CN109543715A - 一种船舶航路提取以及航迹偏离检测的方法 - Google Patents
一种船舶航路提取以及航迹偏离检测的方法 Download PDFInfo
- Publication number
- CN109543715A CN109543715A CN201811235760.5A CN201811235760A CN109543715A CN 109543715 A CN109543715 A CN 109543715A CN 201811235760 A CN201811235760 A CN 201811235760A CN 109543715 A CN109543715 A CN 109543715A
- Authority
- CN
- China
- Prior art keywords
- track
- ship
- cluster
- point
- air route
- 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 51
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 4
- 239000012141 concentrate Substances 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 abstract description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 abstract description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000012512 characterization method Methods 0.000 abstract description 2
- 235000008434 ginseng Nutrition 0.000 abstract description 2
- 238000012417 linear regression Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Classifications
-
- 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)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种船舶航路提取以及航迹偏离检测的方法,所述计算方法包括如下步骤:获取船舶的历史信息和位置信息;进行处理噪声;构建高斯过程回归模型进行模型训练和学习,通过模型训练得到正常的主航迹线;基于模型训练的主航迹线,判别偏离航线的异常点。本发明的优点在于:其聚类算法更适合做大型数据的聚类,核心点不确定的数据聚类分析,得到的簇数更加细致和精确,簇内的相似性更高。可以有效地去除噪声的影响,更好的对船舶航路类别进行提取。其高斯过程回归基于无参统计建模,无需事先假定航迹模型,相对于线性回归对不确定航迹具有良好的表征能力。
Description
技术领域
本发明涉及海事安全技术领域,具体指一种船舶航路提取以及航迹偏离检测的方法。
背景技术
航运业的飞速发展,使我们在享受海上交通运输带来的便利的同时,也在承受着交通事故带来的损失。一些重要航道的交通密度持续增加,水上交通安全事故的概率也随之增加,其造成的损失也在逐年递增。
船舶主航迹能为船舶事故的调查等提供有效依据,主航迹在航海中的广泛应用使得船舶主航迹的提取需求越来越迫切,航路提取方法急待优化,有效、方便、快捷的航路提取方法对航运业的发展有着巨大的促进作用。准确感知船舶航迹模式并进行异常检测能有效发现船舶危险行为并实现快速预警,对防范船舶偏航、船舶搁浅以及碰撞等事故的发生具有重要作用。
发明内容
本发明的目的就是要提供一种船舶航路提取以及航迹偏离检测的方法,其具有更高的计算精度,对于船舶航路提取精度较高,航迹偏离检测更为准确。
为实现上述目的,本发明所设计的一种船舶航路提取以及航迹偏离检测的方法,所述计算方法包括如下步骤:
步骤1:获取船舶的历史信息和位置信息,这一步骤是为了方便进行聚类处理;
步骤2:进行处理噪声;
步骤3:构建高斯过程回归模型进行模型训练和学习,通过模型训练得到正常的主航迹线;
步骤4:基于模型训练的主航迹线,判别偏离航线的异常点。
进一步地,所述步骤1的具体步骤为:
通过海面雷达获得船舶的历史信息和位置信息,原始航迹点数据T为N个航迹点(Xi,Yi,ti)构成的集合:T={(x1,y1,t1),(x2,y2,t2),…(xN,yN,tN)},其中xi和yi下标表示航迹序列中第i个时间点上的经度和纬度,ti对应时间戳,通过高斯投影转换方式将地理坐标转换为大地坐标x*=[x* 1,x* 2…x*n]和y*=[y* 1,y* 2…y* n]。
更进一步地,所述步骤2中,所述噪声处理的具体步骤为:
在每一采样时刻对船舶轨迹的大地坐标进行聚类:
x*=[x* 1,x* 2…x* n]
y*=[y* 1,y* 2…y* n]
经过坐标转换得到的x*和y*,通过设定聚类个数m进行DBSCAN聚类,可以得到m簇不同的类别,通过对航迹点数据进行DBSCAN聚类处理噪声;
进一步地,所述步骤3的具体步骤为:
DBSCAN聚类后得到m簇,每一簇代表同种类别的多条船舶航路,在每一采样时刻将每簇相对应的原始航迹点数据作为数据集输入构建的高斯过程回归模型进行模型训练和学习:
船舶航迹是连续点构成的集合,轨迹可理解为沿着时间轴的状态信息的随机过程,即将N个时刻的位置分布通过高斯过程模型映射为N维位置空间的一个样本点,而在高斯回归过程中求解N+1维高斯条件边缘分布,获得待测点的后验分布,从而计算出均值μ*和协方差δ2,通过模型训练得到正常的主航迹线。
更进一步地,所述步骤4中所述异常点的判别方法为:
基于模型训练主航迹线,获取航迹带宽,每一采样时刻获取主航迹线为基准上下浮动一个航迹带宽构成的置信区间,在每一采样时刻超出置信区间范围的航迹点即判别为偏离航线的异常点。
作为优选项,所述步骤2中DBSCAN聚类原理包括如下步骤:
步骤2.1:包含n个对象的数据库data[n],定点P为中心的圆形邻域的范围定义为eps,以点P为中心的邻域内最少点的数量定义为MinPts;
步骤2.2:检测数据库中尚未检查过的对象p,如果p未被处理(归为某个簇或者标记为噪声),则检查其领域eps,若包含的对象数不小于MinPts,建立新簇C,将其所有的点加入候选集N;
步骤2.3:对于候选集N中所有尚未被处理的对象q,若q的领域eps至少包含MinPts个对象,则将这些对象加入N,如果q未归入任何一个簇,则将q加入C;
步骤2.4:重复步骤2.3,继续检查N中未处理的对象,当前候选集N为空;
步骤2.5:重复步骤2.2到2.4直到所有的对象都归入某个簇或标记为噪声时停止,输出所有生成的簇C。
作为优选项,所述步骤3中确定N+1维高斯条件边缘分布以及均值μ*和协方差δ2的过程包括如下步骤:
步骤3.1:xi和yi表示经度和纬度,基于观测值存在噪声,纬度表示为其中为观测值中高斯白噪声的协方差,y的先验分布服从N维高斯联合分布记:p(y|f)~N(f,k(x,x));
步骤3.2:高维高斯分布经过标准化,均方函数f=0,观测值x与x',较近时,两者相似度最大(为1),反之最小,协方差函数k定义为描述数据相似度的核函数,基于数据集航迹平滑特点,以及航迹历史位置存在周期性,用d表示不同坐标系下两点间距离,h控制航迹平滑程度,p控制周期性的SIN核函数为:
步骤3.3:新观测值x*的预测值为y*,经度服从N+1维高斯分布,用分块矩阵记为:
其中:k表示N×N阶对称观测集协方差矩阵,K*表示测试样本与观测集的1×N阶协方差矩阵,为转置,且满足k(x,x*)=k(x*,x)T,K=k+δ2表示噪声,K**表示新待测样本自身1×1协方差矩阵;
步骤3.4:均值及协方差的计算公式分别为:μ*=K*K-1y,N+1维高斯分布数据集中y*对应的边缘分布为高斯分布,得到
作为优选项,所述步骤4中确定航迹宽度的过程包括如下步骤:
航迹带宽分为两个部分,一部分为船舶航迹点在航迹线附近的偏移量Ai,另一部分是船舶本身所占的空间A2:
步骤4.1:用船舶AIS数据拟合出船舶直线航段航迹线,然后根据点到直线的距离求出每个航迹点到所拟合的船舶主航迹线的距离Dpi,基于航迹线两侧的最大距离Dpmax +和Dpmax _,获得航迹偏移量Ai,A1=Dpmax ++Dpmax -;
步骤4.2:L、B分别为船长和船宽,基于船艏向(COG)和航迹向(HDG)的差值表示船舶航行时的风流压差γ,得船舶本身占用空间A2为:A2=d1+d2=Lsinγ+Bcosγ;
步骤4.3:船舶航迹偏移量Ai和船舶本身所占用空间A2之和即为船舶航迹带宽度A,A=A1+A2。
在本实施例中,所述步骤2中MinPts值设为8。
本发明的优点在于:
1、其聚类算法更适合做大型数据的聚类,核心点不确定的数据聚类分析,得到的簇数更加细致和精确,簇内的相似性更高。可以有效地去除噪声的影响,更好的对船舶航路类别进行提取。
2、其高斯过程回归基于无参统计建模,无需事先假定航迹模型,相对于线性回归对不确定航迹具有良好的表征能力。
附图说明
图1为本发明的结构示意图;
图2为本发明的流程图;
图3为航迹带宽示意图;
图4为船舶所占空间示意图;
图5为高斯过程回归步骤图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细描述:
如图1~5所示的一种船舶航路提取以及航迹偏离检测的方法,所述计算方法包括如下步骤:
步骤1:获取船舶的历史信息和位置信息:
通过海面雷达获得船舶的历史信息和位置信息,原始航迹点数据T为N个航迹点(Xi,Yi,ti)构成的集合:T={(x1,y1,t1),(x2,y2,t2),…(xN,tN,tN)},其中xi和yi下标表示航迹序列中第i个时间点上的经度和纬度,ti对应时间戳,通过高斯投影转换方式将地理坐标转换为大地坐标x*=[x* 1,x* 2…x* n]和y*=[y* 1,y* 2…y* n]。
步骤2:进行处理噪声:
在每一采样时刻对船舶轨迹的大地坐标进行聚类:
x*=[x* 1,x* 2…x* n]
y*=[y* 1,y* 2…y* n]
经过坐标转换得到的x*和y*,通过设定聚类个数m进行DBSCAN聚类,可以得到m簇不同的类别,通过对航迹点数据进行DBSCAN聚类处理噪声;所述步骤2中DBSCAN聚类原理包括如下步骤:
步骤2.1:包含n个对象的数据库data[n],定点P为中心的圆形邻域的范围定义为eps,以点P为中心的邻域内最少点的数量定义为MinPts;
步骤2.2:检测数据库中尚未检查过的对象p,如果p未被处理(归为某个簇或者标记为噪声),则检查其领域eps,若包含的对象数不小于MinPts,建立新簇C,将其所有的点加入候选集N;
步骤2.3:对于候选集N中所有尚未被处理的对象q,若q的领域eps至少包含MinPts个对象,则将这些对象加入N,如果q未归入任何一个簇,则将q加入C;
步骤2.4:重复步骤2.3,继续检查N中未处理的对象,当前候选集N为空;
步骤2.5:重复步骤2.2到2.4直到所有的对象都归入某个簇或标记为噪声时停止,输出所有生成的簇C。
步骤3:构建高斯过程回归模型进行模型训练和学习,通过模型训练得到正常的主航迹线:
DBSCAN聚类后得到m簇,每一簇代表同种类别的多条船舶航路,在每一采样时刻将每簇相对应的原始航迹点数据作为数据集输入构建的高斯过程回归模型进行模型训练和学习:
船舶航迹是连续点构成的集合,轨迹可理解为沿着时间轴的状态信息的随机过程,即将N个时刻的位置分布通过高斯过程模型映射为N维位置空间的一个样本点,而在高斯回归过程中求解N+1维高斯条件边缘分布,获得待测点的后验分布,从而计算出均值μ*和协方差δ2,通过模型训练得到正常的主航迹线;
所述步骤3中确定N+1维高斯条件边缘分布以及均值μ*和协方差δ2的过程包括如下步骤:
步骤3.1:xi和yi表示经度和纬度,基于观测值存在噪声,纬度表示为其中为观测值中高斯白噪声的协方差,y的先验分布服从N维高斯联合分布记:p(y|f)~N(f,k(x,x));
步骤3.2:高维高斯分布经过标准化,均方函数f=0,观测值x与x',较近时,两者相似度最大(为1),反之最小,协方差函数k定义为描述数据相似度的核函数,基于数据集航迹平滑特点,以及航迹历史位置存在周期性,用d表示不同坐标系下两点间距离,h控制航迹平滑程度,p控制周期性的SIN核函数为:
步骤3.3:新观测值x*的预测值为y*,经度服从N+1维高斯分布,用分块矩阵记为:
其中:k表示N×N阶对称观测集协方差矩阵,K*表示测试样本与观测集的1×N阶协方差矩阵,为转置,且满足k(x,x*)=k(x*,x)T,K=k+δ2表示噪声,K**表示新待测样本自身1×1协方差矩阵;
步骤3.4:均值及协方差的计算公式分别为:μ*=K*K-1y,N+1维高斯分布数据集中y*对应的边缘分布为高斯分布,得到
步骤4:基于模型训练的主航迹线,判别偏离航线的异常点:
基于模型训练主航迹线,获取航迹带宽,每一采样时刻获取主航迹线为基准上下浮动一个航迹带宽构成的置信区间,在每一采样时刻超出置信区间范围的航迹点即判别为偏离航线的异常点,
所述步骤4中确定航迹宽度的过程包括如下步骤:
航迹带宽分为两个部分,一部分为船舶航迹点在航迹线附近的偏移量Ai,另一部分是船舶本身所占的空间A2:
步骤4.1:用船舶AIS数据拟合出船舶直线航段航迹线,然后根据点到直线的距离求出每个航迹点到所拟合的船舶主航迹线的距离Dpi,基于航迹线两侧的最大距离Dpmax +和Dpmax _,获得航迹偏移量Ai,A1=Dpmax ++Dpmax -;
步骤4.2:L、B分别为船长和船宽,基于船艏向(COG)和航迹向(HDG)的差值表示船舶航行时的风流压差γ,得船舶本身占用空间A2为:A2=d1+d2=Lsinγ+Bcosγ;
步骤4.3:船舶航迹偏移量Ai和船舶本身所占用空间A2之和即为船舶航迹带宽度A,A=A1+A2。
在本实施例中,所述步骤2中MinPts值设为8。
实施例1:
通过海面雷达获得船舶的历史信息和位置信息,原始航迹点数据T为N个航迹点(Xi,Yi,ti)构成的集合:T={(x1,y1,t1),(x2,y2,t2),…(xN,yN,tN)},其中xi和yi下标表示航迹序列中第i个时间点上的经度和纬度,ti对应时间戳,通过高斯投影转换方式将地理坐标转换为大地坐标x*=[x* 1,x* 2…x* n]和y*=[y* 1,y* 2…y* n],这一步骤是为了方便进行聚类处理;
在每一采样时刻对船舶轨迹的大地坐标x*=[x* 1,x* 2…x* n]和y*=[y* 1,y* 2…y* n]进行聚类,对经过坐标转换得到的x*和y*,通过设定聚类个数m进行DBSCAN聚类,可以得到m簇不同的类别,通过对航迹点数据进行DBSCAN聚类可以有效的处理噪声;
DBSCAN聚类后得到m簇,每一簇代表同种类别的的多条船舶航路,在每一采样时刻将每簇相对应的原始AIS数据作为数据集输入构建的高斯过程回归模型进行模型训练和学习。整体上,船舶航迹是连续点构成的集合,所以轨迹可理解为沿着时间轴的状态信息的随机过程,即将N个时刻的位置分布通过高斯过程模型映射为N维位置空间的一个样本点,而在高斯回归过程中求解N+1维高斯条件边缘分布,获得待测点的后验分布。从而计算出均值μ*和协方差δ2,通过模型训练得到了正常的主航迹线;
基于模型训练主航迹线,获取航迹带宽。每一采样时刻获取主航迹线为基准上下浮动一个航迹带宽构成的置信区间。在每一采样时刻超出置信区间范围的航迹点可判别为偏离航线的异常点;
DBSCAN聚类原理如下:
包含n个对象的数据库data[n],定点P为中心的圆形邻域的范围定义为eps.以点P为中心的邻域内最少点的数量定义为MinPts;
检测数据库中尚未检查过的对象p,如果p未被处理(归为某个簇或者标记为噪声),则检查其领域eps,若包含的对象数不小于MinPts,建立新簇C,将其所有的点加入候选集N;
对于候选集N中所有尚未被处理的对象q,若q的领域eps至少包含MinPts个对象,则将这些对象加入N,如果q未归入任何一个簇,则将q加入C;
重复上述步骤,继续检查N中未处理的对象,当前候选集N为空;
重复上述步骤直到所有的对象都归入某个簇或标记为噪声时停止,输出所有生成的簇C;
确定N+1维高斯条件边缘分布以及均值μ*和协方差δ2的过程如下:
xi和yi表示经度和纬度,基于观测值存在噪声,纬度表示为其中为观测值中高斯白噪声的协方差,y的先验分布服从N维高斯联合分布记:p(y|f)~N(f,k(x,x));
高维高斯分布经过标准化,均方函数f=0。观测值x与x',较近时,两者相似度最大(为1),反之最小,协方差函数k定义为描述数据相似度的核函数。基于数据集航迹平滑特点,以及航迹历史位置存在周期性。用d表示不同坐标系下两点间距离,h控制航迹平滑程度,p控制周期性的SIN核函数为:
新观测值x*的预测值为y*,经度服从N+1维高斯分布,用分块矩阵记为:
其中:k表示N×N阶对称观测集协方差矩阵,K*表示测试样本与观测集的1×N阶协方差矩阵,为转置,且满足k(x,x*)=k(x*,x)T,K=k+δ2表示噪声,K**表示新待测样本自身1×1协方差矩阵;
均值及协方差的计算公式分别为:μ*=K*K-1y,δ2=K**-K*K-1K* T。N+1维高斯分布数据集中y*对应的边缘分布为高斯分布,得到
确定航迹宽度的过程如下:
航迹带宽分为两个部分,一部分为船舶航迹点在航迹线附近的偏移量Ai,另一部分是船舶本身所占的空间A2;
用船舶AIS数据拟合出船舶直线航段航迹线,然后根据点到直线的距离求出每个航迹点到所拟合的船舶主航迹线的距离Dpi,基于航迹线两侧的最大距离Dpmax +和Dpmax _,获得航迹偏移量Ai,A1=Dpmax ++Dpmax -;
L、B分别为船长和船宽,基于船艏向(COG)和航迹向(HDG)的差值表示船舶航行时的风流压差γ。由此可得船舶本身占用空间A2为:A2=d1+d2=Lsinγ+Bcosγ;
船舶航迹偏移量Ai和船舶本身所占用空间A2之和即为船舶航迹带宽度A,A=A1+A2;
核心个数MinPts设为8。
下面以具体实例演示说明:选取研究水域虾峙门航道2015年1月的航迹点数据进行方法验证。依流程对数据进行预处理,共得到货船、油轮两类船舶有效轨迹约500条。再对数据进行DBSCAN聚类得到类别相同的轨迹数据,筛选其中30条上行轨迹数据作为训练集,输入构建的高斯过程回归模型进行模型训练和学习,学习结果即为主航迹线。基于船舶的航迹带宽A=A1+A2得到30条船舶的平均航迹带宽,基于主航迹线获取主航迹线为基准上下浮动一个平均航迹带宽构成的置信区间。再与212169000MMSI号的航迹图相对比,可以得到真实航迹相比预测航迹在航行过程中则出现了向右明显偏离,这种异常是船舶跨越分道通航的分隔带航行,容易发生与对遇船舶碰撞事故。
最后,应当指出,以上实施例仅是本发明较有代表性的例子。显然,本发明不限于上述实施例,还可以有许多变形。凡是依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均应认为属于本发明的保护范围。
Claims (9)
1.一种船舶航路提取以及航迹偏离检测的方法,其特征在于:
所述计算方法包括如下步骤:
步骤1:获取船舶的历史信息和位置信息;
步骤2:进行处理噪声;
步骤3:构建高斯过程回归模型进行模型训练和学习,通过模型训练得到正常的主航迹线;
步骤4:基于模型训练的主航迹线,判别偏离航线的异常点。
2.根据权利要求1所述的一种船舶航路提取以及航迹偏离检测的方法,其特征在于:所述步骤1的具体步骤为:
通过海面雷达获得船舶的历史信息和位置信息,原始航迹点数据T为N个航迹点(Xi,Yi,ti)构成的集合:T={(x1,y1,t1),(x2,y2,t2),…(xN,yN,tN)},其中xi和yi下标表示航迹序列中第i个时间点上的经度和纬度,ti对应时间戳,通过高斯投影转换方式将地理坐标转换为大地坐标x*=[x*1,x*2…x*n]和y*=[y*1,y*2…y*n]。
3.根据权利要求2所述的一种船舶航路提取以及航迹偏离检测的方法,其特征在于:所述步骤2中,所述噪声处理的具体步骤为:
在每一采样时刻对船舶轨迹的大地坐标进行聚类:
x*=[x*1,x*2…x*n]
y*=[y*1,y*2…y*n]
经过坐标转换得到的x*和y*,通过设定聚类个数m进行DBSCAN聚类,可以得到m簇不同的类别,通过对航迹点数据进行DBSCAN聚类处理噪声。
4.根据权利要求3所述的一种船舶航路提取以及航迹偏离检测的方法,其特征在于:所述步骤3的具体步骤为:
DBSCAN聚类后得到m簇,每一簇代表同种类别的多条船舶航路,在每一采样时刻将每簇相对应的原始航迹点数据作为数据集输入构建的高斯过程回归模型进行模型训练和学习:
船舶航迹是连续点构成的集合,轨迹可理解为沿着时间轴的状态信息的随机过程,即将N个时刻的位置分布通过高斯过程模型映射为N维位置空间的一个样本点,而在高斯回归过程中求解N+1维高斯条件边缘分布,获得待测点的后验分布,从而计算出均值μ*和协方差δ2,通过模型训练得到正常的主航迹线。
5.根据权利要求1~4中任意一项所述的一种船舶航路提取以及航迹偏离检测的方法,其特征在于:所述步骤4中所述异常点的判别方法为:
基于模型训练主航迹线,获取航迹带宽,每一采样时刻获取主航迹线为基准上下浮动一个航迹带宽构成的置信区间,在每一采样时刻超出置信区间范围的航迹点即判别为偏离航线的异常点。
6.根据权利要求5所述的一种船舶航路提取以及航迹偏离检测的方法,其特征在于:所述步骤2中DBSCAN聚类原理包括如下步骤:
步骤2.1:包含n个对象的数据库data[n],定点P为中心的圆形邻域的范围定义为eps,以点P为中心的邻域内最少点的数量定义为MinPts;
步骤2.2:检测数据库中尚未检查过的对象p,如果p未被处理(归为某个簇或者标记为噪声),则检查其领域eps,若包含的对象数不小于MinPts,建立新簇C,将其所有的点加入候选集N;
步骤2.3:对于候选集N中所有尚未被处理的对象q,若q的领域eps至少包含MinPts个对象,则将这些对象加入N,如果q未归入任何一个簇,则将q加入C;
步骤2.4:重复步骤2.3,继续检查N中未处理的对象,当前候选集N为空;
步骤2.5:重复步骤2.2到2.4直到所有的对象都归入某个簇或标记为噪声时停止,输出所有生成的簇C。
7.根据权利要求6所述的一种船舶航路提取以及航迹偏离检测的方法,其特征在于:所述步骤3中确定N+1维高斯条件边缘分布以及均值μ*和协方差δ2的过程包括如下步骤:
步骤3.1:xi和yi表示经度和纬度,基于观测值存在噪声,纬度表示为其中为观测值中高斯白噪声的协方差,y的先验分布服从N维高斯联合分布记:p(y|f)~N(f,k(x,x));
步骤3.2:高维高斯分布经过标准化,均方函数f=0,观测值x与x',较近时,两者相似度最大(为1),反之最小,协方差函数k定义为描述数据相似度的核函数,基于数据集航迹平滑特点,以及航迹历史位置存在周期性,用d表示不同坐标系下两点间距离,h控制航迹平滑程度,p控制周期性的SIN核函数为:
步骤3.3:新观测值x*的预测值为y*,经度服从N+1维高斯分布,用分块矩阵记为:
其中:k表示N×N阶对称观测集协方差矩阵,K*表示测试样本与观测集的1×N阶协方差矩阵,为转置,且满足k(x,x*)=k(x*,x)T,K=k+δ2表示噪声,K**表示新待测样本自身1×1协方差矩阵;
步骤3.4:均值及协方差的计算公式分别为:μ*=K*K-1y,N+1维高斯分布数据集中y*对应的边缘分布为高斯分布,得到
8.根据权利要求6所述的一种船舶航路提取以及航迹偏离检测的方法,其特征在于:所述步骤4中确定航迹宽度的过程包括如下步骤:
航迹带宽分为两个部分,一部分为船舶航迹点在航迹线附近的偏移量Ai,另一部分是船舶本身所占的空间A2:
步骤4.1:用船舶AIS数据拟合出船舶直线航段航迹线,然后根据点到直线的距离求出每个航迹点到所拟合的船舶主航迹线的距离Dpi,基于航迹线两侧的最大距离Dpmax +和Dpmax -,获得航迹偏移量Ai,A1=Dpmax ++Dpmax -;
步骤4.2:L、B分别为船长和船宽,基于船艏向(COG)和航迹向(HDG)的差值表示船舶航行时的风流压差γ,得船舶本身占用空间A2为:A2=d1+d2=L sinγ+B cosγ;
步骤4.3:船舶航迹偏移量Ai和船舶本身所占用空间A2之和即为船舶航迹带宽度A,A=A1+A2。
9.根据权利要求7所述的一种船舶航路提取以及航迹偏离检测的方法,其特征在于:所述步骤2中MinPts值设为7~9。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811235760.5A CN109543715A (zh) | 2018-10-23 | 2018-10-23 | 一种船舶航路提取以及航迹偏离检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811235760.5A CN109543715A (zh) | 2018-10-23 | 2018-10-23 | 一种船舶航路提取以及航迹偏离检测的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109543715A true CN109543715A (zh) | 2019-03-29 |
Family
ID=65844816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811235760.5A Pending CN109543715A (zh) | 2018-10-23 | 2018-10-23 | 一种船舶航路提取以及航迹偏离检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109543715A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210352A (zh) * | 2019-05-23 | 2019-09-06 | 中国人民解放军海军工程大学 | 基于航道模型的船舶轨迹异常检测方法 |
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 |
CN110334166A (zh) * | 2019-06-25 | 2019-10-15 | 中电科技(合肥)博微信息发展有限责任公司 | 一种船舶历史轨迹查询方法、终端设备及计算机可读存储介质 |
CN110347668A (zh) * | 2019-07-04 | 2019-10-18 | 南京航空航天大学 | Ads-b航迹清洗与校准装置 |
CN110348495A (zh) * | 2019-06-27 | 2019-10-18 | 杭州电子科技大学 | 一种改进K-means聚类的航迹关联方法 |
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 |
CN110705582A (zh) * | 2019-08-12 | 2020-01-17 | 武汉理工大学 | 一种基于改进K-Means聚类算法的船舶过桥行为特征提取方法 |
CN110940971A (zh) * | 2019-11-06 | 2020-03-31 | 四川川大智胜软件股份有限公司 | 一种雷达目标点迹录取方法、装置及存储介质 |
CN111121939A (zh) * | 2020-01-02 | 2020-05-08 | 深圳市汉德网络科技有限公司 | 一种高精度车载区域称重方法 |
CN111475544A (zh) * | 2020-03-30 | 2020-07-31 | 智慧航海(青岛)科技有限公司 | 船舶轨迹数据中离群点的检测方法和装置 |
CN111578941A (zh) * | 2020-04-26 | 2020-08-25 | 亿海蓝(北京)数据技术股份公司 | 一种船舶航线推荐方法、系统及存储介质 |
CN112070312A (zh) * | 2020-09-10 | 2020-12-11 | 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 |
CN112162558A (zh) * | 2020-09-29 | 2021-01-01 | 广州海事科技有限公司 | 船舶安全航速控制方法、系统、计算机设备及存储介质 |
CN112613677A (zh) * | 2020-12-29 | 2021-04-06 | 武汉理工大学 | 一种航路网络生成方法、装置及计算机存储介质 |
CN112650237A (zh) * | 2020-12-21 | 2021-04-13 | 武汉理工大学 | 基于聚类处理和人工势场的船舶路径规划方法和装置 |
CN112733422A (zh) * | 2020-12-01 | 2021-04-30 | 天津理工大学 | 一种基于高斯过程回归的柔性外骨骼最优助力预测方法 |
CN113298195A (zh) * | 2021-07-27 | 2021-08-24 | 中国电子科技集团公司第十五研究所 | 海上目标经典轨迹的生成方法、装置及存储介质 |
CN113393707A (zh) * | 2021-06-21 | 2021-09-14 | 广州嘉航通信科技有限公司 | 基于光电联动的船舶监测方法、系统、设备及存储介质 |
CN113494914A (zh) * | 2020-04-02 | 2021-10-12 | 宝马股份公司 | 用于车辆定位的方法、用于定位的设备和车辆 |
CN113536057A (zh) * | 2021-07-29 | 2021-10-22 | 中国第一汽车股份有限公司 | 一种航迹管理方法、装置、计算机设备以及存储介质 |
CN114118243A (zh) * | 2021-11-18 | 2022-03-01 | 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 |
CN114550498A (zh) * | 2022-01-13 | 2022-05-27 | 武汉理工大学 | 一种海量ais数据驱动的船舶偏离航道智能预警系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107610464A (zh) * | 2017-08-11 | 2018-01-19 | 河海大学 | 一种基于高斯混合时间序列模型的轨迹预测方法 |
CN108108588A (zh) * | 2014-12-30 | 2018-06-01 | 江苏理工学院 | 一种滚动规划的船舶冲突预警方法 |
-
2018
- 2018-10-23 CN CN201811235760.5A patent/CN109543715A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108108588A (zh) * | 2014-12-30 | 2018-06-01 | 江苏理工学院 | 一种滚动规划的船舶冲突预警方法 |
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 |
CN107610464A (zh) * | 2017-08-11 | 2018-01-19 | 河海大学 | 一种基于高斯混合时间序列模型的轨迹预测方法 |
Non-Patent Citations (6)
Title |
---|
周翠;肖进丽;牟军敏;: "基于AIS信息的船舶航迹带尺度确定与分析", 武汉理工大学学报(交通科学与工程版), no. 06, pages 1276 - 1283 * |
姜佰辰;关键;周伟;何友;: "海上交通的船舶异常行为挖掘识别分析", 计算机仿真, no. 06 * |
甄荣;邵哲平;潘家财;赵强;: "基于统计学理论的船舶轨迹异常识别", 集美大学学报(自然科学版), no. 03, pages 193 - 197 * |
胡可云: "《数据挖掘理论与应用》", 北京交通大学出版社, pages: 86 - 88 * |
茅晨昊: ""基于高斯过程回归的船舶航行轨迹预测"", 《科技创新与应用》, 31 December 2017 (2017-12-31), pages 28 - 29 * |
茅晨昊;潘晨;尹波;卢忆宁;许循齐;: "基于高斯过程回归的船舶航行轨迹预测", 科技创新与应用, no. 31, pages 28 - 29 * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210352A (zh) * | 2019-05-23 | 2019-09-06 | 中国人民解放军海军工程大学 | 基于航道模型的船舶轨迹异常检测方法 |
CN110210352B (zh) * | 2019-05-23 | 2021-07-27 | 中国人民解放军海军工程大学 | 基于航道模型的船舶轨迹异常检测方法 |
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 |
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 |
CN110334166A (zh) * | 2019-06-25 | 2019-10-15 | 中电科技(合肥)博微信息发展有限责任公司 | 一种船舶历史轨迹查询方法、终端设备及计算机可读存储介质 |
CN110348495A (zh) * | 2019-06-27 | 2019-10-18 | 杭州电子科技大学 | 一种改进K-means聚类的航迹关联方法 |
CN110347668A (zh) * | 2019-07-04 | 2019-10-18 | 南京航空航天大学 | Ads-b航迹清洗与校准装置 |
CN110347668B (zh) * | 2019-07-04 | 2021-08-24 | 南京航空航天大学 | Ads-b航迹清洗与校准装置 |
CN110705582A (zh) * | 2019-08-12 | 2020-01-17 | 武汉理工大学 | 一种基于改进K-Means聚类算法的船舶过桥行为特征提取方法 |
CN110705582B (zh) * | 2019-08-12 | 2022-12-06 | 武汉理工大学 | 一种基于改进K-Means聚类算法的船舶过桥行为特征提取方法 |
CN110940971A (zh) * | 2019-11-06 | 2020-03-31 | 四川川大智胜软件股份有限公司 | 一种雷达目标点迹录取方法、装置及存储介质 |
CN111121939A (zh) * | 2020-01-02 | 2020-05-08 | 深圳市汉德网络科技有限公司 | 一种高精度车载区域称重方法 |
CN111475544B (zh) * | 2020-03-30 | 2023-06-30 | 智慧航海(青岛)科技有限公司 | 船舶轨迹数据中离群点的检测方法和装置 |
CN111475544A (zh) * | 2020-03-30 | 2020-07-31 | 智慧航海(青岛)科技有限公司 | 船舶轨迹数据中离群点的检测方法和装置 |
CN113494914A (zh) * | 2020-04-02 | 2021-10-12 | 宝马股份公司 | 用于车辆定位的方法、用于定位的设备和车辆 |
CN111578941A (zh) * | 2020-04-26 | 2020-08-25 | 亿海蓝(北京)数据技术股份公司 | 一种船舶航线推荐方法、系统及存储介质 |
CN112070312A (zh) * | 2020-09-10 | 2020-12-11 | 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 |
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 |
CN112162558A (zh) * | 2020-09-29 | 2021-01-01 | 广州海事科技有限公司 | 船舶安全航速控制方法、系统、计算机设备及存储介质 |
CN112733422A (zh) * | 2020-12-01 | 2021-04-30 | 天津理工大学 | 一种基于高斯过程回归的柔性外骨骼最优助力预测方法 |
CN112650237A (zh) * | 2020-12-21 | 2021-04-13 | 武汉理工大学 | 基于聚类处理和人工势场的船舶路径规划方法和装置 |
CN112613677A (zh) * | 2020-12-29 | 2021-04-06 | 武汉理工大学 | 一种航路网络生成方法、装置及计算机存储介质 |
CN113393707A (zh) * | 2021-06-21 | 2021-09-14 | 广州嘉航通信科技有限公司 | 基于光电联动的船舶监测方法、系统、设备及存储介质 |
CN113298195A (zh) * | 2021-07-27 | 2021-08-24 | 中国电子科技集团公司第十五研究所 | 海上目标经典轨迹的生成方法、装置及存储介质 |
CN113536057A (zh) * | 2021-07-29 | 2021-10-22 | 中国第一汽车股份有限公司 | 一种航迹管理方法、装置、计算机设备以及存储介质 |
CN113536057B (zh) * | 2021-07-29 | 2023-03-07 | 中国第一汽车股份有限公司 | 一种航迹管理方法、装置、计算机设备以及存储介质 |
CN114118243A (zh) * | 2021-11-18 | 2022-03-01 | 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 |
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 |
CN114550498A (zh) * | 2022-01-13 | 2022-05-27 | 武汉理工大学 | 一种海量ais数据驱动的船舶偏离航道智能预警系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543715A (zh) | 一种船舶航路提取以及航迹偏离检测的方法 | |
Zhang et al. | A big data analytics method for the evaluation of ship-ship collision risk reflecting hydrometeorological conditions | |
CN109740494B (zh) | 一种基于船舶轨迹大数据的港口识别方法 | |
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 | |
CN112906830B (zh) | 一种基于ais大数据的船舶最优航线自动生成方法 | |
van Westrenen et al. | The effect of traffic complexity on the development of near misses on the North Sea | |
Breithaupt et al. | Maritime route delineation using AIS data from the atlantic coast of the US | |
CN111159924B (zh) | 用于预测漂移轨迹的方法和装置 | |
CN104050329A (zh) | 一种检测船舶碰撞危险度的方法 | |
CN113536544B (zh) | 一种基于最小安全距离模型的船舶概率冲突检测方法 | |
CN104535066A (zh) | 一种船载红外视频图像中的海上目标与电子海图的叠加方法及系统 | |
Naus | Drafting route plan templates for ships on the basis of AIS historical data | |
CN111599130A (zh) | 一种海上救助的环境风险预警系统 | |
CN104992140A (zh) | 一种基于遥感图像的海面异常漂浮物检测方法 | |
Copping et al. | Likelihood of a marine vessel accident from wind energy development in the Atlantic | |
Zhang et al. | Analysis of the grounding avoidance behavior of a ro-pax ship in the gulf of Finland using big data | |
Nieh et al. | Risk assessment and traffic behaviour evaluation of inbound ships in Keelung harbour based on AIS data | |
Vagale et al. | Evaluation of path planning algorithms of autonomous surface vehicles based on safety and collision risk assessment | |
Weng et al. | Methodology for estimating waterway traffic capacity at Shanghai estuary of the Yangtze river | |
Krata et al. | Bayesian approach to ship speed prediction based on operational data | |
Wang et al. | Classification of ship trajectories by using naive Bayesian algorithm | |
Guze et al. | The area-dynamic approach to the assessment of the risks of ship collision in the restricted water | |
Xue et al. | Ship collision avoidance based on brain storm optimization near offshore wind farm | |
KR102466119B1 (ko) | Ais 정보에 기반한 주요항로 연결망 추출 장치 및 방법 | |
Olindersson et al. | Development of a software to identify and analyse marine traffic situations |
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 |