收益：
- 能够通过将航线、速度、纵倾和天气数据与人工智能相结合，在燃料和时间方面制定最佳航行计划
- 能够在人工智能支持的决策框架内平衡航线和安全约束（波浪、潮流、预计到达时间）
- 能够根据航行安全、船长权威和真实海况验证人工智能的航程建议
根据所选择的路线、速度和船舶在水中的姿势，同一两个港口之间的航行可能会燃烧非常不同的燃料量。航程优化就是同时管理这三个变量的任务。海洋每天都在变化：风、波浪、洋流、冰和风暴决定了航线和燃料。天气航线（根据天气和海洋预报选择航线）和纵倾优化（调整船舶的前后平衡角度以获取燃料）是这项工作的两个强大工具。人工智能（AI）处理海量天气和性能数据并快速比较候选路线；但大海的现实和船长的权威决定了这个决定。
让我们明确一点：未经最新可靠的天气预报、船舶的实际性能模型和船长的安全评估确认，人工智能建议的航向、速度或纵倾设置不会被实施。如果最低燃油航线危及船舶或船员的安全，则该航线无效；安全始终优先于燃油经济性。
概念： 空中航线：根据气象/海洋预报选择最合适的航线。纵倾：船舶前后吃水的差值；改变水下形态和阻力。 ETA：预计到达时间。猛击：弓用力击打波浪；结构和舒适风险。准时到达：通过调整速度准时到达，避免在港口等待；防止浪费的燃料燃烧。
一起管理路线、速度和预计到达时间
行程优化使用三个杠杆：路线（地理路径）、速度曲线（整个行程的速度计划）和到达时间（ETA）。这三者是相依的。如果遇到暴风雨，最短的地理路线可能既危险又昂贵。稍长但平静的路线可能会减少燃烧。人工智能结合天气预报网格和船舶性能模型，在燃料、持续时间和波高暴露方面比较数十条候选航线。
一步一步：第一步是建立船舶的实际性能模型（在什么速度、什么负载、什么风浪条件下需要多少燃料）。该模型来源于真实的导航数据；人工智能的“典型”假设是不够的。第二步是获取当前可靠的天气预报；预测的不确定性随着时间的推移而增加，距离 5 天越远的预测就越不可靠。第三步是筛选具有安全约束（最大波高、撞击风险、冰限）的候选路线。第四步是向机长提出剩余候选者之间的燃油时间权衡。
准时到达是节省燃料的强大来源：降低速度并在码头空时到达，而不是在港口前的锚处等待，可以防止浪费燃料。但这需要与港口/码头协调以及可靠的靠港时间；如果信息不正确，船可能会晚点。
提示：当您向人工智能建议一条路线时，不仅要询问每个候选者的燃料，还要询问“船舶所面临的最大波高和风力”。最低的燃油路线往往可以穿过海面最汹涌的走廊；如果没有安全过滤器，燃油计数会产生误导。
修剪优化
纵倾改变船舶的水下形态；较小的前部或后部纵倾会改变潮湿的表面和波浪的形成，从而显着影响阻力和燃料。最佳修剪；根据速度、吃水和负载条件而变化。 AI 帮助构建根据实际巡航数据或 CFD/模型运行得出的配平表，并对“哪种配平在这种速度和吃水下燃烧较少？”的问题进行建模。但最佳纵倾只能通过实际测量或经过验证的水动力分析才能得知；粗略的概括（“头部纵倾总是好的”）是不准确的，并且因船而异。
纵倾变化也会影响稳定性、视线、螺旋桨浸没和结构载荷；燃油微调不得违反这些限制。换句话说，配平优化不仅仅是一个燃油问题，而是一个有限的安全问题。
杠杆
燃料效应
安全约束
验证
路线选择
大（空气/电流）
波浪、风暴、冰
当前预测+船长批准
速度曲线
主要（三次定律）
包机、预计到达时间、机动
真实性能模型
配平调整
中等但便宜
稳定性、视野、螺旋桨
测量/验证图表
准时到达
中-大
港口协调
安全靠岸时间
迷你箱
情况 1——最便宜的路线也是最危险的路线。对于一次行程，AI 比较了两条路线：路线 A 比路线 B 燃烧的燃油少 6%。从细节来看，船长发现路线 A 已进入低压系统，显着波高为 5.5 m，撞击风险很高。出于安全考虑，选择B路线；与可能的结构损坏和负载安全风险相比，6% 的燃油差异微不足道。教训：如果不经过安全过滤器，就无法确定燃油等级。
案例 2 — 过时的天气预报。一个团队继续导航，认为 7 天前收到的天气预报生成的路线仍然是最佳路线。低压系统的表现与预期不同；航线不再是最佳的，船进入了不必要的波涛汹涌的大海。课程：随着天气预报的更新，天气路线会重新计算；旧预测生成的路线已过时。
案例 3 — 广义修剪谬误。在船上，应用恒定的船头纵倾，概括为“船头纵倾总是减少燃料”。实际测量发现，在该船一定的航速吃水范围内，轻尾纵倾燃烧较少；此外，过多的船头纵倾会减少螺旋桨浸没并降低效率。教训：最佳纵倾取决于船舶和情况；它是通过测量发现的，而不是通过概括发现的。
可复制的提示模板
模板 1 — 路线比较（带安全过滤器）：
角色：您是航程优化顾问。上下文（代表性）：[出发-到达]、[船舶类型]、[服务速度]、附当前天气预报摘要。任务：比较 3 条候选路线：1) 估计燃料，2) 估计持续时间/预计到达时间，3) 最大有效波高和风暴露，4) 撞击/安全风险。约束：首先应用安全约束（波浪/风限制），然后按燃料排序。声明最终决定权在队长手中。请注意，预测的不确定性会随着时间的推移而增加。
模板 2 — 速度概况和准时到达：
建议航程的（代表性）速度曲线：距离 [X] 海里、目标停靠时间 [T]、当前速度 [V]。 1) 计算准时到达所需的速度曲线。 2) 显示减速而不是停泊等待所节省的燃油。 3) 标记包机速度承诺和港口协调风险。约束：对接时间必须可靠；如果不清楚，它会警告“必须验证协调”。
模板 3 — 装饰评估：
建立配平优化的逻辑（表示）：速度 [V]、平均吃水 [T]、负载条件 [定义]。1) 解释配平影响阻力的机制。2) 不要一概而论；如何测量/验证最佳纵倾，包括步骤。3) 列出纵倾设置可能违反的约束（稳定性、视线、螺旋桨浸没、结构负载）。
模板 4 — 性能模型查询：
我将使用船舶的性能模型进行航程优化。评估这个模型：[速度-燃油、天气修正假设].1) 该模型来自真实巡航数据还是一般假设？2) 在什么条件下（有效载荷、天气）它会不可靠？3) 如何用真实数据校准模型？
弱提示/强提示
弱提示：
给出本次探险消耗最少燃料的路线。
强力提示：
角色：您是一名航空路线顾问。上下文（表示）：[出发→到达]，中型集装箱船，服务速度~18节，附当前5天预报。任务：比较 3 条候选路线的燃料、时间和安全性（最大波高、撞击、结冰）。约束：先应用安全约束，再按燃料排序；请注意，预测的不确定性会随着时间的推移而增加，并且当预测更新时必须重新计算路线。强调最终决定权在队长手中。
提示不佳，仅关注燃料而忽略安全性和预测不确定性；强烈提示将安全过滤器放在首位。
常见错误
- 为了燃料而牺牲安全。最低的燃油路线可以穿过最汹涌的大海；没有安全过滤器的分类会产生误导。
- 带着陈旧的猜测观看。随着天气预报的更新，必须重新计算路线；旧路线失去了其最优性。
- 概括修剪。最佳纵倾取决于船舶和情况；像“总是修剪头部”这样的规则是错误的。
- 假设性能模型。未使用实际巡航数据校准的模型将扭曲燃油估计。
- 及时思考是一个保证。靠港时间不可靠可能导致船舶晚点出发；必须验证协调性。
综上所述
航程优化将航线、速度和纵倾一起管理；人工智能处理大量天气和性能数据，并快速比较候选路线。但燃油订单始终位于安全过滤器之后，当天气预报过时时会重新计算路线，最佳纵倾是针对船舶的，并且性能模型是用真实数据校准的。最终的路线和速度由负责安全的机长决定。
应用任务
对于代表性航程（出发、到达、船舶类型、速度），让 AI 比较 3 条候选航线；对于每个候选者，询问燃料、持续时间和最大波高暴露。先应用安全过滤器，然后排序。然后设置速度曲线并权衡准时到达的燃油节省和协调风险。添加装饰等级并写下如何测量最佳装饰。在报告中注明是谁做出的决定。
清单
- [ ] 我首先评估了路线的安全性（波浪/风/冰），然后是燃料。
- [ ] 我考虑了我使用的天气预报的及时性和不确定性。
- [ ] 经验证，性能模型来自真实巡航数据。
- [ ] 我没有概括最佳修剪；我基于测量/验证图表。
- [ ] 我已经标记了准时到达的港口协调风险。
- [ ] 我将最终的路线/速度决定权留给了机长的安全部门。