CN102890875A - 一种获取海上智能交通网络的系统碰撞风险的方法 - Google Patents

一种获取海上智能交通网络的系统碰撞风险的方法 Download PDF

Info

Publication number
CN102890875A
CN102890875A CN2012103897255A CN201210389725A CN102890875A CN 102890875 A CN102890875 A CN 102890875A CN 2012103897255 A CN2012103897255 A CN 2012103897255A CN 201210389725 A CN201210389725 A CN 201210389725A CN 102890875 A CN102890875 A CN 102890875A
Authority
CN
China
Prior art keywords
risk
straton
collision
ships
transportation network
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.)
Granted
Application number
CN2012103897255A
Other languages
English (en)
Other versions
CN102890875B (zh
Inventor
陈积明
周梦婕
葛泉波
孙优贤
黄习刚
刘月胜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201210389725.5A priority Critical patent/CN102890875B/zh
Publication of CN102890875A publication Critical patent/CN102890875A/zh
Application granted granted Critical
Publication of CN102890875B publication Critical patent/CN102890875B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种获取海上智能交通网络的系统碰撞风险的方法,该方法通过基于层次聚类的化简算法对某一时刻整个海上智能交通网络的拓扑结构进行分层简化,剔除无需考虑碰撞风险的船舶;然后以两船避碰系统的碰撞风险为基础,应用自底向上的变加权融合的方法得到从子系统至整个海上交通网络的系统碰撞风险。

Description

一种获取海上智能交通网络的系统碰撞风险的方法
技术领域
本发明属于信息技术和航海领域,特别是涉及一种获取海上智能交通网络的系统碰撞风险的方法。
背景技术
随着全球贸易的繁荣发展,海上船舶交通流量日益增加,因此海上船舶交通系统的内部风险也随之明显增加,从而导致海上智能交通管理的复杂程度和压力也日益凸现。海上智能交通网络是包含大量船舶的动态网络,其碰撞事件在海上交通事故中占有很大比例,每年因其造成的经济损失和人员伤亡很大。因此,对海上智能交通网络内的船舶碰撞风险进行有效的识别、评估和风险控制管理显得异常重要。
海上智能交通网络中的船舶碰撞危险度的研究得到了众多研究者的关注,并应用模糊理论、信息融合和神经网络等先进信息处理技术获得了一些有用的研究成果。目前普遍被人们采用的计算船舶碰撞危险度的方案是:各避碰船以自身为标准,基于各自DCPA和TCPA和一些其他因素来获得目标船舶对本船的碰撞危险度。因此,计算碰撞危险度的方法研究主要从船舶操纵者角度进行,是从微观层面对碰撞风险的衡量,难以满足海事部门在进行宏观分析与全局决策上的需求,同时单一的(两船)碰撞危险度定义不具备直接描述系统(宏观)层面的风险能力。也有一些文献给出了对整个海域船舶碰撞风险的研究,但其中的风险是基于多年船舶航行数据的统计量进行的研究,是一个较长时间尺度意义的系统碰撞风险。海事部门在全局决策的时候需要的系统碰撞风险是时间尺度较短的‘即时’系统风险,也就是我们发明的内容。
到目前为止,尚未见到有关本发明涉及的获取海上智能交通网络的系统碰撞风险的报道。
发明内容
本发明的目的是克服现有技术的不足,提供一种获取海上智能交通网络的系统碰撞风险的方法。
本发明的目的是通过以下技术方案来实现的:一种获取海上智能交通网络的系统碰撞风险的方法,该方法包括如下步骤:
(1)获取一段时间的AIS数据:从船舶VTS系统中获取一段时间的海上交通的标准AIS数据;提取以下字段的数据:mmsi、shipname、sog、cog、heading、lon、lat和f_update_time。
(2)从步骤1获得的海上船舶AIS数据中提取某一采样时刻各个船舶的航行数据。
(3)对步骤2获得的数据进行层次聚类和划分类别。
(4)对步骤3中获得的若干类,进行分层化简。
(5)对步骤4中获得的每层子系统,计算其系统碰撞风险。
(6)根据结果判断海上智能交通网络的系统碰撞风险:f1≥f时,认为整个海上智能交通网络即时系统碰撞风险较大,f1<f时,认为整个海上智能交通网络的即时系统碰撞风险较小;其中,f为风险阈值。
本发明的有益效果是:根据获取的海上智能交通网络的系统碰撞风险值可以为海事部门进行海上碰撞风险评估,降低海上智能交通网络的整体碰撞风险提供决策依据。
附图说明
图1是最短距离法聚类得到的层次树示意图;
图2是最短距离法聚类后按阈值分层结果示意图;
图3是海上智能交通网络化简结果示意图。
具体实施方式
下面结合附图详细描述本发明,本发明的目的和效果将变得更加明显。
本发明获取海上智能交通网络的系统碰撞风险的方法,包括如下步骤:
步骤1:获取一段时间的AIS数据。
从船舶VTS系统中获取一段时间的海上交通的标准AIS数据。提取以下字段的数据:mmsi(船号)、shipname(船名)、sog(对地航速)、cog(对地航向)、heading(航向)、lon(经度)、lat(纬度)和f_update_time(更新时间)。
步骤2:从步骤1获得的海上船舶AIS数据中提取某一采样时刻各个船舶的航行数据。
将某一采样时刻各个船舶的航行数据从步骤1中获得的原始数据中提取出来,保存的格式与步骤1相同。
步骤3:对步骤2获得的数据进行层次聚类和划分类别。
提取步骤2中船舶数据,每个数据是一个二维空间,由船舶的经度和纬度经过实际距离的换算得到,其换算是以零度经线和纬线的交点为假想的坐标轴原点,向东为正x方向,向北为正y方向。对换算过后的N艘船舶的一个采样时刻的数据应用最短距离(欧氏距离)法聚类,得到大小为N的一个类,N为船舶数量。这个类是一个完整的分层树,它反映的是船舶地理距离之间的关系,船舶之间按距离由近到远聚成一类。然后我们用一个距离阈值d横切聚类树,这个值将截断树的若干个连接,属于每个连接的船舶节点划分为一个类。因此整个海上智能交通网络被聚成若干类,记为{C1,C2,C3,…,Cn},其中,Ci是聚类划分得到的类,i=1,2,…,n,n为自然数。每一个类中的船舶间地理距离不超过d。其物理意义是:属于一个类中的船舶之间的最大距离是d,换言之,合适选取阈值d可以将地理位置相距较近的船舶划分为一类。从船舶碰撞风险识别的角度来看,距离越近的船舶之间发生碰撞事件的概率显然要高一些,所以在接下来计算系统碰撞风险时,不需要考虑属于不同类的船舶之间的碰撞风险。图1和图2是上述方法的示意图。
步骤4:对步骤3中获得的若干类,进行分层化简。
对步骤3中得到的类{C1,C2,C3,…,Cn},进行进一步的简化。首先规定Si代表海上智能交通网络的第i层子系统,Si,j为第i层子系统中的第j个系统。对类的分层化简具体为:
4.1、若Ci中只有一个节点,显然该类中的船舶不构成碰撞系统,无需考虑。
4.2、若Ci中只有两个节点,若满足0≤TCPA≤t2(TCPA是最短会遇时间,t2是注意时间),则作为第二层子系统S2,j;反之,无需考虑;
4.3、若Ci中节点数多于两个,遍历Ci中的两两节点对,筛选留下来满足0≤TCPA≤t2的节点对;如果无符合条件的节点对,那么无需考虑该类;反之,这些节点对整体作为第二层子系统S2,j;如果节点对数超过1,那么还需进行下列简化:
4.3.1记构成某个第二层子系统S2,j中的相应节点对为第四层子系统S4={S4,1,S4,2…S4,k},i=1;
4.3.2、若
Figure BDA00002255368600031
j=1,Xi=S4,j(Xi是中间变量);反之,执行4.3.8;
4.3.3、若j<k,j=j+1;
4.3.4、若
Figure BDA00002255368600032
Xi=S4,j∪Xi
4.3.5、重复步骤4.3.3和4.3.4;
4.3.6、S4=S4-Xi,i=i+1;
4.3.7、重复4.3.2~4.3.6;
4.3.8、Xi中的所有节点对构成S3,i
4.3.9、返回该第二层系统S2,j对应的第三层子系统S3,1,S3,2…;
4.4、重复步骤4.1-4.3,遍历所有类,最终得到整个海上智能交通网络的层次划分。第一层系统即为海上智能交通网络,它包含若干个第二层子系统,每一个第二层子系统包含若干第三层子系统,每一个第三层子系统又由若干第四层子系统组成。整个层次关系如图3所示。注意:对于只有一个两船避碰系统的第二层子系统,该系统的第三层、第四层子系统和第二层子系统是一样的。最终,整个海上智能交通网络被划分为四个层次的系统,并且一些不需要考虑碰撞风险的船舶被剔除,降低了计算复杂性。
步骤5:对步骤4中获得的每层子系统,计算其系统碰撞风险。
5.1计算第四层子系统的风险
第四层子系统实际上是两船避碰系统。采用周江华、吴春杰:船舶碰撞危险度模型的构建,宁波大学学报(理工版),2004,17(1),61-65.所述方法计算第四层子系统中两船各自碰撞危险度f1→2(1相对于2的碰撞危险度)和f2→1(2对于1的碰撞危险度)。记f12是船舶1与2构成的避碰系统的系统碰撞风险。通常f1→2≠f2→1
Figure BDA00002255368600041
如果用f1→2和f2→1中的任何一个来衡量两船的系统整体碰撞风险,都存在一定的片面性,必然导致忽视或减弱另一个碰撞危险度对系统整体碰撞风险的贡献。但是由于f1→2、f2→1和f12是从不同的角度对同一个问题的表征,三者之间必然存在一些联系。这里采用将f1→2和f2→1加权的方式得到f12,即
f12=αf1→2+βf2→1
其中,α和β分别是两个危险度的权重,它们满足α+β=1。根据线性加权融合的基本原理,权重可以根据该系统内每个碰撞危险度对系统碰撞风险的贡献来确定。可以理解,危险度较大的船舶的贡献比危险度较小的船舶贡献大。但是,对于一个两船避碰系统,f1→2和f2→1是时变的,那么其权重(α,β)也应该是时变的。因此,取α=f1→2/(f1→2+f2→1)和β=f2→1/(f1→2+f2→1),则
f 12 = f 1 &RightArrow; 2 f 1 &RightArrow; 2 + f 2 &RightArrow; 1 f 1 &RightArrow; 2 + f 2 &RightArrow; 1 f 1 &RightArrow; 2 + f 2 &RightArrow; 1 f 2 &RightArrow; 1
以此计算第四层子系统碰撞风险,得到的第四层子系统风险依次记为f4,i,i=1,2,…,m4,其中,m4是第四层子系统的个数。
上述加权方式既简单直观,又可以较好地反映两个危险度对系统整体碰撞风险刻画的影响。经证明,上述计算模型得到的两船系统碰撞风险值在[0,1]之间,即
Figure BDA00002255368600043
那么可将其作为一个系统碰撞可能性的概率来理解,这也符合进行船舶交通系统碰撞风险评估的初衷。
5.2计算第三层子系统的风险
对5.1中获得的第四层子系统风险,计算属于相应的第二层子系统的第三层子系统风险。计算公式如下:
Figure BDA00002255368600051
j=1,2,…,m3,其中,
Figure BDA00002255368600052
是权值,f3,j是第j个三层子系统的风险,m3是第三层子系统的个数,N4,j是属于第j个三层子系统的第四层子系统的个数,α4,i是每个f4,i的权值。
5.3计算第二层子系统的风险
对5.2中获得的第三层子系统风险,计算属于相应的第二层子系统的风险。计算公式如下:
Figure BDA00002255368600053
j=1,2,…,m2,其中
Figure BDA00002255368600054
是权值,f2,j是第j个二层子系统的风险,m2是第二层子系统的个数,N3,j是属于第j个二层子系统的第三层子系统的个数,α3,i是每个f3,i的权值。
5.4计算第一层系统,即海上智能交通网络的系统碰撞风险
对5.3中获得的第二层子系统风险,计算第一层系统的风险f1。计算公式如下:
其中是权值,m2是第二层子系统的个数,α2,i是每个f2,i的权值。
步骤6:根据结果判断海上智能交通网络的系统碰撞风险。
依据经验选取合适的风险阈值。本发明中选取f=0.4作为风险阈值。
f1≥f时,认为整个海上智能交通网络即时系统碰撞风险较大。
f1<f时,认为整个海上智能交通网络的即时系统碰撞风险较小。
由于每一层子系统的系统碰撞风险均可以在上述计算过程中得到,海事管理人员可以选取系统碰撞风险较大的子系统进行监视。
本发明的一种海上智能交通网络的系统碰撞风险获取方法,是基于信息融合和分层聚类,将整个海上智能交通网络的拓扑结构进行简化,避免计算两船碰撞风险的遍历的复杂性;首先构建了两船避碰系统的系统碰撞风险,再基于此和系统化简的结果,用自底向上的加权融合方法,计算得到每一层的子系统碰撞风险以及大系统的系统碰撞风险。最终的结果可以为海事管理部门宏观管理海上交通,识别的评估系统碰撞风险作为定量的依据。

Claims (1)

1.一种获取海上智能交通网络的系统碰撞风险的方法,其特征在于,该方法包括如下步骤:
(1)获取一段时间的AIS数据:从船舶VTS系统中获取一段时间的海上交通的标准AIS数据;提取以下字段的数据:mmsi、shipname、sog、cog、heading、lon、lat和f_update_time。
(2)从步骤1获得的海上船舶AIS数据中提取某一采样时刻各个船舶的航行数据。
(3)对步骤2获得的数据进行层次聚类和划分类别:提取步骤2中船舶数据,该数据是一个二维空间,由船舶的经度和纬度经过实际距离的换算得到,其换算是以零度经线和纬线的交点为假想的坐标轴原点,向东为正x方向,向北为正y方向。对换算过后的N艘船舶的一个采样时刻的数据应用最短距离(欧氏距离)法聚类,得到大小为N的一个类,N为船舶数量。这个类是一个完整的分层树,它反映的是船舶地理距离之间的关系,船舶之间按距离由近到远聚成一类。然后用一个距离阈值d横切聚类树,这个值将截断树的若干个连接,属于每个连接的船舶节点划分为一个类。因此整个海上智能交通网络被聚成若干类,记为{C1,C2,C3,…,Cn},其中,Ci是聚类划分得到的类,i=1,2,…,n,n为自然数。每一个类中的船舶间地理距离不超过d。
(4)对步骤3中获得的若干类,进行分层化简:对步骤3中得到的类{C1,C2,C3,…,Cn},进行进一步的简化。首先规定Si代表海上智能交通网络的第i层子系统,Si,j为第i层子系统中的第j个系统。对类的分层化简具体为:
(4.1)若Ci中只有一个节点,显然该类中的船舶不构成碰撞系统,无需考虑。
(4.2)若Ci中只有两个节点,若满足0≤TCPA≤t2(TCPA是最短会遇时间,t2是注意时间),则作为第二层子系统S2,j;反之,无需考虑;
(4.3)若Ci中节点数多于两个,遍历Ci中的两两节点对,筛选留下来满足0≤TCPA≤t2的节点对;如果无符合条件的节点对,那么无需考虑该类;反之,这些节点对整体作为第二层子系统S2,j;如果节点对数超过1,那么还需进行下列简化:
(4.3.1)记构成某个第二层子系统S2,j中的相应节点对为第四层子系统S4={S4,1,S4,2…S4,k},i=1;
(4.3.2)若
Figure FDA00002255368500021
j=1,Xi=S4,j(Xi是中间变量);反之,执行4.3.8;
(4.3.3)若j<k,j=j+1;
(4.3.4)若
Figure FDA00002255368500022
Xi=S4,j∪Xi
(4.3.5)重复步骤4.3.3和4.3.4;
(4.3.6)S4=S4-Xi,i=i+1;
(4.3.7)重复4.3.2~4.3.6;
(4.3.8)Xi中的所有节点对构成S3,i
(4.3.9)返回该第二层系统S2,j对应的第三层子系统S3,1,S3,2…;
(4.4)重复步骤4.1-4.3,遍历所有类,最终得到整个海上智能交通网络的层次划分。第一层系统即为海上智能交通网络,它包含若干个第二层子系统,每一个第二层子系统包含若干第三层子系统,每一个第三层子系统又由若干第四层子系统组成。
(5)对步骤4中获得的每层子系统,计算其系统碰撞风险,具体包括以下步骤:
(5.1)计算第四层子系统的风险:第四层子系统实际上是两船避碰系统,计算第四层子系统中两船各自碰撞危险度f1→2(第1条船相对于第2条船的碰撞危险度)和f2→1(第2条船对于第1条船的碰撞危险度)。记f12是第1条船与第2条船构成的避碰系统的系统碰撞风险;f12=αf1→2+βf2→1;其中,α和β分别是两个危险度的权重,它们满足α+β=1。α=f1→2/(f1→2+f2→1),β=f2→1/(f1→2+f2→1),则:
f 12 = f 1 &RightArrow; 2 f 1 &RightArrow; 2 + f 2 &RightArrow; 1 f 1 &RightArrow; 2 + f 2 &RightArrow; 1 f 1 &RightArrow; 2 + f 2 &RightArrow; 1 f 2 &RightArrow; 1 ;
以此计算第四层子系统碰撞风险,得到的第四层子系统风险依次记为f4,i,i=1,2,…,m4,其中,m4是第四层子系统的个数。
(5.2)计算第三层子系统的风险:对5.1中获得的第四层子系统风险,计算属于相应的第二层子系统的第三层子系统风险。计算公式如下:
Figure FDA00002255368500024
j=1,2,…,m3,其中,
Figure FDA00002255368500025
是权值,f3,j是第j个三层子系统的风险,m3是第三层子系统的个数,N4,j是属于第j个三层子系统的第四层子系统的个数,α4,i是每个f4,i的权值。
(5.3)计算第二层子系统的风险:对5.2中获得的第三层子系统风险,计算相应的第二层子系统的风险。计算公式如下:
Figure FDA00002255368500031
j=1,2,…,m2,其中是权值,f2,j是第j个二层子系统的风险,m2是第二层子系统的个数,N3,j是属于第j个二层子系统的第三层子系统的个数,α3,i是每个f3,i的权值。
(5.4)计算第一层系统,即海上智能交通网络的系统碰撞风险:对5.3中获得的第二层子系统风险,计算第一层系统的风险f1。计算公式如下:
Figure FDA00002255368500033
其中
Figure FDA00002255368500034
是权值,m2是第二层子系统的个数,α2,i是每个f2,i的权值。
(6)根据结果判断海上智能交通网络的系统碰撞风险:f1≥f时,认为整个海上智能交通网络即时系统碰撞风险较大,f1<f时,认为整个海上智能交通网络的即时系统碰撞风险较小;其中,f为风险阈值。
CN201210389725.5A 2012-10-15 2012-10-15 一种获取海上智能交通网络的系统碰撞风险的方法 Active CN102890875B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210389725.5A CN102890875B (zh) 2012-10-15 2012-10-15 一种获取海上智能交通网络的系统碰撞风险的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210389725.5A CN102890875B (zh) 2012-10-15 2012-10-15 一种获取海上智能交通网络的系统碰撞风险的方法

Publications (2)

Publication Number Publication Date
CN102890875A true CN102890875A (zh) 2013-01-23
CN102890875B CN102890875B (zh) 2015-04-15

Family

ID=47534365

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210389725.5A Active CN102890875B (zh) 2012-10-15 2012-10-15 一种获取海上智能交通网络的系统碰撞风险的方法

Country Status (1)

Country Link
CN (1) CN102890875B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103198719A (zh) * 2013-03-27 2013-07-10 集美大学 基于pidvca原理的两船协调避让的优化方法
CN104504277A (zh) * 2014-12-30 2015-04-08 江苏理工学院 一种船舶冲突预警方法
CN104537891A (zh) * 2014-12-30 2015-04-22 江苏理工学院 一种船舶轨迹实时预测方法
CN105810013A (zh) * 2014-12-30 2016-07-27 中国移动通信集团公司 一种基于车群风险的车辆防撞控制方法和装置
CN106444574A (zh) * 2015-08-13 2017-02-22 波音公司 估计船舶意图
CN107657144A (zh) * 2017-08-30 2018-02-02 天津大学 一种基于船舶ais和计程仪数据的近岸流场反演方法
CN109166355A (zh) * 2018-07-20 2019-01-08 大连海事大学 一种船舶航道航行时的变速避让系统
CN110009936A (zh) * 2019-03-15 2019-07-12 北京海兰信数据科技股份有限公司 一种用于繁忙水域的船舶辅助避碰方法
CN111145595A (zh) * 2020-02-20 2020-05-12 智慧航海(青岛)科技有限公司 基于投影寻踪法的自主驾驶船舶重点避让船舶的确认方法
CN114464014A (zh) * 2022-01-05 2022-05-10 集美大学 基于模糊逻辑的区域船舶碰撞风险处理方法、系统和介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101615349A (zh) * 2009-07-24 2009-12-30 姚和平 渔船环境监控避碰报警系统
CN101639988A (zh) * 2009-05-15 2010-02-03 天津七一二通信广播有限公司 避免船只碰撞的方法
CN201435162Y (zh) * 2009-05-15 2010-03-31 天津七一二通信广播有限公司 船舶智能避碰预警装置
WO2011027037A1 (en) * 2009-09-04 2011-03-10 Valtion Teknillinen Tutkimuskeskus Intelligent waterway risk indication system and a related method
KR20120074874A (ko) * 2010-12-28 2012-07-06 한국해양연구원 변동행동공간탐색법을 이용한 선박충돌회피 지원 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101639988A (zh) * 2009-05-15 2010-02-03 天津七一二通信广播有限公司 避免船只碰撞的方法
CN201435162Y (zh) * 2009-05-15 2010-03-31 天津七一二通信广播有限公司 船舶智能避碰预警装置
CN101615349A (zh) * 2009-07-24 2009-12-30 姚和平 渔船环境监控避碰报警系统
WO2011027037A1 (en) * 2009-09-04 2011-03-10 Valtion Teknillinen Tutkimuskeskus Intelligent waterway risk indication system and a related method
KR20120074874A (ko) * 2010-12-28 2012-07-06 한국해양연구원 변동행동공간탐색법을 이용한 선박충돌회피 지원 시스템

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周江华,等: "船舶碰撞危险度模型的构建", 《宁波大学学报(理工版)》, vol. 17, no. 1, 31 March 2004 (2004-03-31) *
姚杰,等: "多船会遇碰撞危险的灰色动态评价模型", 《大连水产学院学报》, vol. 16, no. 4, 31 December 2001 (2001-12-31) *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103198719A (zh) * 2013-03-27 2013-07-10 集美大学 基于pidvca原理的两船协调避让的优化方法
CN103198719B (zh) * 2013-03-27 2015-02-04 集美大学 基于pidvca原理的两船协调避让的优化方法
CN104504277B (zh) * 2014-12-30 2017-12-19 江苏理工学院 一种船舶冲突预警方法
CN104537891A (zh) * 2014-12-30 2015-04-22 江苏理工学院 一种船舶轨迹实时预测方法
CN105810013A (zh) * 2014-12-30 2016-07-27 中国移动通信集团公司 一种基于车群风险的车辆防撞控制方法和装置
CN104537891B (zh) * 2014-12-30 2016-08-24 江苏理工学院 一种船舶轨迹实时预测方法
CN106228850A (zh) * 2014-12-30 2016-12-14 江苏理工学院 基于滚动规划策略的船舶轨迹实时预测方法
CN104504277A (zh) * 2014-12-30 2015-04-08 江苏理工学院 一种船舶冲突预警方法
CN106444574A (zh) * 2015-08-13 2017-02-22 波音公司 估计船舶意图
CN107657144A (zh) * 2017-08-30 2018-02-02 天津大学 一种基于船舶ais和计程仪数据的近岸流场反演方法
CN107657144B (zh) * 2017-08-30 2020-03-17 天津大学 一种基于船舶ais和计程仪数据的近岸流场反演方法
CN109166355A (zh) * 2018-07-20 2019-01-08 大连海事大学 一种船舶航道航行时的变速避让系统
CN109166355B (zh) * 2018-07-20 2021-08-03 大连海事大学 一种船舶航道航行时的变速避让系统
CN110009936A (zh) * 2019-03-15 2019-07-12 北京海兰信数据科技股份有限公司 一种用于繁忙水域的船舶辅助避碰方法
CN110009936B (zh) * 2019-03-15 2021-01-05 北京海兰信数据科技股份有限公司 一种用于繁忙水域的船舶辅助避碰方法
CN111145595A (zh) * 2020-02-20 2020-05-12 智慧航海(青岛)科技有限公司 基于投影寻踪法的自主驾驶船舶重点避让船舶的确认方法
CN111145595B (zh) * 2020-02-20 2021-06-25 智慧航海(青岛)科技有限公司 基于投影寻踪法的自主驾驶船舶重点避让船舶的确认方法
CN114464014A (zh) * 2022-01-05 2022-05-10 集美大学 基于模糊逻辑的区域船舶碰撞风险处理方法、系统和介质

Also Published As

Publication number Publication date
CN102890875B (zh) 2015-04-15

Similar Documents

Publication Publication Date Title
CN103106812A (zh) 一种获取海上船舶系统平均碰撞风险的方法
CN102890875B (zh) 一种获取海上智能交通网络的系统碰撞风险的方法
Wang et al. Safety assessment of shipping routes in the South China Sea based on the fuzzy analytic hierarchy process
CN104408900B (zh) 基于动态优化的神经网络洪水预警装置及其方法
CN109543715A (zh) 一种船舶航路提取以及航迹偏离检测的方法
CN104050329A (zh) 一种检测船舶碰撞危险度的方法
CN107571965B (zh) 一种基于移动终端的船舶海上作业辅助决策支持系统
CN111428916B (zh) 一种海上救援船舶巡航路径规划方法
Wang et al. Sea-water-level prediction via combined wavelet decomposition, neuro-fuzzy and neural networks using SLA and wind information
Zhou A comprehensive framework for assessing navigation risk and deploying maritime emergency resources in the South China Sea
Musa et al. A climate distribution model of malaria transmission in Sudan
Reyes et al. Coastal high-frequency radars in the Mediterranean–Part 2: Applications in support of science priorities and societal needs
Wang et al. Risk assessment for typhoon-induced storm surges in Wenchang, Hainan Island of China
Xu et al. Risk evaluation system of navigation security based on coupled wind and wave model: a case of study of Qiongzhou strait
Zhou et al. A comprehensive path planning framework for patrolling marine environment
Ai et al. Vulnerability analysis of coastal zone based on InVEST model in Jiaozhou Bay, China
CN113962426A (zh) 一种近海水上通航安全智能预报方法和装置
Aisjah et al. Maritime weather prediction using fuzzy logic in Java Sea for shipping feasibility
Mannarini et al. VISIR-1. b: Ocean surface gravity waves and currents for energy-efficient navigation
CN105070102A (zh) 一种基于模糊逻辑的船舶航行动态风险推理系统及其方法
Weixi et al. A Case Research on Vulnerability of logistics system in the Tianjin port
Aisjah et al. Maritime weather prediction using fuzzy logic in java sea
Hu et al. Automatic identification of ship navigation risk for collision accidents using uncertain regression model
Jochens et al. The Gulf of Mexico Coastal Ocean Observing System: An integrated approach to building an operational regional observing system
Sun et al. Mapping Island Ecological Vulnerability to Urbanization: A Study of Twelve Island Counties/Districts, China

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant