CN110210537B - 一种基于无监督聚类的船舶历史航迹规律提取方法 - Google Patents

一种基于无监督聚类的船舶历史航迹规律提取方法 Download PDF

Info

Publication number
CN110210537B
CN110210537B CN201910428503.1A CN201910428503A CN110210537B CN 110210537 B CN110210537 B CN 110210537B CN 201910428503 A CN201910428503 A CN 201910428503A CN 110210537 B CN110210537 B CN 110210537B
Authority
CN
China
Prior art keywords
track
distance
line segment
segment
segments
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
Application number
CN201910428503.1A
Other languages
English (en)
Other versions
CN110210537A (zh
Inventor
沈昌力
隋远
王君
宋海龙
段然
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.)
CETC 28 Research Institute
Original Assignee
CETC 28 Research Institute
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 CETC 28 Research Institute filed Critical CETC 28 Research Institute
Priority to CN201910428503.1A priority Critical patent/CN110210537B/zh
Publication of CN110210537A publication Critical patent/CN110210537A/zh
Application granted granted Critical
Publication of CN110210537B publication Critical patent/CN110210537B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Abstract

一种基于无监督聚类的船舶历史航迹规律提取方法。本发明属于一种船舶历史航迹规律提取；本发明将聚类的结果提供给海域网格划分和相关统计计算，实现剔除噪声航迹，航迹预分类的目的，提高最终的航迹异常检测精度。该方法首先通过航迹抽稀算法对航迹点进行压缩，然后使用基于密度的带噪声空间聚类算法(DBSCAN)对航迹线段进行聚类，一方面剔除离群的异常航迹线段，另一方将位置、航向、速度等相似的航迹线段合并为一类，实现航路的分离。最终形成去噪和聚合的航迹簇，用于后续的海域网格划分。本发明解决了海域网格训练中不能区分航路和交错航道互相影响统计结果的问题，提高了异常检测的精度。

Description

一种基于无监督聚类的船舶历史航迹规律提取方法
技术领域
本发明属于一种船舶历史航迹规律提取，特别是涉及一种基于无监督聚类的船舶历史航迹规律提取方法。
背景技术
船舶交通管理系统，Vessel Traffic System，是用于管理船舶交通、保障船舶安全航行的信息管理系统。随着人类商业生产活动的增加，进行水面作业航行的船舶数量越来越多，如何针对越来越多的水面船舶利用VTS系统进行有效服务与监管，是各类海事部门面临的问题。VTS系统每天将积累大量的船舶航迹信息，以烟台为例2017年每个月的AIS报文有上亿条之多，从大量船舶信息中寻找异常船舶行为费事费力，无法做到高效、及时、准确的监控，因此通过计算机进船舶异常行为识别成为当前一个重点研究课题。
目前已有的研究主要是基于统计的海域网格训练。其基本原理是将监测海域划分为大量网格区域，将航向离散化为8个方向，速度离散化为4个级别后统计每一个网格中的航迹点的数量、航向比例、速度比例，并设置数量和比例阈值，以此来判断航迹点的异常。举例来说，经度维度分别按0.2度为界，将目标海域划分成网格，实时航迹点落在的网格中，历史航迹点落于该网格的点数在所有网格的历史航迹点数按从多到少排序后位于后4％，且预先定义的异常阈值为5％，则该航迹点为位置异常。航向异常、速度异常也是采用类似的判断方式。
采用这种基于统计的海域网格训练方法，可以在一定程度上学习历史航迹的规律，但存在两个问题：1)该方法统计的是所有船舶的航迹信息，其中必然存在不同船舶类型，不同航路的船舶航迹点位于同一区域的情况，但这些船舶的航迹规律应该是不同的，如果统一计算，彼此之间会互相影响统计结果，最终影响检测精度；2)单独统计网格内的航迹点割裂了航迹线段的相关性，比如有两条互相交错的航迹，在相交的位置航迹点的数量会明显高于其他位置的数量，如果存在多条航迹相交的情况，此时按网格点数排序计算异常的方式会存在误报的风险。
本发明提出一种基于无监督聚类的航迹规律提取方法来进行船舶历史航迹的聚类处理，将聚类的结果提供给海域网格划分和相关统计计算，实现剔除噪声航迹，航迹预分类的目的，提高最终的航迹异常检测精度。该方法首先通过航迹抽稀算法对航迹点进行压缩，然后使用基于密度的带噪声空间聚类算法(DBSCAN)对航迹线段进行聚类，一方面剔除离群的异常航迹线段，另一方将位置、航向、速度等相似的航迹线段合并为一类，实现航路的分离。最终形成去噪和聚合的航迹簇，用于后续的海域网格划分。本发明解决了海域网格训练中不能区分航路和交错航道互相影响统计结果的问题，提高了异常检测的精度。
发明内容
针对上述问题，本发明提供一种基于无监督聚类的船舶历史航迹规律提取方法；防止剔除过多有效航迹，进行一次聚类后，通过设置较为宽松的领域范围和最小领域线段数量，将上一次聚类后的噪声再次进行聚类，最后无法聚合的线段予以剔除，从而形成最终的航迹簇，作为海域网格训练的输入进行统计训练。
本发明的技术方案是：一种基于无监督聚类的船舶历史航迹规律提取方法其操作步骤如下；
步骤1、获取雷达和AIS航迹点数据，航迹预处理，形成航迹线段集合，
步骤2、线段结构距离的计算，
步骤3、航迹线段聚类，
步骤4、从步骤1得到的航迹线段集合中剔除噪声线段，并根据航迹线段类簇进行后续的海域网格训练统计处理。
步骤1所述对船舶历史航迹数据进行预处理，包括：
获取历史航迹数据，保留位置连续且位于目标海域内，速度大于0节小于50节，航向大于等于0小于360的航迹点，去除飞点、岸上的点，速度小于0或大于50节，航向小于0或大于360的航迹点；
航迹抽稀，将航迹曲线近似表示为航迹点集，对航迹点集进行压缩，减少一条航迹曲线上航迹点的数量，同时保证航迹路径位置的不变形，为后续船舶航行模型训练提供支撑。
步骤2航迹线段结构距离的计算，包括：
线段结构距离是用来表示两条航迹线段间的相似度dist(Li，Lj)的度量，结构距离越小相似度越大，结构距离由垂直距离d⊥(Li，Lj)，水平距离d||(Li，Lj)，方向距离dθ(Li，Lj)，速度距离dv(Li，Lj)组成；
Li与Lj的垂直距离d⊥(Li，Lj)定义如下式所示，其中l⊥1为sj到ps的欧氏距离，l⊥2为ej到pe的欧氏距离：
Figure BDA0002068243290000021
水平距离d||(Li，Lj)表示两条线段在水平方向的相似度：
d||(Li，Lj)＝AVE(d||1，d||2) (2)，
并分三种情况分别计算：(a)当投影点均在线段内时，d||1为端点si到距它近投影点之间的距离，d||2为端点ei到距它近投影点之间的距离；(b)当投影点均在线段外时，d||1为非投影点侧的端点距它近投影点之间的距离，d||2为投影点侧的端点距它远投影点之间的距离；(c)投影点一个位于线段内，另一个位于线段外时，d||1为非外投影点侧的端点距它近投影点之间的距离，d||2为外投影点侧的端点距另一个投影点之间的距离；另外，为避免轨迹之间长度相差过于大导致水平距离的过度地决定位置距离，对水平距离和垂直距离之间设置修正权重，水平距离的权重为长度较小的线段长度在两线段总长度的比率，两权重需满足大于零且和为1的条件；
方向距离dθ(Li，Lj)代表两条线段的平行相似度，由下式进行计算：
Figure BDA0002068243290000031
速度距离dv，(Li，Lj)，代表两条航迹线段的速度相似度，由下式计算；
Figure BDA0002068243290000032
其中v(Li)，v(Lj)为航迹线段Li和Lj的平均速度。
步骤3航迹线段聚类的计算，包括：
遍历航迹线段集合，计算线段Li其与另一条线段Lj的结构距离；将结构距离小于设定的近邻距离阈值的线段Lj添加到Li的领域中，重复此过程形成线段类簇；遍历完所有线段，形成线段类簇和噪声线段；将计算得到的噪声线段集合进行一次二次聚类。
所得到的噪声线段集合作为一个新的线段集合，定义新的近邻距离阈值为定义近邻距离阈值的1.5倍，并上述聚类计算，将新生成的线段类簇添加到计算得到的类簇中作为补充。
在步骤1得到的是一条条线段集合，需要计算线段间两两相似度，本发明使用的是航迹结构距离(Li，Lj)表示两条线段的相似度，结构距离越小相似度越大，结构距离由垂直距离d⊥(Li，Lj)，水平距离d||(Li，Lj)，方向距离dθ(Li，Lj)，速度距离dv(Li，Lj)组成。
进一步，计算垂直距离d⊥(Li，Lj)，垂直距离表示两条线段在垂直方向的相似度；
进一步，计算水平距离d||(Li，Lj)，水平距离表示两条线段在水平方向的相似度；
进一步，计算方向距离dθ(Li，Lj)，方向距离代表两条线段的平行相似度；
进一步，计算速度距离dv(Li，Lj)，由于航迹线段除了几何属性外还存在速度属性，因此还需要计算两条线段间的速度相似度；
进一步，将抽稀后的线段进行基于线段的密度空间聚类算法(DBSCAN)，输出航迹线段类簇和噪声线段集合。
进一步，取一条没有计算过的线段Li，计算其与另一条没有计算过的线段Lj的结构距离；
进一步，根据结构距离的计算结果判断是否将Lj添加到Li的领域中；
进一步，找到线段Li的所有近邻线段集合，形成一个线段类簇；
进一步，扩充已形成的类簇；
进一步，遍历完所有线段，形成线段类簇和噪声线段；
进一步，为了防止剔除过多的线段，将上述计算得到的噪声线段集合进行一次二次聚类；
进一步，从原始数据中剔除噪声线段，并根据航迹线段类簇分别进行后续的海域网格训练等统计处理。
本发明的有益效果是：本发明的目的在于将包含位置唯一ID、坐标、航向、速度等信息的历史航迹点进行聚类，剔除与其他航迹不一致的航迹，并将位置、航向、速度等相似的航迹线段合并为一类，实现航路的分离。获取历史航迹，进行预处理后进行航迹抽稀，形成航迹线段。然后遍历计算航迹线段间的垂直距离，水平距离，方向距离和速度距离，根据预设的领域范围和最小领域线段数量，将距离满足条件的线段归为一类，最终无法聚合的线段为噪声。为了防止剔除过多有效航迹，进行一次聚类后，通过设置较为宽松的领域范围和最小领域线段数量，将上一次聚类后的噪声再次进行聚类，最后无法聚合的线段予以剔除，从而形成最终的航迹簇，作为海域网格训练的输入进行统计训练。
附图说明
图1是本发明中航迹线段聚类流程图；
图2是本发明中线段相似度计算示意图；
图3是本发明中航迹聚类效果对比图。
具体实施方式
本发明中，一种基于无监督聚类的船舶历史航迹规律提取方法其操作步骤如下；
步骤1、获取雷达和AIS航迹点数据，航迹预处理，形成航迹线段集合，
步骤2、线段结构距离的计算，
步骤3、航迹线段聚类，
步骤4、从步骤1得到的航迹线段集合中剔除噪声线段，并根据航迹线段类簇进行后续的海域网格训练统计处理。
如图1所示，历史航迹训练的方法如下：
获取历史航迹数据，保留位置连续且位于目标海域内，速度大于0节小于50节，航向大于等于0小于360的航迹点，去除飞点、岸上的点，速度小于0或大于50节，航向小于0或大于360的航迹点；
理论上历史数据越多训练效果越好，但由于航道可能随年限的变化存在差别，因此近期的航迹更有参考价值，可以设置抽样的方式组合历史航迹作为输入数据。比如近一年的数据使用全航迹，上一年随机抽取80％的数据，前一年随机抽取60％的数据，组合成历史航迹；由于存在海量的历史航迹需要处理，使用分布式系统进行数据存储和处理。
航迹抽稀，将每一条航迹曲线的首尾点虚连一条直线，求所有点与直线的距离，并找出最大距离，用最大距离与限差相比：若小于限差，那么这条曲线上的中间点全部舍去；若大于限差，那么保留该坐标点并以该点为界，把曲线分为两部分，对这两部分重复使用该方法；假定包含了n个连续且足够密集的位置点的点集P，点集中相邻两点的连线所构成的线段集可近似作为轨迹T，航迹抽稀的思想是在保证线段走向和基本长度不变的情况下，减少点集P和轨迹集T中元素的数量；同时引入速度变化和固定时间阈值，该航迹中超过速度变化阈值的点和超过时间阈值的点也会作为关键点，被提取出来。
线段结构距离的计算：上述得到的是一条条线段集合，需要计算线段间两两相似度，本发明使用的是航迹结构距离dist(Li，Lj)表示两条线段的相似度，结构距离越小相似度越大。
dist(Li，Lj)＝w⊥d⊥(Li，Lj)+w||d||(Li，Lj)+wθdθ(Li，Lj)+wvdv(Li，Lj) (1)
权重w⊥+w||+wθ+wv＝1，且均大于0，实际计算时可以根据各属性敏感度调整，本发明默认w⊥＝w||＝wθ＝wv＝0.25；
计算垂直距离d⊥(Li，Lj)，垂直距离表示两条线段在垂直方向的相似度，如图2所示，线段Li＝siei、Lj＝sjej，ps和pe是线段sjei的端点到siei的投影点。
Li与Lj的垂直距离如d⊥(Li，Lj)定义如下式所示，其中l⊥1为sj到ps的欧氏距离，l⊥2为ej到pe的欧氏距离。
Figure BDA0002068243290000051
计算水平距离d||(Li，Lj)，水平距离表示两条线段在水平方向的相似度，计算公式如下式所示：
d||(Li，Lj)＝AVE(d||1，d||2) (3)
并分三种情况分别计算：(a)当投影点均在线段内时，d||1为端点si到距它近投影点之间的距离，d||2为端点ei到距它近投影点之间的距离；(b)当投影点均在线段外时，d||1为非投影点侧的端点距它近投影点之间的距离，d||2为投影点侧的端点距它远投影点之间的距离；(c)投影点一个位于线段内，另一个位于线段外时，d||1为非外投影点侧的端点距它近投影点之间的距离，d||2为外投影点侧的端点距另一个投影点之间的距离；另外，为避免轨迹之间长度相差过于大导致水平距离的过度地决定位置距离，对水平距离和垂直距离之间设置修正权重，水平距离的权重为长度较小的线段长度在两线段总长度的比率，两权重需满足大于零且和为1的条件。
计算方向距离dθ(Li，Lj)，方向距离代表两条线段的平行相似度，由下式进行计算；
Figure BDA0002068243290000061
如果||Lj||的值很小，则θ对方向距离的影响将变得很小，而实际中夹角θ较大的两条线段相似度应该是较低的，为了放大θ对方向距离的影响，当θ≥30°采用MAX(||Li||，||Lj||)，θ＜30°时用MAX(||Li||，||Lj||)×sin(θ)计算方向距离。
计算速度距离dv(Li，Lj)，由于航迹线段除了几何属性外还存在速度属性，因此还需要计算两条线段间的速度相似度；速度相似度由下式计算：
Figure BDA0002068243290000062
其中v(Li)，v(Lj)为航迹线段Li和Lj的平均速度。
航迹线段聚类：将抽稀后的线段进行基于线段的密度空间聚类算法(DBSCAN)；该步骤是本发明的主要算法，算法流程如图1所示。
取一条没有计算过的线段Li，计算其与另一条没有计算过的线段Lj的结构距离。
判断结构距离是否小于给定的领域范围ε，如果小于ε，则将Lj添加到Li的领域中，本发明第一次聚类的领域范围ε＝1000，单位m。
找到线段Li的所有近邻线段集合Ns(Li)，判断该集合中线段数量是否大于最小领域线段数量MinLns，如果大于MinLns则Ns(Li)为一个聚类簇，如果小于MinLns则Li为一条噪声线段，本发明第一次聚类的MinLns＝5。
遍历Ns(Li)取一条未计算的线段Lj，重复2-1、2-2，找到Lj的领域Ns(Lj)，将Ns(Lj)添加到形成的类簇中。
遍历完所有线段，形成线段类簇和噪声线段。
为了防止剔除过多的线段，将上一步计算得到的噪声线段集合进行一次二次聚类，二次聚类设定的ε＝1500，MinLns＝4，重复2-1到2-5的过程，形成最终的类簇和噪声集合；如图3所示为采用本发明后得到的航迹聚类对比图，其中(a)为原始航迹，原始航迹中存在一艘或少量几艘船舶形成的航迹，这些航迹与其他航迹不归为一类，属于异常航迹，在(b)的聚类航迹中已将这些孤立的单条航迹剔除；并且将相似的航迹线段聚成了一类，为后续的海域网格训练提供了去噪声且以分类的航迹簇。
从原始数据中剔除噪声线段，并根据航迹线段类簇分别进行后续的海域网格训练等统计处理。
进一步，计算垂直距离d⊥(Li，Lj)，垂直距离表示两条线段在垂直方向的相似度；
进一步，计算水平距离d||(Li，Lj)，水平距离表示两条线段在水平方向的相似度；
进一步，计算方向距离dθ(Li，Lj)，方向距离代表两条线段的平行相似度；
进一步，计算速度距离dv(Li，Lj)，由于航迹线段除了几何属性外还存在速度属性，因此还需要计算两条线段间的速度相似度；
进一步，将抽稀后的线段进行基于线段的密度空间聚类算法(DBSCAN)，输出航迹线段类簇和噪声线段集合。
进一步，取一条没有计算过的线段Li，计算其与另一条没有计算过的线段Lj的结构距离；
进一步，根据结构距离的计算结果判断是否将Lj添加到Li的领域中；
进一步，找到线段Li的所有近邻线段集合，形成一个线段类簇；
进一步，扩充已形成的类簇；
进一步，遍历完所有线段，形成线段类簇和噪声线段；
进一步，为了防止剔除过多的线段，将上述计算得到的噪声线段集合进行一次二次聚类；
进一步，从原始数据中剔除噪声线段，并根据航迹线段类簇分别进行后续的海域网格训练等统计处理。
本发明的目的在于将包含位置唯一ID、坐标、航向、速度等信息的历史航迹点进行聚类，剔除与其他航迹不一致的航迹，并将位置、航向、速度等相似的航迹线段合并为一类，实现航路的分离。获取历史航迹，进行预处理后进行航迹抽稀，形成航迹线段。然后遍历计算航迹线段间的垂直距离，水平距离，方向距离和速度距离，根据预设的领域范围和最小领域线段数量，将距离满足条件的线段归为一类，最终无法聚合的线段为噪声。为了防止剔除过多有效航迹，进行一次聚类后，通过设置较为宽松的领域范围和最小领域线段数量，将上一次聚类后的噪声再次进行聚类，最后无法聚合的线段予以剔除，从而形成最终的航迹簇，作为海域网格训练的输入进行统计训练。

Claims (1)

1.一种基于无监督聚类的船舶历史航迹规律提取方法，其特征在于，其操作步骤如下；
步骤1、获取雷达和AIS航迹点数据，航迹预处理，形成航迹线段集合，
步骤2、线段结构距离的计算，
步骤3、航迹线段聚类，
步骤4、从步骤1得到的航迹线段集合中剔除噪声线段，并根据航迹线段类簇进行后续的海域网格训练统计处理；
在步骤1中，所述航迹预处理具体包括：
获取历史航迹数据，保留位置连续且位于目标海域内，速度大于0节小于50节，航向大于等于0小于360的航迹点，去除飞点、岸上的点，速度小于0或大于50节，航向小于0或大于360的航迹点；
航迹抽稀，将航迹曲线近似表示为航迹点集，对航迹点集进行压缩，减少一条航迹曲线上航迹点的数量，同时保证航迹路径位置的不变形，为后续船舶航行模型训练提供支撑；
在步骤2中，所述线段结构距离的计算具体包括：
线段结构距离是用来表示两条航迹线段间的相似度dist(Li，Lj)的度量，结构距离越小相似度越大，结构距离由垂直距离d⊥(Li，Lj)，水平距离d||(Li，Lj)，方向距离dθ(Li，Lj)，速度距离dv(Li，Lj)组成；
Li与Lj的垂直距离d⊥(Li，Lj)定义如下式所示，其中l⊥1为sj到ps的欧氏距离，l⊥2为ej到pe的欧氏距离：
Figure FDA0003039182330000011
水平距离d||(Li，Lj)表示两条线段在水平方向的相似度：
d||(Li，Lj)＝AVE(d||1，d||2) (2)，
并分三种情况分别计算：(a)当投影点均在线段内时，d||1为端点si到距它近投影点之间的距离，d||2为端点ei到距它近投影点之间的距离；(b)当投影点均在线段外时，d||1为非投影点侧的端点距它近投影点之间的距离，d||2为投影点侧的端点距它远投影点之间的距离；(c)投影点一个位于线段内，另一个位于线段外时，d||1为非外投影点侧的端点距它近投影点之间的距离，d||2为外投影点侧的端点距另一个投影点之间的距离；另外，为避免轨迹之间长度相差过于大导致水平距离的过度地决定位置距离，对水平距离和垂直距离之间设置修正权重，水平距离的权重为长度较小的线段长度在两线段总长度的比率，两权重需满足大于零且和为1的条件；
方向距离dθ(Li，Lj)代表两条线段的平行相似度，由下式进行计算：
Figure FDA0003039182330000021
速度距离dv(Li，Lj)，代表两条航迹线段的速度相似度，由下式计算；
Figure FDA0003039182330000022
其中v(Li)，v(Lj)为航迹线段Li和Lj的平均速度；
在步骤3中，所述的航迹线段聚类的计算，包括：
遍历航迹线段集合，计算线段Li其与另一条线段Lj的结构距离；将结构距离小于设定的近邻距离阈值的线段Lj添加到Li的领域中，重复此过程形成线段类簇；遍历完所有线段，形成线段类簇和噪声线段；将计算得到的噪声线段集合进行一次二次聚类；
其中所述二次聚类具体是指：将得到的噪声线段集合作为一个新的线段集合，定义新的近邻距离阈值为原近邻距离阈值的1.5倍，并重复对聚类的计算，最终将新生成的线段类簇添加到得到的类簇中作为补充。
CN201910428503.1A 2019-05-22 2019-05-22 一种基于无监督聚类的船舶历史航迹规律提取方法 Active CN110210537B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910428503.1A CN110210537B (zh) 2019-05-22 2019-05-22 一种基于无监督聚类的船舶历史航迹规律提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910428503.1A CN110210537B (zh) 2019-05-22 2019-05-22 一种基于无监督聚类的船舶历史航迹规律提取方法

Publications (2)

Publication Number Publication Date
CN110210537A CN110210537A (zh) 2019-09-06
CN110210537B true CN110210537B (zh) 2021-06-25

Family

ID=67788282

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910428503.1A Active CN110210537B (zh) 2019-05-22 2019-05-22 一种基于无监督聚类的船舶历史航迹规律提取方法

Country Status (1)

Country Link
CN (1) CN110210537B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110491171A (zh) * 2019-09-17 2019-11-22 南京莱斯网信技术研究院有限公司 一种基于机器学习技术的水上交通监管预警系统及方法
CN111858565B (zh) * 2020-06-10 2023-04-21 北京航空航天大学 一种基于线段聚类的多维度高精度航迹智能预测方法
CN111881125B (zh) * 2020-08-04 2023-06-02 中国人民解放军海军航空大学 一种海上非作战目标实时清洗方法及系统
CN112132419B (zh) * 2020-09-03 2023-06-20 交通运输部水运科学研究所 一种基于ais数据的营运船舶水污染物产排量测算方法
CN112487116A (zh) * 2020-11-19 2021-03-12 江苏锐天信息科技有限公司 一种基于ais大数据的船舶航迹分析方法
CN112699315B (zh) * 2020-12-30 2023-08-15 中南大学 基于ais数据的船舶异常行为探测方法
CN113868362B (zh) * 2021-11-30 2022-02-25 亿海蓝（北京）数据技术股份公司 航路轨迹构建方法、系统、船舶和船舶管理系统
CN115577868B (zh) * 2022-12-12 2023-04-07 亿海蓝（北京）数据技术股份公司 在途船舶的目的港预测方法、装置、可读存储介质和船舶
CN116881750B (zh) * 2023-07-05 2024-03-29 广东海洋大学 一种轨迹聚类方法
CN117786428A (zh) * 2024-02-27 2024-03-29 亿海蓝（北京）数据技术股份公司 确定船舶轨迹相似度的方法、装置和可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104899263A (zh) * 2015-05-22 2015-09-09 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
CN105893621A (zh) * 2016-04-29 2016-08-24 中国人民解放军海军航空工程学院 基于多维航迹聚类的目标行为规律挖掘方法
CN108334905A (zh) * 2018-02-08 2018-07-27 中电科技（合肥）博微信息发展有限责任公司 船舶行为轨迹识别方法
CN109000645A (zh) * 2018-04-26 2018-12-14 西南电子技术研究所（中国电子科技集团公司第十研究所） 复杂环境目标经典航迹提取方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107045803A (zh) * 2014-12-30 2017-08-15 江苏理工学院 基于滚动规划策略的航海交通管制方法
CN104680187B (zh) * 2015-03-19 2017-12-29 南京大学 基于缓冲区相似性度量的舰船轨迹层次聚类分析方法
CN109447135A (zh) * 2018-10-12 2019-03-08 天津大学 一种新的船舶轨迹聚类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104899263A (zh) * 2015-05-22 2015-09-09 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
CN105893621A (zh) * 2016-04-29 2016-08-24 中国人民解放军海军航空工程学院 基于多维航迹聚类的目标行为规律挖掘方法
CN108334905A (zh) * 2018-02-08 2018-07-27 中电科技（合肥）博微信息发展有限责任公司 船舶行为轨迹识别方法
CN109000645A (zh) * 2018-04-26 2018-12-14 西南电子技术研究所（中国电子科技集团公司第十研究所） 复杂环境目标经典航迹提取方法

Also Published As

Publication number Publication date
CN110210537A (zh) 2019-09-06

Similar Documents

Publication Publication Date Title
CN110210537B (zh) 一种基于无监督聚类的船舶历史航迹规律提取方法
CN112906830B (zh) 一种基于ais大数据的船舶最优航线自动生成方法
CN109191922B (zh) 一种大规模四维航迹动态预测方法及装置
CN109000645A (zh) 复杂环境目标经典航迹提取方法
CN111581314B (zh) 基于船舶轨迹的泊位识别方法及装置
CN113450596A (zh) 基于船舶轨迹特征点提取的时空dp方法
CN104680187B (zh) 基于缓冲区相似性度量的舰船轨迹层次聚类分析方法
Virjonen et al. Ship movement prediction using k-NN method
CN107992818B (zh) 一种光学遥感图像海面船只目标的检测方法
CN111582380A (zh) 一种基于时空特征的船舶轨迹密度聚类方法及装置
Annoni et al. Analysis of aircraft trajectories using fourier descriptors and kernel density estimation
CN112100435B (zh) 一种基于边缘端交通音视频同步样本的自动标注方法
CN113312438A (zh) 融合航线提取与趋势判断的海上目标位置预测方法
CN110442661B (zh) 基于cfsr数据的冬季北太平洋地区中尺度涡旋的识别和追踪方法
Zheng et al. Improvement of grayscale image 2D maximum entropy threshold segmentation method
CN110196962A (zh) 一种基于核密度估计的飞机速度异常识别方法
CN115457300A (zh) 一种基于距离度量和隔离机制的船舶异常行为检测方法
CN114550498B (zh) 一种海量ais数据驱动的船舶偏离航道智能预警系统
CN114359632A (zh) 一种基于改进PointNet++神经网络的点云目标分类方法
Wang et al. Classification of ship trajectories by using naive Bayesian algorithm
CN110310286B (zh) 基于泡沫图像多特征的分层工况感知判别方法
CN107330587B (zh) 一种基于ais的近岸航道水深利用率计算方法
CN111145197B (zh) 一种精确的基于直方图和局部梯度的道岔转辙机缺口边缘定位方法
CN110853139A (zh) 一种多波束测深数据化简方法及装置
CN113887590A (zh) 一种目标典型航迹及区域分析方法

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