CN109299815A - 船舶轨迹预测方法 - Google Patents

船舶轨迹预测方法 Download PDF

Info

Publication number
CN109299815A
CN109299815A CN201811015762.3A CN201811015762A CN109299815A CN 109299815 A CN109299815 A CN 109299815A CN 201811015762 A CN201811015762 A CN 201811015762A CN 109299815 A CN109299815 A CN 109299815A
Authority
CN
China
Prior art keywords
ship
sampling instant
parameter
hidden
variable
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.)
Withdrawn
Application number
CN201811015762.3A
Other languages
English (en)
Inventor
韩云祥
赵景波
李广军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University of Technology
Original Assignee
Jiangsu University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University of Technology filed Critical Jiangsu University of Technology
Priority to CN201811015762.3A priority Critical patent/CN109299815A/zh
Publication of CN109299815A publication Critical patent/CN109299815A/zh
Withdrawn legal-status Critical Current

Links

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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

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q，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q，获取未来时段船舶的位置预测值O，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

船舶轨迹预测方法
本申请是申请号为：201410849496.X，发明创造名称为《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实 时预测方法。
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x'＝[x1',x2',...,xn']和y'＝[y1',y2',...,yn']，通过应用小波变换理论对原始离散二 维位置序列x'＝[x1',x2',...,xn']和y'＝[y1',y2',...,yn']进行初步处理，从而获取船舶的去 噪离散二维位置序列x＝[x1,x2,...,xn]和y＝[y1,y2,...,yn]；
②在每一采样时刻对船舶轨迹数据预处理，依据所获取的船舶去噪离散二维位置序 列x＝[x1,x2,...,xn]和y＝[y1,y2,...,yn]，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△x＝[△x1,△x2,...,△xn-1]和△y＝[△y1,△y2,...,△yn-1]，其中△xi＝xi+1-xi,△yi＝yi+1-yi(i＝1,2,...,n-1)；
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△x 和△y，通过设定聚类个数M'，采用遗传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△x和△y视为隐马尔科夫过程的显观测值，通过设定隐状态数目 N和参数更新时段τ'，依据最近的T'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λ'；
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q；
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q，获取未来时段船舶的位置预测值O，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 x'＝[x1',x2',K,xn']和y'＝[y1',y2',K,yn']进行初步处理，从而获取船舶的去噪离散二维 位置序列x＝[x1,x2,K,xn]和y＝[y1,y2,K,yn]：对于给定的原始二维序列数据 x'＝[x1',x2',K,xn']，利用如下形式的线性表达式分别对其进行近似：
其中：
f'(x')表示对数据平滑处理后得到的函数表达式，ψ(x')表示母波，δ、J和K均 为小波变换常数，ψJ,K(x')表示母波的转换形式，cJ,K表示由小波变换过程得到的函数 系数，它体现了子波ψJ,K(x')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ψJ,K(x')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ψJ,K(x')除去；在实际数据处理过程中，通过设定阈值χ来实施“阈值转 换”，当cJ,K<χ时，设定cJ,K＝0；阈值函数的选取采用如下两种方式：
和
对于y'＝[y1',y2',...,yn']，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λ'＝(π,A,B)的过程如下：
4.1)变量赋初值：应用均匀分布给变量πi，aij和bj(ok)赋初值 和并 使其满足约束条件：和由 此得到λ0＝(π0,A0,B0)，其中ok表示某一显观测值，π0、A0和B0分别是由元素πi 0、和 构成的矩阵，令参数l＝0，o＝(ot-T'+1,...,ot-1,ot)为当前时刻t之前的T'个历史位置观 测值；
4.2)执行E-M算法：
4.2.1)E-步骤：由λl计算ξe(i,j)和γe(si)；
变量那么
其中s表示某一隐状态；
4.2.2)M-步骤：运用分别估计πi，aij和bj(ok)并由此得到λl+1；
4.2.3)循环：l＝l+1，重复执行E-步骤和M-步骤，直至πi、aij和bj(ok)收敛， 即
|P(o|λl+1)-P(o|λl)|<ε，其中参数ε＝0.00001，返回步骤4.2.4)；
4.2.4)：令λ'＝λl+1，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g＝2，βT'(si)＝1(si∈S)，δ1(si)＝πibi(o1)，ψ1(si)＝0，其 中，
，其中变量ψg(sj)表示使变量δg-1(si)aij取最大值的船舶航迹隐状态si，参数S表示隐 状态的集合；
5.2)递推过程：
5.3)时刻更新：令g＝g+1，若g≤T'，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g＝T'-1；
5.5.2)后向递推：
5.5.3)时刻更新：令g＝g-1，若g≥1，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M'的值为4。
进一步的，所述步骤④中，状态数目N的值为3，参数更新时段τ'为30秒，T'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x'＝[x1',x2',K,xn']和y'＝[y1',y2',K,yn']，通过应用小波变换理论对原始离散二 维位置序列x'＝[x1',x2',K,xn']和y'＝[y1',y2',K,yn']进行初步处理，从而获取船舶的去 噪离散二维位置序列x＝[x1,x2,K,xn]和y＝[y1,y2,K,yn]：y＝[y1,y2,K,yn]：对于给定 的原始二维序列数据x'＝[x1',x2',K,xn']，利用如下形式的线性表达式分别对其进行近 似：
其中：
f'(x')表示对数据平滑处理后得到的函数表达式，ψ(x')表示母波，δ、J和K均 为小波变换常数，ψJ,K(x')表示母波的转换形式，cJ,K表示由小波变换过程得到的函数 系数，它体现了子波ψJ,K(x')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ψJ,K(x')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ψJ,K(x')除去；在实际数据处理过程中，通过设定阈值χ来实施“阈值转 换”，当cJ,K<χ时，设定cJ,K＝0；阈值函数的选取采用如下两种方式：
和
对于y'＝[y1',y2',...,yn']，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，依据所获取的船舶去噪离散二维位置序 列x＝[x1,x2,...,xn]和y＝[y1,y2,...,yn]，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△x＝[△x1,△x2,...,△xn-1]和△y＝[△y1,△y2,...,△yn-1]，其中△xi＝xi+1-xi,△yi＝yi+1-yi(i＝1,2,...,n-1)；
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△x 和△y，通过设定聚类个数M'，采用遗传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△x和△y视为隐马尔科夫过程的显观测值，通过设定隐状态数目 N和参数更新时段τ'，依据最近的T'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λ'；确定航迹隐马尔科夫模型参数λ'＝(π,A,B)的过程如下：
4.1)变量赋初值：应用均匀分布给变量πi，aij和bj(ok)赋初值 和并使其满足约束条件：和由 此得到λ0＝(π0,A0,B0)，其中ok表示某一显观测值，π0、A0和B0分别是由元素πi 0、和 构成的矩阵，令参数l＝0，o＝(ot-T'+1,...,ot-1,ot)为当前时刻t之前的T'个历史位置观 测值；
4.2)执行E-M算法：
4.2.1)E-步骤：由λl计算ξe(i,j)和γe(si)；
变量那么
其中s表示某一隐状态；
4.2.2)M-步骤：运用分别估计πi，aij和bj(ok)并由此得到λl+1；
4.2.3)循环：l＝l+1，重复执行E-步骤和M-步骤，直至πi、aij和bj(ok)收敛， 即
|P(o|λl+1)-P(o|λl)|<ε，其中参数ε＝0.00001，返回步骤4.2.4)；
4.2.4)：令λ'＝λl+1，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q：
5.1)变量赋初值：令g＝2，βT'(si)＝1(si∈S)，δ1(si)＝πibi(o1)，ψ1(si)＝0，其 中，
，其中变量ψg(sj)表示使变量δg-1(si)aij取最大值的船舶航迹隐状态si，参数S表示隐 状态的集合；
5.2)递推过程：
5.3)时刻更新：令g＝g+1，若g≤T'，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g＝T'-1；
5.5.2)后向递推：
5.5.3)时刻更新：令g＝g-1，若g≥1，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q，获取未来时段船舶的位置预测值O。
上述聚类个数M'的值为4，，状态数目N的值为3，参数更新时段τ'为30秒，T'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P、避撞策略控制时域Θ、轨迹预测时域Υ；
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D.2直至各船舶均到达其解脱终点。
上述终止参考点位置P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 Θ为300秒；轨迹预测时域γ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 (2)

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x'＝[x1',x2',...,xn']和y'＝[y1',y2',...,yn']，通过应用小波变换理论对原始离散二维位置序列x'＝[x1',x2',...,xn']和y'＝[y1',y2',...,yn']进行初步处理，从而获取船舶的去噪离散二维位置序列x＝[x1,x2,...,xn]和y＝[y1,y2,...,yn]；
②在每一采样时刻对船舶轨迹数据预处理，依据所获取的船舶去噪离散二维位置序列x＝[x1,x2,...,xn]和y＝[y1,y2,...,yn]，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△x＝[△x1,△x2,...,△xn-1]和△y＝[△y1,△y2,...,△yn-1]，其中△xi＝xi+1-xi,△yi＝yi+1-yi，i＝1,2,...,n-1；
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△x和△y，通过设定聚类个数M'，采用遗传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△x和△y视为隐马尔科夫过程的显观测值，通过设定隐状态数目N和参数更新时段τ'，依据最近的T'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λ'；
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q：
5.1)变量赋初值：令g＝2，βT′(si)＝1，si∈S，δ1(si)＝πibi(o1)，ψ1(si)＝0，其中，其中变量ψg(sj)表示使变量δg-1(si)aij取最大值的船舶航迹隐状态si，参数S表示隐状态的集合；
5.2)递推过程：
5.3)时刻更新：令g＝g+1，若g≤T'，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g＝T'-1；
5.5.2)后向递推：
5.5.3)时刻更新：令g＝g-1，若g≥1，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q，获取未来时段船舶的位置预测值O，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③中，聚类个数M'的值为4；
所述步骤④中，状态数目N的值为3，参数更新时段τ'为30秒，T'为10；
所述步骤⑥中，预测时域W为300秒。
2.根据权利要求1所述的船舶轨迹预测方法，其特征在于：所述步骤④中确定航迹隐马尔科夫模型参数λ'＝(π,A,B)的过程如下：
4.1)变量赋初值：应用均匀分布给变量πi，aij和bj(ok)赋初值和并使其满足约束条件：和由此得到λ0＝(π0,A0,B0)，其中ok表示某一显观测值，π0、A0和B0分别是由元素和构成的矩阵，令参数l＝0，o＝(ot-T'+1,...,ot-1,ot)为当前时刻t之前的T'个历史位置观测值；
4.2)执行E-M算法：
4.2.1)E-步骤：由λl计算ξe(i,j)和γe(si)；
变量那么
其中s表示某一隐状态；
4.2.2)M-步骤：运用分别估计πi，aij和bj(ok)并由此得到λl+1；
4.2.3)循环：l＝l+1，重复执行E-步骤和M-步骤，直至πi、aij和bj(ok)收敛，即|P(o|λl+1)-P(o|λl)|<ε，其中参数ε＝0.00001，返回步骤4.2.4)；
4.2.4)：令λ'＝λl+1，算法结束。
CN201811015762.3A 2014-12-30 2014-12-30 船舶轨迹预测方法 Withdrawn CN109299815A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811015762.3A CN109299815A (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
CN201410849496.XA CN104484726B (zh) 2014-12-30 2014-12-30 船舶轨迹实时预测方法
CN201811015762.3A CN109299815A (zh) 2014-12-30 2014-12-30 船舶轨迹预测方法

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201410849496.XA Division CN104484726B (zh) 2014-12-30 2014-12-30 船舶轨迹实时预测方法

Publications (1)

Publication Number Publication Date
CN109299815A true CN109299815A (zh) 2019-02-01

Family

ID=52759267

Family Applications (4)

Application Number Title Priority Date Filing Date
CN201410849496.XA Active CN104484726B (zh) 2014-12-30 2014-12-30 船舶轨迹实时预测方法
CN201811015761.9A Pending CN108875954A (zh) 2014-12-30 2014-12-30 基于滚动规划策略的船舶轨迹预测方法
CN201811015766.1A Withdrawn CN109299816A (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
CN201811015762.3A Withdrawn CN109299815A (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
CN201410849496.XA Active CN104484726B (zh) 2014-12-30 2014-12-30 船舶轨迹实时预测方法
CN201811015761.9A Pending CN108875954A (zh) 2014-12-30 2014-12-30 基于滚动规划策略的船舶轨迹预测方法
CN201811015766.1A Withdrawn CN109299816A (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

Country Status (1)

Country Link
CN (4) CN104484726B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110333726A (zh) * 2019-07-29 2019-10-15 武汉理工大学 一种基于船舶运动预测的船舶安全辅助驾驶系统

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104899263B (zh) * 2015-05-22 2018-01-26 华中师范大学 一种基于特定区域的船舶轨迹挖掘分析与监控方法
CN105554101A (zh) * 2015-12-15 2016-05-04 南京欣网互联网络科技有限公司 基于流量请求的电商系统和方法
CN105930921A (zh) * 2016-04-13 2016-09-07 石河子大学 一种棉叶螨的预测方法
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
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
CN111428816B (zh) * 2020-04-17 2023-01-20 贵州电网有限责任公司 一种非侵入式负荷分解方法
CN112182133B (zh) * 2020-09-29 2022-02-15 南京北斗创新应用科技研究院有限公司 一种基于ais数据的船舶徘徊检测方法
CN112562372B (zh) * 2020-11-30 2021-11-16 腾讯科技（深圳）有限公司 一种轨迹数据的处理方法以及相关装置
CN112966332B (zh) * 2021-03-02 2022-06-21 武汉理工大学 基于多船运动不确定性的冲突侦测方法、存储器及处理器
CN113110468B (zh) * 2021-04-22 2022-07-26 中国船舶重工集团公司第七0七研究所九江分部 一种应用于欠驱动双桨双舵船舶自主靠泊的控制方法
CN113221450B (zh) * 2021-04-27 2024-03-12 中国科学院国家空间科学中心 一种针对稀疏不均匀时序数据的航位预测方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1280610C (zh) * 2001-11-14 2006-10-18 财团法人资讯工业策进会 联合雷达/自动回报监视环境中航迹位置预测的方法
CN101750061B (zh) * 2008-12-10 2013-04-03 北京普及芯科技有限公司 用于目标航迹检测/航向预测的方法和装置
CN102819663B (zh) * 2012-07-17 2015-04-08 哈尔滨工程大学 一种基于优化的支持向量回归参数的船舶航迹预测方法
CN102999789A (zh) * 2012-11-19 2013-03-27 浙江工商大学 一种基于隐半马尔科夫模型的数字化城市安全预警方法
CN102968625B (zh) * 2012-12-14 2015-06-10 南京思创信息技术有限公司 基于轨迹的船舶识别与跟踪方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110333726A (zh) * 2019-07-29 2019-10-15 武汉理工大学 一种基于船舶运动预测的船舶安全辅助驾驶系统

Also Published As

Publication number Publication date
CN109299816A (zh) 2019-02-01
CN104484726A (zh) 2015-04-01
CN108875954A (zh) 2018-11-23
CN104484726B (zh) 2018-10-09

Similar Documents

Publication Publication Date Title
CN104484726B (zh) 船舶轨迹实时预测方法
CN104462856B (zh) 船舶冲突预警方法
CN104537891B (zh) 一种船舶轨迹实时预测方法
CN104504277B (zh) 一种船舶冲突预警方法
Ghayekhloo et al. A combination approach based on a novel data clustering method and Bayesian recurrent neural network for day-ahead price forecasting of electricity markets
CN104504934B (zh) 一种航海交通管制方法
CN107045803A (zh) 基于滚动规划策略的航海交通管制方法
CN114022847A (zh) 一种智能体轨迹预测方法、系统、设备和存储介质
CN110648014A (zh) 一种基于时空分位数回归的区域风电预测方法及系统
CN112907970B (zh) 一种基于车辆排队长度变化率的可变车道转向控制方法
CN116383685A (zh) 一种基于时空交互图注意力网络的车辆变道检测方法
CN109711431A (zh) 一处局部分块卷积的目标跟踪方法、系统及存储介质
Jiang et al. Deep graph Gaussian processes for short-term traffic flow forecasting from spatiotemporal data
Kaur et al. Stock market forecasting using ANFIS with OWA operator
CN115130523A (zh) 基于隐马尔可夫模型的飞行目标行为意图预测方法
JP2021144707A (ja) ニューロンネットワークを訓練するためのデバイスおよび方法
CN114444763A (zh) 基于afsa-gnn的风电功率预测方法
Mohamad et al. Adaptive median filter background subtractions technique using fuzzy logic
Yaqub et al. Predicting Traffic Flow with Federated Learning and Graph Neural with Asynchronous Computations Network
CN117875359A (zh) 一种基于动量梯度候选的图对比学习对抗性攻击方法
Huang Short-term wind speed forecasting model based on an attention-gated recurrent neural network and error correction strategy
Zhang et al. Motion Prediction of Tugboats Using Hidden Markov Model
Zhao Research on Machine Vision Monitoring Scheme of Ship Sulfur Emission Based on Convolutional Neural Network
CN112966641A (zh) 一种对多传感器多目标的智能决策方法及存储介质
CN117058208A (zh) 基于边缘设备的图像处理方法、电子设备及存储介质

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20190201

WW01 Invention patent application withdrawn after publication