CN104680187B - 基于缓冲区相似性度量的舰船轨迹层次聚类分析方法 - Google Patents
基于缓冲区相似性度量的舰船轨迹层次聚类分析方法 Download PDFInfo
- Publication number
- CN104680187B CN104680187B CN201510121346.1A CN201510121346A CN104680187B CN 104680187 B CN104680187 B CN 104680187B CN 201510121346 A CN201510121346 A CN 201510121346A CN 104680187 B CN104680187 B CN 104680187B
- Authority
- CN
- China
- Prior art keywords
- naval vessel
- trajectory
- cluster
- buffering area
- similarity measurement
- 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.)
- Expired - Fee Related
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出了一种基于缓冲区相似性度量舰船轨迹的层次聚类分析方法,给出了利用缓冲区分析对航道轨迹线聚类的相似性度量,克服了传统方法计算量大,聚类效果不稳健的弱点;同时考虑了船舶轨迹线数量巨大且包含噪声的情况,采用了高效且易于去噪的层次聚类方法,并展现了的阈值选择的流程。应用本发明能够对区域海上海量舰船轨迹线进行层次聚类,进而掌控主要航线分布,为发现船舶活动规律,监控海上交通,改善航道环境,保障航道安全等方面奠定基础。
Description
技术领域
本发明涉及线状轨迹聚类分析方法,特别是涉及一种基于缓冲区相似性度量的舰船轨迹层次聚类分析方法。
背景技术
航道是港口间船舶轨迹形成的带状区域。实际航道的掌控有益海上监管部门发现船舶活动规律,监控海上交通,改善航道环境,保障航道安全。现存的舰船轨迹多来源于船舶自动识别系统(AIS)的自动报告,然而,AIS数据库中纷繁复杂的海量船舶轨迹数据,加之大量的船舶轨迹噪声,导致其难以彰显区域海上主要航道分布的特征。因此,如何对既存舰船轨迹进行合理聚类,化繁为简,去伪存真,从而获取实际航道?这是一个亟待解决的问题。
船舶轨迹聚类过程是根据最大化类内相似性、最小化类间相似性的原则,找出具有相似船舶运动的轨迹簇。轨迹聚类的关键是根据时空轨迹数据的特点,设计与定义不同轨迹间的相似性度量,之后应用各种聚类分析方法对轨迹线聚类。
目前轨迹线相似度主要利用空间属性的距离函数进行度量。在国外,AndrienkoG.等人在2007年International Journal of Geographical Information Science期刊上发表的《Geovisual Analytics for Spatial Decision Support:Setting the ResearchAgenda》一文中提出了几种适合航迹线聚类的距离函数;Rinzivillo S.等人在2008年的Information Visualization期刊上发表的《Visually Driven Analysis of MovementData by Progressive Clustering》一文中,采用了不同的距离函数来描述不同的轨迹属性。在国内,袁冠等人在2011年的通信学报上发表的《基于结构相似度的轨迹聚类算法》一文中,提出了基于结构相似度的轨迹聚类算法并分析轨迹的内外部特征;陈锦阳等人在2012年的计算机工程上发表《基于改进Hausdorff距离的轨迹聚类算法》一文中,给出一种新的轨迹子段距离度量方法,计算轨迹子段之间的相似度,由此实现聚类。但是,这种基于距离函数度量相似性度量一方面计算量大,并不适用于大型数据集;另一方面,这种方法可能因某种量测属性选择不恰当造成不符合预期结果。
现今常用的聚类分析方法包括划分方法(k均值算法、k中心点算法等)、层次方法(自底向上法、自顶向下法)、基于密度、网格、模型的方法等。划分方法将所有对象按照其临近程度分为指定数目的类,对异常检测不敏感,不能检验船舶轨迹线中的个别船舶航线噪声。层次聚类方法中异常对象单独成类,可用于检测并清除噪声,较适用于数据量大且情况复杂的船舶轨迹线中。
发明内容
本发明要解决的技术问题是:克服现有技术的上述缺陷,提出一种基于缓冲区相似性度量的舰船轨迹层次聚类分析方法,生成矢量舰船轨迹线空间聚类结果,规避了现有聚类方法对异常检测不敏感且噪声大的缺点,给出的针对航道轨迹线的一种基于缓冲区分析的相似性度量,克服了传统方法计算量大且可能因某种度量属性选取不当造成结果不符合预期的弱点。
为了解决上述技术问题,本发明提出的技术方案是:基于缓冲区相似性度量的舰船轨迹层次聚类分析方法,其特征在于,包括如下步骤:
步骤1、依据指定区域和指定时间区段内的志愿观测船数据,获取舰船轨迹线分布图;
步骤2、针对所有舰船轨迹线建立缓冲区,缓冲区半径设置为30海里;
步骤3、计算每两条舰船轨迹线之间基于缓冲区的相似性度量,轨迹线a与轨迹线b之间基于缓冲区的相似性度量s(a,b)=(Aa∩Ab)/(Aa∪Ab),Aa为轨迹线a的缓冲区面积,Ab为轨迹线b的缓冲区面积;
步骤4、将相似性度量最大的两根舰船轨迹线进行聚为一类,并将该聚类内的轨迹线缓冲区的并集作为新的缓冲区参与到下一次相似性度量计算和聚类中中去,两个缓冲区之间的相似性度量计算方法参见步骤3;
步骤5、不断循环步骤3至步骤4,直到两聚类的舰船轨迹线簇之间的相似性最大值小于簇间相似性阈值ST,至此完成舰船轨迹线聚类;其中,两聚类的舰船轨迹线簇之间的相似性计算方法如下:
式中,S(Ci,Cj)表示舰船轨迹线簇Ci与舰船轨迹线簇Cj之间的相似性,Sxy为舰船轨迹线簇Ci中的第x条舰船轨迹线到舰船轨迹线簇Cj中第y条舰船轨迹线的距离,x为从1到ni的自然数;y为从1到nj的自然数,ni、nj分别为舰船轨迹线簇Ci,舰船轨迹线簇Cj中的舰船轨迹线数目;
步骤6、对簇间相似性阈值ST做敏感性分析,调节簇间相似性阈值ST,并观察舰船轨迹线的聚类效果,当聚类效果达到较理想时,将主要的舰船轨迹线簇区分开来,从而生成矢量航道轨迹线聚类分析结果。
本发明还具有如下进一步的特征:
1、本发明步骤1中,依据指定区域和指定时间区段内的志愿观测船数据,获取舰船轨迹线分布图的方法如下:
步骤a、VOS数据读取——获取指定区域和指定时间区段内的志愿观测船数据,抽取时间、经纬度、船名作为待分析对象,生成关于舰船轨迹点的图层;
步骤b、舰船轨迹点航次识别——同时满足以下三个条件的舰船轨迹点归为同一航次;
条件1:舰船轨迹点的船名相同;
条件2:相邻舰船轨迹点的时间间隔小于Tp,Tp的取值范围为[8h,16h];
条件3:以时间先后为序,连续三个舰船轨迹点的连线夹角大于Θ,Θ的取值范围为[70°,110°];
步骤c、舰船轨迹点数据清理——删去同一航次内的重复舰船轨迹点和无效的舰船轨迹点,所述重复的轨迹点是指同一航次内经纬度相同的轨迹点,所述无效的舰船轨迹点是指同一航次内有效的舰船轨迹点数量少于N的所有舰船轨迹点,N的取值范围为[4,6];
步骤d、舰船轨迹线连接——以时间为序,逐次连接同一航次内的所有舰船轨迹点,获得该航次的舰船轨迹线;
步骤e、轨迹线连接校正——如果相邻舰船轨迹点之间的连线与障碍物相交,所述障碍物是指陆地或岛屿,则将这两个相邻舰船轨迹点之间绕过障碍物的最短路径作为校正后的舰船轨迹线。
2、本发明舰船轨迹线生成方法中,Tp的取值为12h,Θ的取值为90°,N的取值为5。
3、簇间相似性阈值ST的调节取值为0.2、0.3、0.4、0.5、0.6、0.7。
4、簇间相似性阈值ST的最佳取值为0.6。
本发明公开了一种基于缓冲区相似性度量舰船轨迹的层次聚类分析方法,以南海为例,实现了舰船轨迹线的合理聚类,彰显了南海区域主要航道分布的特征。具体有益效果如下:
第一,提出了针对航道轨迹线进行基于缓冲区相似性度量。即利用两条轨迹缓冲区交集面积占其中一条轨迹线缓冲区面积比例表示两条轨迹的相似性。缓冲区相似性度量的定义更符合人们对相似性的直观感受,可以避免基于空间属性度量方法可能因某属性度量不恰当造成结果不符合预期效果。并且,缓冲区半径可根据实际情况(如最大轨迹线簇的宽度的一半)设定,结果更为有效,便于进一步进行船舶轨迹线空间聚类。
第二,采用了自底向上的层次聚类方法,对船舶轨迹线进行聚类。该方法考虑到船舶轨迹线数量巨大且存在杂乱的情况,可通过调整聚类阈值去除轨迹线噪声以改善聚类效果,具有高效、快速、稳健等优点。层级聚类过程中簇间相似性阈值的设置会对显著影响聚类效果,本发明通过对簇间相似性阈值做敏感性分析,找出了将主要航线簇区分开的良好的设置阈值。
综上,本发明提出了一种基于缓冲区相似性度量舰船轨迹的层次聚类分析方法,给出了利用缓冲区分析对航道轨迹线聚类的相似性度量,克服了传统方法计算量大,聚类效果不稳健的弱点;同时考虑了船舶轨迹线数量巨大且包含噪声的情况,采用了高效且易于去噪的层次聚类方法,并展现了的阈值选择的流程。应用本发明能够对区域海上海量舰船轨迹线进行层次聚类,进而掌控主要航线分布,为发现船舶活动规律,监控海上交通,改善航道环境,保障航道安全等方面奠定基础。
附图说明
下面结合附图对本发明作进一步的说明。
图1是2003年至2012年南海VOS舰船轨迹线分布图。
图2是基于缓冲区相似性度量示意图。
图3是聚类曲线示意图。
图4是层次聚类树状图。
图5是簇间相似性阈值(ST)敏感性分析示意图。
图6是轨迹线空间聚类结果(距离阈值ST=0.6)
具体实施方式
下面以南海海域为例,根据附图详细阐述本发明,使本发明的技术路线和操作步骤更加清晰。
本实施例基于缓冲区相似性度量的舰船轨迹层次聚类分析方法,步骤如下:
步骤1、收集NOAA国家气候数据中心(National Climatic Data Center)网站提供的2003至2012年的VOSCLIM数据,选择2AKI4等263艘VOS志愿观测船,2003年至2012年通过南海区域的31550个舰船离散点数据,选择时间(年月日)、经度、纬度、船名属性作为待分析对象,并导入到ArcGIS中生成舰船点数据,利用Python语言以及ArcGIS扩展开发包ArcPy实现了轨迹线生成算法,通过舰船轨迹点航次识别、舰船轨迹点数据清理、基于绕障路径设计的轨迹线连接校正几个步骤,获取南海地区舰船轨迹线分布(见图1)。
步骤2、针对所有舰船轨迹线建立缓冲区,缓冲区半径设置为30海里。
步骤3、计算每两条舰船轨迹线之间基于缓冲区的相似性度量,轨迹线a与轨迹线b之间基于缓冲区的相似性度量s(a,b)=(Aa∩Ab)/(Aa∪Ab),Aa为轨迹线a的缓冲区面积,Ab为轨迹线b的缓冲区面积。
如图2所示,为两条舰船轨迹线(船舶航迹线)的相似性度量计算示意图。图中左侧虚线和实线表示两条舰船轨迹线,右侧为基于它们所构建的缓冲区,缓冲区的交叉部分为格网状。这两条轨迹线基于缓冲区的相似性度量就等于两缓冲区的交集面积与两缓冲区并集面积之比。s(a,b)的值越大,说明两条舰船轨迹线的相似性越高,舰船轨迹线基于缓冲区的相似性度量取值范围为[0,1]。
步骤4、将相似性度量最大的两根舰船轨迹线进行聚为一类,并将该聚类内的轨迹线缓冲区的并集作为新的缓冲区参与到下一次相似性度量计算和聚类中中去,两个缓冲区之间的相似性度量计算方法参见步骤3;
步骤5、不断循环步骤3至步骤4,直到两聚类的舰船轨迹线簇之间的相似性最大值小于簇间相似性阈值ST,至此完成舰船轨迹线聚类。
下面以一个包含5条轨迹线的数据集合(l1,l2,l3,l4,l5)为例(如图3所示),自底向上的层次聚类过程如下:①l1,l2最相似(s(l1,l2)值越大),将它们归(聚)为一类l12,得到4类;②对l12,l3,l4,l5之间的相似性进行比较发现l4,l5较为相似,因此将它们归为一类l45,得到3类;③对l12,l3,l45之间的相似性进行比较,l12,l3间较为相似,因此将它们归为一类l123,得到2类;④最后将l123,l45合并成一类,聚类完成。可用树状图表示聚类的过程如图4所示。
本步骤中,两聚类的舰船轨迹线簇之间的相似性计算方法如下:
式中,S(Ci,Cj)表示舰船轨迹线簇Ci与舰船轨迹线簇Cj之间的相似性,Sxy为舰船轨迹线簇Ci中的第x条舰船轨迹线到舰船轨迹线簇Cj中第y条舰船轨迹线的距离,x为从1到ni的自然数;y为从1到nj的自然数,ni、nj分别为舰船轨迹线簇Ci,舰船轨迹线簇Cj中的舰船轨迹线数目。
步骤6、对簇间相似性阈值ST做敏感性分析,调节簇间相似性阈值ST,依次设置为0.2、0.3、0.4、0.5、0.6、0.7得到轨迹线聚类结果如图5所示,可以看出随着簇间相似性阈值ST的增加,类别越来越多,当阈值设为0.6时聚类效果最好,将主要的舰船轨迹线簇区分开来。因此,簇间相似性阈值ST设置为0.6时,可获得生成矢量航道轨迹线聚类分析结果。
本实施例设定缓冲区距离阈值(30海里)与理想的簇间相似性阈值(0.6),应用Python语言,集成Arcpy、Pycluster开发包实现了提出的聚类分析算法,并对南海VOS舰船轨迹线聚类,聚类结果见图6。比较本发明实施例轨迹线聚类方法生成的航道与2008年南海西部舰船密度图,两种方法生成的航道具有很好的一致性,证明本发明应用聚类分析方法所提取的航道是有效的。
本发明实施例步骤1中,依据指定区域和指定时间区段内的志愿观测船数据,获取舰船轨迹线分布图的方法如下:
步骤a、VOS数据读取——获取指定区域和指定时间区段内的志愿观测船数据,抽取时间、经纬度、船名作为待分析对象,生成关于舰船轨迹点的图层;
步骤b、舰船轨迹点航次识别——同时满足以下三个条件的舰船轨迹点归为同一航次;
条件1:舰船轨迹点的船名相同;
条件2:相邻舰船轨迹点的时间间隔小于Tp,Tp的取值12h;
条件3:以时间先后为序,连续三个舰船轨迹点的连线夹角大于Θ,Θ的取值90°;
步骤c、舰船轨迹点数据清理——删去同一航次内的重复舰船轨迹点和无效的舰船轨迹点,所述重复的轨迹点是指同一航次内经纬度相同的轨迹点,所述无效的舰船轨迹点是指同一航次内有效的舰船轨迹点数量少于N的所有舰船轨迹点,N的取值5;
步骤d、舰船轨迹线连接——以时间为序,逐次连接同一航次内的所有舰船轨迹点,获得该航次的舰船轨迹线;
步骤e、轨迹线连接校正——如果相邻舰船轨迹点之间的连线与障碍物相交,所述障碍物是指陆地或岛屿,则将这两个相邻舰船轨迹点之间绕过障碍物的最短路径作为校正后的舰船轨迹线。
除上述实施例外,本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案,均落在本发明要求的保护范围。
Claims (5)
1.基于缓冲区相似性度量的舰船轨迹层次聚类分析方法,其特征在于,包括如下步骤:
步骤1、依据指定区域和指定时间区段内的志愿观测船数据,获取舰船轨迹线分布图;
步骤2、针对所有舰船轨迹线建立缓冲区,缓冲区半径设置为30海里;
步骤3、计算每两条舰船轨迹线之间基于缓冲区的相似性度量,轨迹线a与轨迹线b之间基于缓冲区的相似性度量s(a,b)=(Aa∩Ab)/(Aa∪Ab),Aa为轨迹线a的缓冲区面积,Ab为轨迹线b的缓冲区面积;
步骤4、将相似性度量最大的两根舰船轨迹线进行聚为一类,并将该聚类内的轨迹线缓冲区的并集作为新的缓冲区参与到下一次相似性度量计算和聚类中中去,两个缓冲区之间的相似性度量计算方法参见步骤3;
步骤5、不断循环步骤3至步骤4,直到两聚类的舰船轨迹线簇之间的相似性最大值小于簇间相似性阈值ST,至此完成舰船轨迹线聚类;其中,两聚类的舰船轨迹线簇之间的相似性计算方法如下:
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>C</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>C</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
<msub>
<mi>n</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<msup>
<msub>
<mi>&Sigma;&Sigma;S</mi>
<mrow>
<mi>x</mi>
<mi>y</mi>
</mrow>
</msub>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
式中,S(Ci,Cj)表示舰船轨迹线簇Ci与舰船轨迹线簇Cj之间的相似性,Sxy为舰船轨迹线簇Ci中的第x条舰船轨迹线到舰船轨迹线簇Cj中第y条舰船轨迹线的距离,x为从1到ni的自然数;y为从1到nj的自然数,ni、nj分别为舰船轨迹线簇Ci,舰船轨迹线簇Cj中的舰船轨迹线数目;
步骤6、对簇间相似性阈值ST做敏感性分析,调节簇间相似性阈值ST,并观察舰船轨迹线的聚类效果,当聚类效果达到较理想时,将主要的舰船轨迹线簇区分开来,从而生成矢量航道轨迹线聚类分析结果。
2.根据权利要求1所述的基于缓冲区相似性度量的舰船轨迹层次聚类分析方法,其特征在于:步骤1中,依据指定区域和指定时间区段内的志愿观测船数据,获取舰船轨迹线分布图的方法如下:
步骤a、VOS数据读取——获取指定区域和指定时间区段内的志愿观测船数据,抽取时间、经纬度、船名作为待分析对象,生成关于舰船轨迹点的图层;
步骤b、舰船轨迹点航次识别——同时满足以下三个条件的舰船轨迹点归为同一航次;
条件1:舰船轨迹点的船名相同;
条件2:相邻舰船轨迹点的时间间隔小于Tp,Tp的取值范围为[8h,16h];
条件3:以时间先后为序,连续三个舰船轨迹点的连线夹角大于Θ,Θ的取值范围为[70°,110°];
步骤c、舰船轨迹点数据清理——删去同一航次内的重复舰船轨迹点和无效的舰船轨迹点,所述重复的轨迹点是指同一航次内经纬度相同的轨迹点,所述无效的舰船轨迹点是指同一航次内有效的舰船轨迹点数量少于N的所有舰船轨迹点,N的取值范围为[4,6];
步骤d、舰船轨迹线连接——以时间为序,逐次连接同一航次内的所有舰船轨迹点,获得该航次的舰船轨迹线;
步骤e、轨迹线连接校正——如果相邻舰船轨迹点之间的连线与障碍物相交,所述障碍物是指陆地或岛屿,则将这两个相邻舰船轨迹点之间绕过障碍物的最短路径作为校正后的舰船轨迹线。
3.根据权利要求2所述的基于缓冲区相似性度量的舰船轨迹层次聚类分析方法,其特征在于:Tp的取值为12h,Θ的取值为90°,N的取值为5。
4.根据权利要求1所述的基于缓冲区相似性度量的舰船轨迹层次聚类分析方法,其特征在于:簇间相似性阈值ST的调节取值为0.2、0.3、0.4、0.5、0.6、0.7。
5.根据权利要求1所述的基于缓冲区相似性度量的舰船轨迹层次聚类分析方法,其特征在于:、簇间相似性阈值ST的最佳取值为0.6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510121346.1A CN104680187B (zh) | 2015-03-19 | 2015-03-19 | 基于缓冲区相似性度量的舰船轨迹层次聚类分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510121346.1A CN104680187B (zh) | 2015-03-19 | 2015-03-19 | 基于缓冲区相似性度量的舰船轨迹层次聚类分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104680187A CN104680187A (zh) | 2015-06-03 |
CN104680187B true CN104680187B (zh) | 2017-12-29 |
Family
ID=53315204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510121346.1A Expired - Fee Related CN104680187B (zh) | 2015-03-19 | 2015-03-19 | 基于缓冲区相似性度量的舰船轨迹层次聚类分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104680187B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3739295A1 (en) * | 2019-05-13 | 2020-11-18 | S.A.T.E. - Systems and Advanced Technologies Engineering S.R.L. | Method for determining an optimal naval navigation routes from historical gnss data of naval trajectories |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991558B (zh) * | 2017-04-13 | 2019-03-22 | 广东南方海岸科技服务有限公司 | 一种港口口岸间主航道的自动生成方法及系统 |
CN107240264B (zh) * | 2017-06-26 | 2019-10-22 | 安徽四创电子股份有限公司 | 一种车辆非有效行驶轨迹识别方法和城市道路设施规划方法 |
CN110738228B (zh) * | 2018-07-20 | 2023-05-02 | 菜鸟智能物流控股有限公司 | 轨迹处理方法、装置以及电子设备 |
CN109447880B (zh) * | 2018-10-10 | 2020-12-01 | 广州市勤思网络科技有限公司 | 水上路网抽取方法和系统 |
CN109447135A (zh) * | 2018-10-12 | 2019-03-08 | 天津大学 | 一种新的船舶轨迹聚类方法 |
CN109918608B (zh) * | 2019-01-10 | 2023-07-14 | 中国水产科学研究院东海水产研究所 | 一种提取渔船作业航次中离岸和离港距离的方法 |
CN110210537B (zh) * | 2019-05-22 | 2021-06-25 | 中国电子科技集团公司第二十八研究所 | 一种基于无监督聚类的船舶历史航迹规律提取方法 |
CN111291098B (zh) * | 2020-05-12 | 2020-08-28 | 北京航空航天大学 | 一种航迹模式挖掘方法与装置 |
CN113177097B (zh) * | 2021-04-16 | 2023-07-25 | 江西航天鄱湖云科技有限公司 | 一种基于属性聚类与时空约束的航迹起始判别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19752605A1 (de) * | 1997-11-27 | 1999-06-02 | Siemens Ag | Verfahren und Anordnung zur rechnergestützten Ermittlung einer in Meßdaten enthaltenen Struktur unter Verwendung von Fuzzy Clustering |
WO2009097459A1 (en) * | 2008-01-29 | 2009-08-06 | Educational Testing Service | System and method for disambiguating the effect of text document length on vector-based similarit scores |
CN101527000A (zh) * | 2009-04-03 | 2009-09-09 | 南京航空航天大学 | 一种基于取样的快速移动对象轨迹聚类方法 |
CN102005034A (zh) * | 2010-12-01 | 2011-04-06 | 南京大学 | 基于区域聚类的遥感影像分割方法 |
CN102200575A (zh) * | 2010-12-02 | 2011-09-28 | 南京大学 | 一种基于恒虚警率的影像舰船检测方法 |
-
2015
- 2015-03-19 CN CN201510121346.1A patent/CN104680187B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19752605A1 (de) * | 1997-11-27 | 1999-06-02 | Siemens Ag | Verfahren und Anordnung zur rechnergestützten Ermittlung einer in Meßdaten enthaltenen Struktur unter Verwendung von Fuzzy Clustering |
WO2009097459A1 (en) * | 2008-01-29 | 2009-08-06 | Educational Testing Service | System and method for disambiguating the effect of text document length on vector-based similarit scores |
CN101527000A (zh) * | 2009-04-03 | 2009-09-09 | 南京航空航天大学 | 一种基于取样的快速移动对象轨迹聚类方法 |
CN102005034A (zh) * | 2010-12-01 | 2011-04-06 | 南京大学 | 基于区域聚类的遥感影像分割方法 |
CN102200575A (zh) * | 2010-12-02 | 2011-09-28 | 南京大学 | 一种基于恒虚警率的影像舰船检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3739295A1 (en) * | 2019-05-13 | 2020-11-18 | S.A.T.E. - Systems and Advanced Technologies Engineering S.R.L. | Method for determining an optimal naval navigation routes from historical gnss data of naval trajectories |
Also Published As
Publication number | Publication date |
---|---|
CN104680187A (zh) | 2015-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104680187B (zh) | 基于缓冲区相似性度量的舰船轨迹层次聚类分析方法 | |
CN105788273B (zh) | 基于低精度时空轨迹数据的城市交叉口自动识别的方法 | |
CN113032502B (zh) | 一种基于改进轨迹段dbscan聚类的船舶异常检测方法 | |
Karagiorgou et al. | On vehicle tracking data-based road network generation | |
WO2022252398A1 (zh) | 基于船舶轨迹特征点提取的时空dp方法 | |
CN112906830B (zh) | 一种基于ais大数据的船舶最优航线自动生成方法 | |
CN110909788B (zh) | 一种基于统计聚类的轨迹数据中道路交叉口位置识别方法 | |
CN104504099B (zh) | 基于位置轨迹的交通出行状态切分方法 | |
CN104851286B (zh) | 一种利用公交车辆gps数据动态评估道路交通状态的方法 | |
CN102999914B (zh) | 一种基于地形网格的大陆坡脚点自动识别方法 | |
CN107341341B (zh) | 一种河口点源突发性水污染事件溯源方法 | |
CN104866670B (zh) | 基于gps时空轨迹的路网拓扑变化自动检测方法及系统 | |
CN109000645A (zh) | 复杂环境目标经典航迹提取方法 | |
CN103632146B (zh) | 一种基于头肩距的人体检测方法 | |
CN110188803A (zh) | 基于出租车轨迹数据的出行时空模式识别方法与系统 | |
CN101303729B (zh) | 一种新的指纹奇异点检测方法 | |
CN104573705A (zh) | 一种建筑物激光扫描点云数据的聚类方法 | |
CN110210537A (zh) | 一种基于无监督聚类的船舶历史航迹规律提取方法 | |
CN103927537A (zh) | 一种自适应的汉字笔画交叉区域提取算法 | |
CN109448087A (zh) | 一种盾构隧道表面点云数据分段方法 | |
CN108765961A (zh) | 一种基于改进型限幅平均滤波的浮动车数据处理方法 | |
CN110084491A (zh) | 对流天气条件下基于最优穿越路径的航路阻塞度评估方法 | |
CN101937453A (zh) | 一种基于加权拓扑约束比较的三维模型检索方法 | |
CN114705193A (zh) | 一种基于海事大数据的船舶导航路径规划方法及系统 | |
Huang et al. | A maritime traffic route extraction method based on density-based spatial clustering of applications with noise for multi-dimensional data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171229 Termination date: 20190319 |
|
CF01 | Termination of patent right due to non-payment of annual fee |