CN109708638A - 一种船舶轨迹点提取方法 - Google Patents

Abstract

本发明公开了一种基于投票法的船舶轨迹点提取方法。在雷达可控海域内，对采集到的船舶航迹数据设定所有航速变化率的平均值为航速变化率阈值对轨迹点进行筛选并得到特征轨迹点集，对包含特征点的轨迹段进行长度求和、计算每个特征点的Vote值、计算长度求和时的数据开销，最后解得L(h)+L(D|h)的最小值，即可得船舶轨迹的最优点迹段。本发明运算公式简单，运算时间耗费小，将投票法算法应用到轨迹点提取，根据MDL准则求和并得到全局最优解，方法容易实现。

Description

一种船舶轨迹点提取方法

技术领域

本发明涉及船舶轨迹点提取方法。设计了一种基于最小长度准则的船舶点迹提取方法，比之于现有加入时间维的迭代适应点(Douglas-Peucker，DP)算法及其衍生算法更可靠、更实用。

背景技术

目前，现有一种加入时间维的船舶轨迹高校离线压缩算法的研究，同时考虑到航向和航速的变化，在保持较低失真度的情况下。针对船舶自动识别系统(Automaticldentification System，AIS)数据的特点进行有效的压缩。轨迹坐标系以经度为X轴.纬度为Y轴，权重时间为Z轴。以时间先后为序，先遍历坐标点序列，利用给定的速度限差，在压缩前找出船舶的虚拟停泊点，将点序列根据这些虚拟停泊点对坐标点序列进行分段。对分段后的点序列，计算首尾两点之间的所有点偏离首尾两点所在直线的距离，并从点到直线的距离中找出其中的最大值，将最大值与预先设定的阈值相比较，如果小于阈值，则该直线段作为曲线的近似，否则继续分段并根据距离比较，直到无点可舍去，最后得到满足给定精度限差的曲线点坐标。

现有的船舶轨迹点提取方法存在的问题和不足：一是船舶轨迹信息容易丢失。由于船上安装的AIS信息的不定时播发或在海上遭遇恶劣天气影响AIS的发送，容易出现船舶重要轨迹数据丢失的情况，使得后续轨迹点的提取方法存在较大的误差。二是轨迹压缩效率未提高。动态DP算法在压缩前通过数据遍历找到虚拟停泊点对轨迹进行了分段，将轨迹压缩问题的计算规模大大缩减，但是在每一段轨迹压缩的过程中仍然使用了经典DP算法，导致每一段的时间复杂度均为T(n)＝O(nlogn)，并未产生量级上效率的改变。

发明内容

本发明的目的是针对上述现有动态DP算法对轨迹进行压缩，但轨迹压缩效率和计算时间并未得到很大的提升，轨迹压缩效果不明显，为后期的轨迹的使用带来不可估量的损失的问题。提供一种高效的船舶轨迹点提取方法。

本发明最初的信息点筛选与现有DP算法相同，但在后期轨迹优化时采用了投票法。具体是根据最小描述长度准则算法，将采集的船舶AIS信息进行初步筛选，根据筛选的轨迹点构建基于投票法的最小长度准则轨迹模型，得到全局最优解，故而得到特征点提取后的最优点迹段。

本发明的方法是将投票算法跟最小描述长度准则相结合运用到船舶轨迹点提取领域。将采集到的AIS信息筛选，运用数据处理技术及相应的算法，对筛选后的船舶轨迹进行模型计算从而完成对轨迹点的提取。

为达到上述目的，本发明采用如下技术方案：

一种船舶轨迹点提取方法，包括如下步骤：

1.从收集的雷达和AIS信息建立的船舶轨迹信息库中读取多条船舶雷达、AIS的航迹数据，航迹数据包括船舶的航速、航向和坐标，采用隶属度关联函数关联算法将雷达与AIS的航迹数据融合接近船舶实际轨迹航迹数据D，航迹数据D包括船舶的航速、航向和坐标。

2.根据融合后的船舶航迹数据D中的航速，通过公式

计算船舶任意相邻两轨迹点之间的航速变化率，其中与分别为船舶在t₁、t₂相邻时刻的航速，设置所有轨迹点的航速变化率的平均值为航速变化率阈值，将所有两点的航速变化率与航速变化率阈值进行比较，大于阈值的选入轨迹特征点集，小于阈值的舍去。

3.根据轨迹特征点集，将轨迹特征点集中所有相邻两点之间的距离全部叠加得到船舶轨迹的长度为其中为船舶相邻轨迹特征点之间的轨迹段长度。

4.由于Vote值直物理意义上为一个特征轨迹点被其他特征轨迹点连接的概率，根据Vote值的大小，判断该特征轨迹点的重要性。每个特征轨迹点的Vote初值均为其中N为轨迹特征点的总个数。通过各个特征轨迹点之间的相互关系不断迭代，直到达到Vote值平稳分布为止，该船舶特征轨迹点中第α点的Vote值公式为：

其中，B_α是所有连接到特征点α的点集合，特征点β是属于集合B_β的一个点，L(β)则是特征点β的对外连接数(出度)。

5.根据船舶航迹数据D来获得候选假设集合h的点估计，则最大的假设集合h为极大后验假设h_MAP，且满足：

即：

L(h|D)＝L(D|h)L(h) (4)

在最后一步，去掉了L(D)，因此h_MAP不依赖于h。其中L(h)为假设集合h的开销，L(D|h)为在假设集合h下的船舶航迹数据D的开销，为特征点的逃脱因子，则：

6.根据MDL准则，当开销L(D|h)+L(h)最小时，即

可得到一个全局最优解，即可得到最优点迹段。

进一步，所述读取雷达和AIS的航迹数据并进行数据融合处理，包括：

分别取AIS和雷达两种航迹目标与本船的距离、坐标、航速、航向间的欧式距离组成单因素评判集；

将AIS与雷达目标航迹关联的结果分为两个等级，建立关联隶属度函数；

采用双门限法判断AIS与雷达目标航迹是否关联，若关联，将判为关联的目标编号记录下来，等待融合处理即可。

附图说明：

图1是船舶轨迹点提取方法的流程图。

具体实施方式：

下面根据图1具体说明船舶轨迹点提取的实现方法。

本发明在船舶行驶过程中，根据采集到的融合多源数据的船舶轨迹信息，构建基于投票法的最小描述长度准则模型，从而得到船舶的最优点迹段。

开始采集船舶轨迹信息即进入步骤150其实现步骤如下：

步骤150从收集的雷达和AIS船舶轨迹信息库中读取多条船舶雷达、AIS的航迹数据，航迹数据包括船舶的航速、航向和坐标，采用隶属度函数关联算法将雷达与AIS的航迹数据融合为更加准确的，接近船舶实际轨迹的船舶航迹数据D，航迹数据包括船舶的航速、航向和坐标，D得到第i船舶的轨迹点集合为p_i＝{p_i0，p_i1，…，p_in}，n＝{1，2，…，n}，p_in为第i条船n时刻的轨迹点。

步骤200首先根据航速变化率的大小在第i条船舶的轨迹点集中筛选特征轨迹点，排除异常情况。具体方法如下：

其中与分别为第i条船舶在t₁、t₂相邻时刻的航速。根据公式(8)，便可计算得到上述任意两点的航速变化率，设置所有轨迹点的航速变化率的平均值为航速变化率阈值，并比较所有航速变化率与阈值的大小，将大于阈值的轨迹点选入特征点集，则第i条船舶的轨迹特征点集合为为第i条船筛选后在k个时刻的坐标。若航速变化率阈值选择过小，则轨迹的重要特征细节可能丢失，如若选择过大则很容易只将轨迹变化明显或异常的部分包含进来，使得后期轨迹点提取结果不佳。

步骤250计算假设条件下的长度，具体方法如下：

根据特征点集合得到第i条船舶的特征轨迹段为：

为船舶相邻轨迹特征点之间的轨迹段长度，则提取轨迹点后第i条船舶的所有轨迹特征点之间的长度为：

步骤300特征轨迹点之间的连接可以看成一个有向图根据Vote值的大小来确定该特征轨迹点是否能最终成为最优点迹段中的一部分，由于Vote值物理意义上为一个特征轨迹点被其他特征轨迹点连接的概率，Vote初值为N为特征轨迹点总个数。则该第α点的Vote值公式为：

其中，B_α是所有连接到特征轨迹点α的点集合，特征轨迹点β是属于集合B_β的一个点，L(β)则是特征轨迹点β的对外连接数(出度)。由于Vote值的计算初始值相同，为了不忽视被重要轨迹点也是重要的这一重要因素，需要反复迭代运算，需要进行10次以上的迭代值趋于稳定，如此经过多次迭代，Vote值达到收敛。

步骤350基于船舶航迹数据D来获得候选假设集合h的点估计，则最大的假设集合h为极大后验假设h_MAP，且满足：

即：

L(h|D)＝L(D|h)L(h) (12)

其中，L(D|h)为在假设集合h下的给定航迹数据D的开销，L(h)为假设集合h的开销，L(h|D)为在给定航迹数据D下假设集合h的开销。在最后一步，去掉了L(D)，因此h_MAP不依赖于h。

根据MDL准则，从信息传递的角度对第i条船舶的轨迹长度和假设条件下的数据进行编码压缩，则计算轨迹长度的开销的具体公式如下：

其中为特征点的逃脱因子。

步骤400由公式(3)可知，L(h)越大表示选取的特征点越多，与原轨迹拟合度越大，但L(D|h)小；反之，L(h)越小，选取的特征点越少，但L(D|h)越大，当且仅当L(h)+L(D|h)之和最小时，由公式(3)可得

可得到一个全局最优解，则第i条船舶的最优点迹集合为

以上仅为本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些均属于本发明的保护范围。

Claims (7)

1.一种船舶轨迹点提取方法，其特征在于，包括如下步骤：

(1)读取雷达和AIS的航迹数据并进行数据融合处理，其中所述航迹数据包括：AIS和雷达两种航迹目标与本船的距离、坐标、航速、航向；

(2)根据融合后的航迹数据D中航速，计算所述船舶任意相邻两点之间的航速变化率，设置所有轨迹点的航速变化率的平均值为航速变化率阈值，比较航速变化率与阈值之间的大小，确立特征轨迹点集；

(3)根据所述的特征轨迹点集，对相邻特征轨迹点之间的距离求和，得到提取后特征点后的船舶特征轨迹长度；

(4)根据所述的特征轨迹点集，计算每个特征轨迹点的Vote值；

(5)根据所述的船舶轨迹段长度、每个特征轨迹点的Vote值和MDL准则，计算假设集合h条件的数据开销和基于假设集合h条件下的航迹数据D的数据开销；

(6)根据所述的假设集合h条件下的数据开销和基于假设集合h条件下的航迹数据D的数据开销，计算两者之和的最小值，最优解即为船舶特征轨迹点的最优点迹段。

2.如权利要求1所述的方法，其特征在于，步骤(1)所述的读取雷达和AIS的航迹数据并进行数据融合处理的具体内容和方法，包括：

1)分别取AIS和雷达两种航迹目标与本船的距离、坐标、航速、航向间的欧式距离组成单因素评判集；

2)将AIS与雷达目标航迹关联的结果分为两个等级，建立关联隶属度函数；

3)采用双门限法判断AIS与雷达目标航迹是否关联，若关联，将判为关联的目标编号记录下来，等待融合处理即可。

3.如权利要求1所述的方法，其特征在于，步骤(2)所述的根据所述融合后的航迹数据D中航速，计算所述船舶任意相邻两点之间的航速变化率，设置所有轨迹点的航速变化率的平均值为航速变化率阈值，比较航速变化率与阈值之间的大小，确立特征轨迹点集的具体内容和方法，包括：

A、根据融合后的航迹数据D中航速，计算所述船舶任意相邻两点之间的航速变化率，设置所有轨迹点的航速变化率的平均值为航速变化率阈值；

B、比较所述的航速变化率与所述航速变化率阈值大小；

若所述航速变化率大于该阈值，则轨迹点选入特征轨迹点集；

若所述航速变化率小于该阈值，则轨迹点舍去。

4.如权利要求1所述的方法，其特征在于，步骤(3)中所述的特征轨迹点集，对相邻特征轨迹点之间的距离求和，得到提取后特征点后的船舶特征轨迹长度的具体内容和方法，包括：

所述船舶特征轨迹点集为特征点集合中相邻特征轨迹点之间的特征轨迹段为：

其中为船舶相邻轨迹特征点之间的轨迹段长度，将所有相邻特征轨迹点之间的长度叠加，得到船舶特征轨迹的长度：

5.如权利要求1所述的方法，其特征在于，步骤(4)中所述的特征轨迹点集，计算每个特征轨迹点的Vote值的具体内容和方法，包括：

Vote值物理意义上为一个特征轨迹点被其他特征轨迹点连接的概率，每个特征轨迹点的Vote初值均为N为特征轨迹点总个数，通过各个特征轨迹点之间的相互关系不断迭代，船舶特征轨迹点中第α点的Vote值公式为：

其中，N为轨迹特征点的总个数，B_α是所有连接到特征点α的点集合，特征点β是属于集合B_β的一个点，L(β)则是特征点β的对外连接数(出度)。

6.如权利要求1所述的方法，其特征在于，步骤(5)中所述的船舶轨迹段长度、每个特征轨迹点的Vote值和MDL准则，计算假设集合h条件的数据开销和基于假设集合h条件下的航迹数据D的数据开销的具体内容和方法，包括：

基于船舶航迹数据D来获得候选假设集合h的点估计，则最大的假设集合h为极大后验假设h_MAP，且满足：

即：

L(h|D)＝L(D|h)L(h)

其中，L(h|D)为在假设集合h下的给定航迹数据D的开销，L(h)为假设集合h的开销，L(h|D)为在给定航迹数据D下假设集合h的开销；在最后一步，去掉了L(D),因此h_MAP不依赖于h；

根据MDL准则，从信息传递的角度对第i条船舶的轨迹长度和假设条件下的数据进行编码压缩，则假设集合h条件的数据开销和基于假设集合h条件下的航迹数据D的数据开销为：

其中为特征点的逃脱因子。

7.如权利要求1所述的方法，其特征在于，步骤(6)中所述的假设集合h条件下的数据开销和基于假设集合h条件下的航迹数据D的数据开销，计算两者之和的最小值，最优解即为船舶特征轨迹点的最优点迹段的具体内容和方法，包括：

其中L(h)越大表示选取的特征点越多，与原轨迹拟合度越大，但L(D|h)越小；反之，L(h)越小，选取的特征点越少，但L(D|h)越大，当且仅当L(h)+L(D|h)之和最小时，得到船舶轨迹点的最优点迹段为