CN104899263B - 一种基于特定区域的船舶轨迹挖掘分析与监控方法 - Google Patents
一种基于特定区域的船舶轨迹挖掘分析与监控方法 Download PDFInfo
- Publication number
- CN104899263B CN104899263B CN201510262716.3A CN201510262716A CN104899263B CN 104899263 B CN104899263 B CN 104899263B CN 201510262716 A CN201510262716 A CN 201510262716A CN 104899263 B CN104899263 B CN 104899263B
- Authority
- CN
- China
- Prior art keywords
- track
- ship
- point
- characteristic
- analysis
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 238000005065 mining Methods 0.000 title claims abstract description 19
- 238000007621 cluster analysis Methods 0.000 claims abstract description 12
- 239000000284 extract Substances 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims description 12
- 241001269238 Data Species 0.000 claims description 11
- 230000033001 locomotion Effects 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000003139 buffering effect Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000008707 rearrangement Effects 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 2
- 230000014759 maintenance of location Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000000151 deposition Methods 0.000 claims 1
- 238000009412 basement excavation Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及海洋运输中船舶轨迹挖掘分析与监控领域，提供一种基于特定区域的船舶轨迹挖掘分析与监控方法，该方法对特定区域内的船舶轨迹的挖掘聚类分析，提取特定区域内的船舶模式轨迹，同时将船舶模式轨迹作为区域船舶监控与异常分析中的重要参考依据，实现对船舶的区域监控与异常分析。
Description
技术领域
本发明涉及海洋运输中船舶轨迹挖掘分析与监控领域，特别涉及基于特定区域的船舶轨迹挖掘分析与监控方法。
背景技术
近年来，随着我国国民经济快速发展，国内外贸易不断增长，我国海上交通运输量也呈大规模增长态势，船舶交通日益繁忙。与此同时，计算机技术、GPS卫星定位技术、现代通信技术、电子信息技术和海事监管传感器技术的快速发展，使得人们对船舶的运动状态及空间位置的跟踪能力不断加强，获取和收集船舶海量轨迹数据日益便捷。如何有效的管理船舶轨迹空间数据，以满足空间数据查询和分析需要；如何通过对海量船舶轨迹数据的挖掘分析，发现船舶的运动模式与规则轨迹等有价值的知识，从而为海事运输管理部门提供辅助决策依据，都是目前国内外研究的热点问题。
现就目前在船舶轨迹挖掘分析方面，已有的一些处理方法作一些简要说明。首先，对挖掘聚类分析单元的划分存在如下几种：（1）、采用一条轨迹作为整体挖掘聚类单元进行分析；（2）采用轨迹线段作为聚类单元进行分析；（3）采用轨迹点作为聚类单元进行分析。其次，在空间距离度量方法上，目前主要也是采取欧几里德距离来度量聚类单元的差异。最后，在具体的聚类算法方面，有使用不同的算法来实现对轨迹簇的分类，如EM算法和DBSCAN算法。
上述这些方法都不同程度的解决了轨迹聚类问题，但也存在一些局限性。在聚类分析单元划分上，将整条轨迹作为聚类单元进行分析时，可能会丢失掉部分相似的子轨迹段信息，而造成聚类分析结果的不全面与细致。在有些方法中，将轨迹分割成由两个轨迹点组成的轨迹线段来作为聚类分析单元，这样的聚类结果不会出现信息的丢失，但轨迹的预处理方式与分割标准对轨迹聚类的结果影响较大，目前也没有统一适用的轨迹预处理与分割标准。直接采用轨迹点作为聚类分析单元也是目前采取的聚类手段之一，但这样的聚类结果最终产生的是离散的轨迹点簇，而非连续运动的轨迹点序列，缺少对船舶运动连续性的分析。在空间距离度量上，经典的欧氏距离只适合于点目标，而简单扩展的最近、最远和质心距离未顾及空间目标的整体形状，位置分布等特征，具有一定的局限性。在聚类算法的采用上，EM算法主要适用于整条轨迹的聚类，而用DBSCAN算法来聚类相似子轨迹，聚类结果受参数的影响很大。
发明内容
本发明的目的在于针对上述问题与不足，提出一种基于特定区域的船舶轨迹挖掘分析与监控方法，能够实现对特定区域内的船舶轨迹的挖掘聚类分析，提取特定区域内的船舶模式轨迹，同时将船舶模式轨迹作为区域船舶监控与异常分析中的重要参考依据，实现对船舶的区域监控与异常分析。
为达到上述目的，本发明采用如下的技术方案。
一种基于特定区域的船舶轨迹挖掘分析与监控方法，包括以下步骤：
（1）解析轨迹数据，建立轨迹数据库；
（2）轨迹数据预处理参数配置，包括设置航速变化率与航向变化率阈值；
（3）原始轨迹特征抽取处理，如图1所示，用p表示多维点<pos,t,v,c>，其中 pos 代表地理坐标，t代表时间，v代表航速，c 代表航向，用psi表示原始轨迹点，表示原始轨迹集，下标si代表原始轨迹集中原始轨迹点的顺序，i为自然数，用pfj表示特征轨迹点，下标fj代表特征轨迹集中特征轨迹点的顺序，j为自然数，用由特征轨迹点构成的特征轨迹来拟合原始轨迹，可看到特征轨迹在较大程度保留了原始轨迹的走向，并且有有效的降低了数据存储空间；
（4）划定准备进行轨迹挖掘分析与监控的区域；
（5）对划定区域内的空间轨迹数据进行挖掘分析，通过对轨迹数据的一系列预处理，采用基于密度的OPTICS聚类算法与Hausdorff距离度量方法实现对区域内的特征轨迹聚类挖掘分析, 得到规则轨迹集，规则轨迹集是在监控区域内挖掘所有船舶轨迹而产生的船舶轨迹规则集合，存储于规则轨迹库中；
（6）对划定区域内的船舶实现实时定位追踪与异常检测分析，通过规则轨迹集，结合监控区域监控参数阈值，实现对监控区域内异常船舶识别以及预警显示。
在上述技术方案中，步骤（3）中所述的特征抽取具体步骤为：
步骤3.1，将原始轨迹的起始点ps1作为轨迹的特征点加入至特征点集；
步骤3.2，计算下一原始轨迹点与最新的特征点之间的航向变化率，若航向变化率超出阈值，则视为航向变化特征点，加入至特征点集，若未超出阈值则转入步骤3.3；在本示例中，pf2、pf3均为航向变化特征点；
步骤3.3，计算原始轨迹点与上一特征点之间的航速变化率，若航速变化率超出阈值，则视为航速变化特征点，加入特征点集，若未超出转入步骤3.4；在本示例中，pf4为航速变化特征点；
步骤3.4，判断是否为轨迹终止点，若为终止点，则直接保存为特征点，完成轨迹特征抽取处理，特征点集中的特征点构成特征轨迹；若不为终止点，则转入步骤3.2。在本示例中，pf5为轨迹终止点，作为特征轨迹的最后一个特征点存储。
在上述技术方案中，步骤（5）中所述的特征轨迹聚类挖掘分析，具体步骤如下：
步骤5.1，对所有的特征轨迹点的空间进行检索与查询，提取所有空间地理坐标落入划定地理区域范围内的特征轨迹点集合；
步骤5.2，通过对区域内的特征轨迹点提取操作所获得的为不同船舶在不同时间段的特征轨迹点集，依据船舶与轨迹时间来对轨迹进行分割，其具体划分标准为：（1）只有同一船舶的轨迹特征点才能组织为一条完整的轨迹；（2）当同一船舶的轨迹特征点的时间差超过设定的阈值时，将对轨迹进行分割，使其隶属于不同的轨迹；（3）每条轨迹至少包含有两个以上的轨迹特征点，若低于两个则放弃此特征点；依照此分割标准，对获取到的特征轨迹点进行分割处理，生成包含在区域内的所有船舶的特征轨迹集合，为后续轨迹聚类分析提供数据源；
步骤5.3，对分割后的轨迹进行聚类挖掘分析所采用的是基于密度的OPTICS聚类算法；在轨迹距离度量上，采用的是Hausdorff距离度量方法，该方法是描述两组点集之间相似程度的一种量度，特别适用于线与线之间的相似性匹配；具体聚类分析步骤如下：
步骤5.3.1，创建两个队列，有序队列dtQue和结果队列dtList；其中，有序队列用来存储核心轨迹对象及其该核心轨迹对象的直接可达轨迹对象，并按可达距离升序排列；结果队列用来存储轨迹的输出次序；
步骤5.3.2，如果区域内特征轨迹集合DataTraces中所有轨迹都处理完毕，则算法结束；否则，选择一个未处理即不在结果队列中且为核心对象的轨迹，找到其所有直接密度可达轨迹，如果该轨迹不存在于结果队列中，则将其放入有序队列中，并按可达距离排序；
步骤5.3.3，如果有序队列为空，则跳至步骤5.3.2，否则，从有序队列中取出第一个轨迹对象即可达距离最小的轨迹进行扩展，取出的轨迹若不存在结果队列中，则将其保存至结果队列中；具体扩展步骤如下：
步骤5.3.3.1，判断该扩展轨迹是否是核心对象，如果不是，回到步骤5.3.3，否则找到该扩展轨迹所有的直接密度可达轨迹；
步骤5.3.3.2，判断该直接密度可达轨迹是否已经存在结果队列，是则不处理，否则下一步；
步骤5.3.3.3，如果有序队列中已经存在该直接密度可达轨迹，如果此时新的可达距离小于旧的可达距离，则用新可达距离取代旧可达距离，有序队列重新排序；
步骤5.3.3.4，如果有序队列中不存在该直接密度可达轨迹，则插入该轨迹，并对有序队列重新排序；
步骤5.3.4，算法结束，输出结果队列中的有序轨迹集，根据有序轨迹集的可达距离与核心距离，生成聚类轨迹簇，取每一类的轨迹簇中核心距离最小的轨迹，作为区域内的规则轨迹，保存到规则轨迹库中，最终得到监控区域内挖掘所有船舶轨迹而产生的船舶轨迹规则集合，即规则轨迹集。
在上述技术方案中，步骤（6）中所述的对监控区域内异常船舶识别以及预警显示具体步骤如下：
步骤6.1，实时轨迹数据的获取，将AIS实时航迹数据通过AIS解析工具结构化存储到AIS信息表中；
步骤6.2，在数据库中的AIS信息表上建立触发器函数，实现对AIS航迹信息的实时获取与分析；
步骤6.3，对新增的航迹数据进行判断，判断其地理位置是否属于监控区域覆盖范围，其对应的船舶是否属于已纳入到监控列表中的船舶，对满足要求的数据作进一步分析处理；
步骤6.4，当AIS航迹数据落入监控区域范围内时，系统将启动对船舶运动状态以及轨迹的异常检测分析，其船舶运动状态分析来源于用户在当前监控区域所指定的运动参数阈值，通过将当前船舶的航行速度与监控区域内正常航速范围比较，分析出区域内航速异常的船舶，并及时更新船舶状态与异常描述信息；船舶的轨迹分析来源于监控区域内的轨迹聚类分析得到的规则轨迹集，由于规则轨迹集往往包括有多条轨迹线路，且轨迹线路存在交叉与重叠，而系统船舶轨迹监控主要判断船舶轨迹是否落入正常的轨迹覆盖范围内，因此系统在进行轨迹判断时，会对规则轨迹集进行轨迹合并，保留各个轨迹路径分支与重叠区域，得出总体轨迹覆盖路径，对合并后的规则轨迹建立缓冲区，允许船舶正常轨迹在规则轨迹合理缓冲区范围内，即对船舶轨迹的异常检测，转化为对船舶轨迹是否落入合并后的规则轨迹缓冲区内；
步骤6.5，当AIS航迹数据落入监控区域范围外，而其所属船舶在监控列表库中时，判断为船舶驶离监控区域，将船舶标记为驶离状态，监控区域不再监控此船舶。
本发明方法与现有技术相比具有以下优点：
1．采用基于特定地理区域的轨迹挖掘分析方法，可根据实际应用需要，灵活定制区域，实现对区域覆盖范围内的轨迹段聚类挖掘分析。因此，在聚类单元的划分上，本发明方法是通过区域来实现对轨迹的分割，分割后的轨迹为更具有区域地理特征，避免了将完整的复杂轨迹作为聚类单元，而出现相似轨迹段丢失的情况；也解决了直接将轨迹线段或轨迹点作为聚类单元聚类出现的聚类结果过于零散，缺少对船舶运动连续性分析的问题。
2．本发明在聚类分析的轨迹空间距离度量上，采用的是Hausdorff距离，特别适用于线与线之间的相似性匹配，在轨迹空间度量上要更优于目前常用的欧氏距离。
3．本发明所采用的基于密度的聚类算法OPTICS，聚类结果受参数影响较小，聚类结果更具有普遍性。
附图说明
图1为本发明方法轨迹特征抽取示例。
图2为本发明方法的流程图。
具体实施方式
本发明的实施采用支持地理空间数据存储与操作的PostgreSQL开源数据库与支持Ajax的前端开源Web GIS开发类库包OpenLayers，覆盖了轨迹数据处理子系统，船舶信息查询子系统，轨迹分析监控子系统和后台配置管理子系统。如图2所示，本发明方法具体实施步骤如下：
步骤1，解析轨迹数据，建立轨迹数据库。
根据AIS系统发送的位置报告电文，对AIS航迹数据进行解析并存储在船舶信息表与原始AIS信息表。
步骤2，轨迹数据预处理参数配置，包括设置航速变化率与航向变化率阈值，此处均设为10%。
步骤3，原始轨迹特征抽取处理。从原始AIS信息表中批量提取未进行特征抽取处理的船舶经纬度、船舶航速、航向和船舶报位时间信息，单次批量处理的数据量由用户通过参数配置接口设定。在本例中，单次批量提取10000条数据进行处理。
其特征抽取具体步骤为：
步骤3.1，读取船舶信息表，依次批量提取不同船舶的原始AIS航迹数据，并按报位时间进行增序排序。将排序后的AIS航迹数据首位数据作为轨迹的特征点加入至特征点集；
步骤3.2，计算下一原始轨迹点与最新的特征点之间的航向变化率，若航向变化率超出10%，则视为航向变化特征点，加入至特征点集，若未超出阈值则转入步骤3.3；
步骤3.3，计算原始轨迹点与上一特征点之间的航速变化率，若航速变化率超出10%，则视为航速变化特征点，加入特征点集，若未超出转入步骤3.4；
步骤3.4，判断是否为轨迹终止点，若为终止点，则直接保存为特征点，完成轨迹特征抽取处理。若不为终止点，则转入步骤3.2。
步骤4，划定准备进行轨迹挖掘分析与监控的区域。
步骤5，对已配置的区域内的空间轨迹数据进行挖掘分析，通过对轨迹数据的一系列预处理，采用基于密度的OPTICS聚类算法与Hausdorff距离度量方法实现对区域内的特征轨迹聚类挖掘分析。具体步骤如下：
步骤5.1，提取区域内的特征轨迹数据。通过地理空间操作函数实现对所有的特征轨迹点空间检索与查询，提取所有空间地理坐标落入划定地理区域范围内的特征轨迹点集合。
步骤5.2，区域内的特征轨迹分割。通过对区域内的特征轨迹点提取操作所获得的为不同船舶在不同时间段的特征轨迹点集，本实施例中将依据船舶与轨迹时间来对轨迹进行分割，其具体划分标准为：（1）只有同一船舶的轨迹特征点才能组织为一条完整的轨迹；（2）当同一船舶的轨迹特征点的时间差超过设定的阈值时，将对轨迹进行分割，使其隶属于不同的轨迹；（3）每条轨迹至少包含有两个以上的轨迹特征点，若低于两个则放弃此特征点。依照此分割标准，对获取到的特征轨迹点进行分割处理，生成包含在区域内的所有船舶的特征轨迹集合，为后续轨迹聚类分析提供数据源。
步骤5.3，区域内的特征轨迹聚类分析。本实施例对分割后的轨迹进行聚类挖掘分析所采用的的是基于密度的OPTICS聚类算法。在轨迹距离度量上，采用的是Hausdorff距离度量方法，该方法是描述两组点集之间相似程度的一种量度，特别适用于线与线之间的相似性匹配。具体聚类分析步骤如下：
步骤5.3.1，创建两个队列，有序队列dtQue和结果队列dtList。其中，有序队列用来存储核心轨迹对象及其该核心轨迹对象的直接可达轨迹对象，并按可达距离升序排列；结果队列用来存储轨迹的输出次序；
步骤5.3.2，如果区域内特征轨迹集合DataTraces中所有轨迹都处理完毕，则算法结束。否则，选择一个未处理即不在结果队列中且为核心对象的轨迹，找到其所有直接密度可达轨迹，如过该轨迹不存在于结果队列中，则将其放入有序队列中，并按可达距离排序；
步骤5.3.3，如果有序队列为空，则跳至步骤5.3.2，否则，从有序队列中取出第一个轨迹对象即可达距离最小的轨迹进行扩展，取出的轨迹若不存在结果队列中，则将其保存至结果队列中。具体扩展步骤如下：
步骤5.3.3.1，判断该扩展轨迹是否是核心对象，如果不是，回到步骤5.3.3，否则找到该扩展轨迹所有的直接密度可达轨迹；
步骤5.3.3.2，判断该直接密度可达轨迹是否已经存在结果队列，是则不处理，否则下一步；
步骤5.3.3.3，如果有序队列中已经存在该直接密度可达轨迹，如果此时新的可达距离小于旧的可达距离，则用新可达距离取代旧可达距离，有序队列重新排序；
步骤5.3.3.4，如果有序队列中不存在该直接密度可达轨迹，则插入该轨迹，并对有序队列重新排序；
步骤5.3.4，算法结束，输出结果队列中的有序轨迹集，根据有序轨迹集的可达距离与核心距离，生成聚类轨迹簇，取每一类的轨迹簇中核心距离最小的轨迹，作为区域内的规则轨迹，保存到规则轨迹库中，最终得到监控区域内挖掘所有船舶轨迹而产生的船舶轨迹规则集合，即规则轨迹集。
步骤6，对区域内的船舶实现实时定位追踪与异常检测分析，通过对船舶轨迹聚类分析产生的规则轨迹集，结合监控区域监控参数阈值，实现对监控区域内异常船舶识别以及预警显示。具体步骤如下：
步骤6.1，实时轨迹数据的获取。在本方法中实时的AIS实时轨迹数据通过AIS解析工具结构化存储到AIS信息表中。
步骤6.2，在数据库中的AIS信息表上建立触发器函数，实现对AIS航迹信息的实时获取与分析。
步骤6.3，对新增的航迹数据进行判断，判断其地理位置是否属于监控区域覆盖范围，其对应的船舶是否属于已纳入到监控列表中的船舶，对满足要求的数据作进一步分析处理。
步骤6.4，当AIS航迹数据落入监控区域范围内时，系统将启动对船舶运动状态以及轨迹的异常检测分析。其船舶运动状态分析主要来源于用户在当前监控区域所指定的运动参数阈值，这里的运动参数指标主要指的是船舶的航行速度，通过将当前船舶的航行速度与监控区域内正常航速范围阈值比较，可快速分析出区域内航速异常的船舶，并及时更新船舶状态与异常描述信息。而船舶的轨迹分析则来源于监控区域内的轨迹聚类分析得到的规则轨迹集，由于规则轨迹集往往包括有多条轨迹线路，且轨迹线路存在交叉与重叠，而系统船舶轨迹监控主要判断船舶轨迹是否落入正常的轨迹覆盖范围内，因此系统在进行轨迹判断时，会对规则轨迹集进行轨迹合并，保留各个轨迹路径分支与重叠区域，得出总体轨迹覆盖路径。同时，考虑到船舶在海面上航行所受约束较小，正常船舶航行轨迹不太可能精准的与规则轨迹稳合，因此系统需要对合并后的规则轨迹建立缓冲区，允许船舶正常轨迹在规则轨迹合理缓冲区范围内，即对船舶轨迹的异常检测，转化为对船舶轨迹是否落入合并后的规则轨迹缓冲区内，这一判断分析将通过数据库中的空间对象操作与处理函数完成。
步骤6.5，当AIS航迹数据落入监控区域范围外，而其所属船舶在监控列表库中时，可判断为船舶驶离监控区域，将船舶标记为驶离状态，监控区域不再监控此船舶。
Claims (3)
1.一种基于特定区域的船舶轨迹挖掘分析与监控方法，其特征在于该方法包括以下步骤：
（1）解析轨迹数据，建立轨迹数据库；
（2）轨迹数据预处理参数配置，包括设置航速变化率与航向变化率阈值；
（3）原始轨迹特征抽取处理，用p表示多维点<pos,t,v,c>，其中 pos 代表地理坐标，t代表时间，v 代表航速，c 代表航向，用psi表示原始轨迹点，表示原始轨迹集，下标si代表原始轨迹集中原始轨迹点的顺序，i为自然数，用pfj表示特征轨迹点，下标fj代表特征轨迹集中特征轨迹点的顺序，j为自然数，用由特征轨迹点构成的特征轨迹来拟合原始轨迹；所述的特征抽取具体步骤为：
步骤3.1，将原始轨迹的起始点作为轨迹的特征点加入至特征点集；
步骤3.2，计算下一原始轨迹点与最新的特征点之间的航向变化率，若航向变化率超出阈值，则视为航向变化特征点，加入至特征点集，若未超出阈值则转入步骤3.3；
步骤3.3，计算原始轨迹点与上一特征点之间的航速变化率，若航速变化率超出阈值，则视为航速变化特征点，加入特征点集，若未超出转入步骤3.4；
步骤3.4，判断是否为轨迹终止点，若为终止点，则直接保存为特征点，完成轨迹特征抽取处理，特征点集中的特征点构成特征轨迹；若不为终止点，则转入步骤3.2；
（4）划定准备进行轨迹挖掘分析与监控的区域；
（5）对划定区域内的空间轨迹数据进行挖掘分析，通过对轨迹数据的一系列预处理，采用基于密度的OPTICS聚类算法与Hausdorff距离度量方法实现对区域内的特征轨迹聚类挖掘分析, 得到规则轨迹集，规则轨迹集是在监控区域内挖掘所有船舶轨迹而产生的船舶轨迹规则集合，存储于规则轨迹库中；
（6）对划定区域内的船舶实现实时定位追踪与异常检测分析，通过规则轨迹集，结合监控区域监控参数阈值，实现对监控区域内异常船舶识别以及预警显示。
2.根据权利要求1所述的基于特定区域的船舶轨迹挖掘分析与监控方法，其特征在于步骤（5）中所述的特征轨迹聚类挖掘分析，具体步骤如下：
步骤5.1，对所有的特征轨迹点的空间进行检索与查询，提取所有空间地理坐标落入划定地理区域范围内的特征轨迹点集合；
步骤5.2，通过对区域内的特征轨迹点提取操作所获得的为不同船舶在不同时间段的特征轨迹点集，依据船舶与轨迹时间来对轨迹进行分割，其具体划分标准为：（1）只有同一船舶的轨迹特征点才能组织为一条完整的轨迹；（2）当同一船舶的轨迹特征点的时间差超过设定的阈值时，将对轨迹进行分割，使其隶属于不同的轨迹；（3）每条轨迹至少包含有两个以上的轨迹特征点，若低于两个则放弃此特征点；依照此分割标准，对获取到的特征轨迹点进行分割处理，生成包含在区域内的所有船舶的特征轨迹集合，为后续轨迹聚类分析提供数据源；
步骤5.3，对分割后的轨迹进行聚类挖掘分析所采用的是基于密度的OPTICS聚类算法；在轨迹距离度量上，采用的是Hausdorff距离度量方法，该方法是描述两组点集之间相似程度的一种量度，特别适用于线与线之间的相似性匹配；具体聚类分析步骤如下：
步骤5.3.1，创建两个队列，有序队列dtQue和结果队列dtList；其中，有序队列用来存储核心轨迹对象及其该核心轨迹对象的直接可达轨迹对象，并按可达距离升序排列；结果队列用来存储轨迹的输出次序；
步骤5.3.2，如果区域内特征轨迹集合DataTraces中所有轨迹都处理完毕，则算法结束；否则，选择一个未处理即不在结果队列中且为核心对象的轨迹，找到其所有直接密度可达轨迹，如果该轨迹不存在于结果队列中，则将其放入有序队列中，并按可达距离排序；
步骤5.3.3，如果有序队列为空，则跳至步骤5.3.2，否则，从有序队列中取出第一个轨迹对象即可达距离最小的轨迹进行扩展，取出的轨迹若不存在结果队列中，则将其保存至结果队列中；具体扩展步骤如下：
步骤5.3.3.1，判断该扩展轨迹是否是核心对象，如果不是，回到步骤5.3.3，否则找到该扩展轨迹所有的直接密度可达轨迹；
步骤5.3.3.2，判断该直接密度可达轨迹是否已经存在结果队列，是则不处理，否则下一步；
步骤5.3.3.3，如果有序队列中已经存在该直接密度可达轨迹，如果此时新的可达距离小于旧的可达距离，则用新可达距离取代旧可达距离，有序队列重新排序；
步骤5.3.3.4，如果有序队列中不存在该直接密度可达轨迹，则插入该轨迹，并对有序队列重新排序；
步骤5.3.4，算法结束，输出结果队列中的有序轨迹集，根据有序轨迹集的可达距离与核心距离，生成聚类轨迹簇，取每一类的轨迹簇中核心距离最小的轨迹，作为区域内的规则轨迹，保存到规则轨迹库中，最终得到监控区域内挖掘所有船舶轨迹而产生的船舶轨迹规则集合，即规则轨迹集。
3.根据权利要求1所述的基于特定区域的船舶轨迹挖掘分析与监控方法，其特征在于步骤（6）中所述的对监控区域内异常船舶识别以及预警显示具体步骤如下：
步骤6.1，实时轨迹数据的获取，将AIS实时航迹数据通过AIS解析工具结构化存储到AIS信息表中；
步骤6.2，在数据库中的AIS信息表上建立触发器函数，实现对AIS航迹信息的实时获取与分析；
步骤6.3，对新增的航迹数据进行判断，判断其地理位置是否属于监控区域覆盖范围，其对应的船舶是否属于已纳入到监控列表中的船舶，对满足要求的数据作进一步分析处理；
步骤6.4，当AIS航迹数据落入监控区域范围内时，系统将启动对船舶运动状态以及轨迹的异常检测分析，其船舶运动状态分析来源于用户在当前监控区域所指定的运动参数阈值，通过将当前船舶的航行速度与监控区域内正常航速范围比较，分析出区域内航速异常的船舶，并及时更新船舶状态与异常描述信息；船舶的轨迹分析来源于监控区域内的轨迹聚类分析得到的规则轨迹集，由于规则轨迹集往往包括有多条轨迹线路，且轨迹线路存在交叉与重叠，而系统船舶轨迹监控主要判断船舶轨迹是否落入正常的轨迹覆盖范围内，因此系统在进行轨迹判断时，会对规则轨迹集进行轨迹合并，保留各个轨迹路径分支与重叠区域，得出总体轨迹覆盖路径，对合并后的规则轨迹建立缓冲区，允许船舶正常轨迹在规则轨迹合理缓冲区范围内，即对船舶轨迹的异常检测，转化为对船舶轨迹是否落入合并后的规则轨迹缓冲区内；
步骤6.5，当AIS航迹数据落入监控区域范围外，而其所属船舶在监控列表库中时，判断为船舶驶离监控区域，将船舶标记为驶离状态，监控区域不再监控此船舶。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510262716.3A CN104899263B (zh) | 2015-05-22 | 2015-05-22 | 一种基于特定区域的船舶轨迹挖掘分析与监控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510262716.3A CN104899263B (zh) | 2015-05-22 | 2015-05-22 | 一种基于特定区域的船舶轨迹挖掘分析与监控方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104899263A CN104899263A (zh) | 2015-09-09 |
| CN104899263B true CN104899263B (zh) | 2018-01-26 |
Family
ID=54031926
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510262716.3A Expired - Fee Related CN104899263B (zh) | 2015-05-22 | 2015-05-22 | 一种基于特定区域的船舶轨迹挖掘分析与监控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104899263B (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 (44)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106803361A (zh) * | 2014-12-30 | 2017-06-06 | 江苏理工学院 | 一种基于滚动规划策略的航海管制方法 |
| CN105390028B (zh) * | 2015-10-23 | 2018-07-20 | 广州乙禾航运风险咨询有限公司 | 船舶航行轨迹的纠正方法和系统 |
| CN106022372B (zh) * | 2016-05-17 | 2019-05-10 | 中国人民解放军海军航空大学 | 基于多维特征的目标异常行为检测方法 |
| CN106970945A (zh) * | 2017-02-24 | 2017-07-21 | 河海大学 | 一种出租车数据集的轨迹预处理方法 |
| 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 |
| CN107146061B (zh) * | 2017-05-26 | 2020-06-02 | 亿海蓝（北京）数据技术股份公司 | 一种基于港口多层区域的船舶挂靠事件挖掘方法及系统 |
| CN107292917A (zh) * | 2017-06-15 | 2017-10-24 | 武汉理工大学 | 一种基于视频图像处理的船舶走锚识别方法 |
| CN107392245A (zh) * | 2017-07-19 | 2017-11-24 | 南京信息工程大学 | 一种出租车载客轨迹聚类算法Tr‑OPTICS |
| CN107682438A (zh) * | 2017-10-11 | 2018-02-09 | 浙江海洋大学 | 一种基于sdn下的国际海事通信与物联网的数据融合系统 |
| CN108256285A (zh) * | 2018-01-09 | 2018-07-06 | 上海交通大学 | 基于密度峰值快速搜索的航迹异常侦测方法及系统 |
| CN108334905A (zh) * | 2018-02-08 | 2018-07-27 | 中电科技（合肥）博微信息发展有限责任公司 | 船舶行为轨迹识别方法 |
| CN109446265B (zh) * | 2018-09-10 | 2021-07-30 | 上海中交水运设计研究有限公司 | 基于工作流程的复杂异常识别方法和识别系统 |
| 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 |
| CN109615932B (zh) * | 2018-10-17 | 2020-07-10 | 中国电子科技集团公司第二十八研究所 | 一种基于外接圆检测的船舶常见锚泊区边界自动提取方法 |
| CN109657547B (zh) * | 2018-11-13 | 2020-07-07 | 成都四方伟业软件股份有限公司 | 一种基于伴随模型的异常轨迹分析方法 |
| CN109708638B (zh) * | 2018-12-03 | 2022-10-25 | 江苏科技大学 | 一种船舶轨迹点提取方法 |
| CN111435570B (zh) * | 2019-01-11 | 2021-12-28 | 阿里巴巴集团控股有限公司 | 一种公交线路匹配方法及装置 |
| CN110108280B (zh) * | 2019-03-18 | 2023-04-07 | 大连海事大学 | 一种基于ais轨迹操纵单元拼接的船舶轨迹规划方法 |
| CN110033051B (zh) * | 2019-04-18 | 2021-08-20 | 杭州电子科技大学 | 一种基于多步聚类的拖网渔船行为判别方法 |
| CN110175633B (zh) * | 2019-04-29 | 2020-12-15 | 杭州电子科技大学 | 一种基于北斗卫星传输数据的渔船轨迹异常检测方法 |
| 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 |
| CN110411448B (zh) * | 2019-06-14 | 2021-03-02 | 青岛科技大学 | 一种船舶感知区域动态网格内代表船的选取方法 |
| CN110309383B (zh) * | 2019-06-17 | 2021-07-13 | 武汉科技大学 | 基于改进的dbscan算法的船舶轨迹聚类分析方法 |
| CN110363094A (zh) * | 2019-06-20 | 2019-10-22 | 珠海云航智能技术有限公司 | 一种船只异常行为识别方法、装置及终端设备 |
| CN110866559A (zh) * | 2019-11-14 | 2020-03-06 | 上海中信信息发展股份有限公司 | 一种家禽的行为分析方法及装置 |
| CN110990504B (zh) * | 2019-11-14 | 2023-01-17 | 中国船舶重工集团公司第七0七研究所 | 一种基于航向和航速变化率的船舶轨迹压缩方法 |
| CN111340415B (zh) * | 2020-02-14 | 2024-01-09 | 北京航空航天大学 | 一种基于货运轨迹数据的车辆自发编队模式挖掘方法 |
| CN111291149A (zh) * | 2020-02-28 | 2020-06-16 | 中国人民解放军国防科技大学 | 基于航向偏差的船舶ais时空轨迹分段及模式提取方法 |
| CN111459997B (zh) * | 2020-03-16 | 2023-07-21 | 中国科学院计算技术研究所 | 一种时空轨迹数据的频繁模式增量挖掘方法和电子设备 |
| CN111432344B (zh) * | 2020-03-27 | 2020-12-08 | 杭州华量软件有限公司 | 一种基于相邻船只的渔船时空轨迹修正方法及装置 |
| CN111581314B (zh) * | 2020-04-26 | 2023-06-23 | 亿海蓝（北京）数据技术股份公司 | 基于船舶轨迹的泊位识别方法及装置 |
| CN111583052A (zh) * | 2020-05-21 | 2020-08-25 | 北京天合睿创科技有限公司 | 渔船轨迹追踪及渔情分析系统 |
| CN111693059B (zh) * | 2020-05-28 | 2022-10-11 | 阿波罗智联(北京)科技有限公司 | 环岛的导航方法、装置、设备及存储介质 |
| 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 |
| CN112487116A (zh) * | 2020-11-19 | 2021-03-12 | 江苏锐天信息科技有限公司 | 一种基于ais大数据的船舶航迹分析方法 |
| CN112785030A (zh) * | 2020-11-26 | 2021-05-11 | 中远海运科技股份有限公司 | 船舶行为识别系统、方法和平台 |
| CN113129645B (zh) * | 2021-03-26 | 2022-05-27 | 亿海蓝（北京）数据技术股份公司 | 一种ais设备规范使用的监管系统 |
| CN113720383B (zh) * | 2021-08-23 | 2024-10-15 | 中电科海洋信息技术研究院有限公司 | 识别船舶异常行为的方法、设备及介质 |
| CN113887590B (zh) * | 2021-09-22 | 2023-06-09 | 中国电子科技集团公司第二十九研究所 | 一种目标典型航迹及区域分析方法 |
| CN114118243B (zh) * | 2021-11-18 | 2023-07-07 | 中交疏浚技术装备国家工程研究中心有限公司 | 一种基于航迹数据的耙吸挖泥船施工轨迹识别方法 |
| CN115828108B (zh) * | 2022-11-14 | 2023-11-28 | 中国人民解放军国防科技大学 | 一种基于形状匹配的运动目标轨迹相似片段提取方法 |
| CN115661682B (zh) * | 2022-12-27 | 2023-04-28 | 生态环境部卫星环境应用中心 | 一种工业热源对象的自动化提取方法及提取装置 |
| CN116451993A (zh) * | 2023-03-22 | 2023-07-18 | 中国船舶集团有限公司综合技术经济研究院 | 船舶信息风险评估方法、装置、电子设备及可读存储介质 |
| CN117765771A (zh) * | 2023-12-20 | 2024-03-26 | 浙江海莱云智科技有限公司 | 一种基于船舶航迹的船位动态点验方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104462856A (zh) * | 2014-12-30 | 2015-03-25 | 江苏理工学院 | 船舶冲突预警方法 |
| CN104484726A (zh) * | 2014-12-30 | 2015-04-01 | 江苏理工学院 | 船舶轨迹实时预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150094904A1 (en) * | 2012-02-22 | 2015-04-02 | The Government Of The United States, As Represented By The Secretary Of Navy | System and method for underwater vehicle simulation |
-
2015
- 2015-05-22 CN CN201510262716.3A patent/CN104899263B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104462856A (zh) * | 2014-12-30 | 2015-03-25 | 江苏理工学院 | 船舶冲突预警方法 |
| CN104484726A (zh) * | 2014-12-30 | 2015-04-01 | 江苏理工学院 | 船舶轨迹实时预测方法 |
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 |
|---|---|
| CN104899263A (zh) | 2015-09-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104899263B (zh) | 一种基于特定区域的船舶轨迹挖掘分析与监控方法 | |
| CN110188093A (zh) | 一种基于大数据平台针对ais信息源的数据挖掘系统 | |
| CN110033051B (zh) | 一种基于多步聚类的拖网渔船行为判别方法 | |
| CN108109382B (zh) | 基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法 | |
| KR102031151B1 (ko) | 선박의 효율 운항을 위한 항로 안내 방법 | |
| CN103020288B (zh) | 一种动态数据环境下的数据流分类方法 | |
| CN108320501B (zh) | 基于用户手机信令的公交线路识别方法 | |
| CN105785411B (zh) | 一种基于区域划分的异常轨迹检测方法 | |
| Tsou | Discovering knowledge from AIS database for application in VTS | |
| CN107808552A (zh) | 航班行为检测方法和装置 | |
| CN106225791A (zh) | 一种基于网格划分的gps定位与道路匹配方法 | |
| CN112164247A (zh) | 一种基于船舶轨迹聚类的船舶航线预测方法 | |
| CN103593430A (zh) | 一种基于移动对象时空信息轨迹分段聚类的方法 | |
| CN103106280A (zh) | 一种道路网络环境下不确定时空轨迹数据的范围查询方法 | |
| Zhu et al. | Inferring taxi status using gps trajectories | |
| CN109710595B (zh) | 基于有限信息的输电走廊鸟害热点图的构建方法 | |
| CN111104398B (zh) | 针对智能船舶近似重复记录的检测方法、消除方法 | |
| CN110598917B (zh) | 一种基于路径轨迹的目的地预测方法、系统及存储介质 | |
| CN114139642B (zh) | 联合船舶行程语义对象与图论理论的船舶航线提取方法 | |
| Zhao et al. | An adaptive hierarchical clustering method for ship trajectory data based on DBSCAN algorithm | |
| CN109410576A (zh) | 多源数据融合的路况分析方法、装置、存储介质及系统 | |
| CN113780952A (zh) | 一种集装箱班轮航线运力分析方法及系统 | |
| Lu et al. | Shape-based vessel trajectory similarity computing and clustering: A brief review | |
| Spiliopoulos et al. | Knowledge extraction from maritime spatiotemporal data: An evaluation of clustering algorithms on Big Data | |
| CN115511174A (zh) | 一种船舶风险预测方法和系统 |
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: 20180126 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |