CN104091470B - 一种基于多数据融合的航道交通信息预测方法及应用 - Google Patents
一种基于多数据融合的航道交通信息预测方法及应用 Download PDFInfo
- Publication number
- CN104091470B CN104091470B CN201410337925.5A CN201410337925A CN104091470B CN 104091470 B CN104091470 B CN 104091470B CN 201410337925 A CN201410337925 A CN 201410337925A CN 104091470 B CN104091470 B CN 104091470B
- Authority
- CN
- China
- Prior art keywords
- information
- boats
- ships
- monitoring point
- course
- 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
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于多数据融合的航道交通信息预测方法及应用。本发明将来源于不同类型离散监测点的船舶监测信息进行融合,在统一信息格式后结合卫星定位信息,确定当前活动的船舶,并生成活动船舶的当前航行轨迹,然后根据船舶的历史航行信息和当前航行轨迹,结合船舶信息,采用朴素贝叶斯分类算法预测船舶将要到达的下一个连通监测点的概率,得到航向概率集作为船舶航向预测结果,最后根据部分船舶的卫星定位信息对航向概率集中的概率数据进行修正,从而得到修正后的船舶航向预测结果。本发明依据船舶的航向预测结果,结合船舶信息和航道信息,采用定制化的方式,完成航道交通业务信息的估算和预测。
Description
技术领域
本发明涉及船舶航道交通管理。
技术背景
随着船舶大型化的发展、航次时间的缩短、水路交通量的快速增长以及超限超载等违章行为的大量存在,极易引起水上交通的拥堵,严重影响水路运输的效率。全面掌握水路交通基础设施现状,实时掌握内河交通运输动态,及时采集船舶运行状态,并突发事件等进行预测预警,对水上运输安全监管、确保航道畅通、合理配置航道资源有着重要的意义。在通过各类现场传感器装置实现交通信息的采集、汇聚、监测的基础上,利用交通信息的可预测性、利用各种信息技术对交通信息进行预测、对交通事件进行自动检测,对提高交通设施的通过能力、减少交通事件造成的损失、避免二次事件的发生等有着重要的作用。
在传统的水路运输管理中,主管部门通常通过VTS(VesselTrafficServices,船舶交通管理系统)来了解来往船舶的信息及航行状态,但是由于需要人工向系统输入信息导致工作强度大、雷达距离限制及盲区情况、建设及运行的资金代价等因素,导致其不适应于交通繁忙的水域和内河航运。针对此情况,北美和欧洲研究并应用基于VHF/DSC的自动获得船舶信息和航行状态的技术,即AIS(AutomaticidentificationSystem,自动身份识别系统),配备了AIS的船舶可以自动识别其周围20海里水域内其他配备了AIS的航行船舶,并掌握这些船舶的名称、类型、位置、航向、航速、航行状态及其他与安全有关的信息,从而大大降低船与船之间碰撞的可能性,交管部门也可以借助AIS掌握安装了AIS设备的船舶行驶状况。国内在沿海主要港口、重要水道和长江干线南京以下水域等开阔水域的交通管理中,同样采用VTS和AIS结合的方式。
由于VTS和AIS建设和运行的代价昂贵,同时由于内河航道点多线长面广、内河运输船舶吨位小数量大等特点,国内的内河交通管理对船舶信息的采集可以分为连续采集方式和离散采集方式。在连续方式中,船载GPS终端不断通过AIS向信息中心汇报船舶的实时航行状态(如位置、速度等)。在离散方式中,采用各种不同技术手段的岸基监测点(如视频监测点、RFID监测点和船闸检测点等)采集观测范围内的船舶监测信息并向信息中心进行汇报。离散方式和连续方式采集到的船舶信息各有特点:一方面通过连续采集方式可以持续得到具体船舶的当前最新信息,但是并不是所有船舶均安装有船载GPS终端设备,也无法保证安装有船载GPS终端设备的船舶在航行时随时通过AIS完成信息汇报,此外还存在着伪造船载GPS终端设备身份和船舶信息从而逃避监管和处罚的可能;另一方面通过离散采集方式,虽然无法持续得到部分船舶的实时航行信息,但能确保观测范围内所有船舶监测信息的准确性和完整性。
因此,有必要在对离散数据和连续数据进行融合的基础上,完成航道信息的分析和预测。
发明内容
本发明所要解决的问题是为实现对航道监管和预警分析提供支持,解决航道交通信息预测的准确性、完整性和实施性的问题。
为解决上述问题,本发明采用的方案如下:
根据本发明的一种基于多数据融合的航道交通信息预测方法,包括以下步骤:
S1:接收离散监测点船舶的离散监测信息和卫星定位信息;
S2:对来源于不同类型离散监测点的船舶监测信息进行融合,并统一信息格式;S3:根据融合后的离散监测信息和卫星定位信息确定当前活动的船舶,并生成活动船舶的当前航行轨迹;
S4:根据船舶历史航行轨迹信息和当前航行轨迹,结合船舶信息,采用朴素贝叶斯分类算法预测船舶将要到达下一个连通监测点的概率,得到航向概率集PS={pi,1,pi,2,pi,3,...,pi,n,pi,stop},作为航向预测结果;
S5:根据部分船舶的卫星定位信息,对航向概率集PS中的概率数据进行修正,得到修正后的航向预测结果;
其中,pi,j表示船舶在i监测点后航向j监测点的航向概率,pi,stop表示船舶在i监测点后处于停泊状态的概率,i监测点为当前监测点;所述j监测点与i监测点相连通。
进一步,根据本发明的基于多数据融合的航道交通信息预测方法,所述步骤S5包括根据序列化的船舶的卫星定位信息对航向概率集PS中的概率数据进行累进修正,即 或 其中,mpi,j表示i监测点后,航向j监测点的航向修正概率;mi,j,k表示船舶在i监测点后,在第k个船舶的卫星定位信息下,航向j监测点的概率修正系数;N为船舶的卫星定位信息数。
进一步,根据本发明的基于多数据融合的航道交通信息预测方法,所述mi,j,k采用如下公式计算:mi,j,k=f(Li,Lj,Pk);其中,Li和Lj分别表示i监测点和j监测点的位置坐标;Pk表示第k个卫星定位信息的位置坐标。f是一个合理的计算公式,如其中Dist表示航道距离计算公式。在监控船舶数量众多而计算资源有限的情况下,f也可以设为常函数,此时mi,j,k=c,其中c是一个小常数。
根据本发明的一种基于多数据融合的航道交通信息装置,包括离散监测信息接收模块、卫星定位信息接收模块、监测点网络配置模块、消息融合模块、历史航行存储模块、活动船舶管理模块、航向预测模块;所述离散监测信息接收模块用于接收离散监测点船舶的离散监测信息;所述卫星定位信息接收模块用于接收船舶的卫星定位信息;监测点网络配置模块用于以地理信息系统基础构建监测点网络,并配置融合监测点;所述消息融合模块用于对不同技术类型的离散监测点所采集到的船舶监测信息进行融合,并统一信息格式;所述历史航行存储模块用于存储船舶历史航行轨迹信息;所述活动船舶管理模块用于根据融合后的离散监测信息和卫星定位信息确定当前活动的船舶,并生成活动船舶的当前航行轨迹,并将船舶的航行轨迹保存至历史航行存储模块形成历史航行轨迹信息;所述航向预测模块用于根据接收的离散监测信息和卫星定位信息以及历史航行轨迹信息预测船舶的航行轨迹,包括离散预测模块和连续修正模块;所述离散预测模块用于根据船舶历史航行轨迹信息、和当前航行轨迹采用朴素贝叶斯分类算法预测船舶将要到达下一个不同监测点的概率得到航向概率集PS={pi,1,pi,2,pi,3,...,pi,n,pi,stop};连续修正模块用于根据船舶的卫星定位信息对航向概率集PS中的概率数据进行修正;其中,pi,j表示船舶在i监测点航向j监测点的航向概率,pi,stop表示船舶在通过i监测点后处于停泊状态的概率,i监测点为当前监测点;所述j监测点与当前监测点相邻。
进一步,根据本发明的基于多数据融合的航道交通信息装置,所述连续修正模块包括用于根据序列化的船舶的卫星定位信息对航向概率集PS中的概率数据进行累进修正的模块,即采用公式 修正航向概率集PS中的概率数据;其中,mpi,j表示i监测点后,航向j监测点的航向修正概率;mi,j,k表示船舶在i监测点在第k个船舶的卫星定位信息下航向j监测点的概率修正系数;N为船舶的卫星定位信息数。
进一步,根据本发明的基于多数据融合的航道交通信息装置,所述mi,j,k采用如下公式计算:mi,j,k=f(Li,Lj,Pk);其中,Li和Lj分别表示i监测点和j监测点的位置坐标;Pk表示第k个卫星定位信息的位置坐标。f是一个合理的计算公式,如其中Dist表示航道距离计算公式。在监控船舶数量众多而计算资源有限的情况下,f也可以设为常函数,此时mi,j,k=c,其中c是一个小常数。
进一步,根据本发明的基于多数据融合的航道交通信息装置,还包括交通业务信息接口模块;所述交通信息业务接口模块用于根据船舶航行信息,采用定制化的方式估算交通业务信息;所述船舶航行信息包括船舶基本信息、历史航行信息、当前航行轨迹、航向预测信息(以概率分布表的方式给出)等;所述交通业务信息包括航道密度、平均航速、货物密度和船舶位置等。
本发明的技术效果如下:通过综合考虑船舶的离散数据和连续数据,对船舶航行的实时航向进行预测,依据船舶航向的预测结果,结合船舶基本信息和航道信息,对航道交通信息进行估算和预测,从而对航道监管和预警分析提供支持。
附图说明
图1是航道交通信息预测装置的模块结构示意图。
图2是监测点融合的示意图。
图3是船舶的可能航向示意图。
图4是船舶航行轨迹不确定性导致卫星定位信息错误示意图。
图5是基于多数据融合的航道交通信息预测方法中步骤S5的流程示意图。
具体实施方式
下面结合说明书附图对本发明做进一步详细说明。
如图1所示,一种基于多数据融合的航道交通信息装置,包括离散监测信息接收模块111、卫星定位信息接收模块112、监测点网络配置模块101、消息融合模块113、历史航行存储模块121、活动船舶管理模块122、航向预测模块123。
离散监测信息接收模块111用于接收离散监测点船舶的离散监测信息。离散监测点包括但不限于:“RFID监测点”、“视频监测点”、“船闸监测点”。由于“RFID监测点”、“视频监测点”、“船匝监测点”固定在航道沿岸的特定位置上,并对通过该位置的船舶进行监测。这些监测点无法连续跟踪特定船舶,因此称为“离散监测点”。离散监测信息包括监测点身份、船舶身份和通过信息。根据船舶身份,可以在相关系统中查询到船舶的基本信息,这些信息包括船舶编号、吨位大小、吃水深度、船舶大小、所有权人等。根据监测点身份,可以在相关系统中查询到离散监测点的基本信息,这些信息包括监测点位置、监测点所使用的观测技术等。其中,“RFID监测点”和“船闸监测点”可以直接获得船舶身份,而对于“视频监测点”则需要根据船体外观,通过图像识别获取船舶身份。离散监测信息接收模块111通过网络与离散监测点相连并获得离散监测信息。
卫星定位信息接收模块112用于接收船舶的卫星定位信息。这里的卫星定位信息主要是指GPS定位信息,但不排除采用北斗定位系统等得到的卫星定位信息。卫星定位信息接收模块112通过AIS系统连接船载终端获得船舶的卫星定位信息。不同于离散监测点信息的离散性,卫星定位信息接收模块112得到的是连续的、序列化的卫星定位信息。
监测点网络配置模块101以地理信息系统的电子河道地图为载体、分别标注各个监测点的地理位置和观测类型,构建监测点网络,并配置融合监测点。在监测点网络中,以节点表示监测点,以边表示连接监测点的航道。为了展示航道上行船的方向性,通常情况下,应该以有环有向图的方式建立监测点网络。但是基于水路交通的特殊性,一般不存在“单行道”,可以假设所有航道都允许船舶双向通行,因此,可以用有环无向图的方式代替有环有向图,对监测点的逻辑连接关系建模,达到简化模型的目的。此外,为方便对预测出的航道交通信息进行实时展现,监测点网络的节点和边还应该包含对应监测点及航道的地理信息。需要说明的是,在实际的航道环境中,对于重要的关键位置可能设置多个不同技术的监测点,它们在地理位置上非常接近。如图2所示,在一个船闸周围的几百米的范围内有四个监测点:监测点21、22、23和24。这四个监测点中,一个为船闸监测点、一个为视频监测点、两个为RFID监测点。对这些近距离的航道进行交通信息预测并没有实际意义。因此,在实际构建监测点网络的过程中,可以将这些监测点合并为有环无向图中的一个节点,并视为一个监测点,该监测点称为融合监测点。融合监测点包含了多个物理监测点。
消息融合模块113用于对离散监测点所观测到的船舶监测信息进行融合,并统一信息格式。首先,由于构成监测点网络的各个节点所采用的观测技术不同,监测点的属性和消息格式均不尽相同。其次,随着观测技术的发展,也不排除在未来引入全新的监测点类型。为了解决这种异构问题并保持系统的扩展性,需要对离散监测信息统一信息格式。最后,由于融合监测点包含了多个物理监测点,融合监测点内多个物理监测点得到的船舶监测信息需要进行合并。本发明中,优先采用XML作为元语言定义标准的离散监测信息。
历史航行存储模块121用于存储船舶历史航行轨迹信息。历史航行存储模块121是一数据库/数据仓库系统,持续化存储船舶历史航行轨迹信息,并提供历史航行轨迹信息的查询。
活动船舶管理模块122用于根据融合后的离散监测信息和卫星定位信息确定当前的活动船舶,并生成活动船舶的当前航行轨迹,并在必要时将船舶的航行轨迹保存至历史航行存储模块形成历史航行轨迹信息。活动船舶管理模块122主要包含了三个功能。首先,确定当前活动的船舶,即目前正在航运中的船舶。被离散监测点监测到的船舶都视为航运中的船舶,将被判定为当前活动的船舶;所接收到的卫星定位信息在不断的变化中的船舶可认定为处于航运状态,将被判定为当前活动的船舶。其次,记录当前的活动船舶的不同离散监测点观测到的船舶监测信息以及卫星定位信息组合成的序列,即为活动船舶的当前航行轨迹。最后,在完成本次航运后,船舶的当前航行轨迹将作为历史数据保存在历史航行存储模块中形成历史航行轨迹信息。当前的活动船舶、活动船舶的当前航行轨迹既可以可存于内存,也可以存于数据库中。
航向预测模块123用于根据接收的离散监测信息和卫星定位信息以及船舶信息和历史航行轨迹信息预测船舶的航向。航向预测模块123包括离散预测模块和连续修正模块。经航向预测模块123处理得到船舶航向概率表,即船舶航向信息。船舶航向概率表通过活动船舶管理模块122存于内存或数据库中。
离散预测模块用于根据船舶历史航行轨迹信息、和当前航行轨迹采用朴素贝叶斯分类算法(NaiveBayesianClassification,NBC)预测船舶将要到达下一个联通监测点的概率得到航向概率集PS={pi,1,pi,2,pi,3,...,pi,n,pi,stop}。其中,pi,j表示船舶在i监测点后航向j监测点的航向概率,pi,stop表示船舶在i监测点后处于停泊状态的概率,i监测点为当前监测点;所述j监测点与i监测点相连通。如图3所示,假设当前船舶位于监测点Pi处,则当前船舶航向下一个相连通的监测点Pi,1,Pi,2,Pi,3,...,Pi,n以及停止状态Pi,stop的概率分别为pi,1,pi,2,pi,3,...,pi,n,pi,stop。
连续修正模块用于根据船舶的卫星定位信息对航向概率集PS中的概率数据进行修正。如图4所示,船舶航行轨迹具有不确定性。如,船舶在通过当前监测点Pi后(Pi,x和Pi,y均为相联通的监测点),该船舶计划从监测点Pi驶向监测点Pi,y,但该船舶没有按照图4中给出最短路线航行,实际行驶的路线为虚线所示的轨迹。图4中圆圈表示连续卫星定位信息得到的船舶位置坐标以及误差范围。在这种情况下,连续修正模块将会收到若干次该船舶航向为Pi,x的错误航向信息。为了在这种船舶航行轨迹不确定的情况下,确保航向概率修正结果的正确性,本发明的连续修正模块采用根据序列化的船舶的卫星定位信息对航向概率集PS中的概率数据进行累进修正,即采用公式(式1)或(式2)修正航向概率集PS中的概率数据。其中,mpi,j表示i监测点后,航向j监测点的航向修正概率;mi,j,k表示船舶在i监测点后,在第k个船舶的卫星定位信息下,航向j监测点的概率修正系数;N为船舶的卫星定位信息数。式1为累积的方式,式2为累加的方式。实际应用中,采用式1还是式2的方式依赖于mi,j,k的计算方法和实际经验。mi,j,k简单地,可以采用如下公式计算:mi,j,k=f(Li,Lj,Pk);其中,Li和Lj分别表示i监测点和j监测点的位置坐标;Pk表示第k个卫星定位信息的位置坐标。f是一个合理的计算公式,如其中Dist表示航道距离计算公式。在监控船舶数量众多而计算资源有限的情况下,f也可以设为常函数,此时mi,j,k=c,其中c是一个小常数。
需要说明的是,当特定船舶不存在卫星定位信息时,连续修正模块无法进行处理,航向预测模块123的输出即为离散预测模块输出。
在上述基于多数据融合的航道交通信息装置的基础上,还可以设置交通业务信息接口模块131。交通信息业务接口模块131用于根据船舶航行信息计算交通业务信息。船舶航行信息包括船舶基本信息、历史航行信息、当前航行轨迹和位置坐标、航向预测信息。交通业务信息包括航道密度、平均航速、货物密度。比如,航道密度可采用如下公式计算:其中,Wi表示船舶的吨位,S表示航道的面积。交通信息业务接口可以是API接口,也可以是WebService接口或者其他类型的接口。
归纳根据前述基于多数据融合的航道交通信息装置,可以得到本发明基于多数据融合的航道交通信息预测方法包括如下步骤:
S1:接收离散监测点船舶的离散监测信息和卫星定位信息;
S2:对来源于不同类型离散监测点的船舶监测信息进行融合,并统一信息格式;
S3:根据融合后的离散监测信息和卫星定位信息确定当前活动的船舶,并生成活动船舶的当前航行轨迹;
S4:根据船舶历史航行轨迹信息和当前航行轨迹,结合船舶信息,采用朴素贝叶斯分类算法预测船舶将要到达下一个连通监测点的概率,得到航向概率集PS={pi,1,pi,2,pi,3,...,pi,n,pi,stop},作为航向预测结果;其中,pi,j表示船舶在i监测点后航向j监测点的航向概率,pi,stop表示船舶在i监测点后处于停泊状态的概率,i监测点为当前监测点;所述j监测点与i监测点相连通;
S5:根据部分船舶的卫星定位信息,对航向概率集PS中的概率数据进行修正,得到修正后的航向预测结果;
其中,步骤S5采用如图5所示的处理流程,包括:
S51:获取当前船舶的卫星定位信息序列,并置k=1;
S52:取第k个卫星定位信息;
S53:判断是否和第k-1个卫星定位信息相同,假如相同转S54,否则转S55;
S54:增加Pi,stop的概率,转S57;
S55:计算概率修正系数mi,j,k;
S56:根据概率修正系数mi,j,k对概率数据进行累进修正;
S57:取k=k+1,并判定遍历是否结束,如果遍历未结束转S52;
S58:概率集中的概率数据进行标准化处理。
其中,步骤S52至S57构成对卫星定位信息序列遍历的步骤。步骤S55和S56的组合即为根据序列化的船舶的卫星定位信息对航向概率集PS中的概率数据进行累进修正,即 或 其中,mpi,j表示i监测点后,航向j监测点的航向修正概率;mi,j,k表示船舶在i监测点后,在第k个卫星定位信息下,航向j监测点的概率修正系数;N为船舶的卫星定位信息数。所述mi,j,k采用如下公式计算:mi,j,k=f(Li,Lj,Pk);其中,Li和Lj分别表示i监测点和j监测点的位置坐标;Pk表示第k个卫星定位信息的位置坐标。f是一个合理的计算公式,如其中Dist表示航道距离计算公式。在监控船舶数量众多而计算资源有限的情况下,f也可以设为常函数,此时mi,j,k=c,其中c是一个小常数。
Claims (9)
1.一种基于多数据融合的航道交通信息预测方法,其特征在于,包括以下步骤:
S1:接收离散监测点船舶的离散监测信息和卫星定位信息;
S2:对来源于不同类型离散监测点的船舶监测信息进行融合,并统一信息格式;
S3:根据融合后的离散监测信息和卫星定位信息确定当前活动的船舶,并生成活动船舶的当前航行轨迹;
S4:根据船舶历史航行轨迹信息和当前航行轨迹,结合船舶信息,采用朴素贝叶斯分类算法预测船舶将要到达下一个连通监测点的概率,得到航向概率集PS={pi,1,pi,2,pi,3,...,pi,n,pi,stop},作为航向预测结果;
S5:根据部分船舶的卫星定位信息,对航向概率集PS中的概率数据进行修正,得到修正后的航向预测结果;
其中,pi,j表示船舶在i监测点后航向j监测点的航向概率,其中j=1,2,......,n;pi,stop表示船舶在i监测点后处于停泊状态的概率,i监测点为当前监测点;所述j监测点与i监测点相连通。
2.如权利要求1所述的基于多数据融合的航道交通信息预测方法,其特征在于,所述步骤S5包括根据序列化的船舶的卫星定位信息对航向概率集PS中的概率数据进行累进修正,即 或 其中,mpi,j表示i监测点后,航向j监测点的航向修正概率;mi,j,k表示船舶在i监测点后,在第k个卫星定位信息下,航向j监测点的概率修正系数;N为船舶的卫星定位信息数。
3.如权利要求2所述的基于多数据融合的航道交通信息预测方法,其特征在于,所述mi,j,k采用如下公式计算: 其中,Li和Lj分别表示i监测点和j监测点的位置坐标;Pk表示第k个卫星定位信息的位置坐标;Dist表示航道距离计算公式。
4.如权利要求2所述的基于多数据融合的航道交通信息预测方法,其特征在于,所述mi,j,k为预先设定的常数。
5.一种基于多数据融合的航道交通信息装置,其特征在于,包括离散监测信息接收模块、卫星定位信息接收模块、监测点网络配置模块、消息融合模块、历史航行存储模块、活动船舶管理模块、航向预测模块;所述离散监测信息接收模块用于接收离散监测点船舶的离散监测信息;所述卫星定位信息接收模块用于接收船舶的卫星定位信息;监测点网络配置模块用于以地理信息系统基础构建监测点网络,并配置监测点的融合;所述消息融合模块用于对融合监测点内监测点船舶的离散监测信息进行融合,并统一信息格式;所述历史航行存储模块用于存储船舶历史航行轨迹信息;所述活动船舶管理模块用于根据融合后的离散监测信息和卫星定位信息确定当前活动的船舶,并生成活动船舶的当前航行轨迹,并将船舶的航行轨迹保存至历史航行存储模块形成历史航行轨迹信息;所述航向预测模块用于根据接收的离散监测信息和卫星定位信息以及历史航行轨迹信息预测船舶的航向,包括离散预测模块和连续修正模块;所述离散预测模块用于根据船舶历史航行轨迹信息、当前航行轨迹,结合船舶信息,采用朴素贝叶斯分类算法预测船舶将要到达下一个连通监测点的概率,得到航向概率集PS={pi,1,pi,2,pi,3,...,pi,n,pi,stop},作为航向预测结果;连续修正模块用于根据部分船舶的卫星定位信息对航向概率集PS中的概率数据进行修正,作为修正后的航向预测结果;其中,pi,j表示船舶在i监测点后航向j监测点的航向概率,其中j=1,2,......,n;pi,stop表示船舶在i监测点后处于停泊状态的概率,i监测点表示当前监测点;所述j监测点与i监测点相连通。
6.如权利要求5所述的基于多数据融合的航道交通信息装置,其特征在于,所述连续修正模块包括用于根据序列化的船舶的卫星定位信息对航向概率集PS中的概率数据进行累进修正的模块,即采用公式或修正航向概率集PS中的概率数据;其中,mpi,j表示i监测点后,航向j监测点的航向修正概率;mi,j,k表示船舶在i监测点后,在第k个船舶的卫星定位信息下,航向j监测点的概率修正系数;N为船舶的卫星定位信息数。
7.如权利要求6所述的基于多数据融合的航道交通信息装置,其特征在于,所述mi,j,k采用如下公式计算: 其中,Li和Lj分别表示i监测点和j监测点的位置坐标;Pk表示第k个卫星定位信息的位置坐标;Dist表示航道距离计算公式。
8.如权利要求6所述的基于多数据融合的航道交通信息装置,其特征在于,所述mi,j,k为预先设定的常数。
9.如权利要求5或6或7或8所述的基于多数据融合的航道交通信息装置,其特征在于,还包括交通业务信息接口模块;所述交通信息业务接口模块用于根据船舶航行信息,以定制化的方式估算交通业务信息;所述船舶航行信息包括船舶基本信息、历史航行信息、当前航行轨迹、以概率分布表的方式给出的航向预测信息;所述交通业务信息包括航道密度、平均航速、货物密度和船舶位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410337925.5A CN104091470B (zh) | 2014-07-15 | 2014-07-15 | 一种基于多数据融合的航道交通信息预测方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410337925.5A CN104091470B (zh) | 2014-07-15 | 2014-07-15 | 一种基于多数据融合的航道交通信息预测方法及应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104091470A CN104091470A (zh) | 2014-10-08 |
CN104091470B true CN104091470B (zh) | 2016-05-11 |
Family
ID=51639183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410337925.5A Active CN104091470B (zh) | 2014-07-15 | 2014-07-15 | 一种基于多数据融合的航道交通信息预测方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104091470B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504277B (zh) * | 2014-12-30 | 2017-12-19 | 江苏理工学院 | 一种船舶冲突预警方法 |
CN104504935B (zh) * | 2014-12-30 | 2017-04-12 | 江苏理工学院 | 航海交通管制方法 |
CN106205213A (zh) * | 2014-12-30 | 2016-12-07 | 江苏理工学院 | 一种船舶轨迹预测方法 |
CN106355874B (zh) * | 2015-07-16 | 2020-07-31 | 南京中兴软件有限责任公司 | 一种违章车辆的监控和报警方法、装置及系统 |
CN104952273B (zh) * | 2015-07-17 | 2019-03-12 | 东方网力科技股份有限公司 | 针对车辆行为的告警方法、装置及系统 |
CN106776818A (zh) * | 2016-11-25 | 2017-05-31 | 成都四威电子有限公司成都星石科技分公司 | 一种基于渔船个体特征库的gps轨迹修正方法和系统 |
CN106816037A (zh) * | 2017-03-02 | 2017-06-09 | 浙江海洋大学 | 一种航道交通密度和航道气象指数发布系统 |
CN107256438B (zh) * | 2017-05-26 | 2020-05-01 | 亿海蓝(北京)数据技术股份公司 | 预测船舶港口停留时间的方法及装置 |
CN109685086B (zh) * | 2017-10-18 | 2023-02-03 | 中电科海洋信息技术研究院有限公司 | 海上船舶作业状态识别方法、装置、设备及存储介质 |
CN108494521B (zh) * | 2018-03-23 | 2020-07-17 | 青岛中邦防务智能装备有限公司 | 一种基于无人机干扰的敌对无人船捕获方法与系统 |
CN109584636A (zh) * | 2018-11-20 | 2019-04-05 | 武汉理工大学 | 用于港船机协同安全监测的靠泊辅助装置及其监控方法 |
CN111220144A (zh) * | 2018-11-23 | 2020-06-02 | 山东宇易信息科技股份有限公司 | 一种在电子地图上的广阔水域精确标示航道的方法 |
CN109712433B (zh) * | 2018-12-27 | 2021-09-10 | 四创科技有限公司 | 一种渔船防台回港智能引导方法 |
CN110111606A (zh) * | 2019-03-18 | 2019-08-09 | 上海海事大学 | 一种基于eemd-iaga-bp神经网络的船舶交通流预测方法 |
CN110210682A (zh) * | 2019-06-12 | 2019-09-06 | 云南电网有限责任公司大理供电局 | 基于负载数据图像化卷积神经网络的配变重过载预警方法 |
CN110619346B (zh) * | 2019-07-26 | 2022-11-04 | 浙江大学 | 一种基于数据融合的海面移动目标模型的建模方法 |
CN110706518B (zh) * | 2019-08-19 | 2022-04-22 | 浙江海洋大学 | 一种船舶挂靠港预测技术 |
CN111157982A (zh) * | 2019-11-20 | 2020-05-15 | 智慧航海(青岛)科技有限公司 | 基于岸基雷达的智能船舶船岸协同目标跟踪系统和方法 |
CN111652503B (zh) * | 2020-06-01 | 2023-12-12 | 中南大学 | 基于网络流模型的多梯级多线船闸联合调度方法及结构 |
CN111882925A (zh) * | 2020-07-27 | 2020-11-03 | 交通运输部水运科学研究所 | 基于信息传播图与递归神经网络的航运交通流预测系统 |
CN112232567A (zh) * | 2020-10-16 | 2021-01-15 | 南京智慧航空研究院有限公司 | 不明意图飞行轨迹对航路影响概率预测方法 |
CN115240472B (zh) * | 2022-07-19 | 2023-10-27 | 安徽博微广成信息科技有限公司 | 一种船闸智能运营与服务系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
NL7416081A (nl) * | 1973-12-14 | 1975-06-17 | Ver Flugtechnische Werke | Inrichting voor opname en weergave van de omgevingssituatie van een vaartuig. |
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 |
CN102005135A (zh) * | 2010-12-09 | 2011-04-06 | 上海海事大学 | 基于遗传算法优化的支持向量回归船舶交通流量预测方法 |
CN102194332A (zh) * | 2011-03-24 | 2011-09-21 | 中国船舶重工集团公司第七○九研究所 | 一种自适应航迹数据相关方法 |
CN203300057U (zh) * | 2013-05-21 | 2013-11-20 | 河海大学常州校区 | 一种基于Zigbee技术的船舶动态监测系统 |
CN103531043A (zh) * | 2013-09-27 | 2014-01-22 | 重庆大学 | 基于航线匹配的船舶点到点航行时间估算方法 |
CN103714718A (zh) * | 2013-12-31 | 2014-04-09 | 武汉理工大学 | 一种内河桥区船舶安全航行预控系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101314308B1 (ko) * | 2010-02-26 | 2013-10-02 | 한국전자통신연구원 | 운항체의 운항 상황별 운항경로정보를 이용한 교통관제장치 및 그 방법 |
-
2014
- 2014-07-15 CN CN201410337925.5A patent/CN104091470B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
NL7416081A (nl) * | 1973-12-14 | 1975-06-17 | Ver Flugtechnische Werke | Inrichting voor opname en weergave van de omgevingssituatie van een vaartuig. |
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 |
CN102005135A (zh) * | 2010-12-09 | 2011-04-06 | 上海海事大学 | 基于遗传算法优化的支持向量回归船舶交通流量预测方法 |
CN102194332A (zh) * | 2011-03-24 | 2011-09-21 | 中国船舶重工集团公司第七○九研究所 | 一种自适应航迹数据相关方法 |
CN203300057U (zh) * | 2013-05-21 | 2013-11-20 | 河海大学常州校区 | 一种基于Zigbee技术的船舶动态监测系统 |
CN103531043A (zh) * | 2013-09-27 | 2014-01-22 | 重庆大学 | 基于航线匹配的船舶点到点航行时间估算方法 |
CN103714718A (zh) * | 2013-12-31 | 2014-04-09 | 武汉理工大学 | 一种内河桥区船舶安全航行预控系统 |
Non-Patent Citations (3)
Title |
---|
AIS与雷达目标信息的融合在辅助目标识别方面的应用研究;王洋洋;《中国水运》;20120331;第12卷(第3期);第64-65页 * |
AIS与雷达目标信息融合中坐标位置的计算方法;徐志京;《上海海事大学学报》;20051231;第26卷(第4期);第78-81页 * |
Cooperative Localization of Marine Vehicles using Nonlinear State Estimation;Papadopoulos G,et al;《IEEE/RSJ International Conference on Intelligent Robots and Systems》;20101022;第4874-4879页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104091470A (zh) | 2014-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104091470B (zh) | 一种基于多数据融合的航道交通信息预测方法及应用 | |
US20210109235A1 (en) | System and method for tracking and forecasting the positions of marine vessels | |
Jindal et al. | A unified neural network approach for estimating travel time and distance for a taxi trip | |
CN103730031B (zh) | 内河桥区船载航行主动避碰系统及避碰方法 | |
Daranda | Neural network approach to predict marine traffic | |
Gan et al. | Ship trajectory prediction for intelligent traffic management using clustering and ANN | |
Liu et al. | Knowledge-based clustering of ship trajectories using density-based approach | |
Zissis et al. | A distributed spatial method for modeling maritime routes | |
Duca et al. | A K-nearest neighbor classifier for ship route prediction | |
US20040193367A1 (en) | Method and system for marine vessel tracking system | |
Yan et al. | Vessel movement analysis and pattern discovery using density-based clustering approach | |
US20220122464A1 (en) | System and method for tracking vessels | |
Wen et al. | Spatio-temporal route mining and visualization for busy waterways | |
Spiliopoulos et al. | Knowledge extraction from maritime spatiotemporal data: An evaluation of clustering algorithms on Big Data | |
Xu et al. | Trajectory clustering for SVR-based Time of Arrival estimation | |
Zhang et al. | Semi-qualitative method for ship collision risk assessment | |
Bonham et al. | Analysing port and shipping operations using big data | |
CN116703286A (zh) | 用于资产跟踪的系统和方法 | |
Asborno et al. | Inland waterway network mapping of AIS data for freight transportation planning | |
Pan et al. | Research on ship arrival law based on route matching and deep learning | |
CN115718905A (zh) | 一种面向vts系统的多传感器信息融合方法 | |
US11995983B2 (en) | Method, electronic device, and system for detecting overspeeding | |
CN115577868A (zh) | 在途船舶的目的港预测方法、装置、可读存储介质和船舶 | |
US20230306841A1 (en) | Method, electronic device, and system for predicting future overspeeding | |
Osekowska et al. | Potential fields in maritime anomaly detection |
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 |