CN106251704A - 船舶轨迹预测方法 - Google Patents
船舶轨迹预测方法 Download PDFInfo
- Publication number
- CN106251704A CN106251704A CN201610620526.9A CN201610620526A CN106251704A CN 106251704 A CN106251704 A CN 106251704A CN 201610620526 A CN201610620526 A CN 201610620526A CN 106251704 A CN106251704 A CN 106251704A
- Authority
- CN
- China
- Prior art keywords
- boats
- ships
- sampling instant
- discrete
- dimensional position
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005070 sampling Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G3/00—Traffic control systems for marine craft
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G3/00—Traffic control systems for marine craft
- G08G3/02—Anti-collision systems
Abstract
本发明涉及一种船舶轨迹预测方法,包括如下几个步骤,首先通过海面雷达获得船舶的实时和历史位置信息并做初步处理;然后在每一采样时刻对船舶轨迹数据预处理,然后在每一采样时刻对船舶轨迹数据聚类,再而在每一采样时刻对船舶轨迹数据利用隐马尔科夫模型进行参数训练,然后在每一采样时刻依据隐马尔科夫模型参数,采用Viterbi算法获取当前时刻观测值所对应的隐状态,最后在每一采样时刻通过设定预测时域W,基于船舶当前时刻的隐状态,获取未来时段船舶的位置预测值,从而在每一采样时刻滚动推测到未来时段内船舶的轨迹。本发明滚动实时对船舶轨迹进行预测,准确性较好,从而为后续船舶冲突解脱提供有力保障。
Description
本申请是申请号为:2014108415648,发明创造名称为《一种船舶轨迹实时预测方法》,申请日为:2014年12月30日的发明专利申请的分案申请。
技术领域
本发明涉及一种海域交通管制方法,尤其涉及一种基于滚动规划策略的船舶轨迹预测方法。
背景技术
随着全球航运业的快速发展,部分繁忙海域内的交通愈加拥挤。在船舶交通流密集复杂海域,针对船舶间的冲突情形仍然采用航行计划结合人工间隔调配的管制方式已不能适应航运业的快速发展。为保证船舶间的安全间隔,实施有效的冲突调配就成为海域交通管制工作的重点。船舶冲突解脱是航海领域中的一项关键技术,安全高效的解脱方案对于增加海域船舶流量以及确保海运安全具有重大意义。
为了提高船舶的航行效率,船用雷达自动标绘仪目前已经被广泛应用到船舶监控和避碰中,该设备通过提取船舶相关信息为船舶间冲突情形的判定提供参考依据。尽管此类设备极大降低了人工监控的负荷,但它并不具备船舶自动冲突解脱功能。而船舶冲突解脱是基于对船舶轨迹的预测的基础上,在船舶实际航行中,受气象条件、导航设备以及驾驶员操作等各种因素的影响,它的运行状态往往不完全属于某一特定的运动状态,在船舶轨迹预测过程中需要考虑各种随机因素的影响,通过获取各类随机因素的最新特性对其未来轨迹实施滚动预测并增强其轨迹预测的鲁棒性。
发明内容
本发明要解决的技术问题是提供一种鲁棒性较好的船舶轨迹预测方法,该方法的船舶轨迹预测精度较高。
实现本发明目的的技术方案是提供一种船舶轨迹预测方法,包括如下几个步骤:
①通过海面雷达获得船舶的实时和历史位置信息,各船舶的位置信息为离散二维位置序列和,通过应用小波变换理论对原始离散二维位置序列和进行初步处理,从而获取船舶的去噪离散二维位置序列和;
②在每一采样时刻对船舶轨迹数据预处理,依据所获取的船舶原始离散二维位置序列和,采用一阶差分方法对其进行处理获取新的船舶离散位置序列和,其中;
③在每一采样时刻对船舶轨迹数据聚类,对处理后新的船舶离散二维位置序列和,通过设定聚类个数,采用K-means聚类算法分别对其进行聚类;
④在每一采样时刻对船舶轨迹数据利用隐马尔科夫模型进行参数训练,通过将处理后的船舶运行轨迹数据和视为隐马尔科夫过程的显观测值,通过设定隐状态数目和参数更新时段,依据最近的个位置观测值并采用B-W算法滚动获取最新隐马尔科夫模型参数;
⑤在每一采样时刻依据隐马尔科夫模型参数,采用Viterbi算法获取当前时刻观测值所对应的隐状态;
⑥在每一采样时刻,通过设定预测时域W,基于船舶当前时刻的隐状态,获取未来时段船舶的位置预测值,从而在每一采样时刻滚动推测到未来时段内船舶的轨迹。
进一步的,所述步骤①中,通过应用小波变换理论对原始离散二维位置序列和进行初步处理,从而获取船舶的去噪离散二维位置序列和:对于给定的原始二维序列数据,利用如下形式的线性表达式分别对其进行近似:,
其中:,
表示对数据平滑处理后得到的函数表达式,表示母波,、和均为小波变换常数,表示母波的转换形式,表示由小波变换过程得到的函数系数,它体现了子波对整个函数近似的权重大小,若此系数很小,那么它意味着子波的权重也较小,因而可以在不影响函数主要特性的前提下,从函数近似过程中将子波除去;在实际数据处理过程中,通过设定阈值来实施“阈值转换”,当时,设定;阈值函数的选取采用如下两种方式:
和;
对于,也采用上述方法进行去噪处理。
进一步的,所述步骤④中确定航迹隐马尔科夫模型参数的过程如下:
4.1)变量赋初值:应用均匀分布给变量,和赋初值,和并使其满足约束条件:,和,由此得到,其中表示某一显观测值,、和分别是由元素、和构成的矩阵,令参数,为当前时刻之前的个历史位置观测值;
4.2)执行E-M算法:
4.2.1)E-步骤:由计算和;
变量,那么,
其中表示某一隐状态;
4.2.2)M-步骤:运用、、分别估计,和并由此得到;
4.2.3)循环:,重复执行E-步骤和M-步骤,直至、和收敛,即
,其中参数,返回步骤4.2.4);
4.2.4):令 ,算法结束。
进一步的,所述步骤⑤中确定船舶航迹最佳隐状态序列的迭代过程如下:
5.1)变量赋初值:令,,,,其中,
,
其中变量表示使变量取最大值的船舶航迹隐状态,参数表示隐状态的集合;
5.2)递推过程: ,;
5.3)时刻更新:令,若,返回步骤5.2),否则迭代终止并转到步骤5.4);
5.4),,转到步骤5.5);
5.5)最优隐状态序列获取:
5.5.1)变量赋初值:令;
5.5.2)后向递推:;
5.5.3)时刻更新:令,若,返回步骤5.5.2),否则终止。
进一步的,所述步骤③中,聚类个数的值为4。
进一步的,所述步骤④中,状态数目的值为3,参数更新时段为30秒,为10。
进一步的,所述步骤⑥中,预测时域W为300秒。
本发明具有积极的效果:(1)本发明在船舶轨迹实时预测的过程中,融入了随机因素的影响,所采用的滚动轨迹预测方案能够及时提取外界随机因素的变化状况,提高了船舶轨迹预测的准确性。
(2)本发明基于不同性能指标,其船舶轨迹实时预测结果可以为存在冲突的多个船舶提供解脱轨迹规划方案,提高船舶运行的经济性和海域资源的利用率。
附图说明
图1为本发明中的船舶运行短期轨迹生成流程示意图。
具体实施方式
(实施例1)
见图1,本实施例的一种船舶轨迹预测方法包括如下几个步骤:
①通过海面雷达获得船舶的实时和历史位置信息,各船舶的位置信息为离散二维位置序列和,通过应用小波变换理论对原始离散二维位置序列和进行初步处理,从而获取船舶的去噪离散二维位置序列和::对于给定的原始二维序列数据,利用如下形式的线性表达式分别对其进行近似:,
其中:,
表示对数据平滑处理后得到的函数表达式,表示母波,、和均为小波变换常数,表示母波的转换形式,表示由小波变换过程得到的函数系数,它体现了子波对整个函数近似的权重大小,若此系数很小,那么它意味着子波的权重也较小,因而可以在不影响函数主要特性的前提下,从函数近似过程中将子波除去;在实际数据处理过程中,通过设定阈值来实施“阈值转换”,当时,设定;阈值函数的选取采用如下两种方式:
和;
对于,也采用上述方法进行去噪处理;
②在每一采样时刻对船舶轨迹数据预处理,依据所获取的船舶原始离散二维位置序列和,采用一阶差分方法对其进行处理获取新的船舶离散位置序列和,其中;
③在每一采样时刻对船舶轨迹数据聚类,对处理后新的船舶离散二维位置序列和,通过设定聚类个数,采用K-means聚类算法分别对其进行聚类;
④在每一采样时刻对船舶轨迹数据利用隐马尔科夫模型进行参数训练,通过将处理后的船舶运行轨迹数据和视为隐马尔科夫过程的显观测值,通过设定隐状态数目和参数更新时段,依据最近的个位置观测值并采用B-W算法滚动获取最新隐马尔科夫模型参数;确定航迹隐马尔科夫模型参数的过程如下:
4.1)变量赋初值:应用均匀分布给变量,和赋初值,和并使其满足约束条件:,和,由此得到,其中表示某一显观测值,、和分别是由元素、和构成的矩阵,令参数,为当前时刻之前的个历史位置观测值;
4.2)执行E-M算法:
4.2.1)E-步骤:由计算和;
变量,那么,
其中表示某一隐状态;
4.2.2)M-步骤:运用、、分别估计,和并由此得到;
4.2.3)循环:,重复执行E-步骤和M-步骤,直至、和收敛,即
,其中参数,返回步骤4.2.4);
4.2.4):令 ,算法结束。
⑤在每一采样时刻依据隐马尔科夫模型参数,采用Viterbi算法获取当前时刻观测值所对应的隐状态:
5.1)变量赋初值:令,,,,其中,
,
其中变量表示使变量取最大值的船舶航迹隐状态,参数表示隐状态的集合;
5.2)递推过程: ,;
5.3)时刻更新:令,若,返回步骤5.2),否则迭代终止并转到步骤5.4);
5.4),,转到步骤5.5);
5.5)最优隐状态序列获取:
5.5.1)变量赋初值:令;
5.5.2)后向递推:;
5.5.3)时刻更新:令,若,返回步骤5.5.2),否则终止。。
⑥在每一采样时刻,通过设定预测时域W,基于船舶当前时刻的隐状态,获取未来时段船舶的位置预测值。
上述聚类个数的值为4,,状态数目的值为3,参数更新时段为30秒,为10,预测时域W为300秒。
(应用例、航海交通管制方法)
本实施例的航海交通管制方法包括如下几个步骤:
步骤A、根据实施例1得到的船舶轨迹预测方法获得船舶在每一采样时刻推测到的未来时段内船舶的轨迹;
步骤B、在每一采样时刻,基于船舶当前的运行状态和历史位置观察序列,获取海域风场变量的数值,其具体过程如下:
B.1)设定船舶的停靠位置为轨迹参考坐标原点;
B.2)在船舶处于直线运行状态和匀速转弯运行状态时,构建海域风场线性滤波模型;
B.3)根据所构建的滤波模型获取风场变量的数值。
步骤C、在每一采样时刻,基于各船舶的运行状态和设定的船舶在海域内运行时需满足的安全规则集,当船舶间有可能出现违反安全规则的状况时,对其动态行为实施监控并为海上交通控制中心提供及时的告警信息;
步骤D、当告警信息出现时,在满足船舶物理性能和海域交通规则的前提下,通过设定优化指标函数以及融入风场变量数值,采用模型预测控制理论方法对船舶避撞轨迹进行滚动规划,并将规划结果传输给各船舶执行,其具体过程如下:
D.1)设定船舶避撞轨迹规划的终止参考点位置、避撞策略控制时域、轨迹预测时域;
D.2)设定在给定优化指标函数的前提下,基于合作式避撞轨迹规划思想,通过给各个船舶赋予不同的权重以及融入实时风场变量滤波数值,得到各个船舶的避撞轨迹和避撞控制策略并将规划结果传输给各船舶执行,且各船舶在滚动规划间隔内仅实施其第一个优化控制策略;
D.3)在下一采样时刻,重复步骤5.2)直至各船舶均到达其解脱终点。
上述终止参考点位置设定为船舶位置冲突点的下一个航道点,避撞策略控制时域为300秒;轨迹预测时域为300秒。
显然,上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而这些属于本发明的精神所引伸出的显而易见的变化或变动仍处于本发明的保护范围之中。
Claims (1)
1.一种船舶轨迹预测方法,其特征在于包括如下几个步骤:
①通过海面雷达获得船舶的实时和历史位置信息,各船舶的位置信息为离散二维位置序列和,通过应用小波变换理论对原始离散二维位置序列和进行初步处理,从而获取船舶的去噪离散二维位置序列和;
②在每一采样时刻对船舶轨迹数据预处理,依据所获取的船舶原始离散二维位置序列和,采用一阶差分方法对其进行处理获取新的船舶离散位置序列和,其中,;
③在每一采样时刻对船舶轨迹数据聚类,对处理后新的船舶离散二维位置序列和,通过设定聚类个数,采用K-means聚类算法分别对其进行聚类;
④在每一采样时刻对船舶轨迹数据利用隐马尔科夫模型进行参数训练,通过将处理后的船舶运行轨迹数据和视为隐马尔科夫过程的显观测值,通过设定隐状态数目和参数更新时段,依据最近的个位置观测值并采用B-W算法滚动获取最新隐马尔科夫模型参数;
⑤在每一采样时刻依据隐马尔科夫模型参数,采用Viterbi算法获取当前时刻观测值所对应的隐状态;
⑥在每一采样时刻,通过设定预测时域W,基于船舶当前时刻的隐状态,获取未来时段船舶的位置预测值,从而在每一采样时刻滚动推测到未来时段内船舶的轨迹;
所述步骤①中,通过应用小波变换理论对原始离散二维位置序列和进行初步处理,从而获取船舶的去噪离散二维位置序列和:对于给定的原始二维序列数据,利用如下形式的线性表达式分别对其进行近似:,
其中:,
表示对数据平滑处理后得到的函数表达式,表示母波,、和均为小波变换常数,表示母波的转换形式,表示由小波变换过程得到的函数系数,它体现了子波对整个函数近似的权重大小,若此系数很小,那么它意味着子波的权重也较小,因而可以在不影响函数主要特性的前提下,从函数近似过程中将子波除去;在实际数据处理过程中,通过设定阈值来实施“阈值转换”,当时,设定;阈值函数的选取采用如下两种方式:
和;
对于,也采用上述方法进行去噪处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610620526.9A CN106251704A (zh) | 2014-12-30 | 2014-12-30 | 船舶轨迹预测方法 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610620526.9A CN106251704A (zh) | 2014-12-30 | 2014-12-30 | 船舶轨迹预测方法 |
CN201410841564.8A CN104537891B (zh) | 2014-12-30 | 2014-12-30 | 一种船舶轨迹实时预测方法 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410841564.8A Division CN104537891B (zh) | 2014-12-30 | 2014-12-30 | 一种船舶轨迹实时预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106251704A true CN106251704A (zh) | 2016-12-21 |
Family
ID=52853410
Family Applications (4)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610620437.4A Pending CN106205213A (zh) | 2014-12-30 | 2014-12-30 | 一种船舶轨迹预测方法 |
CN201610624893.6A Pending CN106228850A (zh) | 2014-12-30 | 2014-12-30 | 基于滚动规划策略的船舶轨迹实时预测方法 |
CN201410841564.8A Active CN104537891B (zh) | 2014-12-30 | 2014-12-30 | 一种船舶轨迹实时预测方法 |
CN201610620526.9A Pending CN106251704A (zh) | 2014-12-30 | 2014-12-30 | 船舶轨迹预测方法 |
Family Applications Before (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610620437.4A Pending CN106205213A (zh) | 2014-12-30 | 2014-12-30 | 一种船舶轨迹预测方法 |
CN201610624893.6A Pending CN106228850A (zh) | 2014-12-30 | 2014-12-30 | 基于滚动规划策略的船舶轨迹实时预测方法 |
CN201410841564.8A Active CN104537891B (zh) | 2014-12-30 | 2014-12-30 | 一种船舶轨迹实时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (4) | CN106205213A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110706518A (zh) * | 2019-08-19 | 2020-01-17 | 浙江海洋大学 | 一种船舶挂靠港预测技术 |
CN111655573A (zh) * | 2017-11-27 | 2020-09-11 | 应用物理技术公司 | 用操作时段指示符作波浪感测和船舶运动预报的系统和方法 |
CN111929715A (zh) * | 2020-06-28 | 2020-11-13 | 杭州云起智慧校园科技有限公司 | 一种用于校徽的定位方法、装置、设备及存储介质 |
CN113221449A (zh) * | 2021-04-27 | 2021-08-06 | 中国科学院国家空间科学中心 | 一种基于最优策略学习的船舶航迹实时预测方法及系统 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106205213A (zh) * | 2014-12-30 | 2016-12-07 | 江苏理工学院 | 一种船舶轨迹预测方法 |
CN106154296A (zh) * | 2015-06-26 | 2016-11-23 | 安徽华米信息科技有限公司 | 一种路径轨迹的调整方法及装置 |
CN106595665B (zh) * | 2016-11-30 | 2019-10-11 | 耿生玲 | 一种障碍空间中移动对象时空轨迹的预测方法 |
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 |
CN112070312B (zh) * | 2020-09-10 | 2021-11-02 | 龙马智芯(珠海横琴)科技有限公司 | 航迹预测方法、装置、预测设备以及计算机可读存储介质 |
CN113093735B (zh) * | 2021-03-18 | 2022-07-26 | 华南理工大学 | 随机扰动下输出受限欠驱动无人艇的横截函数控制方法、系统及介质 |
CN113627104B (zh) * | 2021-08-12 | 2024-02-06 | 北京中安智能信息科技有限公司 | 多约束条件下的水下潜艇航迹模拟方法和装置及设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002312900A (ja) * | 2001-04-13 | 2002-10-25 | Original Engineering Consultants Co Ltd | 3次元位置確認システム |
JP2002318287A (ja) * | 2001-04-24 | 2002-10-31 | Japan Radio Co Ltd | 気象情報提供システム |
JP2007286725A (ja) * | 2006-04-13 | 2007-11-01 | Toshima Imazu | 相手船動静監視装置 |
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 |
CN102147981A (zh) * | 2010-12-20 | 2011-08-10 | 成都天奥信息科技有限公司 | 一种船载自动识别系统警戒区域报警的方法 |
CN103413443A (zh) * | 2013-07-03 | 2013-11-27 | 太原理工大学 | 基于隐马尔科夫模型的短时交通流状态预测方法 |
CN104091470A (zh) * | 2014-07-15 | 2014-10-08 | 南京大学 | 一种基于多数据融合的航道交通信息预测方法及应用 |
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 |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3725918A (en) * | 1970-11-18 | 1973-04-03 | Sperry Rand Corp | Collision avoidance display apparatus for maneuverable craft |
WO1995003598A1 (en) * | 1993-07-20 | 1995-02-02 | Philip Bernard Wesby | Locating/map dissemination system |
US7643989B2 (en) * | 2003-08-29 | 2010-01-05 | Microsoft Corporation | Method and apparatus for vocal tract resonance tracking using nonlinear predictor and target-guided temporal restraint |
JP2005181077A (ja) * | 2003-12-18 | 2005-07-07 | Tokimec Inc | 船舶用航行支援装置 |
US7983835B2 (en) * | 2004-11-03 | 2011-07-19 | Lagassey Paul J | Modular intelligent transportation system |
JP2010033352A (ja) * | 2008-07-29 | 2010-02-12 | Toyota Central R&D Labs Inc | 車線変更警報装置及びプログラム |
WO2012012550A2 (en) * | 2010-07-20 | 2012-01-26 | The University Of Memphis Research Foundation | Theft detection nodes and servers, methods of estimating an angle of a turn, methods of estimating a distance traveled between successive stops, and methods and servers for determining a path traveled by a node |
US8405531B2 (en) * | 2010-08-31 | 2013-03-26 | Mitsubishi Electric Research Laboratories, Inc. | Method for determining compressed state sequences |
US8478711B2 (en) * | 2011-02-18 | 2013-07-02 | Larus Technologies Corporation | System and method for data fusion with adaptive learning |
US20150370959A9 (en) * | 2011-04-13 | 2015-12-24 | The Board Of Trustees Of The Leland Stanford Junior University | Phased Whole Genome Genetic Risk In A Family Quartet |
CN102568200B (zh) * | 2011-12-21 | 2015-04-22 | 辽宁师范大学 | 车辆行驶状态实时判别的方法 |
CN102831787A (zh) * | 2012-07-30 | 2012-12-19 | 广东省公安边防总队 | 一种基于码头泊位智能监管方法及系统 |
CN102890875B (zh) * | 2012-10-15 | 2015-04-15 | 浙江大学 | 一种获取海上智能交通网络的系统碰撞风险的方法 |
CN103152253A (zh) * | 2013-01-17 | 2013-06-12 | 王少夫 | 一种基于复杂通信网络信道数据挖掘路径预测算法 |
CN103235933B (zh) * | 2013-04-15 | 2016-08-03 | 东南大学 | 一种基于隐马尔科夫模型的车辆异常行为检测方法 |
CN103336863B (zh) * | 2013-06-24 | 2016-06-01 | 北京航空航天大学 | 基于雷达飞行航迹观测数据的飞行意图识别方法 |
CN103473540B (zh) * | 2013-09-11 | 2016-06-22 | 天津工业大学 | 智能交通系统车辆轨迹增量式建模与在线异常检测方法 |
CN103471589B (zh) * | 2013-09-25 | 2015-10-21 | 武汉大学 | 一种室内行人行走模式识别和轨迹追踪的方法 |
KR20150064909A (ko) * | 2013-12-04 | 2015-06-12 | 한국전자통신연구원 | Ais 표적정보를 이용하여 선박을 추적하는 장치 및 그 방법 |
CN103714718B (zh) * | 2013-12-31 | 2016-01-13 | 武汉理工大学 | 一种内河桥区船舶安全航行预控系统 |
CN104021700A (zh) * | 2014-06-16 | 2014-09-03 | 交通运输部天津水运工程科学研究所 | 一种基于tetra数字集群系统的船舶安全报警装置及方法 |
CN104010167B (zh) * | 2014-06-16 | 2017-04-26 | 交通运输部天津水运工程科学研究所 | 一种实时ais数据虚拟船舶视频化显示方法 |
-
2014
- 2014-12-30 CN CN201610620437.4A patent/CN106205213A/zh active Pending
- 2014-12-30 CN CN201610624893.6A patent/CN106228850A/zh active Pending
- 2014-12-30 CN CN201410841564.8A patent/CN104537891B/zh active Active
- 2014-12-30 CN CN201610620526.9A patent/CN106251704A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002312900A (ja) * | 2001-04-13 | 2002-10-25 | Original Engineering Consultants Co Ltd | 3次元位置確認システム |
JP2002318287A (ja) * | 2001-04-24 | 2002-10-31 | Japan Radio Co Ltd | 気象情報提供システム |
JP2007286725A (ja) * | 2006-04-13 | 2007-11-01 | Toshima Imazu | 相手船動静監視装置 |
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 |
CN102147981A (zh) * | 2010-12-20 | 2011-08-10 | 成都天奥信息科技有限公司 | 一种船载自动识别系统警戒区域报警的方法 |
CN103413443A (zh) * | 2013-07-03 | 2013-11-27 | 太原理工大学 | 基于隐马尔科夫模型的短时交通流状态预测方法 |
CN104091470A (zh) * | 2014-07-15 | 2014-10-08 | 南京大学 | 一种基于多数据融合的航道交通信息预测方法及应用 |
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 |
Non-Patent Citations (4)
Title |
---|
张彩虹: "隐马氏模型的建模及其应用", 《中国优秀博硕士学位论文全文数据库(硕士) 基础科学辑》 * |
李立言 等: "一种基于小波降噪的GNSS轨迹平滑算法", 《电子技术应用》 * |
柳长昕: "基于二维隐马尔科夫模型的离心泵故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
桑凌志 等: "基于航迹预测的实时船舶安全预警方法", 《中国安全科学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111655573A (zh) * | 2017-11-27 | 2020-09-11 | 应用物理技术公司 | 用操作时段指示符作波浪感测和船舶运动预报的系统和方法 |
CN111655573B (zh) * | 2017-11-27 | 2021-10-22 | 应用物理技术公司 | 用操作时段指示符作波浪感测和船舶运动预报的系统和方法 |
CN110706518A (zh) * | 2019-08-19 | 2020-01-17 | 浙江海洋大学 | 一种船舶挂靠港预测技术 |
CN111929715A (zh) * | 2020-06-28 | 2020-11-13 | 杭州云起智慧校园科技有限公司 | 一种用于校徽的定位方法、装置、设备及存储介质 |
CN113221449A (zh) * | 2021-04-27 | 2021-08-06 | 中国科学院国家空间科学中心 | 一种基于最优策略学习的船舶航迹实时预测方法及系统 |
CN113221449B (zh) * | 2021-04-27 | 2024-03-15 | 中国科学院国家空间科学中心 | 一种基于最优策略学习的船舶航迹实时预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104537891B (zh) | 2016-08-24 |
CN106228850A (zh) | 2016-12-14 |
CN106205213A (zh) | 2016-12-07 |
CN104537891A (zh) | 2015-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104537891B (zh) | 一种船舶轨迹实时预测方法 | |
CN104462856B (zh) | 船舶冲突预警方法 | |
CN104484726B (zh) | 船舶轨迹实时预测方法 | |
CN104504277B (zh) | 一种船舶冲突预警方法 | |
CN107958269B (zh) | 一种基于隐马尔可夫模型的行车危险度预测方法 | |
CN104504934B (zh) | 一种航海交通管制方法 | |
CN105654139A (zh) | 一种采用时间动态表观模型的实时在线多目标跟踪方法 | |
CN111063218A (zh) | 一种船舶避碰决策方法 | |
CN104504935B (zh) | 航海交通管制方法 | |
CN103326903A (zh) | 基于隐马尔科夫的Internet网络时延预测方法 | |
CN104050506A (zh) | 一种基于Spiking神经网络的飞机冲突检测方法 | |
CN106571067A (zh) | 基于滚动规划策略的船舶冲突解脱的规划方法 | |
Liu et al. | Ship route planning in the pirate area via hybrid probabilistic roadmap algorithm within the context of the Maritime Silk Road | |
RU2010140576A (ru) | Способ прогнозирования времени наступления и уровня паводков | |
CN110414042A (zh) | 一种冲突会遇局面下船舶集群态势分析方法 | |
CN103903267A (zh) | 基于均值模板和学生t混合模型的图像分割方法 | |
CN116118772A (zh) | 考虑不确定性的自动驾驶强化学习运动规划方法和系统 | |
CN111191815B (zh) | 一种用于风电集群的超短期出力预测方法及系统 | |
CN109002860B (zh) | 一种高速铁路沿线突变风速智能适应性匹配预测方法 | |
Zhang et al. | Motion Prediction of Tugboats Using Hidden Markov Model | |
CN111914982A (zh) | 一种结合随机化技术的变分自编码方法 | |
CN116994442A (zh) | 一种基于cql离线强化学习的自适应交通信号控制方法 | |
CN112712251A (zh) | 一种应用于驳船管理系统中的船舶智能调度算法 | |
CN116300933A (zh) | 自动驾驶轨迹评估方法、装置以及设备 | |
CN117131940A (zh) | 一种面向水面无人艇的态势推理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: No. 1801 Zhong Wu Avenue, Changzhou, Jiangsu Province, Jiangsu Applicant after: Jiangsu University of Technology Address before: 213001 1801 Zhong Wu Avenue, Zhong Lou District, Changzhou, Jiangsu Applicant before: Jiangsu University of Technology |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161221 |