судов, определенных на основе анализа мгновенных онлайн морских карт Керченского пролива, и соответствующих значений GPS-координат, отображаемых на мгновенных онлайн картах при наведении курсора компьютерной мыши на маркер морского судна, не превосходят 0,01%.

3. Согласованность оценок показателей качества функционирования СМО «Керченский пролив», вычисленных на основе реальных данных, извлеченных из мгновенных онлайн морских карт, и результатов, полученных на основе использования ИМ СМО «Керченский пролив», подтверждается вычисленными значениями показателей [/-критерия Манна-Уитни.

4. Универсальность разработанного алгоритмического и программного обеспечения подтверждается результатами его использования для анализа особенностей морского трафика в районах Панамского канала, Суэцкого канала и Керченского пролива.

5. Подтверждена возможность прогнозирования ВР, составленных из значений использованных в работе количественных показателей морского трафика, с помощью нейронной сети LSTM-net и метода ассимиляции данных, удовлетворительными по точности результатами прогнозирования значений ВР,

составленного из значений числа морских судов, прошедших через Керченский пролив в течение суток в прямом (из Черного моря в Азовское море) и обратном направлениях, на ВИ длительностью две недели.

Достоверность полученных результатов подтверждается соответствием полученных в ручном и автоматическом режимах результатов распознавания названий морских судов, находящихся на мгновенных онлайн морских картах, а также значений их географических координат; согласованностью результатов анализа особенностей морского трафика в районе Керченского пролива и результатов использования программной реализации ИМ СМО «Керченский пролив».

Внедрение результатов диссертационного исследования. Результаты диссертационного исследования внедрены в федеральном государственном автономном образовательном учреждении высшего образования «Уральский федеральный университет им. первого президента России Б.Н. Ельцина» (УрФУ) при подготовке специалистов по специальностям 10.05.02 Информационная безопасность телекоммуникационных систем и 10.05.04 Информационно -аналитические системы безопасности (акт об использовании результатов № 211 от 16.06.2025) и ООО «Прософт-Биометрикс» (акт об использовании результатов от 06.05.2025).

Апробация работы. Основные положения, результаты и выводы диссертационной работы были доложены и обсуждены на следующих научно -практических конференциях: II Международной конференции «APITECH-II -2020: Прикладная физика, информационные технологии и инжиниринг» - II International Conference on Applied Physics, Information Technologies and Engineering (25 сентября - 4 октября 2020 года, Красноярск, Россия); International Conference of Numerical Analysis and Applied Mathematics (ICNAAM) 2021 (20 - 25 сентября 2021 года, Родос, Греция); 2023 International Conference on Ocean Studies (ICOS) (2 - 6 октября 2023 года, Владивосток, Россия).

Публикации. По теме диссертации опубликовано 7 научных работ, в том числе 6 научных статей опубликованных в рецензируемых научных изданиях, определенных ВАК РФ и Аттестационным советом УрФУ, из них 2 статьи в изданиях, индексируемых в международных цитатно-аналитических базах Scopus и Web of Science. Зарегистрированы 2 программы для ЭВМ.

Личный вклад автора. Все результаты и положения, выносимые на защиту, получены лично автором. Все алгоритмы, обсуждаемые в работе, разработаны и экспериментально исследованы автором самостоятельно. Научный руководитель принимал участие в постановке цели и задач исследования, их предварительном анализе, планировании экспериментов.

Объем и структура работы. Диссертация состоит из введения, 3 глав, заключения и 5 приложений. Полный объём диссертации составляет 153 страницы, включая 76 рисунков и 32 таблицы. Список источников содержит 117 наименований.

Глава 1. Анализ состояния предметной области. Постановка задач

исследования

1.1 Роль морского транспорта в современной мировой экономике

В настоящее время основным способом доставки грузов от отправителей к их получателям являются морские перевозки, на которые приходится свыше 80% глобального грузооборота [1]. По оценкам Конференции по торговле и развитию Организации Объединённых Наций (ООН) (United Nations Conference on Trade and Development, UNCTAD) [2] число судов Мирового грузового флота превышало более 95 тыс. Их общая грузоподъемность (дедвейт) составляла « 2 млрд т [1]. По данным UNCTAD объемы морской торговли в 2020 г. составили более 11 млрд тонн/год. Данный объем грузооборота в 4 раза превышает аналогичный показатель начала 70-х гг. XX в., и почти на треть показатель десятилетней давности (рис. 1.1 ), что свидетельствует о высоких темпах роста данного сегмента мирового рынка.

Объем мировых морских грузоперевозок

-.■III

1970 1980 1990 2000 2010 2020

год

Рисунок 1.1 - Объем мировых морских грузоперевозок, млрд тонн (по данным [1]) Объем грузоперевозок через порты России

1000 900 800 700

§3 600

год

12 10

SC SC

о

¡-

8

6

Рисунок 1.2 - Объемы грузоперевозок через порты России, млн тонн (по данным [3])

12

Аналогично, грузооборот морских портов России в период с 1992 по 2019 гг. вырос на 70% [3] (см.рис.1.2). По состоянию на 2019 г. он составлял 840,3 млн тонн. При этом суммарный грузооборот портов акватории Черного и Азовского морей в 2020 г. составил 192,9 млн тонн - почти четверть суммарного грузооборота всех российских портов (см. рис. 1.3). Крупнейшим портом Азово-Черноморского бассейна является порт Новороссийск, объем перевозок через который в 2020 г. составил 141,8 млн тонн грузов. [4].

Динамика грузооборота морских портов РФ

1000

900

800

700

РС РС 600

о

н 500

§ а 400

300

200

100

0

134.2 10

175.3 207,2

2012

144,8 7,85 174,4

215,8 2013

162,5 7,9 194,5

223,4 2014

171

6,7

232,9

230,7

185,5 6,1

174,5 4

2015

244

236,6

2016

276,4

227,5

2017

196,4 4,4

281,

258,6

2018

203,2 3,8

291,2

270,4

2019

■ Арктический бассейн ■ Балтийский бассейн ■ Азово-черноморскийф бассейн

■ Каспийский бассейн ■ Дальневосточный бассейн

Рисунок 1.3 - Динамика грузооборота морских портов РФ, млн тонн, 2012-2019 гг. (по

данным [3])

Отметим, что порты Туапсе, Тамань, Керчь и Севастополь отнесены в Федеральных программах развития РФ и национальных проектах к наиболее важным объектам [3].

Привлекательность инфраструктуры портов Черного моря обусловлена современными условиями услуг транспортировки грузов (перевалки грузов), безопасностью мореплавания, экологической и транспортной безопасностью, использованием современных технологий в морских портах. Через морские порты Азово-Черноморского бассейна экспортируется обширная номенклатура наливных, навалочных, генеральных и лесных грузов. При этом наблюдается прирост объемов перевозок по отдельным категориям грузов. Например, в порту Тамань в 2020 г. прирост объема перевалки сухих грузов составил 217%, или 13 млн тонн [5]. Здесь наибольшая часть прироста (+448%) была связана с вводом в эксплуатацию причалов Таманского терминала навалочных грузов, предназначенного для перевалки угля, серы и минеральных удобрений. В 2020 г. объем перевалки угля на данном терминале достиг 10 млн тонн [6].

Также необходимо отметить, что морской транспорт используется для пассажирских перевозок на дальние расстояния, осуществляемых, в большинстве случаев, круизными судами, количество которых в сравнении с мировым флотом грузоперевозок относительно невелико, пассажирских

перевозок на короткие расстояния, обслуживаемый паромами (Ла-Манше, Балтийском море, Япония, Индонезия, Филиппины).

Таким образом, в настоящее время морской транспорт является одним из основных механизмов, обеспечивающим развитие мировой экономики.

1.2 Особенности движения морских судов в районах морских

проливов и каналов

Мировой океан занимает около 71% поверхности Земли [7]. Однако большинство морских перевозок осуществляется только по определенным судоходным маршрутам, исторический выбор которых обусловлен как геофизическими факторами (глубиной Мирового океана, направлением океанических течений, розой ветров, конфигурацией береговых линий, наличием морских проливов и каналов на пути следования морского судна), так и целым рядом геополитических факторов.

Большинство маршрутов морских судов, осуществляющих, в первую очередь, коммерческие перевозки грузов, в настоящее время проходит через морские проливы (Золотой рог, Ормузский пролив, Берингов пролив, Босфор, Дарданеллы, Керченский пролив и др.) и каналы (Суэцкий, Панамский). В этой связи данные районы Мирового океана являются областями интенсивного движения морского транспорта, что подтверждают результаты анализа плотности морских судов, которая оценивалась суммарным количеством морских судов, находившихся в период с 01.01.2021 по 31.12.2021 в выбранных участках Мирового океана, разделенные на квадраты площадью 0.15 км2 (рис. 1.4) [8].

Рисунок 1.4 - Визуализация оценок плотностей морского трафика, вычисленных по

данным о движении судов за 2021 г. [4]: а) Суэцкий канал, б) Панамский канал; в) Керченский пролив (синий цвет - плотность судов от 1 до 25 на 0,15 км2, красный цвет -

плотность судов от 200 до 407000 на 0,15 км2)

Из рисунка 1.4 видно, что наиболее высокая плотность морского трафика оказывается в морских проливах и каналах, а также прилегающим к ним районах Мирового океана. В этой связи, очевидны сложности обеспечения безаварийного

движения морских судов в данных районах, для управления которых требуется понимание особенностей морского трафика в выбранных районах Мирового океана, а также разработка и использование математических моделей данного процесса. При этом, очевидно, что наличие данных моделей является необходимым условием организации оптимального движения морских судов по критерию «время от момента прибытия морского судна в район пролива(канала) до момента выхода морского судна из пролива (канала)». Таким образом задачи анализа и моделирования морского трафика являются актуальными, что также подтверждается.

Список литературы диссертационного исследования кандидат наук Кужбанова Елена Александровна, 2026 год

Список литературы

1. Грамматчиков, Алексей. Пандемия, китайский фактор и суэцкий кризис / А. Грамматчиков // Эксперт. - 2021. - № 15. - С. 13-17: граф., карты. - В содерж.: Основные мировые маршруты морских грузоперевозок: [карта].

2. UN Trade and Development [Электронный ресурс] / URL: https://unctad.org/ (дата обращения: 06.07.23).

3. Грузооборот морских портов Росси [Электронный ресурс] / URL: https://www.morport.com/rus/content/statistika-0 (дата обращения: 11.10.2021).

4. Комплексное экологическое обследование особо охраняемых природных территорий регионального значения в целях снятия с них статуса особо охраняемой природной территории в связи с утратой ими своей ценности, как природных объектов или вхождением в границы более крупной особо охраняемой природной территории. Научно-исследовательский институт прикладной и экспериментальной экологии ФГБОУ ВПО Кубанский государственный аграрный университет (2013) [Электронный ресурс] / URL: http://www.ewnc.org/files/oopt-kk/novorossiisk-oopt.pdf (дата обращения: 11.10.2021).

5. Контроль высокого уровня [Электронный ресурс] / URL: https://morvesti.ru/analitika/1688/89007/ (дата обращения: 11.10.2021).

6. Морские вести России [Электронный ресурс] / URL: http://www.morvesti.ru/analitika/1688/89007 (дата обращения: 11.10.2021).

7. Михайлов В.Н. Гидрология: учебник для вузов / В.Н. Михайлов, А.Д. Добровольский, С.А. Добролюбов. — 2-е изд., испр. — М.: Высш. школа, 2007.

— 463 с.

8. MarineTraffic [Электронный ресурс] / URL: https://www.marinetraffic.com (дата обращения: 01.08.2020).

9. Захарченко, Л. В. Значение международных каналов в мировой транспортной системе / Л. В. Захарченко // Водный транспорт. - 2014. - №2 2(20).

- С. 105-111. - EDN TZLCTD.

10. Сергей Мингазов. Блокировка Суэцкого канала обходится в $400 млн в час для мировой торговли [Электронный ресурс] / URL: https://www.forbes.ru/newsroom (дата обращения: 06.07.23).

11. Суэцкий канал официально закрыли из-за блокировки севшим на мель судном [Электронный ресурс] // Ведомости. URL: https://www.vedomosti.ru/economics/news/2021/03/25/863139-suetskii-kanal-ofitsialno-zakrili-iz-za-blokirovki-sevshim-na-mel-sudnom-sudnom (дата обращения: 06.07.23).

12. Блокировка Суэцкого канала [Электронный ресурс] // Информационное агентство ТАСС. URL: https://tass.ru/obschestvo/11010765 (дата обращения: 06.07.23).

13. Семен Сонный. Более 320 судов стоят в очереди на вход в перекрытый Суэцкий канал [Электронный ресурс] // Газета.Ru. URL:

https://www.gazeta.ru/business/news/2021/03/27/n_15789764.shtml (дата

обращения: 06.07.23).

14. Пробка из судов у Босфора образовалась из-за отказа компаний показать письма о страховке [Электронный ресурс] // IZ.RU. URL: https://iz.ru/1437781/2022-12-08/probka-iz-sudov-u-bosfora-obrazovalas-iz-za-otkaza-kompanii-pokazat-pisma-o-strakhovke (дата обращения: 06.07.23).

15. B Керченском проливе собралась пробка из судов после взрыва на Крымском мосту [Электронный ресурс] // Фонтанка.ру. URL: https://www.fontanka.ru/2022/10/08/71719703/ (дата обращения: 06.07.23).

16. Division 222 [Электронный ресурс] // Navires de charge de jauge brute inférieure a 500. Edition du 4 aout 1993, parue au J.O. le 28 aout 1993. URL:

https://www.ecologie.gouv. fr/sites/default/files/documents/ d222_06-01-17_.pdf

(дата обращения: 07.07.23).

17. International Convention for the Safety of Life at Sea (SOLAS), 1974 [Электронный ресурс] // International Maritime Organization (IMO). URL: https: //web. archive. org/web/20150607173502/http : //www. imo. org/About/Convention s/listofconventions/pages/international-convention-for-the-safety-of-life-at-sea-(solas),-1974.aspx (дата обращения: 07.07.23).

18. МЕЖДУHAPОДHAЯ КОЖЕНЦИЯ по охране человеческой жизни на море 1974 года СОЛAС 74 [Электронный ресурс] / URL: https://docs.cntd.ru/document/901765675 (дата обращения: 07.07.23).

19. О внесении изменений в решение ГКРЧ от 28 февраля 2000 года протокол N 20/2", ?ешение ГКРЧ при Минкомсвязи ?оссии от 03 сентября 2013 года №13-20-09 [Электронный ресурс] / URL: docs.cntd.ru

20. Кошевой BM., Шишкин A.B., Купровский B.R Система и устройства автоматической идентификации судов: Учебное пособие. - Одесса: ОНМ^ 2005. - 79 с/

21. Головченко Б.С., Гриняк BM. Информационная система сбора данных о движении судов на морской акватории // Bестник государственного университета морского и речного флота им. адмирала С.О. Макарова. 2014. №2 (24).

22. VesselFinder [Электронный ресурс] / URL: https://www.vesselfinder.com/ (дата обращения: 07.07.23).

23. VesselFinder [Электронный ресурс] // Become AIS Partner. URL: https://stations.vesselfinder.com/become-partner (дата обращения: 07.07.23).

24. VesselFinder [Электронный ресурс] // База данных судов «AIS Информация Судна/Позиция». URL: https://www.vesselfinder.com/ru/vessels (дата обращения: 07.07.23).

25. VesselFinder [Электронный ресурс] // Суда. «EVER ACME». URL: https://www.vesselfinder.com/ru/vessels/details/9943267 (дата обращения: 07.07.23).

26. VesselFinder [Электронный ресурс] // Фото судов. URL: https://www.vesselfinder.com/ru/gallery (дата обращения: 07.07.23).

27. VesselFinder [Электронный ресурс] // Фото судов «POLFOSS». https://www.vesselfinder.com/ru/ship-photos/1072992 (дата обращения: 07.07.23).

28. VesselFinder [Электронный ресурс] // База данных портов. URL: https://www.vesselfinder.com/ru/ports (дата обращения: 07.07.23).

29. VesselFinder [Электронный ресурс] // Порты. «Kerch, Ukraine (UAKEH)». URL: https://www.vesselfinder.com/ru/ports/UAKEH001 (дата обращения: 07.07.23).

30. VesselFinder [Электронный ресурс] // Новости. «Maritime news». URL: https://www.vesselfinder.com/ru/news (дата обращения: 07.07.23).

31. VesselFinder [Электронный ресурс] // Услуги. «Планы и цены». URL: https://www.vesselfinder.com/ru/get-premium (дата обращения: 07.07.23).

32. VesselFinder [Электронный ресурс] // Услуги. «Данные АИС в реальном времени». URL: https://www.vesselfinder.com/ru/realtime-ais-data (дата обращения: 07.07.23).

33. VesselFinder [Электронный ресурс] // Услуги. «Исторические данные АИС». URL: https://www.vesselfinder.com/ru/historical-ais-data (дата обращения: 07.07.23).

34. VesselFinder [Электронный ресурс] // Контейнеры. URL: https://container.vesselfinder.com/ (дата обращения: 07.07.23).

35. VesselFinder [Электронный ресурс] // Услуги. «Route Planner». URL: https://route.vesselfinder.com/ (дата обращения: 07.07.23).

36. VesselFinder [Электронный ресурс] // Услуги. «Вставить карту». URL: https://www.vesselfinder.com/ru/embed (дата обращения: 07.07.23).

37. VesselFinder [Электронный ресурс] // Become AIS Partner. URL: https://stations.vesselfinder.com/become-partner (дата обращения: 07.07.23).

38. YUMPU [Электронный ресурс] // Vessel particulars (form c) - Petredec. URL: https://www.yumpu.com/s/rtqEZgen1XLrrcIP (дата обращения: 07.07.23).

39. Ship Finder [Электронный ресурс] / URL: https://shipfinder.co/ (дата обращения: 07.07.23).

40. Электронный фонд нормативно-технической и нормативно-правовой информации Консорциума «Кодекс» [Электронный ресурс] // МЕЖДУНАРОДНАЯ КОНВЕНЦИЯ по охране человеческой жизни на море 1974 года. СОЛАС 74. URL: https://docs.cntd.ru/document/901765675 (дата обращения: 07.07.23).

41. Гриняк Виктор Михайлович, Девятисильный Александр Сергеевич, Люлько Виктор Иванович Оценка опасности трафика морской акватории по данным автоматической идентификационной системы // Вестник государственного университета морского и речного флота им. адмирала С. О. Макарова. 2017. №4 (44).

42. Мартюк Г. И., Юдин Ю. И., Юдин А. Ю. Учет ветра в математической модели судна с целью оценки его влияния на маневренные характеристики. // Вестник МГТУ: Труды Мурманского Государственного Технического Университета. 2004, том 7, №3. С. 375-380.

43. Соболев Г. В. Управляемость корабля и автоматизация судовождения: Учебник для вузов. - Л.: Судостроение, 1976. Справочник по теории корабля: В 3 томах. / Под ред. Я. И. Войткунского.-Л.: Судостроение, 1985.

44. Васильев А. В., Белоглазов В. И. Управляемость винтового судна. -М.: Транспорт, 1966.

45. Ольховик Евгений Олегович Исследование плотности транспортных потоков 2018 года в акватории Северного морского пути // Вестник государственного университета морского и речного флота им. адмирала С. О. Макарова. 2018. №5.

46. Нгуен Хак Тунг, Власов С.М., Скобелева А.В. Математическое моделирование и идентификация параметров модели надводного судна // Научно-технический вестник информационных технологий, механики и оптики. 2021. Т. 21, № 3. С. 418-425.

47. Потапова, И. А. Методы моделирования транспортного потока / И. А. Потапова, И. Н. Бояршинова, Т. Р. Исмагилов // Фундаментальные исследования. - 2016. - № 10-2. - С. 338-342. - EDN WXDOCP.

48. Jianhua Guo, Wei Huang, Billy M. Williams,Adaptive Kalman filter approach for stochastic short-term traffic flow rate prediction and uncertainty quantification,Transportation Research Part C: Emerging Technologies,Volume 43, Part 1,2014,Pages 50-64,ISSN 0968-090X.

49. Гриняк В.М. Планирование маршрутов судов на основе кластеризации ретроспективных данных трафика акватории // Территория новых возможностей. 2021. №2.

50. Harati-Mokhtari A, Wall A, Brooks P, Wang J. Automatic Identification System (AIS): Data Reliability and Human Error Implications. Journal of Navigation. 2007;60(3):373-389.

51. G. Pallotta, M. Vespe, and K. Bryan, "Vessel pattern knowledge discovery from AIS data: A framework for anomaly detection and route prediction," Entropy, vol. 15, no. 6, pp. 2218-2245, 2013.

52. Yamin Huang, Linying Chen, Pengfei Chen, Rudy R. Negenborn, P.H.A.J.M. van Gelder,Ship collision avoidance methods: State-of-the-art, Safety Science, Volume 121,2020,Pages 451-473,ISSN 0925-7535.

53. Coerlandt, F., Kujala, P. (2011) Traffic simulation based ship collision probability modeling.Reliability Engineering and System Safety, 96:91-107.

54. Liang Chen, Jingsen Qi, Jin Shi,A cellular automata ship traffic flow model considering navigation rules in narrowing channel, Alexandria Engineering Journal, Volume 69,2023,Pages 715-726,ISSN 1110-0168.

55. Aars^ther K. G., Moan T. Estimating navigation patterns from AIS //The Journal of Navigation. - 2009. - Т. 62. - №. 4. - С. 587-607.

56. Yang Zhou, Winnie Daamen, Tiedo Vellinga, Serge Hoogendoorn,Review of maritime traffic models from vessel behavior modeling

perspective, Transportation Research Part C: Emerging Technologies, Volume 105,2019,Pages 323-345,ISSN 0968-090X.

57. Antonella, F.; Sacone, S.; Siri, S. Freeway Traffic Modeling and Control; Springer: Berlin/Heidelberg, Germany, 2018.

58. Perera L. P., Oliveira P., Soares C. G. Maritime traffic monitoring based on vessel detection, tracking, state estimation, and trajectory prediction //IEEE Transactions on Intelligent Transportation Systems. - 2012. - Т. 13. - №2. 3. - С. 11881200.

59. Z. Xiao, L. Ponnambalam, X. Fu and W. Zhang, "Maritime Traffic Probabilistic Forecasting Based on Vessels' Waterway Patterns and Motion Behaviors," in IEEE Transactions on Intelligent Transportation Systems, vol. 18, no. 11, pp. 3122-3134, Nov. 2017.

60. Кобзарь А.И., Прикладная математическая статистика, для инженеров и научных работников // Физматлит - 2006.

61. Box G. E. [и др.]. Time series analysis: forecasting and control / G. E. Box, G. M. Jenkins, G. C. Reinsel, G. M. Ljung, John Wiley & Sons, 2015. pp. 712.

62. Sadeghi Gargari N., Akbari H., Panahi R. Forecasting Short-term Container Vessel Traffic Volume Using Hybrid ARIMA-NN Model //International Journal Of Coastal, Offshore And Environmental Engineering. - 2019. - Т. 4. - №. 3. - С. 47-52.

63. Porshnev S.V, Rabaia F. The study of features of using the singular spectrum analysis method for the analysis and forecasting the time series (Zebra, Ulyanovsk, 2016).

64. Bachechi, C.; Po, L. Traffic analysis in a smart city. In Proceedings of the WI '19: IEEE/WIC/ACM International Conference on Web Intelligence-Companion, Thessaloniki, Greece, 14-17 October 2019.

65. Antonella, F.; Sacone, S.; Siri, S. Freeway Traffic Modeling and Control; Springer: Berlin/Heidelberg, Germany, 2018.

66. Dantas T. M., Oliveira F. L. C., Repolho H. M. V. Air transportation demand forecast through Bagging Holt Winters methods //Journal of Air Transport Management. - 2017. - Т. 59. - С. 116-123.

67. Grosche T., Rothlauf F., Heinzl A. Gravity models for airline passenger volume estimation //Journal of Air Transport Management. - 2007. - Т. 13. - №. 4. -С. 175-183.

68. Williams B. M., Hoel L. A. Modeling and forecasting vehicular traffic flow as a seasonal ARIMA process: Theoretical basis and empirical results //Journal of transportation engineering. - 2003. - Т. 129. - №. 6. - С. 664-672.

69. Математическое моделирование информационных контрольно-пропускных систем, обоснование выбора аппроксимации интенсивности поступления заявок. / Поршнев, Сергей Владимирович; Корелин, Иван Андреевич.в: Автоматизация. Современные технологии, Том 72, № 7, 2018, стр. 324-329.

70. Разработка алгоритма нахождения входного потока заявок в имитационной модели контрольно-пропускной системы на основе статистических данных. / Якоб, Дмитрий Александровича: Инженерный вестник Дона, Том 30, № 3, 2014, стр. 34.

71. Muirhead, J.R., Minton, M.S., Miller, W.A. and Ruiz, G.M. (2015), Projected effects of the Panama Canal expansion on shipping traffic and biological invasions. Diversity Distrib., 21: 75-87.

72. Dragan D., Kramberger T. Forecasting the Container Throughput in the Port of Koper using Time Series ARIMA model //Proceedings of the conference ICLST. - 2014. - Т. 14. - С. 19-21.

73. Liu B. et al. Traffic flow combination forecasting method based on improved LSTM and ARIMA //International Journal of Embedded Systems. - 2020. -Т. 12. - №. 1. - С. 22-30.

74. He W. et al. Short-term vessel traffic flow forecasting by using an improved Kalman model //Cluster Computing. - 2019. - Т. 22. - С. 7907-7916.

75. Golyandina N, Nektrutkin V and Zigljavsky A, Analysis of time series structure: SSA and related techniques. Chapman and Hall/CRC. New York. (2001).

76. Девяткин Александр Витальевич, Извин Андрей Валерьевич, Зыков Дмитрий Артурович Применение метода группового учета аргументов в прогнозировании временных рядов // E-Scio. 2020. №5 (44).

77. Chondrodima E. et al. An Efficient LSTM Neural Network-Based Framework for Vessel Location Forecasting //IEEE Transactions on Intelligent Transportation Systems. - 2023.

78. Lee E. et al. An Efficient Feature Augmentation and LSTM-Based Method to Predict Maritime Traffic Conditions //Applied Sciences. - 2023. - Т. 13. -№. 4. - С. 2556.

79. Cui Z. et al. Stacked bidirectional and unidirectional LSTM recurrent neural network for forecasting network-wide traffic state with missing values //Transportation Research Part C: Emerging Technologies. - 2020. - Т. 118. - С. 102674.

80. Sun X. et al. Prediction of ship traffic flow based on RF-bidirectional LSTM neural network //Sixth International Conference on Electromechanical Control Technology and Transportation (ICECTT 2021). - SPIE, 2022. - Т. 12081. - С. 635642.

81. Feng H. et al. IS-STGCNN: An Improved Social spatial-temporal graph convolutional neural network for ship trajectory prediction //Ocean Engineering. -2022. - Т. 266. - С. 112960.

82. Wang S., He Z. A prediction model of vessel trajectory based on generative adversarial network //The Journal of Navigation. - 2021. - Т. 74. - №. 5. -С. 1161-1171.

83. Liu B. et al. Traffic flow combination forecasting method based on improved LSTM and ARIMA //International Journal of Embedded Systems. - 2020. -Т. 12. - №. 1. - С. 22-30.

84. Y. Nie, K. Liu, X. Xin & Q. Yu A Novel Through Capacity Model for One-way Channel Based on Characteristics of the Vessel Traffic Flow // TransNav the International Journal on Marine Navigation and Safety of Sea Transportation - 2017 -11(3) С:495-502.

85. Recognize Text Using Optical Character Recognition (OCR) [Электронный ресурс] // MathWorks. Documentation. URL: https://www.mathworks.com/help/vision/ug/recognize-text-using-optical-character-recognition-ocr.html (дата обращения: 25.10.2020).

86. Otsu, N., «A Threshold Selection Method from Gray-Level Histograms,» IEEE Transactions on Systems, Man, and Cybernetics, Vol. 9, No. 1, 1979, pp. 62-66.

87. PaddleOCR [Электронный ресурс] // Индекс пакетов Python (PyPI). URL: https://pypi.org/project/paddleocr/ (дата обращения: 05.04.2022).

88. «Программа для сбора и анализа информации о морском трафике». Свидетельство о регистрации программы для ЭВМ № 2024684010 от 16.10.2024 г.

89. C.J. van Rijsbergen: Information Retrieval. 2nd Edition. Butterworth,

1979.

90. Harmonic Mean - from Wolfram MathWorld [Электронныйресурс]. — URL: https://mathworld.wolfram.com/HarmonicMean.html (дата обращения: 01.06.2024)

91. Train OCR model to recognize text in image [Электронный ресурс] // MathWorks. Documentation URL: https://www.mathworks.com/help/ vision/ref/trainocr.html#responsive_offcanvas (дата обращения: 05.04.2022).

92. PaddleOCR [Электронный ресурс] / URL: https://github.com/PaddlePaddle/PaddleOCR/blob/main/doc/doc_en/config_en.md (дата обращения: 05.04.2022).

93. L1 и L2 регуляризация [Электронный ресурс] // Python-School. URL: https://python-school.ru/blog/osnovy-ml/regularization-l1-l2/ (дата обращения: 10.04.2022).

94. PaddleOCR [Электронный ресурс] / URL: https://github.com/PaddlePaddle/PaddleOCR/blob/main/doc/doc_en/quickstart_en.m d (дата обращения: 05.04.2022).

95. NikkDusky / screenshot-apps Электронный ресурс] / URL: https://github.com/NikkDusky/screenshot-apps/blob/main/period screenshot.py (дата обращения: 05.04.2022).

96. M. Rosenblatt. «Remarks on Some Nonparametric Estimates of a Density Function». Ann. Math. Statist. 27 (3) 832 - 837, September, 1956. https://doi.org/10.1214/aoms/1177728190; E. Parzen. «On Estimation of a Probability Density Function and Mode». Ann. Math. Statist. 33 (3) 1065 - 1076, September, 1962.

97. Сызранцев В.Н. Расчет прочностной надежности изделий на основе методов непараметрической статистики / В.Н. Сызранцев, Я.П. Невелев, С.Л. Голофаст //-Новосибирск: Наука, 2008. - 218 с.

98. Поршнев С.В., Копосов А.С. Случайные величины с ограниченной областью рассеяния: математическое и алгоритмическое обеспечение для оценивания плотностей вероятностей и функций распределений/С.В. Поршнев, А.С. Копосов// -М.: Горячая линия-Телеком, 2018. -184 с.].

99. Поршнев С.В., Рябко Н.Ю. Об особенностях аппроксимаций распределений эмпирических функций распределений и плотностей распределений случайных выборок//С.В. Поршнев, Н.Ю. Рябко /Вестник УрФО № 4(42) / 2021, с. 24-38.]

100. Свидетельство о государственной регистрации программы для ЭВМ № 2024685325 RU. «Программа для моделирования одноканальной нестационарной системы массового обслуживания» / Кужбанова Е.А.. Поршнев С.В. - № 2025697410; дата поступления заявки 11.12.2025; дата государственной регистрации в реестре программ для ЭВМ 24.12.2025 (Российская Федерация).

101. Кобзарь А.И. Прикладная математическая статистика. Для инженеров и научных работников. -М.: ФИЗМАТЛИТ, 2006. -816 с.

102. Ликеш И., Ляга Й. Основные таблицы математической статистики. -М.: Финансы и статистика, 1985. 356 с.

103. Голяндина Н.Э. Метод «Гусеница»-SSA: анализ временных рядов: Учеб. пособие. [Текст] / Н. Э. Голяндина // -СПб: Изд-во СПбГУ, 2004. -76 с.

104. Поршнев С. В. Исследование особенностей применения метода сингулярного спектрального анализа в задаче анализа и прогнозирования временных рядов: монография / С. В. Поршнев, Ф. Рабайа. - Ульяновск: Зебра, 2016. - 167 с. - ISBN 978-5-9907847-8-9.

105. Kalnay E. Atmospheric modeling, data assimilation and predictability / E. Kalnay, Cambridge university press, 2003. 512 p., Nerger L. [и др.]. SANGOMA: Stochastic Assimilation for the Next Generation Ocean Model Applications EU FP7 SPACE-2011-1 project 283580. 35 p.

106. Carrassi A., Bocquet M., Bertino L., Evensen G. Data Assimilation in the Geosciences: An overview on methods, issues and perspectives/ September 2017. Wiley interdisciplinary reviews: Climate Change 9(1271). 1-79 pp.

107. Nerger L. [и др.]. SANGOMA: Stochastic Assimilation for the Next Generation Ocean Model Applications EU FP7 SPACE-2011-1 project 283580. 35 р.

108. Evensen G. Data assimilation: the ensemble Kalman filter / G. Evensen, Springer Science & Business Media, 2009.

109. 12. Houtekamer P. L., Mitchell H. L. Data assimilation using an ensemble Kalman filter technique // Monthly Weather Review. 1998. № 3 (126). C. 796-811.

110. Timoshenkova Y. S., Safiullin N. T., Porshnev S. V. Application of Data Assimilation Algorithms Based on Kalman Ensemble Filters for the Lorenz Attractor CEUR-WS, 2018.C. 82-87.

111. Houtekamer P. L., Mitchell H. L. Data assimilation using an ensemble Kalman filter technique // Monthly Weather Review. 1998. № 3 (126). P. 796-811., Moradkhani H. [и др.]. Uncertainty assessment of hydrologic model states and

parameters: Sequential data assimilation using the particle filter // Water resources research. 2005. № 5 (41). P. 1-17.

112. Timoshenkova Yu., Porshnev S., Safiullin N. On the possibility of correction of the forecasting of the Lorenz attractor dynamic characteristics using experimental data and data assimilation IOP Publishing, 2018. Ser. 012004.21. P. 1-7.

113. Тимошенкова Ю. С., Поршнев С. В., Сафиуллин Н. Т. Методика интеграции формальных методов прогнозирования временных рядов в Data Assimilation // International Journal of Open Information Technologies. 2022. № 4 (10). C. 15-23.

114. Demuth H. B. [и др.]. Neural network design / H. B. Demuth, M. H. Beale, O. De Jess, M. T. Hagan, Martin Hagan, 2014.

115. Muzaffar S., Afshari A. Short-term load forecasts using LSTM networks // Energy Procedia. 2019. (158). C. 2922-2927.

116. Timoshenkova Y., Safiullin N., Porshnev S. About Influence of Weight Initialization Algorithms on Accuracy of the Forecast with LSTM-net for Harmonic Signals IEEE, 2021.C. 0330-0333.

117. Zhao Z. [и др.]. LSTM network: a deep learning approach for short-term traffic forecast // IET Intelligent Transport Systems. 2017. № 2 (11). C. 68-75.

Список сокращений

АИС - автоматическая идентификационная система АР - авторегрессия

АРСС - авторегрессия скользящее среднее БД - база данных ВИ - временной интервал ВР - временной ряд

ГНСС - глобальная навигационная спутниковая система

ЖД-трафик - железнодорожный трафик

ИМ - имитационная модель, имитационное моделирование

ИНМАРСАТ - международная морская спутниковая система

МСКЦ - морской спасательно-координационных центров

ООН - Организации объединённых наций

РФ - Российская Федерация

ПР - плотность распределения

СВ - диапазон средних электромагнитных волн

СМО - система массового обслуживания

СМП - Северный морской путь

СНО - средства навигационного оборудования

СОЛАС-74 - конвенции по охране человеческой жизни на море

СРДС - система регулирования движением судов

УКВ - диапазон ультракоротких электромагнитных волн

ФР - функция распределения

ХД - хранилище данных

ЭПР - эмпирическая плотность распределения

ЭФР- эмпирическая функция распределения

ASCII - American Standard Code for Information Interchange

CNN - Convolutional Neural Networks

COG - Course Over the Ground

GAN - Generative Adversarial Network

GNN - Graph Neural Networks

GNSS - Global Navigation Satellite System

GPS - Global Positioning System (глобальная навигационная система)

IMO -InternationalMaritime Organization

LASSO - Least Absolute Shrinkage and Selection Operator

LSTM-net - The Long Short-Term Memory net

MISE -Mean Integrated Squared Error

MMSI -Maritime Mobile Service Identity

SMS - Short Message Service

SOLAS -International Convention for the Safety of Life at Sea

SOG - speed over the ground

SSA - Singular Spectrum Analysis (сингулярный спектральный анализ)

Приложение А.1. Сообщения судовой АИС

№ сообщения Наименование сообщения Основное содержание Кол-во бит Режим работы Станция

1 Сообщение о местоположении судна Спланированное сообщение о местоположении судовой станции, включающее идентификатор судовой станции (MMSI), навигационный статус, признак точности определения координат, динамические данные 168 А1 Судовая

2 Назначенное сообщение о местоположении судна Спланированное сообщение о местоположении судна 168 Н2 Судовая

3 Специальное сообщение о местоположении судна Специальное сообщение о местоположении судна 168 Н Судовая

4 Сообщение базовой станции Идентификатор MMSI, местоположение (широта, долгота), UTC данные (UTC - Universal Time Coordinated, Универсальное всемирное координированное время), вид навигационного датчика 168 Н Базовая

5 Статические данные о судне и информация о рейсе Идентификатор MMSI, индикатор класса станции АИС, номер судна ИМО, позывной, название судна, тип судна и груза, место расположения на 424 А Судовая

судне антенны ГНСС,

вид

навигационного

датчика, ETA

(Estimated Time of

Arrival - расчетное время прибытия),

осадка, порт

назначения

6 Двоичное избирательное сообщение Идентификатор MMSI, идентификатор вызываемой станции, другие данные <1008 А/Н/О3 Судовая/ базовая

7 Подтверждение двоичного избирательного сообщения Идентификатор подтверждающей станции и порядковый номер сообщения (до 4-х) 72-168 А/Н/О Судовая/ базовая

8 Двоичные циркулярные сообщения Собственный идентификатор, данные (до 952 бит) <1008 А/Н/О Судовая/ базовая

9 Стандартное SAR (Search and Rescue (Поиск и спасание)) сообщение о местоположении воздушного судна Собственный идентификатор, сообщение о местоположении воздушного судна, участвующее в 168 А/Н Воздушная АИС

поисково-спасательной операции

Собственный

10 Запрос UTC/Даты идентификатор, идентификатор запрашиваемой станции 72 А/Н/О Судовая/ базовая

Собственный

11 Ответ UTC/Даты идентификатор, формат сообщения № 4 168 А/Н/О Судовая/ базовая

Собственный

12 Избирательное сообщение, связанное с безопасностью идентификатор, идентификатор вызываемой станции, данные (до 936 бит) <1008 А/Н/О Судовая/ базовая

13 Подтверждение сообщения, связанного с безопасностью Собственный идентификатор, формат сообщения № 7 <1008 А/Н/О Судовая/ базовая

14 Циркулярное сообщение, связанное с безопасностью Собственный идентификатор, данные <1008 А/Н/О Судовая/ базовая

Собственный

15 Запросное сообщение идентификатор, идентификатор запрашиваемой 96 или 144 А/Н/О Судовая/ базовая

станции, сдвиг от

текущего слота

Собственный

идентификатор, на-

значение

16 Назначение режима передачи специального режима передачи сообщений базовой станцией Н Базовая

Собственный

Циркулярная идентификатор,

17 передача дифференциальных поправок широта и долгота ГНСС, данные дифференциальных поправок 80-816 Н Базовая

Собственный

идентификатор,

18 Стандартное сообщение о местоположении станций АИС класса В передача сообщений о местоположении (аналогично сообщениям 168 А/Н Судовая

1,2,3) судовыми станциями АИС класса В

Собственный

идентификатор,

передача

Расширенное сообщение о расширенного сообщения

19 местоположении станций АИС класса В о местоположении судовыми станциями АИС класса В (включает данные о судне и грузе) 312 А/Н Судовая

Собственный

Сообщение идентификатор,

20 управления линией данных информация о зарезервированных слотах 72-160 Н Базовая

Собственный

идентификатор,

тип

Сообщения от средства

средств навигационного

21 навигационного оборудования 272 А/Н/О Мобильная/

оборудования (СНО) и др. источников (СНО), признак точности, местоположение, вид навигационного датчика базовая

Собственный

идентификатор,

номера рабочих

каналов, режимы

приема/передачи,

мощность

Сообщение излучения,

22 управления каналом координаты района обслуживания, индикатор циркулярного/ избирательного сообщения, размер переходной пограничной зоны и др. 168 Н Базовая

23 Не определено

(резерв)

*Пояснения:

1 - А - автономный режим; 2 - Н - назначенный режим; 3 - О - опросный режим

Приложение А.2. Разделы Интернет-ресурса

Рисунок А. 1 - Фрагмент скриншота стартовой страницы инструмента доступа к БД о

морских судах [17]

Рисунок А.2 - Фрагмент скриншота страницы с информацией о морском судне «Леше» [18]

ФОТО СУДОВ

Фотографии судна и судов галереи, пополняемая пользователями

по имя 11МО / ММ51 О. Поиск по фо1

Рисунок А.3 - Фрагмент скриншота стартовой страницы инструмента доступа к

фотографиям морских судов [19]

Рисунок А.4 - Фрагмент скриншота страницы с фотографиями морского судна «РоШЪвб»

[20]

БАЗА ДАННЫХ ПОРТОВ

Подробная информация о более чем 6,000 портов по всему миру, в том числе описание портов и позиции портов на карте. Все суда, около каждого из портов также видны на карте.

| Q. Попсе го имя парта или LQCODE | | С^ Все страны

page 1 /293 >

Port LOCODE

A Cortina Spain E5LCG SA

5|H Aaheim ■ Norway NOAMM &

S|S Aakrehamm ■!■ Norway NQAKM &

■ H Aalborg ■ ■ Denmark DKAAL 1$Л

■ ■ Aarhus ■ ■ Denmark DKAAR

A Aasiaat Ik^l Greenland GLJEG

Abadan ■mm ran IRABD &

a Abashiri Japan J PA В A &

Abbot Point Ccl Australia AUA3P &

Abenra ■ H Denmark DKAAB SA

Aberaeron 3IS United Kingdom (UK] G3-ABA &

Aberdeen dlk United Kingdom (UK] G&ABD &

Aberdour ttlta United Kingdom (UK] GB-AYD &

Aberystwyth SIS United Kingdom (UK] G&AYW &

■ Abidjan 1 Cote d'lvoire CIABJ A

a A bosh 1 ® Japan J PA 30 &

Abu Dhabi United Arab Emirates (UAE) AEAUH &

Рисунок А.5 - Фрагмент скриншота стартовой страницы инструмента доступа к

фотографиям морских судов [21]

Рисунок А.6 - Фрагмент скриншота страницы с новостной лентой [23]

Рисунок А.7 - Фрагмент скрин-шота страницы [24]

Real-Time AIS Data API

Boost your business with live A1S API or raw NMEA data feeds. Get access to real time updates of vessel positions data, ship details, port calls and voyage information, arrival times and even more.

LIVE AIS API

RAW AIS DATA

Рисунок А.8 - Фрагмент скрин-шота страницы [25] (Часть 1)

Рисунок А.9 - Фрагмент скрин-шота страницы [25] (Часть 2)

Historical AIS Data

The most extensive archive of Satellite and Terrestrial AIS data encompassing ship information related to voyage and static data that dates back to 2009. Historical AIS data is a valuable data source used for vessel traffic analyses, port calls information and accident investigations. It could help to reduce risk and plan the safest routes based on vessel traffic patterns and seasonal changes. The ship position data provides insights on the performing analysis of potential trends in the shipping market or vessel behaviour patterns for the prosecution of illegal activities.

Position Data

We deliver historical AIS position data captured by thousands of land-based AIS stations and satellites going back to 2009.

The data provides insight into the voyages and behavior of every ship at sea. You do not need to have the technical knowledge to work with specialised software, because the data is delivered in XLS or CSV format which can be easily processed by any program for data editing such as Microsoft Excel. For your convenience, we also provide access to specially developed tools for visualisation of the vessel movements on a sea chart or a satellite map.

The AIS data could be delivered for any vessel, port, or custom area of interest.

Рисунок А.10 - Фрагмент скрин-шота страницы [26] (Часть 1)

Рисунок А.10 - Фрагмент скрин-шота страницы [26] (Часть 2)

PucyHOK A.11 - OparneHT CKpuH-moTa crpaH^bi [26] (HacTb 3)

Container Tracking is available with Satellite plan. Please log in with your VesselFinder account and refresh this page.

Container Tracking 133

Mseu02l46T2

PucyHOK A.12 — OparneHT CKpuH-moTa crpaH^bi [27]

VesselFinder Mobile Apps

Рисунок А.13 — Фрагмент скрин-шота страницы [28]

Рисунок А.14 — Фрагмент скрин-шота страницы [29]

Embed Vessel Finder map into your website

You can easily embed a VesselFinder map into your website by inserting the following code into the HTML of your web page at the point where you want the map to be displayed;

< script ty pe="text/Javascript">

// Map appearance var width="l00%"; var height="300"; var latitudes"0.00' var longitudes"®.® var zoom="3"; var narses=false;

// width in pixels or percentage

// height in pixels

// center latitude (decimal degrees)

// center longitude {decimal degrees)

// initial zocm (between 3 and IB)

// always show ship names (defaults to false)

// Single ship tracking var mmsi=nl2545€7S9,,i var imo="1234567"; var show_track=false;

// display latest position (by MM5I)

// display latest position (by overrides №SI)

// display track line (last 24 hours)

// Fleet tracking

var fleet=',e4Sab3dS0a0e2a9bf28930f2dd0SSG0c"; // your personal Fleet key (displayed in your User Profile) var fleet_name=,,carnival'"; // display particular fleet frcm your fleet list var fleet_timespan='"l440"; // maximum age in minutes of the displayed ship positions </script>

<script type="text/javascript" src="https://www.vesselfinder.com/aismap. js"x/script>

Example 1: Map with all vessels in a specific area

Рисунок А.15 — Фрагмент скрин-шота страницы [30]

Рисунок А.16 — Фрагмент скрин-шота страницы [31]

Приложение А.3. Типы данных предоставляемые АИС

Название поля Тип Описание

MMSI integer ММ5Т-номер судна (идентификатор АИС)

TIMESTAMP datetime Дата и время (в формате иТС) фиксации информации, переданной данной АИС

LATITUDE float Географическая широта (в формате WGS84)

LONGITUDE float Географическая долгота (в формате WGS84)

COURSE float Курс морского судна относительно Земли (в угловых градусах)

SPEED float Скорость относительно Земли (узлы)

HEADING integer Курс корпуса судна. Значение 511 указывает на отсутствие данных о курсе (в угловых градусах).

Тип морского судна в

NAVSTAT integer соответствии с его навигационным статусом АИС1

IMO integer 1МО-номер морского судна

NAME text Название морского судна

CALLSIGN text Позывной морского судна

Тип морского судна в

соответствии со

TYPE integer спецификацией АИС (см. Табл. «Спецификация АИС»)

Расстояние (в метрах) от

A integer ^Р5-антенны АИС до носа судна

Размер (в метрах) от GPS-

B integer антенны АИС до кормы судна (длина судна = А + В)

Расстояние (в метрах) от

C integer GPS-антенны АИС до левого борта судна

Расстояние (в метрах) от

GPS-антенны АИС до

D integer правого борта морского судна (ширина судна = С + Б)

DRAUGHT float Текущая осадка (метры) морского судна

DESTINATION text Порт назначения (вводится капитаном морского судна вручную)

LOCODE text Уникальный идентификатор, присвоенный Организацией Объединенных Наций порту назначения (если он распознается системой API)

ETA_AIS text Расчетное время прибытия в порт назначения (вводится капитаном морского судна вручную)

ETA text Расчетное время прибытия в порт назначения в полном формате даты/времени (год добавляется системой API)

ETA_PREDICTED text Предсказание расчетного времени прибытия (в формате UTC) на основе текущей скорости судна (требуется параметр sat=1, в противном случае возвращается «ноль»)

DISTANCE_REMAINING integer Кратчайший морской путь (в морских милях) от места нахождения морского судна до порта назначения (параметр sat=1 обязателен, иначе возвращается null)

SRC text Источник данных AIS -наземный (TER) или спутниковый (SAT)

ZONE text Название зоны Мира, в которой находится судно

ECA bool Указывает, находится ли судно в зоне ECA/SECA3

1 Навигационный статус АИС (AIS Navigation Status): 0 - движется с использованием двигателя (Under way using engine); 1 - находится на якоре (At anchor); 2 - неуправляем (Not under command); 3 - ограниченная маневренность (Restricted manoeuverability); 4 -ограниченная посадкой судна маневренность (Constrained by her draught); 5 - судно пришвартовано (Moored); 6 - на мели (Aground); 7 - занято рыболовством (Engaged in Fishing); 8 - в пути (Under way sailing) (судно считается в пути если оно не на мели, не якоре, не пришвартовано); 9 - Зарезервировано для высокоскоростных судов (HSC) и будущего изменения навигационного статуса (Reserved for future amendment of Navigational Status for HSC); 10 - Зарезервировано для будущей поправки к Навигационному статусу экраноплана (Reserved for future amendment of Navigational Status for WIG); 11 - зарезервировано для использования в будущем (Reservedfor future use); 12 - зарезервировано для использования в будущем (Reserved for future use); 13 - зарезервировано для использования в будущем

(Reserved for future use); 14 - автоматическая система идентификации - поисково-спасательный передатчик активна (AIS-SART is active); 15 - значение по умолчанию не устанавлено (Not defined (default)).

2 0 - недоступно (Not available (default)); 1-19 - зарезервировано для использования в будущем (Reservedfor future use); 20 - судно на подводных крыльях, экранолет, для всех типов судов (Wing in ground (WIG), all ships of this type); 21 - судно на подводных крыльях, категория опасности А (Wing in ground (WIG), Hazardous category A); 22 - судно на подводных крыльях, категория опасности В (Wing in ground (WIG), Hazardous category В); 23 - судно на подводных крыльях, категория опасности С (Wing in ground WIG), Hazardous category С); 23 - судно на подводных крыльях, категория опасности D (Wing in ground (WIG), Hazardous category D); 24

- судно на подводных крыльях, категория опасности А (Wing in ground (WIG), Hazardous category A); 25-29 - судно на подводных крыльях, зарезервировано для использования в будущем (Wing in ground (WIG), Reservedfor future use); 30 -рыболовное (Fishing); 31 - буксир (Towing); 32 - длина буксируемого судна превышает 200 м или ширина - 25 м (Towing: length exceeds 200m or breadth exceeds 25m); 33 - судно проводит дноуглубительные или подводные работы (Dredging or underwater ops); 34 - судно, с борта которого проводится водолазная работы (Diving ops); 35 - судно , участвующее в проведении военной операции (Military ops); 36 - парусное судно (Sailing); 37 - моторная яхта (Pleasure Craft); 38, 39 - зарезервировано (Reserved); 40 - высокоскоростное судно, для всех типов судов (High speed craft (HSC), all ships of this type); 41 - высокоскоростное судно, категория опасности А (High speed craft (HSC), Hazardous category A); 42 - высокоскоростное судно, категория опасности В (High speed craft (HSC), Hazardous category В); 43 - (высокоскоростное судно, категория опасности С (High speed craft (HSC), Hazardous category С); 44 - высокоскоростное судно, категория опасности D (High speed craft (HSC), Hazardous category D); 45-48 - высокоскоростное судно, зарезервировано для использования в будущем (High speed craft (HSC), Reservedfor future use); 49 - высокоскоростное судно, без указания дополнительной информации (High speed craft (HSC), No additional information); 50 - лоцманское судно (Pilot Vessel); 51 - поисковое или спасательное судно (Search and Rescue vessel); 52 - буксир (Tug); 53 - портовый буксир (Port Tender); 54 - судно, для ликвидации последствий загрязнения (Anti-pollution equipment); 55 -судно правоохранительных органов (Law Enforcement); 56, 57 - запасное (не используемое в данный момент для перевозки грузов) судно (Spare - Local Vessel) ; 58 - медицинское судно (Medical Transport); 59 - невоенное судно в соответствии с резолюцией № 18 «О процедуре идентификации и объявления местоположения морских и воздушных судов государств, не являющихся сторонами в вооруженном конфликте» (Noncombatant ship according to Resolution №. 18 «Relating to the procedure for identifying and announcing the position of ships and aircraft of States not parties to an armed conflict», 2015 г.); 60 - пассажирское судно любого типа (Passenger, all ships of this type); 61 - пассажирское судно, категория опасности А (Passenger, Hazardous category A); 62 - пассажирское судно, категория опасности В (Passenger, Hazardous category В); 63 - пассажирское судно, категория опасности С (Passenger, Hazardous category С); 64 - пассажирское судно, категория опасности D (Passenger, Hazardous category D); 65-68

- пассажирское судно, зарезервировано для использования в будущем (Passenger, Reservedfor future use); 69 - пассажирское судно, без указания дополнительной информации (Passenger, No additional information); 70 - грузовой судно любого типа (Cargo, all ships of this type); 71 -грузовое судно, категория опасности А (Cargo, Hazardous category A); 72 - грузовое судно, категория опасности B (Cargo, Hazardous category B); 73 - грузовое судно, категория опасности C (Cargo, Hazardous category C); 74 - грузовое судно, категория опасности D (Cargo, Hazardous category D); 75-79 - грузовое судно, зарезервировано для использования в будущем (Cargo, Reservedfor future use); 80 - танкер любого типа (Tanker, all ships of this type);

81 — танкер, категория опасности А (Tanker, Hazardous category A); 82 — танкер, категория опасности В (Tanker, Hazardous category В); 83 — танкер, категория опасности С (Tanker, Hazardous category С); 84 — танкер, категория опасности D (Tanker, Hazardous category D); 85—88 — танкер, для использования в будущем (Tanker, Reservedfor future use); 89 — танкер, без указания дополнительной информации (Tanker, No additional information); 90 — судно любого типа, не указанного выше (Other Type, all ships of this type); 91 — судно любого типа, не указанного выше, категории опасности А (Other Type, Hazardous category A); 92 — судно любого типа, не указанного выше, категории опасности В (Other Type, Hazardous category В); 93 — судно любого типа, не указанного выше, категории опасности С (Other Type, Hazardous category С); 94 — судно любого типа, не указанного выше, категории опасности D (Other Type, Hazardous category D); 95—98 — судно любого типа, не указанного выше, для использования в будущем (Other Type, Reserved for future use); 99 — судно любого типа, не указанного выше, без указания дополнительной информации (Other Type, no additional information).

3 ECA/SECA — зона, в которой концентрация оксидов серы, производимых морскими судами, не должна превышать 1,5%/ зона, в которой концентрация оксидов серы, производимых морскими судами, не должна превышать 1,0% (акватории Северного и Балтийского морей, пролив Ламанш).

Приложение А.4. Пример отчета информации о судне

5.5 Capacity (CMB/Hour) : Working pressure :

5.6 Location :

5.7 Time to discharge a full liquid cargo using all pumps against back pressure at pump

1 bar 5 bars 10 bars

7 hours 10 hours

5.8

Nominal back pressure when working In series corresponding head Maximum back pressure Nominal pressure at rail (propane)

NA NA NA NA

5.9

What amount of cargo remains in tank after completion pumping before stripping:

- liquid : NA

- vapour : 36Mt (After discharge Propane cargo)

6. STRIPPING

6.1 Stripping system, if any

NA

6.2 Time required to remove all traces of liquid cargo as stated in 5.9 for: All cargoes stripped by main cargo pump.

- LPG

7. CARGO COMPRESSORS

7.1 Type Make How many Total figories/ hr

7.2 Are compressors oil free

7.3 Can they reliquety VCM without risk

7.4 State time to bring full cargo of butane to atmospheric pressure from

Vertical 1-stage water cooled double acting Tanabe Pnuematic Machinery Co. Ltd One

Propane at 48°C : Yes

8. INERT GAS SYSTEM

8.1 Does the vessel use inert gas?

If so. state utilization and quantities

8.2 Can the vessel produce inert gas? If so. state type and composition of gas produce: Nitrogen: 99% to 99.9%

8.3 Maximum production obtainable 1.0% Oxygen - 140 m3/hr 0.5% Oxygen - 95 m3/hr 0.1% Oxygen - 45 m3/hr

Yes

Changing grades - 12,000 m3 Yes.

Oxygen: 0.1% to 1.0%

Form 'C' - Lady Martine

Final checked by LC on 03/MarchAX)

8.4 State if there are storage facilities for inert gas onboard: -Size No storage facility

- Pressure

8.5 Sta te if an y s hore supp l y of n rtrogen m a y be requ i red: : Yes

- for what purpose Grade change

■ what quantities

About 12,000 m of nitrogen.

9- GAS FREEING