CN106779184B - 一种基于大数据建模的海上船舶流量预测方法 - Google Patents
一种基于大数据建模的海上船舶流量预测方法 Download PDFInfo
- Publication number
- CN106779184B CN106779184B CN201611080860.6A CN201611080860A CN106779184B CN 106779184 B CN106779184 B CN 106779184B CN 201611080860 A CN201611080860 A CN 201611080860A CN 106779184 B CN106779184 B CN 106779184B
- Authority
- CN
- China
- Prior art keywords
- mrow
- data
- matrix
- region
- msubsup
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims abstract description 56
- 230000004927 fusion Effects 0.000 claims abstract description 19
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims description 4
- 238000005267 amalgamation Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 12
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000003331 infrared imaging Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 239000003643 water by type Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- RVRCFVVLDHTFFA-UHFFFAOYSA-N heptasodium;tungsten;nonatriacontahydrate Chemical compound O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W] RVRCFVVLDHTFFA-UHFFFAOYSA-N 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于大数据建模的海上船舶流量预测方法，该方法包括以下步骤：定量特征将实时GPS数据、历史GPS数据与航线物理信息均转化为矩阵形式，在物理信息矩阵的限制下，以多个矩阵同时进行矩阵分解的方法解决航线数据严重稀疏问题；定性特征根据实时和历史环境数据，结合相关海上交通知识获得与海上交通流量相关的定性预测；多类特征融合求解过程将多个特征融合，并利用内在相似性将定性特征转化为定量特征。该监测方法结合大数据建模与实际需求，并利用特征融合方法消除数据稀疏等问题，既确保了预测数据的准确性，又保证了监测方法的实时性与有效性。
Description
技术领域
本发明涉及海上交通实况分析及海上交通安全领域。尤其涉及一种基于大数据建模的海上船舶流量预测方法。
背景技术
水上交通运输由于其运量大，能耗低，污染少等优点，近年来越来越引起人们的关注和重视。随着我国运输业的快速发展，船舶数量快速增长，船舶吨位和速度不断提升，使得水域上船舶分布越来越密集，船舶互撞和船撞桥等水上交通事故频繁发生，已严重威胁到船舶航行安全及江河生态环境，航运管理部门急需对河道上的航运情况进行实时的监控，以便于从宏观和微观上掌握特定水域内水上交通的实际状况、基本特征和一般规律。
海上船舶流量监测的方法主要有人工监测、红外成像系统、雷达成像和AIS系统。
人工监测至今仍是海事管理部门最为常用的方法，主要包括，定点定期统计与甚高频喊话统计两种。其中定点定期统计一般选取狭窄水道、港口的入口处或沿岸的建筑物，利用目测手段观测和记录来往通过某水道或门线的船舶参数。其缺点明显，在夜间和能见度差的条件下难以进行，并且受到测量距离的限制，有些地方如钻井平台距离岸边很远，无法到现场观测。
红外成像系统,是对的一种重要补充。它主要利用热红外辐射来产生被观察场景的红外辐射图。常规意义上的红外成像，分为主动式与被动式两种，主动式即传感器提供红外光源，检测红外反射图像，被动式则是直接监控对象由于热源自动向外发射的红外光源。通常意义的红外监控，仅为主动式，被动式尚未被广泛采用红外成像系统。这也就导致用于监测海上交通流量的红外成像系统是一种基于半人工辅助的监控系统，目标的获取，需要人来辅助完成，无法做到完全自动化。
雷达成像系统己经广泛应用于船舶交通管理系统中,成为船舶检测方法中最主要的方法。然而作为一种测量无线电回波的技术手段,它必然存在一定的盲区,易受到波浪、。建筑物、群山等障碍物的影响,从而限制了它的作用范围。另外雷达容易受到各种干扰回波的影响,当检测范围增大的时候,盲区也随之增大。且雷达采集到的模拟信号,无准确物理含义,无法直接处理，很大程度上需要依靠人的经验判别。
AIS系统是现代船舶的标准设备，以自组织时分多址方式，自动广播本船的静态信息和动态信息。它的监管是被动式的，即要求船舶安装了自动识别系统(AIS)且设备正常工作才可完全发挥作用。对于我国复杂的航道环境，不是每艘船都会积极主动的安装该设备，当船舶没有装备自动识别系统时，VTS系统则检测不到，导致丢失部分船舶信息，就不能完整准确的体现航道的整体状况。
有鉴于此，急需一种可以实现准确海上船舶流量预测的系统或方法，以提高海上船舶航行的安全性，减少财产损失，改善江河生态环境。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种基于大数据建模的海上船舶流量预测方法，通过将基于相似度的特征融合问题转化为最优值求解问题的方法，综合不同船舶GPS数据与海上环境数据，解决了现有技术的问题。
技术方案：为实现上述目的，本发明采用的技术方案为：一种基于大数据建模的海上船舶流量预测方法，其特征在于，该方法包括以下步骤：将预测区海面进行区域划分(以1海里作为标准，进行区域划分)，在每个区域内均匀布置8-12个区域传感器；建立定量特征和定性特征；
所述定量特征基于船舶提供的数据；所述定性特征基于区域传感器提供的数据；通过块坐标求解最优解的方法将多种数据源的定量特征和定性特征的数据融合，求解获得海洋交通流量的预测。
进一步的，所述定量特征包括若干子特征，每个子特征分别对应一种类型船舶的数据；对每一种类型船舶的数据建立历史GPS数据矩阵X和实时GPS数据矩阵Y；对于航线的物理信息，建立矩阵Z；对所述矩阵X、矩阵Y和矩阵Z进行分解，两两共享进行矩阵分解后得到的相同的特征因子；获得各航线上实时船舶流量信息；
其中，矩阵X的每一个条目为一条航线在一个时间段内的平均速度和速度方差，矩阵Y的每一个条目为一个区域在一个时间段经过的总船舶数量；矩阵Z的每一行表示一条航线，每一列表示一个物理属性。
进一步的，在分解中，将矩阵X和矩阵Y直接合并，作为同一个矩阵进行分解。
进一步的，所述定性特征根据接收到的区域传感器数据计算出环境属性变量，数据化环境属性变量，对每个区域内的所有传感器数据进行处理，获得单个区域内各种环境属性均值与方差。
进一步的，所述特征融合表达式如下：
其中t表示时间，a表示某航线段所属区域，表示在a航线段所属区域，t时间段内的海上船舶真实流量，其中表示某v特征监测下a地点，t时间段内的海上船舶流量；Wa·t表示各个特征的权重分配，其中表示某v特征的权重分配；函数将与的距离进行量化。
进一步的，对预测区海面进行区域划分，划分出的每个区域面积相同，区域内的环境属性变量变化在阈值范围内。
进一步的，包括上位机，所述上位机采集传感器的数据信号并进行信号处理。
有益效果：本发明提供的一种基于大数据建模的海上船舶流量预测方法，从船舶历史GPS数据出发，避免了硬性设备在预测海上交通流量方面，由于各种限制导致的不完整不准确问题。并通过将基于相似度的特征融合问题转化为最优值求解问题的方法，综合不同船舶GPS数据与海上环境数据，解决定性特征变换、数据稀疏和权重计算策略三大问题。规避常规海上交通流量预测的弊端，无需装备第三方设备，实现简单，操作方面，便于海上交通管理人员对海上交通状况进行监测，在本技术领域具体内具有广泛的实用性。
附图说明
图1是定量特征整体结构示意图；
图2是物理航线信息示意图；
图3是定性特征整体结构示意图；
图4是特征融合中矩阵变换示意图；
图5是整体流程框图
具体实施方式
下面结合附图对本发明作更进一步的说明。
本实施例通过上位机采集传感器的数据信号并进行信号处理。
如图1和图5所示为一种基于大数据建模的海上船舶流量预测方法，其特征在于，该方法包括以下步骤：将预测区海面进行区域划分(这里的划分基础以长宽均为1海里的区域作为标准，进行区域划分)，在每个区域内均匀布置8-12个区域传感器；建立定量特征和定性特征；
定性特征根据温度、风速、风向等实时和历史环境数据，结合相关海上交通知识，可获得与海上交通流量相关的定性预测；多类特征融合求解过程使用块坐标下降法解决由融合问题转化而来的最优值求解问题，并利用定量特征与定性特征的内在相似性推测定性特征对应的航线流量信息，具体的：
所述定量特征基于船舶提供的数据；所述定性特征基于区域传感器提供的数据；通过块坐标下降求解多类特征融合的方法将定量特征和定性特征的数据融合(多种数据源的定量特征与定性特征)，求解获得海洋交通流量的预测。
所述定量特征包括若干子特征，每个子特征分别对应一种类型船舶的数据；每个子特征仅源数据对应的船舶类型不同，可以根据实际需要给出更多的特征。对每一种类型船舶的数据建立历史GPS数据矩阵X和实时GPS数据矩阵Y；对于航线的物理信息，建立矩阵Z；对所述矩阵X、矩阵Y和矩阵Z进行分解，两两共享分解后得到的(矩阵分解)相同的特征因子；获得各航线上实时船舶流量信息；其中物理信息包括：航线网络信息、岛屿信息、区域信息。
具体的，X与Y矩阵均由实时GPS数据与历史GPS数据直接合并组成。将紧凑的历史GPS数据与稀疏的实时GPS数据组合并，作为同一个矩阵进行矩阵分解。
其中，矩阵X的每一个条目为一条航线在一个时间段内的平均速度和速度方差，矩阵Y的每一个条目为一个区域在一个时间段经过的总船舶数量；矩阵Z的每一行表示一条航线，每一列表示一个物理属性。
对于定量特征，将大数据建模与海上交通相结合，根据某一特定类型船舶的历史GPS数据与实时GPS数据，可以建立两个矩阵，分别为X与Y，X表述了某一航线在某一时间段的平均速度与速度方法，Y表述了某一区域内某一时间段通过的总船舶数量，均由实时数据和历史数据计算得到。并根据航线的各类物理信息，建立矩阵Z。获得矩阵X、Y和Z后，不同于常规的将单一稀疏矩阵分解为两个低维特征矩阵，X、Y和Z矩阵同时进行矩阵分解，且矩阵分解后共享特征因子，利用紧凑的历史数据将矩阵X的实时部分补充完整，进而获得基于某一船舶信息的海上船舶流量信息。
所述定性特征根据接收到的区域传感器数据计算出环境属性变量，这里的环境属性变量包括：温度、湿度、深水压力、溶解氧、PH值，数据化环境属性变量，之后根据区域划分结果，对每个区域内的所有传感器数据进行处理，获得单个区域环境属性均值与方差。之后针对海量的历史传感器数据与历史天气数据，将历史环境属性值与天气状况相结合获得(环境属性,天气)键值对信息。最后根据实时传感器数据计算得到实时环境属性值，与时间等背景信息相结合在历史键值对信息中准确筛选相似的环境属性值，根据环境属性值与天气的对应关系便可以推测出某区域实时的天气状况。具体的感器数据进行处理的过程包括首先在传感器上进行简单的数据过滤，之后传输给存储环境信息的数据中心。
对于多类特征融合的问题，使用块坐标下降法解决由融合问题转化而来的最优值求解问题，之后使用矩阵转化与序列相似性比较的方法解决定量特征与定性特征不一致问题，获取两个特征之间的内在相似性，将定性特征属性值转化为定量特征属性值，实现定性特征与定量特征之间的转化；之后建立获取最小总加权偏差的目标函数，并使用块坐标下降法求解对各特征分配权重，解决权重分配问题。
所述特征融合表达式如下：
其中t表示时间，a表示某航线段所属区域，表示在a航线段所属区域，t时间段内的海上船舶真实流量，其中表示某v特征监测下a地点，t时间段内的海上船舶流量；Wa·t表示各个特征的权重分配，其中表示某v特征的权重分配；函数将与的距离进行量化。
在对预测区海面进行区域划分时，划分出的每个区域面积相同，区域内的环境属性变量变化在阈值范围内。既定海域划分为多个大小相同的区域，每个区域内具有多个航线及岛屿，区域与区域之间的天气状况具有较明显差异，区域内部天气状况基本相同。
在本实施示例中，通过对平均速度与速度方差的计算，在此基础上可以建立两个矩阵，分别为X与Y，分别由实时数据和历史数据计算得到。X的每一个条目为某航线在某一时间段的平均速度和速度方差，Y的每一个条目为某区域在某一时间段的平均速度和速度方差。
本实施示例中，根据航线的物理信息，建立了矩阵Z，Z的每一行表示某一航线，每一列表示某一物理属性，其中物理属性包括：航线网络特征、岛屿特征、区域特征三方面。如图2所示，航线网络特征包括航线的长度、航线两端直线距离、航线两端与几条航线接触和航线的曲度。航线的曲度是指航线长度与航线两端直线距离的比值；岛屿特征为在航线的周围会有已经确知的岛屿或者暗礁，系统将这些信息一并作为相关信息。区域特征是指系统将航线明确的划分至某一个区域内部。
本实施示例中，矩阵X、Y和Z协同进行矩阵分解，其分解后的目标函数如下：
其中X与Y拥有共同的影响因素T，X与Z拥有共同的影响因素R。之后利用历史数据的稳定性将矩阵X补充完整。
如图3所示，本实施示例中定性特征根据接收到的传感器数据计算出环境属性变量，量化传感器周围的天气状况，之后根据区域划分结果，对每个区域内的所有传感器数据进行处理，其中，既定海域划分为多个大小相同的区域，每个区域内具有多个航线及岛屿，区域与区域之间的天气状况具有较明显差异，区域内部天气状况基本相同。获得单个区域环境属性均值与方差。之后针对海量的历史传感器数据与历史天气数据，将历史环境属性值与天气状况相结合获得(环境属性,天气)键值对信息。最后根据实时传感器数据计算得到实时环境属性值，与时间等背景信息相结合在历史键值对信息中准确筛选相似的环境属性值，根据环境属性值与天气的对应关系便可以推测出某区域实时的天气状况。
如果出现同一区域内相同月份数据稀疏问题，为了获取有效历史数据，可以选取相同月份的相近区域数据。相近区域是指正东、正西、正南、正北、东南45度、东北45度、西南45度、西北45度八个相近区域。
在本实施示例中，最优融合求解，是对定量特征与定性特征结果的处理，需要对多个特征结果进行转化，之后获得所需数据的最优值。
本实施示例中，将特征融合问题改变为求最优解问题，并使用块坐标下降法进行求解，目标函数如下所示：
其中t表示时间，a表示地点，表示在a地点，t时间段内的海上船舶真实流量(未知)，其中表示某v特征监测下a地点，t时间段内的海上船舶流量；Wa·t表示各个特征的权重分配，其中表示某v特征的权重分配；将与的距离进行量化。
本实施示例中，对于定量特征来说，可以直接得到。然而对于定性特征，由于不是直接的参数测量数据，其值未知。多类特征融合将定性特征与定性特征的结果进行矩阵转化，并通过转化后不同特征对应序列之间的相似性推测定性特征对应的定量特征结果。
如图4所示，本实施示例中，多类特征融合将定量特征与定性特征结果中的单一条目转化为二维矩阵，一维为所有可能结果，另外一维为所有监测时空段。使用变换后矩阵的某一列来表示之前的具体条目，促使变化后矩阵中的某一序列可以代表原条目。之后使用豪斯多夫距离比较定性特征与定量特征序列之间相似性，进而将定性特征属性值转化为定量特征属性值，完成定性特征与定量特征的统一。
本实施示例中，多类特征融合在分配各特征权重时，基于求取最小总加权方差的思想。在块坐标下降法基础上进行权重分配。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于大数据建模的海上船舶流量预测方法，其特征在于，该方法包括以下步骤：将预测区海面进行区域划分，在每个区域内均匀布置8-12个区域传感器；建立定量特征和定性特征；
所述定量特征基于船舶提供的数据；所述定性特征基于区域传感器提供的数据；通过块坐标下降求解多类特征融合的方式将多种数据源的定量特征和定性特征的数据融合，求解海洋交通流量的预测；
所述定量特征包括若干子特征，每个子特征分别对应一种类型船舶的数据；对每一种类型船舶的数据建立历史GPS数据矩阵X和实时GPS数据矩阵Y；对于航线的物理信息，建立矩阵Z；对所述矩阵X、矩阵Y和矩阵Z进行分解，两两共享进行矩阵分解后得到的相同的特征因子；获得各航线上实时船舶流量信息；
其中，矩阵X的每一个条目为一条航线在一个时间段内的平均速度和速度方差，矩阵Y的每一个条目为一个区域在一个时间段经过的总船舶数量；矩阵Z的每一行表示一条航线，每一列表示一个物理属性。
2.如权利要求1所述的一种基于大数据建模的海上船舶流量预测方法，其特征在于，在分解中，将矩阵X和矩阵Y直接合并，作为同一个矩阵进行分解。
3.如权利要求1所述的一种基于大数据建模的海上船舶流量预测方法，其特征在于，所述定性特征根据接收到的区域传感器数据计算出环境属性变量，数据化环境属性变量，对每个区域内的所有传感器数据进行处理，获得单个区域内各种环境属性均值与方差。
4.如权利要求1-3任一所述的一种基于大数据建模的海上船舶流量预测方法，其特征在于，所述多类特征融合表达式如下：
<mrow>
<munder>
<mi>min</mi>
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>a</mi>
<mo>&CenterDot;</mo>
<mi>t</mi>
</mrow>
<mo>*</mo>
</msubsup>
<mo>,</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>a</mi>
<mo>&CenterDot;</mo>
<mi>t</mi>
</mrow>
</msub>
</mrow>
</munder>
<mi>F</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>a</mi>
<mo>&CenterDot;</mo>
<mi>t</mi>
</mrow>
<mo>*</mo>
</msubsup>
<mo>,</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>a</mi>
<mo>&CenterDot;</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>V</mi>
</munderover>
<mo>&lsqb;</mo>
<msubsup>
<mi>W</mi>
<mrow>
<mi>a</mi>
<mo>&CenterDot;</mo>
<mi>t</mi>
</mrow>
<mi>v</mi>
</msubsup>
<mo>&CenterDot;</mo>
<mi>D</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>a</mi>
<mo>&CenterDot;</mo>
<mi>t</mi>
</mrow>
<mo>*</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>a</mi>
<mo>&CenterDot;</mo>
<mi>t</mi>
</mrow>
<mi>v</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
其中t表示时间，a表示某航线段所属区域，表示在a航线段所属区域，t时间段内的海上船舶真实流量，其中表示某v特征下a地点，t时间段内的海上船舶流量；Wa·t表示各个特征的权重分配，其中表示某v特征的权重分配；函数将与的距离进行量化。
5.如权利要求1所述的一种基于大数据建模的海上船舶流量预测方法，其特征在于，所述对预测区海面进行区域划分，划分出的每个区域面积相同，区域内的环境属性变量变化在阈值范围内。
6.如权利要求1所述的一种基于大数据建模的海上船舶流量预测方法，其特征在于，包括上位机，所述上位机采集传感器的数据信号并进行信号处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611080860.6A CN106779184B (zh) | 2016-11-30 | 2016-11-30 | 一种基于大数据建模的海上船舶流量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611080860.6A CN106779184B (zh) | 2016-11-30 | 2016-11-30 | 一种基于大数据建模的海上船舶流量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106779184A CN106779184A (zh) | 2017-05-31 |
| CN106779184B true CN106779184B (zh) | 2017-10-24 |
Family
ID=58898108
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611080860.6A Active CN106779184B (zh) | 2016-11-30 | 2016-11-30 | 一种基于大数据建模的海上船舶流量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106779184B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109743018A (zh) * | 2018-11-21 | 2019-05-10 | 中国葛洲坝集团电力有限责任公司 | 基于大数据统计的分布式光伏电站分级预警方法 |
| CN111968406B (zh) * | 2020-08-18 | 2021-06-25 | 江苏航运职业技术学院 | 一种基于混沌理论的船舶短时交通流模糊预测方法 |
| CN112132346B (zh) * | 2020-09-24 | 2024-04-19 | 中国科学院空天信息创新研究院 | 一种基于船舶类型的船舶航行轨迹预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101329696A (zh) * | 2007-11-16 | 2008-12-24 | 武汉理工大学 | 进港航道通过能力计算模型及预测仿真方法 |
| 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 |
| KR20130002566A (ko) * | 2011-06-29 | 2013-01-08 | 동강엠텍(주) | 해상교통 안전관리 시스템 |
-
2016
- 2016-11-30 CN CN201611080860.6A patent/CN106779184B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101329696A (zh) * | 2007-11-16 | 2008-12-24 | 武汉理工大学 | 进港航道通过能力计算模型及预测仿真方法 |
| 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 |
| KR20130002566A (ko) * | 2011-06-29 | 2013-01-08 | 동강엠텍(주) | 해상교통 안전관리 시스템 |
Non-Patent Citations (1)
| Title |
|---|
| 海上交通风险网格化分析和预测研究;汤旭红;《应用基础与工程科学学报》;20080615(第16卷2期);第425-433页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106779184A (zh) | 2017-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109243205B (zh) | 一种沿海水上交通安全风险监测与预警系统及方法 | |
| CN111951606B (zh) | 一种船舶碰撞风险评估与预警方法及系统 | |
| CN104077676A (zh) | 水运安全实时动态管控系统 | |
| CN110796900A (zh) | 一种渔船安全监控指挥系统 | |
| CN106779184B (zh) | 一种基于大数据建模的海上船舶流量预测方法 | |
| 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 | |
| CN110060508A (zh) | 一种用于内河桥区的船舶自动检测方法 | |
| CN111428916B (zh) | 一种海上救援船舶巡航路径规划方法 | |
| CN103175523A (zh) | 基于日盲紫外光信号的引航仪 | |
| CN111855942A (zh) | 一种基于3s技术的船舶与海洋溢油污染的监测系统 | |
| CN106501874A (zh) | 一种用于海洋气象的监测系统 | |
| Wu et al. | A new multi-sensor fusion approach for integrated ship motion perception in inland waterways | |
| CN107589220B (zh) | 一种适用于狭长航道的船舶尾气监测站选址方法 | |
| Jie et al. | A novel estimation algorithm for interpolating ship motion | |
| CN206573887U (zh) | 一种渔船环境监控系统 | |
| CN113866849A (zh) | 一种智能内河航运气象服务保障系统 | |
| CN205374736U (zh) | 一种基于动态监测的海上溢油预测系统 | |
| Kao et al. | Utilizing the fuzzy IoT to reduce Green Harbor emissions | |
| CN104408750A (zh) | 一种计算海水陆地比例的方法及系统 | |
| Xu | Automatic sampling of seawater quality based on electric propulsion unmanned ship | |
| RU108154U1 (ru) | Система обеспечения безопасности эксплуатации судна | |
| Wang et al. | Analysis of navigation characteristics of inland watercraft based on DBSCAN clustering algorithm | |
| Chen et al. | Application of UAV Technology in Practical Teaching of Marine Science | |
| TW201425137A (zh) | 海上避碰助航、礙航設施系統 | |
| Chen et al. | Discussion on the Application of Marine Radar in Guangxi Xijiang Trunk Line Supervision |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |