CN109448442A - 一种海域内多船碰撞危险度的高效监测方法 - Google Patents
一种海域内多船碰撞危险度的高效监测方法 Download PDFInfo
- Publication number
- CN109448442A CN109448442A CN201811191533.7A CN201811191533A CN109448442A CN 109448442 A CN109448442 A CN 109448442A CN 201811191533 A CN201811191533 A CN 201811191533A CN 109448442 A CN109448442 A CN 109448442A
- Authority
- CN
- China
- Prior art keywords
- ship
- cluster
- sea area
- ships
- foul
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G3/00—Traffic control systems for marine craft
- G08G3/02—Anti-collision systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Ocean & Marine Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种海域内多船碰撞危险度的高效监测方法:读取监测海域内所有船舶的即时AIS数据,对船舶的经纬度坐标进行线性内插,将各船舶的位置信息同步到同一个时间点;根据船舶碰撞危险度的监测要求设置DBSCAN的扫描半径,将最小包含点数设置为2;对海域内的所有船舶进行DBSCAN聚类计算,将海域内的船舶按照空间分布聚类;对聚类生成的簇中的每一船舶分别计算多船碰撞危险度。本发明能够减少监测海域内所有船舶的碰撞危险度的总计算量,节约总计算时间,从而实现碰撞危险度的实时计算。
Description
技术领域
本发明涉及海上交通领域,更具体的说,是涉及一种海域内多船碰撞危险度的高效监测方法。
背景技术
随着经济全球化的发展,海上交通运输在国际间贸易往来中起着越来越重要的作用。迅速增大的海上货运需求使得船舶朝着大型化、高速化发展,海上航行的船舶数量不断增加,港口、内陆水以及海湾等水域的海上交通变得愈加密集。船舶航行中有很大几率出现同时与多船会遇的情况,大大增加了船舶碰撞的隐患。现阶段我国沿海水域虽然建立了船舶交通服务监控系统(VTS),但是该系统主要是用于显示管辖区域内船舶的当前位置,对船舶的安全监控主要依靠值班人员人工识别。然而在一些高峰时段,船舶数量较多,值班人员无法对管辖区域内所有船舶的航行安全进行有效的监督和管理。
船舶自动识别系统(Automatic Identification System,简称AIS系统)由岸基(基站)设施和船载设备共同组成,是一种新型的集网络技术、现代通讯技术、计算机技术、电子信息显示技术为一体的数字助航系统和设备。AIS被强制安装在船舶上,能够实时获取船舶MMSI、位置、航速、航向、船首向、船舶形状、吃水等信息,能够应用于数字化船舶安全监测工作中。基于此,目前已有很多船舶碰撞危险度的研究成果,无论是计算两船舶之间的碰撞危险度模型还是计算船舶与一定范围内所有其他船舶共同构成的多船碰撞危险度模型,基本都以一定的领域范围作为空间约束条件。如果采用这样的方式需要对海域内所有船舶进行一次计算,计算量大,且很多船舶碰撞危险度的计算模型本身考虑到的参数较多,模型较复杂。
DBSCAN是一种基于密度的聚类算法,该算法假定类别可以通过样本分布的紧密程度决定,同一类别的样本,他们之间是紧密相连的,也就是说,在该类别的样本周围不远处一定有同类别的样本存在。DBSCAN将簇定义为密度相连的点的最大集合,能够把具有足够高密度的区域划分为簇,并可在噪声的空间数据库中发现任意形状的聚类。
发明内容
本发明的目的是为了克服现有技术中的不足,提供一种海域内多船碰撞危险度的高效监测方法,首先利用基于密度的聚类算法DBSCAN对监测海域内的所有船舶先进行空间聚类,再对聚类后的每一类中的船舶进行船舶碰撞危险度的计算。通过该方法能够减少监测海域内所有船舶的碰撞危险度的总计算量,节约总计算时间,从而实现碰撞危险度的实时计算。
本发明的目的是通过以下技术方案实现的。
本发明的海域内多船碰撞危险度的高效监测方法,包括以下步骤:
第一步,读取监测海域内所有船舶的即时AIS数据,对船舶的经纬度坐标进行线性内插,将各船舶的位置信息同步到同一个时间点;
第二步,根据船舶碰撞危险度的监测要求设置DBSCAN的扫描半径,将最小包含点数设置为2;
第三步,对海域内的所有船舶进行DBSCAN聚类计算,将海域内的船舶按照空间分布聚类;具体的聚类方法如下:
(1)任选一个未被访问的船舶开始,找出与其距离在扫描半径之内(包括扫描半径)的所有附近船舶;
(2)如果附近船舶的数量≥2,则当前船舶与其附近船舶形成一个簇,并且作为出发点的船舶被标记为已访问;然后递归,以相同的方法处理该簇内所有未被标记为已访问的船舶,从而对簇进行扩展;
(3)如果附近船舶的数量<2,则该船舶暂时被标记作为噪声点;
(4)如果簇充分地被扩展,即簇内的所有船舶被标记为已访问,然后用同样的算法去处理未被访问的船舶点;
第四步,对聚类生成的簇中的每一船舶分别计算多船碰撞危险度。
第一步中所述即时AIS数据包括经度、纬度和时间数据。
与现有技术相比,本发明的技术方案所带来的有益效果是:
本发明能够实现海域内多船碰撞危险度的高效监测,利用DBSCAN聚类算法能够将监测海域内的船舶按照密度分布聚类,且能分离出与其他船舶距离较远即不存在碰撞危险的船舶,只需要对聚类后的每一类中的船舶进行多船碰撞危险度的计算。通过该方法能够减少监测海域内所有船舶的碰撞危险度的总计算量,节约总计算时间,从而实现碰撞危险度的实时计算。
附图说明
图1是本发明海域内多船碰撞危险度的高效监测方法的流程图;
图2是DBSCAN流程图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白,下面结合附图对本发明进行进一步详细说明。
本发明的海域内多船碰撞危险度的高效监测方法,如图1所示,具体包括以下步骤:
第一步,读取监测海域内所有船舶的即时AIS数据(包括经度、纬度和时间数据),由于所有船舶的AIS数据并不是同时发布,所以先对船舶的经纬度坐标进行线性内插,将各船舶的位置信息同步到同一个时间点。
第二步,根据船舶碰撞危险度的监测要求设置DBSCAN的扫描半径eps,将最小包含点数minPts设置为2。
第三步,对海域内的所有船舶进行DBSCAN聚类计算,将海域内的船舶按照空间分布聚类。如图2所示,具体的聚类方法如下:
(1)任选一个未被访问(unvisited)的船舶开始,找出与其距离在扫描半径eps之内(包括扫描半径eps)的所有附近船舶;
(2)如果附近船舶的数量≥2(minPts),则当前船舶与其附近船舶形成一个簇,并且作为出发点的船舶被标记为已访问(visited);然后递归,以相同的方法处理该簇内所有未被标记为已访问(visited)的船舶,从而对簇进行扩展;
(3)如果附近船舶的数量<2(minPts),则该船舶暂时被标记作为噪声点;
(4)如果簇充分地被扩展,即簇内的所有船舶被标记为已访问,然后用同样的算法去处理未被访问的船舶点。
第四步,对聚类生成的簇中的每一船舶分别计算多船碰撞危险度,聚类生成的作为噪声点的船舶不用计算,因为此类船舶相距其他船舶距离较远,处于安全航行状态。
尽管上面结合附图对本发明进行了描述,但本发明并不局限于上述,上述的具体实施方式仅仅是示意性的,而不是限制性的,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可以做出很多形式,这些均属于本发明的保护之内。
Claims (2)
1.一种海域内多船碰撞危险度的高效监测方法,其特征在于,包括以下步骤:
第一步,读取监测海域内所有船舶的即时AIS数据,对船舶的经纬度坐标进行线性内插,将各船舶的位置信息同步到同一个时间点;
第二步,根据船舶碰撞危险度的监测要求设置DBSCAN的扫描半径,将最小包含点数设置为2;
第三步,对海域内的所有船舶进行DBSCAN聚类计算,将海域内的船舶按照空间分布聚类;具体的聚类方法如下:
(1)任选一个未被访问的船舶开始,找出与其距离在扫描半径之内(包括扫描半径)的所有附近船舶;
(2)如果附近船舶的数量≥2,则当前船舶与其附近船舶形成一个簇,并且作为出发点的船舶被标记为已访问;然后递归,以相同的方法处理该簇内所有未被标记为已访问的船舶,从而对簇进行扩展;
(3)如果附近船舶的数量<2,则该船舶暂时被标记作为噪声点;
(4)如果簇充分地被扩展,即簇内的所有船舶被标记为已访问,然后用同样的算法去处理未被访问的船舶点;
第四步,对聚类生成的簇中的每一船舶分别计算多船碰撞危险度。
2.根据权利要求1所述的海域内多船碰撞危险度的高效监测方法,其特征在于,第一步中所述即时AIS数据包括经度、纬度和时间数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811191533.7A CN109448442A (zh) | 2018-10-12 | 2018-10-12 | 一种海域内多船碰撞危险度的高效监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811191533.7A CN109448442A (zh) | 2018-10-12 | 2018-10-12 | 一种海域内多船碰撞危险度的高效监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109448442A true CN109448442A (zh) | 2019-03-08 |
Family
ID=65546559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811191533.7A Pending CN109448442A (zh) | 2018-10-12 | 2018-10-12 | 一种海域内多船碰撞危险度的高效监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109448442A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009936A (zh) * | 2019-03-15 | 2019-07-12 | 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 |
CN110309383A (zh) * | 2019-06-17 | 2019-10-08 | 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 |
CN110400491A (zh) * | 2019-06-10 | 2019-11-01 | 北京海兰信数据科技股份有限公司 | 一种宽水域多目标辅助避碰决策方法及决策系统 |
CN110956853A (zh) * | 2019-11-12 | 2020-04-03 | 武汉理工大学 | 一种多船碰撞预测方法、系统和存储介质 |
CN112418521A (zh) * | 2020-11-23 | 2021-02-26 | 青岛科技大学 | 一种短时海洋鱼群和鱼量的预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106812A (zh) * | 2013-01-17 | 2013-05-15 | 中华人民共和国深圳海事局 | 一种获取海上船舶系统平均碰撞风险的方法 |
US20160125739A1 (en) * | 2014-02-21 | 2016-05-05 | FLIR Belgium BVBA | Collision avoidance systems and methods |
CN107463751A (zh) * | 2017-08-10 | 2017-12-12 | 山东师范大学 | 一种基于折半dbscan聚类算法的人群分组疏散仿真方法及系统 |
-
2018
- 2018-10-12 CN CN201811191533.7A patent/CN109448442A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106812A (zh) * | 2013-01-17 | 2013-05-15 | 中华人民共和国深圳海事局 | 一种获取海上船舶系统平均碰撞风险的方法 |
US20160125739A1 (en) * | 2014-02-21 | 2016-05-05 | FLIR Belgium BVBA | Collision avoidance systems and methods |
CN107463751A (zh) * | 2017-08-10 | 2017-12-12 | 山东师范大学 | 一种基于折半dbscan聚类算法的人群分组疏散仿真方法及系统 |
Non-Patent Citations (1)
Title |
---|
RONG ZHEN,MARIA RIVEIRO,YONGXING JIN: "A novel analytic framework of real-time multi-vessel collision risk assessment for maritime traffic surveillance", 《OCEAN ENGINEERING》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009936A (zh) * | 2019-03-15 | 2019-07-12 | 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 |
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 |
CN110400491A (zh) * | 2019-06-10 | 2019-11-01 | 北京海兰信数据科技股份有限公司 | 一种宽水域多目标辅助避碰决策方法及决策系统 |
CN110309383A (zh) * | 2019-06-17 | 2019-10-08 | 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 |
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 |
CN110956853A (zh) * | 2019-11-12 | 2020-04-03 | 武汉理工大学 | 一种多船碰撞预测方法、系统和存储介质 |
CN110956853B (zh) * | 2019-11-12 | 2022-02-22 | 武汉理工大学 | 一种多船碰撞预测方法、系统和存储介质 |
CN112418521A (zh) * | 2020-11-23 | 2021-02-26 | 青岛科技大学 | 一种短时海洋鱼群和鱼量的预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109448442A (zh) | 一种海域内多船碰撞危险度的高效监测方法 | |
CN106816038B (zh) | 一种内河水域异常行为船舶自动识别系统及方法 | |
CN112906830B (zh) | 一种基于ais大数据的船舶最优航线自动生成方法 | |
Breithaupt et al. | Maritime route delineation using AIS data from the atlantic coast of the US | |
Zissis et al. | A distributed spatial method for modeling maritime routes | |
CN106710313A (zh) | 基于激光三维成像技术的桥区船舶主动避碰方法及系统 | |
Chen et al. | A quantitative approach for delineating principal fairways of ship passages through a strait | |
CN111428916B (zh) | 一种海上救援船舶巡航路径规划方法 | |
CN105825715B (zh) | 一种基于移动终端的船舶防碰撞的优化方法及系统 | |
CN111860146A (zh) | 海洋锋区域的获取方法、装置、计算机设备和存储介质 | |
CN115060264A (zh) | 一种基于ais数据的prm航线规划方法 | |
CN114936332A (zh) | 一种风电场水域船舶交通流分析的方法、装置和存储介质 | |
CN110262482A (zh) | 一种无人船航速控制方法及无人船 | |
Copping et al. | Likelihood of a marine vessel accident from wind energy development in the Atlantic | |
CN109405831A (zh) | 一种内河水网航线规划方法 | |
CN110717464A (zh) | 一种基于雷达数据的铁路路基病害智能识别方法 | |
Wen et al. | Spatio-temporal route mining and visualization for busy waterways | |
CN109683211A (zh) | 一种航道天气监测预警系统及方法 | |
CN106710311A (zh) | 船舶定线制警戒区水上交通冲突数据自动采集方法 | |
CN109447135A (zh) | 一种新的船舶轨迹聚类方法 | |
CN110441488B (zh) | 海洋生态红线水质达标判定方法和装置 | |
CN117232520A (zh) | 一种适用于海上航行的船舶智能导航系统及导航方法 | |
KR102466119B1 (ko) | Ais 정보에 기반한 주요항로 연결망 추출 장치 및 방법 | |
CN115587308A (zh) | 航道的确定方法、装置、电子设备及存储介质 | |
Meyers et al. | Characterizing vessel traffic using the AIS: a case study in Florida's largest estuary |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190308 |
|
WD01 | Invention patent application deemed withdrawn after publication |