CN110210352B - 基于航道模型的船舶轨迹异常检测方法 - Google Patents
基于航道模型的船舶轨迹异常检测方法 Download PDFInfo
- Publication number
- CN110210352B CN110210352B CN201910433802.4A CN201910433802A CN110210352B CN 110210352 B CN110210352 B CN 110210352B CN 201910433802 A CN201910433802 A CN 201910433802A CN 110210352 B CN110210352 B CN 110210352B
- Authority
- CN
- China
- Prior art keywords
- data
- channel model
- ais
- track
- ais data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于航道模型的船舶轨迹异常检测方法,包括如下步骤:1、获取选定时间区间内的历史AIS数据;步骤2、对历史AIS数据进行预处理;3、对预处理后的AIS数据分别提取出航道模型的航点和航线,将航点和航线分别当作图论中的图的顶点和边,来组成航道模型:步骤4、对航道模型按时间要素进行加权,得到最终的航道模型;步骤5、将最终的航道模型与待检测轨迹进行比较,根据待检测轨迹在最终的航道模型中是否出现来判断轨迹是否异常。本发明通过融合基于点算法和基于轨迹算法的优点,充分挖掘了热点区域内的航行历史规律,又得到了航行轨迹留下的行为模式和时空信息;既可以进行短期异常监测,又可进行长期异常监测。
Description
技术领域
本发明涉及船舶数据处理技术领域,具体地指一种基于航道模型的船舶轨迹异常检测方法。
背景技术
在世界经济全球化时代背景下,各国家和地区间贸易增加,海上运输业获得了繁荣发展,同时海上航行安全隐患也逐渐凸显。一方面,当前全球船舶数量巨大并日益增加,船舶种类繁多且航线交错复杂,使得船舶的运动行为难以预测,安全环境存在着不稳定因素;另一方面,由于码头和航道的容量有限,航道交通拥挤,航线负担过重,与日益增加的船舶数量之间的矛盾显现出来,交错纵横分布的航道和航线为海事管理和异常监测带来了巨大挑战。
船舶异常监测技术是对船舶进行监督的主要方式,使用异常监测技术来监测海上船舶存在的遇险情况,进行及时救援和减少事故的发生;发现不法船舶行为,打击海上违法犯罪行为,达到保护我国海事权益和领海安全的目的。
AIS(Automatic Identification System,船舶自动识别系统)数据积累量大,内容全面,可信度高,近年来AIS数据的潜在价值被不断地挖掘和应用。通过结合船舶的行为模式特征,对AIS数据进行统计、分析和挖掘,可实现船舶的异常监测。
船舶的异常监测是指对目标船舶的动态信息(经纬度、航向、航速等)进行的合法性监测,可及时发现指定船舶可能存在的异常情况。
当前对船舶异常监测的研究采用的算法主要有轨迹聚类人工势场、贝叶斯模型、卡尔曼滤波、核密度估计,高斯过程等。
1、基于轨迹聚类的算法:通过对异常行为进行聚类和识别,完成对船舶异常行为的自动报警。
2、基于人工势场的算法:使用人工势场表示海上交通模型和进行异常监测,可应用于不同的场景如公海、港口、江河等,提取发现交通规则,可使航道进行可视化展示。
3、基于贝叶斯模型的算法:通过析所选水域的船舶信息分布情况,根据其概率分布构建基于朴素贝叶斯算法的船舶异常行为监测模型。使用AIS数据建立动态和静态的贝叶斯模型,可以获取异常情况,通过结合动静态模型来提高覆盖率。
4、基于卡尔曼滤波的算法:结合AIS数据的特点,设计基于卡尔曼滤波算法的异常航线监测系统。
5、基于核密度估计的算法:对船舶的历史AIS数据进行统计分析,挖掘内河船舶的运动模式,基于此建立异常行为监测算法,可以对船舶的经纬度和区域速度进行监测。
6、基于高斯过程的算法:通过定义正常模式来识别异常情况,即先通过高斯过程得到海事数据模型,然后通过模型来进行异常监测。
一般来说,对具有完整轨迹的船舶进行异常监测易于实现,但由于海洋环境多变,特别是远海地区,通信机制不畅,无法获取实时、连续的AIS数据的情况下,大多数算法很难达到令人满意的应用效果。因此,有必要设计一种能适用于复杂场景的算法,即在对目标船舶掌握信息量不同的情况下均能有效地进行异常监测。
发明内容
本发明的目的就是要提供一种基于航道模型的船舶轨迹异常检测方法,本方法针对以上问题和不足,通过融合基于点算法和基于轨迹算法的优点,弥补其中的缺点,充分挖掘了热点区域内的航行历史规律,又得到了航行轨迹留下的行为模式和时空信息;既可以进行短期的异常监测,又可以进行长期的异常监测。
为实现此目的,本发明所设计的一种基于航道模型的船舶轨迹异常检测方法,其特征在于,它包括如下步骤:
步骤1:获取选定时间区间内的历史AIS数据;
步骤2:对历史AIS数据进行删除冗余数据、删除噪声数据、分割不确定轨迹、对轨迹采样和轨迹插值的预处理;
步骤3:根据对航道模型的定义,对预处理后的AIS数据分别提取出航道模型的航点和航线,将航点和航线分别当作图论中的图的顶点和边,来组成航道模型:
步骤4:对步骤3得到的航道模型按时间要素进行加权,得到最终的航道模型;
步骤5:将最终的航道模型与待检测轨迹进行比较,根据待检测轨迹在最终的航道模型中是否出现来判断轨迹是否异常,若在最终的航道模型中出现过,则为正常轨迹,否则为异常轨迹。
与现有技术相比,本发明具有以下有益效果:
1、本发明采用航道模型的结构解决了船舶运动行为复杂,航线分布交错纵横和获取的信息不完整导致异常难以监测的问题,用模型表示航点(港口、繁忙航道交汇点和航道转折点等重要区域)及航行路线,并基于航道模型实现船舶异常监测。
2、本发明采用AIS数据预处理方式,经过删除冗余数据、删除噪声数据、分割不确定轨迹、对轨迹采样和插值,大大提高了数据的可用性,增加了本方法的检测精度。预处理方法采用并行的方式,可充分发挥多服务器多处理核心的优势,使用分布式平台提高预处理速度。
3、本发明采用按时间加权的航道模型提取算法解决了航道分布随时间变化的问题,使模型可通过添加数据更新;采用一种基于网格的可并行化算法来提高效率,使算法可应用于不同的需求和计算环境。
附图说明
图1为本发明的原理框图。
图2为航道模型示意图;
图2中,ABCDEF是节点,指航道模型中的航点;他们之间的连线是边,指航道模型中的航线,航点和航线共同组成航道模型。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细说明:
本发明设计的一种基于航道模型的船舶轨迹异常检测方法,如图1所示,它包括如下步骤:
步骤1:从航运服务商获取选定时间区间内的历史AIS数据,船舶轨迹的异常检测本质上还是根据船舶的行为模式来判断的,需要历史记录作为比照的标准;
步骤2:对历史AIS数据进行删除冗余数据、删除噪声数据、分割不确定轨迹、对轨迹采样和轨迹插值的预处理,得到不含冗余和噪声,并且提高算法精度的AIS数据,以提高异常监测结果的准确性,受船舶航行状态的影响,轨迹内的点的稀疏性不同,船舶行驶速度快的地方形成的稀疏,行驶速度慢的地方形成的点密集,若不进行处理则会大大降低算法的运行效率;
步骤3:根据对航道模型的定义,对预处理后的AIS数据分别提取出航道模型的航点和航线,将航点和航线分别当作图论中的图的顶点和边,来组成航道模型,为了方便描述海上船舶航行规律,提取港口、繁忙航道交汇处以及航道转折点等重要地区及其地区之间的通航路线,实现船舶异常监测技术,采用航道模型的概念,如图2所示。其中各部分表示的意义分别为:
(1)航点(对应图的结点,实心圆表示)表示航道模型中的重要地点,包括各个港口、繁忙航线交汇点以及航线航向改变的折点等;
(2)航线(对应图的有向边,线段表示)表示各个重要地点之间存在的关联性。其中,图中边的权重来表示航线的繁忙程度:
步骤4:对步骤3得到的航道模型按时间要素进行加权,得到最终的航道模型;
步骤5:将最终的航道模型与待检测轨迹进行比较,根据待检测轨迹在最终的航道模型中是否出现来判断轨迹是否异常,若在最终的航道模型中出现过,则为正常轨迹,否则为异常轨迹。
上述技术方案的步骤2中,删除冗余数据处理过程中,冗余数据是指在数据库中重复的数据,由于船舶都有唯一的MMSI(Maritime Mobile Service Identify,水上移动通信业务标识码)编码,且在AIS数据库中重复数据的MMSI和时间戳相同,将AIS冗余数据定义为在AIS数据库中拥有相同MMSI和时间戳的数据,当判断为冗余数据时,只保留一个记录;
在AIS数据库中,存在MMSI和时间戳相同,而其他属性(例如经纬度)有差异的情况。这不属于严格意义上的冗余数据,但是符合AIS冗余数据的定义,因为这种情况表明了同一船舶在同一时间点出现在不同的位置,在轨迹上产生明显的错误,应用到算法上也会影响结果,在此将其归入冗余数据一并删除。这种简洁的定义方法不仅可以提高算法的运行效率(不用依次比较属性值),且不对最终结果产生不利影响。
删除噪声数据过程中,噪声数据是指数据中存在属性异常的数据,AIS噪声数据为AIS经度属性、纬度属性、航速属性或航向属性不在各个对应属性的正常范围内的异常的数据,将上述AIS噪声数据删除(例如航速属性的正常范围为0~30节,冒出一个航速为56节的数据就是异常数据);由于AIS数据中的MMSI和时间戳对空间分布没影响,不在噪声的考虑范围内,噪声数据的识别主要是根据航速和航向这两个属性来判断的;
由于AIS基站的密度太低或其他通信故障因素,船舶在航行状态下发出的AIS信息并不是都被接收记录下来的,尤其是航行到离海岸线较远的海域,会出现船舶发出的信号连续一段时间都没有记录的现象。因此将不确定轨迹定义为轨迹数据中存在一个或多个时间段内的记录缺失,导致无法确定真实路径的轨迹。
当不确定轨迹中缺失部分出现在航道中间时对算法的影响较小;当出现在航道拐点处时,会使算法得到的航道结果变形;当缺失部分的两端跨越陆地时,会使算法造成明显错误;
分割不确定轨迹是指当轨迹中相邻两个AIS数据点的距离超过设置的间距阈值时,将相邻两个AIS数据点的轨迹分割成两段轨迹,且两段轨迹均小于等于间距阈值,即将一条不准确的长轨迹划分为两条准确的短轨迹,其中,间距阈值是指设置的进行轨迹分割的空间阈值;所述间距阈值为轨迹中所有相邻两个AIS数据点距离中位数的两倍。
轨迹采样为将AIS轨迹按照预设的轨迹相邻点间隔进行取值;
轨迹插值为当AIS轨迹中两点间距离满足插值距离条件时按照线性插值方法插入相应的AIS数据,常见的插值规则有线性插值、拉格朗日多项式插值和牛顿插值等,由于需要插值处均小于进行轨迹分割的最大间距,即需要插值的距离不大,因此此处选线性插值方法。
所述插值距离条件为插值距离处于插值临界距离(临界距离是轨迹点之间距离的中位数,也就是最出现次最多的距离)到分割不确定轨迹中设定的最大间距之间。
预处理主要达成以下目的:
1、提高数据的正确率,降低噪声数据的不良影响;
2、增加数据的完整性,提高模型提取算法的结果质量;
3、降低数据的复杂性,缩减模型提取算法的运行时间。
其中,删除冗余数据、剔除噪声数据是以每条AIS为单位数据进行的;轨迹分割、对轨迹进行采样和对轨迹进行插值是以轨迹为单位分别进行的。删除冗余数据、剔除噪声数据可提高数据的正确率,降低噪声数据的不良影响;轨迹分割、对轨迹进行插值可增加数据的完整性,提高模型提取算法的结果质量;对轨迹进行采样可以减少数据量,缩减模型提取算法的运行时间。
上述技术方案的步骤3中,对预处理后的AIS数据分别提取出航道模型的航点的提取标准由以下公式确定:
P指当前的AIS数据点对应的坐标点,WP指此情况判断为航点,Q指其它AIS数据点,α为AIS数据点对应的坐标点的数量阈值(该阈值的作用是有多少个坐标点凑在一块,才会引起重视,把他当做航点,本实施例中取50),distance为距离函数;AISdata为所有AIS数据,noise指点P不是航点,others指若不满足上述情况。
采用的距离公式为:
采用网格算法来确定航点的位置,将已知的历史AIS数据的每个AIS数据点作为航点位置的候选点,将历史AIS数据对应的航行区域划分成长为Δlon(10km)、宽为Δlat(10km)的多个网格,分别计算得到每一个网格内的航点,然后将每个网格内的航点集合起来,最终得到整个区域内的航点数据。网格边长的选取需要对具体海域和数据进行调整,若网格的边太大,会造成各个网格内点分布极为不均,影响计算性能;若选取太小,则许多网格内的点太少以至于无法识别为航点。
上述技术方案中,当前的航点信息仅具有位置和半径信息,通过对航点内的AIS数据进行分析可得到航点影响范围内的AIS数据点平均坐标、对地航向和对地航速信息。
上述技术方案的步骤4中,对步骤3得到的航道模型按时间要素进行加权的具体方法为:
当只有历史AIS数据,或者第一次应用航道模型算法时,加权步骤为:
1、将属于同一天的AIS数据作为一份子数据;
2、将子数据按时间顺序分别转换为对应的航道模型子模型;
3、由所有的子模型按时间加权构成最终的航道模型,其中时间越晚占权重越大。
当已有历史AIS数据获取的航道模型,需要添加新AIS数据来更新模型时,加权步骤为:
1.1、使用历史AIS数据获得旧航道模型;
1.2、使用新AIS数据获得更新后的航道模型;
1.3、将旧航道模型和更新后的航道模型平均加权(平均加权是新旧两个航道模型权重相同,都是0.5),得到最终的航道模型,这样既包含历史数据的影响,又有数据增加的变化。
上述技术方案的步骤4中,将历史AIS数据代入最终的航道模型,得到基于航道模型的航行序列,统计船舶的频繁行为模式。受季节、潮汐、政策等原因影响,实际应用中的航道航线是随时间不断变化的,航道模型也要具有随时间更新的能力。本方法提出按时间参数加权方法使航道模型进化,使模型可随时间更新。
所述步骤四航道模型按时间要素进行加权公式可表示为:
上述技术方案的步骤3中,航线(Navigation Line,简称NL)指连通两个航点之间的路线,用一个三元组NL=(F,T,W)来描述,其中,F为航线驶出的航点;T为航线驶入的航点,F与T构成航线的方向,即方向为W为航线出现过的次数。
通过计算数据库中的轨迹连通的航点,可以得到相连航点之间存在的航线。
船舶轨迹的异常检测本质上还是根据船舶的行为模式来判断的,需要历史记录作为比照的标准,常用的AIS数据包括经度、纬度、时间、船舶MMSI号、航向、航速,其来源包括岸基AIS数据与卫星AIS数据,其中岸基数据因船舶和基站数量较多,数据量较大,但只包括近海数据;而卫星数据主要包含远洋部分船舶信息,受卫星运行机制的影响,数据量较小,包含远洋数据。岸基数据与卫星数据互为补充。
本发明因为采用航道模型的结构,所以解决了船舶运动行为复杂,航线分布交错纵横和获取的信息不完整导致异常难以监测的问题。
本发明采用AIS数据预处理方式,经过删除冗余数据、删除噪声数据、分割不确定轨迹、对轨迹采样和插值,所以大大提高了数据的可用性,增加了本方法的检测精度。因为预处理方法采用并行的方式,所以可充分发挥多服务器多处理核心的优势,使用分布式平台提高预处理速度。
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (3)
1.一种基于航道模型的船舶轨迹异常检测方法,其特征在于,它包括如下步骤:
步骤1:获取选定时间区间内的历史AIS数据;
步骤2:对历史AIS数据进行删除冗余数据、删除噪声数据、分割不确定轨迹、对轨迹采样和轨迹插值的预处理,得到不含冗余和噪声,并且提高算法精度的AIS数据;
步骤3:根据对航道模型的定义,对预处理后的AIS数据分别提取出航道模型的航点和航线,将航点和航线分别当作图论中的图的顶点和边,来组成航道模型:
步骤4:对步骤3得到的航道模型按时间要素进行加权,得到最终的航道模型;
步骤5:将最终的航道模型与待检测轨迹进行比较,根据待检测轨迹在最终的航道模型中是否出现来判断轨迹是否异常,若在最终的航道模型中出现过,则为正常轨迹,否则为异常轨迹;
步骤2中删除冗余数据处理过程中,冗余数据是指在数据库中重复的数据,由于船舶都有唯一的MMSI编码,且在AIS数据库中重复数据的MMSI和时间戳相同,将AIS冗余数据定义为在AIS数据库中拥有相同MMSI和时间戳的数据,当判断为冗余数据时,只保留一个记录;
删除噪声数据过程中,噪声数据是指数据中存在属性异常的数据,AIS噪声数据为AIS经度属性、纬度属性、航速属性或航向属性不在各个对应属性的正常范围内的异常的数据,将上述AIS噪声数据删除;
分割不确定轨迹是指当轨迹中相邻两个AIS数据点的距离超过设置的间距阈值时,将相邻两个AIS数据点的轨迹分割成两段轨迹,且两段轨迹均小于等于间距阈值,其中,间距阈值是指设置的进行轨迹分割的空间阈值;
轨迹采样为将AIS轨迹按照预设的轨迹相邻点间隔进行取值;
轨迹插值为当AIS轨迹中两点间距离满足插值距离条件时按照线性插值方法插入相应的AIS数据;
所述插值距离条件为插值距离处于插值临界距离到分割不确定轨迹中设定的最大间距之间;
所述步骤4中,对步骤3得到的航道模型按时间要素进行加权的具体方法为:
当只有历史AIS数据,或者第一次应用航道模型算法时,加权步骤为:
1、将属于同一天的AIS数据作为一份子数据;
2、将子数据按时间顺序分别转换为对应的航道模型子模型;
3、由所有的子模型按时间加权构成最终的航道模型,其中时间越晚占权重越大;
当已有历史AIS数据获取的航道模型,需要添加新AIS数据来更新模型时,加权步骤为:
1.1、使用历史AIS数据获得旧航道模型;
1.2、使用新AIS数据获得更新后的航道模型;
1.3、将旧航道模型和更新后的航道模型平均加权,得到最终的航道模型;
所述步骤4 航道模型按时间要素进行加权公式可表示为:
步骤3中,对预处理后的AIS数据分别提取出航道模型的航点的提取标准由以下公式确定:
其中,P指当前的AIS数据点对应的坐标点,WP指此情况判断为航点,Q指其它AIS数据点,α为AIS数据点对应的坐标点的数量阈值,distance为距离函数;AISdata为所有AIS数据,noise指点P不是航点,others指若不满足上述情况;
采用的距离公式为:
采用网格算法来确定航点的位置,将已知的历史AIS数据的每个AIS数据点作为航点位置的候选点,将历史AIS数据对应的航行区域划分成长为Δlon、宽为Δlat的多个网格,分别计算得到每一个网格内的航点,然后将每个网格内的航点集合起来,最终得到整个区域内的航点数据;
所述步骤4中,将历史AIS数据代入最终的航道模型,得到基于航道模型的航行序列,统计船舶的频繁行为模式。
2.根据权利要求1所述的基于航道模型的船舶轨迹异常检测方法,其特征在于:当前的航点信息仅具有位置和半径信息,通过对航点内的AIS数据进行分析可得到航点影响范围内的AIS数据点平均坐标、对地航向和对地航速信息。
3.根据权利要求1所述的基于航道模型的船舶轨迹异常检测方法,其特征在于:所述历史AIS数据包括经度、纬度、时间、船舶MMSI号、航向、航速,其来源包括岸基AIS数据与卫星AIS数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910433802.4A CN110210352B (zh) | 2019-05-23 | 2019-05-23 | 基于航道模型的船舶轨迹异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910433802.4A CN110210352B (zh) | 2019-05-23 | 2019-05-23 | 基于航道模型的船舶轨迹异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110210352A CN110210352A (zh) | 2019-09-06 |
CN110210352B true CN110210352B (zh) | 2021-07-27 |
Family
ID=67788363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910433802.4A Active CN110210352B (zh) | 2019-05-23 | 2019-05-23 | 基于航道模型的船舶轨迹异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110210352B (zh) |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111190978A (zh) * | 2019-12-19 | 2020-05-22 | 北京海兰信数据科技股份有限公司 | 海上目标对象的数据处理方法及装置 |
CN111553291B (zh) * | 2020-04-30 | 2023-10-17 | 北京爱笔科技有限公司 | 行人轨迹的生成方法、装置、设备及计算机存储介质 |
CN111694913B (zh) * | 2020-06-05 | 2023-07-11 | 海南大学 | 一种基于卷积自编码器的船舶ais轨迹聚类方法和装置 |
CN111985529A (zh) * | 2020-07-06 | 2020-11-24 | 东南大学 | 一种船舶ais轨迹混合聚类方法及系统 |
CN111884708A (zh) * | 2020-07-29 | 2020-11-03 | 上海埃威航空电子有限公司 | 基于低轨道卫星和岸基的船舶ais数据采集及融合方法 |
CN111928855A (zh) * | 2020-08-21 | 2020-11-13 | 上海船舶运输科学研究所 | 基于ais数据的最短航线自动规划方法 |
CN112164247A (zh) * | 2020-09-03 | 2021-01-01 | 重庆大学 | 一种基于船舶轨迹聚类的船舶航线预测方法 |
CN112182133B (zh) * | 2020-09-29 | 2022-02-15 | 南京北斗创新应用科技研究院有限公司 | 一种基于ais数据的船舶徘徊检测方法 |
CN112395382A (zh) * | 2020-11-23 | 2021-02-23 | 武汉理工大学 | 基于变分自编码器的船舶异常航迹数据检测方法和装置 |
CN112556698B (zh) * | 2020-12-17 | 2023-12-15 | 广州博进信息技术有限公司 | 船舶行为变化及异常识别方法、设备及介质 |
CN112699315B (zh) * | 2020-12-30 | 2023-08-15 | 中南大学 | 基于ais数据的船舶异常行为探测方法 |
CN113312438B (zh) * | 2021-03-09 | 2023-09-15 | 中南大学 | 融合航线提取与趋势判断的海上目标位置预测方法 |
CN113256146B (zh) * | 2021-06-08 | 2022-03-15 | 广东嘉贸通科技有限公司 | 船舶监管方法及系统 |
CN113409617B (zh) * | 2021-06-15 | 2023-02-17 | 中国水产科学研究院南海水产研究所 | 一种渔业船舶偏航预警系统及方法 |
CN113393707A (zh) * | 2021-06-21 | 2021-09-14 | 广州嘉航通信科技有限公司 | 基于光电联动的船舶监测方法、系统、设备及存储介质 |
CN113536948B (zh) * | 2021-06-22 | 2022-12-09 | 武汉理工大学 | 一种渔船捕捞行为识别方法及装置 |
CN113780952B (zh) * | 2021-09-16 | 2024-03-15 | 上海船舶运输科学研究所有限公司 | 一种集装箱班轮航线运力分析方法及系统 |
CN114020534B (zh) * | 2021-11-05 | 2022-05-10 | 中远海运科技股份有限公司 | 一种航运数据快照生成方法 |
CN114066354B (zh) * | 2021-11-12 | 2023-10-31 | 中远海运科技股份有限公司 | 一种基于全球船舶历史航迹的智能航线推荐方法及系统 |
CN113836118B (zh) * | 2021-11-24 | 2022-03-08 | 亿海蓝(北京)数据技术股份公司 | 船舶静态数据补充方法和装置、电子设备和可读存储介质 |
CN114090718B (zh) * | 2022-01-11 | 2022-05-06 | 中国人民解放军海军工程大学 | 基于Bi-LSTM预测与模糊分析的中断航迹关联方法 |
CN114550498B (zh) * | 2022-01-13 | 2023-04-07 | 武汉理工大学 | 一种海量ais数据驱动的船舶偏离航道智能预警系统 |
CN114742128A (zh) * | 2022-03-10 | 2022-07-12 | 交通运输部水运科学研究所 | 一种船舶异常行为的识别方法、装置、终端和存储介质 |
CN114676180B (zh) * | 2022-05-27 | 2022-09-30 | 中国人民解放军海军工程大学 | 多机协同水下探测的同步复盘系统及方法 |
CN114862738A (zh) * | 2022-06-06 | 2022-08-05 | 集美大学 | 交通流密度自适应的船舶轨迹与电子海图叠加融合显示方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07175935A (ja) * | 1993-07-22 | 1995-07-14 | Philips Electron Nv | デジタル画像処理方法 |
CN108254741A (zh) * | 2018-01-16 | 2018-07-06 | 中国人民解放军海军航空大学 | 基于循环神经网络的目标航迹预测方法 |
CN109543715A (zh) * | 2018-10-23 | 2019-03-29 | 武汉理工大学 | 一种船舶航路提取以及航迹偏离检测的方法 |
CN109697221A (zh) * | 2018-11-22 | 2019-04-30 | 东软集团股份有限公司 | 轨迹规律的挖掘方法、装置、存储介质及电子设备 |
-
2019
- 2019-05-23 CN CN201910433802.4A patent/CN110210352B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07175935A (ja) * | 1993-07-22 | 1995-07-14 | Philips Electron Nv | デジタル画像処理方法 |
CN108254741A (zh) * | 2018-01-16 | 2018-07-06 | 中国人民解放军海军航空大学 | 基于循环神经网络的目标航迹预测方法 |
CN109543715A (zh) * | 2018-10-23 | 2019-03-29 | 武汉理工大学 | 一种船舶航路提取以及航迹偏离检测的方法 |
CN109697221A (zh) * | 2018-11-22 | 2019-04-30 | 东软集团股份有限公司 | 轨迹规律的挖掘方法、装置、存储介质及电子设备 |
Non-Patent Citations (3)
Title |
---|
基于AIS历史数据的异常船舶识别模型研究;姜志森 等;《技术与应用》;20171231;第107-108页 * |
基于网格化的船舶航迹异常检测算法;刘亚帅 等;《雷达与对抗》;20190331;第39卷(第1期);第19-23页 * |
基于网格的航道模式提取算法研究;牛敬华 等;《舰船电子工程》;20190420;第39卷(第4期) * |
Also Published As
Publication number | Publication date |
---|---|
CN110210352A (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210352B (zh) | 基于航道模型的船舶轨迹异常检测方法 | |
Zhang et al. | A big data analytics method for the evaluation of ship-ship collision risk reflecting hydrometeorological conditions | |
Zhao et al. | Ship trajectories pre-processing based on AIS data | |
Gao et al. | Ship-handling behavior pattern recognition using AIS sub-trajectory clustering analysis based on the T-SNE and spectral clustering algorithms | |
CN113032502B (zh) | 一种基于改进轨迹段dbscan聚类的船舶异常检测方法 | |
Dalsnes et al. | The neighbor course distribution method with Gaussian mixture models for AIS-based vessel trajectory prediction | |
Mazzarella et al. | Knowledge-based vessel position prediction using historical AIS data | |
Zissis et al. | A distributed spatial method for modeling maritime routes | |
CN112862156B (zh) | 一种基于船舶轨迹和蚁群算法的船舶路径规划方法 | |
Kontopoulos et al. | A distributed framework for extracting maritime traffic patterns | |
Varlamis et al. | A Network Abstraction of Multi-vessel Trajectory Data for Detecting Anomalies. | |
Virjonen et al. | Ship movement prediction using k-NN method | |
Lee et al. | Maritime traffic route detection framework based on statistical density analysis from AIS data using a clustering algorithm | |
Tang et al. | A method for compressing AIS trajectory data based on the adaptive-threshold Douglas-Peucker algorithm | |
CN111582380A (zh) | 一种基于时空特征的船舶轨迹密度聚类方法及装置 | |
Naus | Drafting route plan templates for ships on the basis of AIS historical data | |
Tang et al. | Detection of abnormal vessel behaviour based on probabilistic directed graph model | |
CN112966332A (zh) | 基于多船运动不确定性的冲突侦测方法、存储器及处理器 | |
Liu et al. | Ship collision risk assessment based on collision detection algorithm | |
CN113312438A (zh) | 融合航线提取与趋势判断的海上目标位置预测方法 | |
CN114936332A (zh) | 一种风电场水域船舶交通流分析的方法、装置和存储介质 | |
Makris et al. | A comparison of trajectory compression algorithms over AIS data | |
Yuan et al. | A novel approach for vessel trajectory reconstruction using AIS data | |
Huang et al. | Research on real-time anomaly detection of fishing vessels in a marine edge computing environment | |
Lu et al. | Historical AIS data-driven unsupervised automatic extraction of directional maritime traffic networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |