1. 立项原因与产品问题： 当前全球航运业面临IMO 2023碳强度指标（CII）及欧盟碳关税（CBAM）的强制性合规压力，碳排放已成为船东必须精确计量并承担经济责任的显性成本。然而，传统航向规划依赖船长经验，现有商业化产品（如StormGeo气象路由、SEEMP能效管理系统）多存在优化维度单一、缺乏事前预测与动态决策能力、系统封闭无法提供处方级建议等痛点。本项目旨在研发“智航绿脉”系统，解决如何利用AI真正赋能绿色航运、实现高精度碳排监测与多目标协同优化的产品问题。
2. 行业场景与业务背景： 项目主要应用于国际远洋及国内沿江沿河船舶运输行业。核心目标客户为拥有10艘以上船舶的大型航运公司及第三方船舶管理公司。业务背景上，全球航运年燃油消耗量约3亿吨，燃油成本占运营总成本的30%-60%，中国市场蕴含着巨大的智能化改造需求。系统采用AIS历史轨迹数据与海洋环境数据，依托深度强化学习（SAC）算法，打造“监测-优化-验证”闭环SaaS平台，能够在保障航行安全的前提下，显著降低燃油消耗与碳排放，助力航运企业化被动合规为主动降本增效，实现“AI+绿色”的商业落地。
本项目核心包含四大功能模块：
1. 航线设定与智能规划模块：支持选定起始港与目的港，并可勾选避风、利用洋流等条件，一键初始化智能低碳航线。
2. 可视化对比与碳排放监测模块：在地图上直观呈现传统航线与AI优化航线的对比，并通过数据看板实时展示预计碳减排率、航程缩短距离及油耗、成本对比柱状图。
3. 历史轨迹管理与数据分析模块：支持查看历史航行记录，输出总体的碳减排分析报告，满足企业级年度复盘需求。
4. 系统与参数配置模块：支持用户自定义燃油价格、碳税率等参数，并实现自动入海修正（Snap-to-Sea），确保起终点顺利推演至近海海面。主要功能描述是：利用AIS历史数据与深度强化学习算法，实现“监测-优化-验证”闭环，在保障航行安全的前提下，为用户提供低成本、低排放的辅助决策方案。
在项目中，我主要负责系统整体架构设计、核心强化学习算法SAC的开发与仿真环境搭建，包括核心代码ship_path_env.py的编写。具体任务包括：清洗AIS历史轨迹数据、构建多源异构数据融合架构，整合水深、海岸线、风浪流等环境数据，设计13维状态空间与4维连续动作空间，以及调试多目标差分奖励函数以保证模型收敛。
技术栈与架构：项目采用Python作为主开发语言，使用深度强化学习SAC框架，整体采用分层模块化架构，包括数据层、核心处理层、可视化层，通过微服务与API提供SaaS服务。
亮点与难点：核心亮点是历史轨迹锚定微调技术，让AI在船长经验基础上进行有限偏移，保证了航线的物理可行性；创新设计了多目标差分奖励函数，综合优化安全、经济、效率、合规四大目标。难点在于如何将物理约束，例如基于时间戳的移动半径限制，融入强化学习探索过程，以及多源异构数据的精准对齐与清洗，我们通过建立安全评分模型和物理约束引擎有效解决了这些问题。
评论