本发明涉及路径规划，尤其涉及一种水域路径规划方法、装置及存储介质。
背景技术：
1、在当今的海洋航运业中，船舶碰撞损伤风险结果预测是一个至关重要的研究领域，它直接关联到船舶的安全性、环境保护以及经济损失的控制。随着全球贸易的增长和海上交通密度的提升，船舶相撞事故和船舶与其他障碍物碰撞的风险也随之增加。尽管现有的导航技术和船舶管理系统已经在很大程度上帮助降低了碰撞事故的发生概率，但一旦存在碰撞事故发生的风险，如何快速准确地预测船舶的损伤类型和损伤程度以便采取有效的路径规划，仍然是一个挑战。
技术实现思路
1、本发明主要目的在于提供一种水域路径规划方法，旨在快速准确地预测船舶的损伤类型和损伤程度以便采取有效的应急措施进行路径规划的问题。
2、本发明第一方面提供了一种水域路径规划方法，该方法包括以下步骤：
3、当存在碰撞风险时，获取船舶碰撞损伤的历史数据；
4、根据所述历史数据确定船舶碰撞损伤的特征参数；
5、通过所述特征参数构建深度学习模型并进行模型训练；
6、将船舶航行的实时数据输入所述深度学习模型，计算得出船舶碰撞损伤的风险结果；
7、基于所述风险结果进行船舶行驶的水域路径规划。
8、可选地，所述“获取船舶碰撞损伤的历史数据”的步骤包括：
9、获取碰撞损伤过程中船体运行的历史数据和所处水域环境的历史数据，所述船体运行的历史数据包括船体受损程度代价数据、碍航物碍航代价数据以及船体受损行驶的路径长度代价数据。
10、可选地，所述“根据所述历史数据确定船舶碰撞损伤的特征参数”的步骤包括：
11、通过特征代价提取函数计算代价值，根据所述代价值确定船舶碰撞损伤的特征参数；所述特征代价提取函数为：f＝α·l+(1-α)·c+t，α是路径长度代价数据的权重，(1-α)是碍航物碍航代价数据的权重，t是船体受损程度代价数据，c是碍航物碍航代价数据，l是路径长度代价数据；f表示代价值。
12、可选地，所述“通过所述特征参数构建深度学习模型并进行模型训练”的步骤包括：
13、将所述特征参数输入深度学习模型，计算各层神经网络的权重值，并输出船舶碰撞损伤的预测值；
14、计算所述预测值和所述历史数据的误差值，当所述误差值大于预设误差值时，对所述各层神经网络的权重值进行更新；
15、将更新后的所述权重值输入所述深度学习模型，进行迭代训练，直至达到预定的迭代次数或计算的所述误差值不大于所述预设误差值。
16、可选地，所述“对所述各层神经网络的权重值进行更新”的步骤中，采用梯度下降法更新所述权重。
17、可选地，所述“获取船舶碰撞损伤的历史数据”的步骤之前还包括：获取船舶航行的实时数据，根据所述实时数据确定船舶与障碍物之间是否存在碰撞风险。
18、可选地，所述“根据所述实时数据确定船舶与障碍物之间是否存在碰撞风险”的步骤包括：
19、利用所述实时数据计算船舶与水域环境中各个障碍物的最近会遇距离和最近会遇时间；
20、根据所述最近会遇距离和所述最近会遇时间确定碰撞风险最大的障碍物；
21、运用gjk算法计算船舶与所述障碍物之间的最短距离；
22、判断最短距离是否小于预设的安全阈值，若是，则确定存在碰撞风险；反之，不存在碰撞风险。
23、可选地，所述“计算得出船舶碰撞损伤的风险结果”的步骤包括：
24、将所述实时数据在所述深度学习模型的各个神经网络层中传递并计算；
25、根据所述实时数据在各层神经网络中的计算输出碰撞损伤类型和碰撞损伤程度的风险结果。
26、本发明还提供了一种水域路径规划装置，所述装置包括：
27、数据获取单元，用于获取船舶碰撞损伤的历史数据和船舶航行的实时数据；
28、构建单元，用于根据所述历史数据确定船舶碰撞损伤的特征参数，并通过所述特征参数构建深度学习模型并进行模型训练；
29、计算单元，用于将船舶航行的实时数据输入所述深度学习模型，计算得出船舶碰撞损伤的风险结果；
30、执行单元，用于基于所述风险结果进行船舶行驶的水域路径规划。
31、本发明还提供了一种计算机存储介质，所述计算机存储介质上存储有计算机程序，该程序用于实现上述水域路径规划方法的步骤。
32、本发明的水域路径规划方法中，当存在碰撞风险时，获取船舶碰撞损伤的历史数据和船舶航行的实时数据，通过特征代价提取函数提取历史数据中对深度学习模型最有帮助的船舶碰撞损伤特征参数，利用船舶碰撞损伤特征参数构建并训练深度学习模型，得到用于预测船舶碰撞损伤类型和碰撞损伤程度的风险结果的深度学习模型，将处理好的船舶航行的实时数据输入深度学习模型中进行计算，从而输出船舶的损伤类型和损伤程度的风险结果，以便根据风险结果采取有效的应急措施，进行船舶航行过程中的水域路径规划，显著提高了风险评估的准确性和船舶航行的安全性。
1.一种水域路径规划方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的水域路径规划方法，其特征在于，所述“获取船舶碰撞损伤的历史数据”的步骤包括：
3.根据权利要求2所述的水域路径规划方法，其特征在于，所述“根据所述历史数据确定船舶碰撞损伤的特征参数”的步骤包括：
4.根据权利要求3所述的水域路径规划方法，其特征在于，所述“通过所述特征参数构建深度学习模型并进行模型训练”的步骤包括：
5.根据权利要求4所述的水域路径规划方法，其特征在于，所述“对所述各层神经网络的权重值进行更新”的步骤中，采用梯度下降法更新所述权重。
6.根据权利要求1至5中任一项所述的水域路径规划方法，其特征在于，所述“获取船舶碰撞损伤的历史数据”的步骤之前还包括：获取船舶航行的实时数据，根据所述实时数据确定船舶与障碍物之间是否存在碰撞风险。
7.根据权利要求6所述的水域路径规划方法，其特征在于，所述“根据所述实时数据确定船舶与障碍物之间是否存在碰撞风险”的步骤包括：
8.根据权利要求1至5中任一项所述的水域路径规划方法，其特征在于，所述“计算得出船舶碰撞损伤的风险结果”的步骤包括：
9.一种水域路径规划装置，其特征在于，所述装置包括：
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序，该程序用于实现权利要求1至8中任一项所述方法的步骤。
