CN110619346B - 一种基于数据融合的海面移动目标模型的建模方法 - Google Patents
一种基于数据融合的海面移动目标模型的建模方法 Download PDFInfo
- Publication number
- CN110619346B CN110619346B CN201910682281.6A CN201910682281A CN110619346B CN 110619346 B CN110619346 B CN 110619346B CN 201910682281 A CN201910682281 A CN 201910682281A CN 110619346 B CN110619346 B CN 110619346B
- Authority
- CN
- China
- Prior art keywords
- sea surface
- data
- model
- travel
- surface moving
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于数据融合的海面移动目标模型的建模方法,该方法通过获取各类与海面移动目标相关的历史数据源信息来生成海面移动目标集合,并对不同移动数据源执行码头挖掘算法,以码头为关联语义向人工航行物引入多种移动数据源,最后基于移动数据源构造航行物出行链等一系列处理,从而生成一个覆盖全海上移动目标数量且拥有航行物属性的海面移动目标模型。该方法整合了不同数据源的优点,弥补原有模型采样率低、更新时间长、样本有偏性且缺少移动航行物信息的局限性,可用于海上不明物体排查、海上航线规划等。
Description
技术领域
本发明涉及移动目标建模技术,尤其涉及一种基于数据融合的海面移动目标模型的建模方法。
背景技术
随着海洋观测、模拟手段的快速提升和数据科学的重大突破,现代海洋科学经历了理论牵引、技术驱动与数据主导三大范式变革,海洋大数据已成为人类从认识海洋到经略海洋的必经之路。而海洋大数据的获取、分析及应用过程中,需要用到大量的海洋航行器。在航行物的利用过程中,难免出现规划不合理情况下,同一区域类似功能航行物重复投放以及不同种类功能航行物之间航线交叉导致部分航行物损坏等情况的出现。为将海洋科学领域与数据科学领域紧密结合,有效应对海洋发展中科学、技术、工程、人文等方面的挑战。
常规的海面移动目标监测会通过实时卫星或传感器等设备进行轨迹跟踪,少有建立海面移动目标模型方法。而陆地移动目标如移动人口动态出行模型一般采用基于人口普查和人口调查等方式,该调查方式的数据质量较差、成本较高、抽样样本有限、周期较长,一般是按照调查的起止点数据按照最短路径匹配到路网或交通小区进行空间分析,不能很好地反应动态特征。此外,陆地移动人口动态出行模型一般以日为单位进行即可,而海上移动目标的航行周期长短往往不定,甚至不同类型航行物周期相差较大,所行区域也不固定,会有较大范围,因而陆地移动目标模型建立方法不能直接应用到海洋模型建立上。
发明内容
针对现有技术的不足,本发明提供一种基于数据融合的海面移动目标模型的建模方法,具体技术方案如下:
一种基于数据融合的海面移动目标模型的建模方法,其特征在于,所述方法包括以下步骤:
S1:通过各种渠道获取各类与海面移动目标相关的历史数据源信息,并按照设定的规则对数据进行预处理后,建立航行物类型——功能——数量——出行时间——出行周期的数据库,并以该数据库为基础生成历史初始海面移动目标集合,并为每个航行物标注是否配备有定位功能的电子设备以及可定位概率;
S2:基于S1的数据建立基于所述的数据源信息的海面移动目标出行特征空间分析模型;
S2.1:根据是否配备有定位功能的电子设备将海面移动目标分为两类;
S2.2:分别对两类移动目标通过数据库中记录信息用统计建模的方法进行单类型数据建模,得到海面移动目标出行特征空间分析模型;
S3:对所述的海面移动目标出行特征空间分析模型进行多源数据融合处理,对于配备有定位功能的电子设备类别的航行物,以码头为关联语义建立移动目标出行链;对于未配备有定位功能的电子设备类别的航行物,通过出行调查数据生成移动目标出行链;从而获得所有类别海面移动目标出行特征综合信息,构成海面移动目标模型。
进一步地,所述的S1中的历史数据源信息包括:
①码头类型及数量;
②每个码头记录的出行航行物的详细信息,包括每个航行物所配人数、航行物出行和回归时间、航行物工作内容;
③出行个体户的航行物的配备人员、出行和回归时间、海上作业内容;该部分数据通过问卷调查的形式获得,即出行调查数据;
④通过航行物上的电子设备或非航行物上布置的传感器获取的航行物的定位信息;
⑤地图数据。
进一步地,所述S2中建立的单类型数据模型包括分布空间密度模型、航行物出行频率模型、航行物出行时间周期模型、航行物出行起止点分布模型、航行物出行距离模型。
进一步地,所述步骤S3通过以下子步骤来实现:
S3.1:根据所述的航行物出行时间周期模型确定海面移动目标模型的时间周期T;
S3.2:以t=0为初始时刻,t=T为截止时刻,对S2.2中两类移动目标下多个单类数据模型基于神经网络方法分别进行特征数据融合处理,获取特征数据以得到不同时刻下不同移动目标各自的位置以及出现的概率;
S3.3:在数据融合处理的基础上,对配备有定位功能的电子设备的类别的航行物,以码头为关联语义建立基于二叉树算法的码头挖掘算法,从而建立移动目标出行链R,R={(p1,t1,μ1)→(p2,t2,μ2)...→(pn,tn,μn)};其中pi为航行物位置,ti为对应航行物位置的时间,μi为对应航行物位置的概率;
对于未配备有定位功能的电子设备类别的航行物,通过所述的出行调查数据生成移动目标链,从而建立海上移动目标模型。
进一步地,所述的海面移动目标模型的时间周期T为不同类型的海面移动目标的平均周期的最小公倍数。
本发明的有益效果如下:
本发明的建模方法建立的海面移动目标模型有助于建立交通模拟等各类模拟系统,例如海上交通模拟与应急事件模拟;此外,基于该模型还可以进一步开展情景分析并做出预测;使用建立模型的方式可以更好地掌握海上航行物状体,更加利于对海上不明物体的排查。
附图说明
图1是基于数据融合的海面移动目标建模框架图。
具体实施方式
下面根据附图和优选实施例详细描述本发明,本发明的目的和效果将变得更加明白,应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
一种基于数据融合的海面移动目标模型的建模方法,如图1所示,该方法包括以下步骤:
S1:通过各种渠道获取各类与海面移动目标相关的历史数据源信息,并按照设定的规则对数据进行预处理后,建立航行物类型——功能——数量——出行时间——出行周期的数据库,并以该数据库为基础生成历史初始海面移动目标集合,并为每个航行物标注是否配备有定位功能的电子设备以及可定位概率;
所述的历史数据源信息包括:
①码头类型及数量;
②每个码头记录的出行航行物的详细信息,包括每个航行物所配人数、航行物出行和回归时间、航行物工作内容;
③出行个体户的航行物的配备人员、出行和回归时间、海上作业内容;该部分数据通过对渔业捕捞船、试验船等个体出行户上配备人员以N%的抽样率展开问卷调查获得,即出行调查数据;
④通过航行物上的电子设备或非航行物上布置的传感器获取的航行物的定位信息;
⑤地图数据。
以所获数据库为基础生成的初始海面移动目标集合中可随时添加有记录的新航行物;
S2:基于S1的数据建立基于所述的数据源信息的海面移动目标出行特征空间分析模型;
S2.1:根据是否配备有定位功能的电子设备将海面移动目标分为两类;
S2.2:分别对两类移动目标通过数据库中记录信息用统计建模的方法进行单类型数据建模,包括分布空间密度模型、航行物出行频率模型、航行物出行时间周期模型、航行物出行起止点分布模型、航行物出行距离模型,从而得到海面移动目标出行特征空间分析模型;
S3:对所述的海面移动目标出行特征空间分析模型进行多源数据融合处理,对于配备有定位功能的电子设备类别的航行物,以码头为关联语义建立移动目标出行链;对于未配备有定位功能的电子设备类别的航行物,通过出行调查数据生成移动目标出行链;从而获得所有类别海面移动目标出行特征综合信息,构成海面移动目标模型。
S3.1:根据所述的航行物出行时间周期模型确定海面移动目标模型的时间周期T,可设置为不同类型的海面移动目标的平均周期的最小公倍数。;
S3.2:以t=0为初始时刻,t=T为截止时刻,对S2.2中两类移动目标下多个单类数据模型基于神经网络方法分别进行特征数据融合处理,获取特征数据以得到不同时刻下不同移动目标各自的位置以及出现的概率;
S3.3:在数据融合处理的基础上,对配备有定位功能的电子设备的类别的航行物,以码头为关联语义建立基于二叉树算法的码头挖掘算法,从而建立移动目标出行链R,R={(p1,t1,μ1)→(p2,t2,μ2)...→(pn,tn,μn)};其中pi为航行物位置,ti为对应航行物位置的时间,μi为对应航行物位置的概率;
对于未配备有定位功能的电子设备类别的航行物,通过所述的出行调查数据生成移动目标链,从而建立海上移动目标模型。
本领域普通技术人员可以理解,以上所述仅为发明的优选实例而已,并不用于限制发明,尽管参照前述实例对发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实例记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内,所做的修改、等同替换等均应包含在发明的保护范围之内。
Claims (5)
1.一种基于数据融合的海面移动目标模型的建模方法,其特征在于,所述方法包括以下步骤:
S1:通过各种渠道获取各类与海面移动目标相关的历史数据源信息,并按照设定的规则对数据进行预处理后,建立航行物类型——功能——数量——出行时间——出行周期的数据库,并以该数据库为基础生成历史初始海面移动目标集合,并为每个航行物标注是否配备有定位功能的电子设备以及可定位概率;
S2:基于S1的数据建立基于所述的数据源信息的海面移动目标出行特征空间分析模型;
S2.1:根据是否配备有定位功能的电子设备将海面移动目标分为两类;
S2.2:分别对两类移动目标通过数据库中记录信息用统计建模的方法进行单类型数据建模,得到海面移动目标出行特征空间分析模型;
S3:对所述的海面移动目标出行特征空间分析模型进行多源数据融合处理,对于配备有定位功能的电子设备类别的航行物,以码头为关联语义建立移动目标出行链;对于未配备有定位功能的电子设备类别的航行物,通过出行调查数据生成移动目标出行链;从而获得所有类别海面移动目标出行特征综合信息,构成海面移动目标模型。
2.根据权利要求1所述的基于数据融合的海面移动目标模型的建模方法,其特征在于,所述的S1中的历史数据源信息包括:
①码头类型及数量;
②每个码头记录的出行航行物的详细信息,包括每个航行物所配人数、航行物出行和回归时间、航行物工作内容;
③出行个体户的航行物的配备人员、出行和回归时间、海上作业内容;该部分数据通过问卷调查的形式获得,即出行调查数据;
④通过航行物上的电子设备或非航行物上布置的传感器获取的航行物的定位信息;
⑤地图数据。
3.根据权利要求2所述的基于数据融合的海面移动目标模型的建模方法,其特征在于,所述S2中建立的单类型数据模型包括分布空间密度模型、航行物出行频率模型、航行物出行时间周期模型、航行物出行起止点分布模型、航行物出行距离模型。
4.根据权利要求3所述的基于数据融合的海面移动目标模型的建模方法,其特征在于,所述步骤S3通过以下子步骤来实现:
S3.1:根据所述的航行物出行时间周期模型确定海面移动目标模型的时间周期T;
S3.2:以t=0为初始时刻,t=T为截止时刻,对S2.2中两类移动目标下多个单类数据模型基于神经网络方法分别进行特征数据融合处理,获取特征数据以得到不同时刻下不同移动目标各自的位置以及出现的概率;
S3.3:在数据融合处理的基础上,对配备有定位功能的电子设备的类别的航行物,以码头为关联语义建立基于二叉树算法的码头挖掘算法,从而建立移动目标出行链R,R={(p1,t1,μ1)→(p2,t2,μ2)…→(pn,tn,μn)};其中pi为航行物位置,ti为对应航行物位置的时间,μi为对应航行物位置的概率;对于未配备有定位功能的电子设备类别的航行物,通过所述的出行调查数据生成移动目标链,从而建立海上移动目标模型。
5.根据权利要求4所述的基于数据融合的海面移动目标模型的建模方法,其特征在于,所述的海面移动目标模型的时间周期T为不同类型的海面移动目标的平均周期的最小公倍数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910682281.6A CN110619346B (zh) | 2019-07-26 | 2019-07-26 | 一种基于数据融合的海面移动目标模型的建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910682281.6A CN110619346B (zh) | 2019-07-26 | 2019-07-26 | 一种基于数据融合的海面移动目标模型的建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110619346A CN110619346A (zh) | 2019-12-27 |
CN110619346B true CN110619346B (zh) | 2022-11-04 |
Family
ID=68921557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910682281.6A Active CN110619346B (zh) | 2019-07-26 | 2019-07-26 | 一种基于数据融合的海面移动目标模型的建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110619346B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221382A (zh) * | 2021-06-01 | 2021-08-06 | 中国科学院自动化研究所 | 一种工业设备剩余寿命预测方法、系统及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091470A (zh) * | 2014-07-15 | 2014-10-08 | 南京大学 | 一种基于多数据融合的航道交通信息预测方法及应用 |
CN105160942A (zh) * | 2015-08-17 | 2015-12-16 | 武汉理工大学 | 面向船舶可视导航的通航环境可视化表示方法 |
CN107273530A (zh) * | 2017-06-28 | 2017-10-20 | 南京理工大学 | 基于互联网信息的重要船只目标动态监测方法 |
CN108875185A (zh) * | 2018-06-06 | 2018-11-23 | 牟林 | 一种基于多源数据建立海上遇险目标风漂模型的方法 |
CN109886307A (zh) * | 2019-01-24 | 2019-06-14 | 西安交通大学 | 一种基于卷积神经网络的图像检测方法及系统 |
-
2019
- 2019-07-26 CN CN201910682281.6A patent/CN110619346B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091470A (zh) * | 2014-07-15 | 2014-10-08 | 南京大学 | 一种基于多数据融合的航道交通信息预测方法及应用 |
CN105160942A (zh) * | 2015-08-17 | 2015-12-16 | 武汉理工大学 | 面向船舶可视导航的通航环境可视化表示方法 |
CN107273530A (zh) * | 2017-06-28 | 2017-10-20 | 南京理工大学 | 基于互联网信息的重要船只目标动态监测方法 |
CN108875185A (zh) * | 2018-06-06 | 2018-11-23 | 牟林 | 一种基于多源数据建立海上遇险目标风漂模型的方法 |
CN109886307A (zh) * | 2019-01-24 | 2019-06-14 | 西安交通大学 | 一种基于卷积神经网络的图像检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
海洋大数据科学发展现状与展望;钱程程 等;《中国科学院院刊》;20180831;第884-891页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110619346A (zh) | 2019-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110288001B (zh) | 基于目标数据特征训练学习的目标识别方法 | |
KR102025335B1 (ko) | 인공지능 기반 설계풍속 자동 산정 방법 및 시스템 | |
CN110335507B (zh) | 基于空管航迹大数据的航班运行态势规律分析方法 | |
Xu et al. | Identifying travel mode from GPS trajectories through fuzzy pattern recognition | |
CN111291697B (zh) | 用于识别障碍物的方法和装置 | |
CN109241227B (zh) | 基于stacking集成学习算法的时空数据预测建模方法 | |
CN101710422B (zh) | 基于全局流形原型聚类算法与分水岭算法的图像分割方法 | |
CN112785030A (zh) | 船舶行为识别系统、方法和平台 | |
CN115393745A (zh) | 一种基于无人机与深度学习的桥梁形象进度自动识别方法 | |
CN110619346B (zh) | 一种基于数据融合的海面移动目标模型的建模方法 | |
CN110716925B (zh) | 一种基于轨迹分析的跨境行为识别方法 | |
CN109979194B (zh) | 基于马尔可夫链的重型车辆坡道爬行行为识别方法 | |
CN109145175B (zh) | 基于stacking集成学习算法的时空数据预测方法 | |
Kanchana et al. | Computer vision for autonomous driving | |
CN110264719A (zh) | 一种基于多源数据的机动车动态od矩阵估计方法 | |
CN108055639B (zh) | 一种基于信令数据分析的人流密度预测方法及系统 | |
CN110837941B (zh) | 对油气管道进行风险预测的方法及装置 | |
CN116563310A (zh) | 点云分割方法、装置、设备及存储介质 | |
Pan et al. | Research on Ship Arrival Law Based on Route Matching and Deep Learning | |
Prasad et al. | Maritime Vessel Route Extraction and Automatic Information System (AIS) Spoofing Detection | |
Habtie et al. | Road Traffic state estimation framework based on hybrid assisted global positioning system and uplink time difference of arrival data collection methods | |
CN114646305B (zh) | 一种无人机测绘行为的智能识别方法 | |
CN113723656A (zh) | 行驶轨迹修复方法、装置、电子设备和存储介质 | |
US10801841B1 (en) | Trajectory prediction via a feature vector approach | |
CN115100540B (zh) | 一种高分辨率遥感影像道路自动提取的方法 |
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 |