CN111583722A - 一种基于ais数据的船舶航行特征及偏好分析方法 - Google Patents

一种基于ais数据的船舶航行特征及偏好分析方法 Download PDF

Info

Publication number
CN111583722A
CN111583722A CN202010328096.XA CN202010328096A CN111583722A CN 111583722 A CN111583722 A CN 111583722A CN 202010328096 A CN202010328096 A CN 202010328096A CN 111583722 A CN111583722 A CN 111583722A
Authority
CN
China
Prior art keywords
ship
speed
cargo
data
ais data
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.)
Granted
Application number
CN202010328096.XA
Other languages
English (en)
Other versions
CN111583722B (zh
Inventor
王文渊
齐强
彭云
姜影
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.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202010328096.XA priority Critical patent/CN111583722B/zh
Publication of CN111583722A publication Critical patent/CN111583722A/zh
Application granted granted Critical
Publication of CN111583722B publication Critical patent/CN111583722B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

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)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Ocean & Marine Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于AIS数据的船舶航行特征及偏好分析方法，属于船舶交通领域。所述的基于AIS数据的船舶航行特征及偏好分析方法将船舶AIS数据包含的静态信息和动态信息相结合，针对船舶在航道中的航行作业过程，探究不同类型船舶在不同时段的船速特征以及不同类型、不同船长船舶的航行偏好，确定了航道、锚地通过能力仿真动态模拟研究所需参数，加强了船舶航行中海事管理的针对性并提高管理效率。

Description

一种基于AIS数据的船舶航行特征及偏好分析方法
技术领域
本发明属于船舶交通领域，涉及一种基于AIS数据的船舶航行特征及偏好分析方法。
背景技术
船载的船舶自动识别系统(Automatic Identification System，AIS)可以每隔几秒钟向岸上基站或卫星发送船舶的AIS数据，AIS数据包括三种信息类型，即静态信息、动态信息和航行相关信息。静态信息包括船名、船舶类型、船舶尺度、货物种类等；动态信息包括时间、位置、船舶速度和船舶航向等；航行相关信息包括吃水、目的地等。航行相关信息由船上人员手动更新，数据可靠度不高，在AIS数据分析中，一般不考虑航行相关信息。
船舶AIS数据的动态信息与静态信息是分离的，因此对于船舶AIS数据分析方法，大多通过分析船舶AIS数据的动态信息，为后续研究奠定基础，如船舶碰撞风险分析、船舶航迹预测。未见对于船舶AIS数据的动态信息和静态信息相结合的船舶航行特征及偏好分析方法。
发明内容
为了实现上述目的，本发明提供一种基于AIS数据的船舶航行特征及偏好分析方法。通过对船舶AIS数据中代表船舶自身属性的静态信息与代表船舶航行状态的动态信息相结合进行数据分析，明了直观地分析了拥有不同静态信息的船舶在航道中的航行特征及航行偏好，确定船舶的航行特征可以为航道、锚地通过能力仿真动态模拟提供输入参数，从而为航道规划、船舶组织调度提供定量参考。此外，了解船舶的航行偏好可以为海事管理提供参考，如对偏离航行偏好的船舶给予重点关注，从而降低航行安全风险。
本发明的技术方案为：
一种基于AIS数据的船舶航行特征及偏好分析方法，包括以下步骤：
步骤1，统计船舶AIS数据
在航道中任意位置划定长度200m、宽度为航道宽度(若航道外有船舶航行，则宽度为航道宽度基础上再向外延伸0.5倍航道宽度)的矩形区域作为船舶AIS数据统计区，若同一艘船舶单次航程在统计区内有多次AIS数据，保留任意一次AIS数据即可，统计得到一个时间范围内(如一季、一年)通过AIS数据统计区的所有船舶的AIS数据。
步骤2，确定船舶AIS数据中的静态信息和动态信息
在静态信息中，因货物种类、船名可能发生改变，因此静态信息只考虑船舶类型和船长。在动态信息中，因航道多为直水道，不考虑船舶航向，因此动态信息只考虑时间、船舶位置和船速。
步骤3，确定不同船舶类型的船速特征
AIS数据中的船舶类型未对货船进一步划分，如集装箱船、散货船等，因此船舶类型分为货船、油船和客船。根据货船AIS数据中的时间数据和船速数据，确定货船在日间(6:00～18:00)的船速最大值和最小值，将最值船速区间等分为多个速度区间(速度区间数量根据最值船速区间大小确定，无固定标准)，统计得到货船在日间(6:00～18:00)的船速分布图并拟合得到船速的正态分布概率密度曲线(正态性检验p值大于0.5)。货船在夜间(18:00～6:00)的船速正态分布概率密度曲线确定方法与日间(6:00～18:00)相同。油船和客船的船速特征分析方法与货船相同。不同船舶类型的船舶在不同时间段的船速正态分布概率密度曲线可以为航道、锚地通过能力仿真动态模拟提供输入参数，从而为航道规划、船舶组织调度研究提供定量参考。
步骤4，确定不同船舶类型的船舶在航道中航行位置偏好
如步骤3，将船舶类型分为货船、油船和客船。利用K-means方法对货船AIS数据中的位置数据进行聚类分析，以平行于航道轴线的平行线作为聚类中心，聚类中心数量从1开始不断增加，计算不同聚类中心数量条件下任一聚类的畸变函数，根据“肘部法则”确定聚类中心数量，进而得到各聚类中心在航道内位置及各聚类货船数量在货船总量中所占的比例。油船和客船位置聚类分析方法与货船相同。油船、客船均对航行安全要求较高，因此明确不同类型船舶在航道中的位置偏好有助于海事部门指挥船舶航行，降低船舶碰撞概率。
步骤5，确定各类型船舶中不同船长船舶的船速偏好
如步骤3，将船舶类型分为货船、油船和客船。根据货船AIS数据中的船长数据，将船长均匀分为多个类别(具体类别数量根据航道中船舶长度及分析需求综合确定)；再根据货船AIS数据的船速数据，将船速均匀分为多个等级(具体等级数量根据航道中船舶速度及分析需求综合确定)，统计特定船长类别下处于不同船速等级的货船数及特定船长类别的货船总数，并计算特定船长类别下处于不同船速等级的货船数占特定船长类别下货船总数的比例。油船和客船的不同船长船舶的船速分析方法与货船相同。不同船舶类型、不同船长的船舶制动距离有所区别，因此明确各类型船舶中不同船长船舶的船速偏好有助于海事部门根据船舶类型和船长重点关注不满足相应船速偏好的船舶，避免船速过快或过慢，在保障航道通航效率的同时降低船舶碰撞风险。
本发明的有益效果：本发明所述的基于AIS数据的船舶航行特征及偏好分析方法，将船舶AIS数据包含的静态信息和动态信息相结合，针对船舶在航道中的航行作业过程，探究不同类型船舶在不同时段的船速特征以及不同类型、不同船长船舶的航行偏好，确定了航道、锚地通过能力仿真动态模拟研究所需参数，加强了船舶航行中海事管理的针对性并提高效率。
附图说明
图1为船舶定线制航行示意图，船舶双向通航。
图2为船舶航行速度分布图；其中，(a)为日间货船航行速度分布图；(b)为夜间货船航行速度分布图；(c)为日间油船航行速度分布图；(d)为夜间油船航行速度分布图。
图3为对船舶位置分析结果图；其中，(a)为货船位置分析结果图；(b)为油船位置分析结果图。
图4为船长和船速关系图；其中，(a)为货船船长与船速关系图；(b)为油船船长与船速关系图。
具体实施方式
下面结合附图和技术方案，进一步说明本发明的具体实施方式。
所需要的数据从AIS船舶自动识别系统中提取，数据来源于2018年某港区全部进出港船舶。
一种基于AIS数据的船舶航行特征及偏好分析方法，步骤如下：
如图1所示，定线制航路满足船舶双向通行，船舶分别由东侧入口进入向西航行和由西侧入口进入向东航行，此说明以2018年自定线制航路东侧入口进入的船舶为分析对象。
步骤1，定线制航路分隔带禁止船舶航行，在定线制航路东侧入口处划定长度200m、宽度为在航道宽度基础上向北延伸0.5倍航道宽度作为船舶AIS数据统计区，保留船舶单次航程在数据统计区内任意一次AIS数据即可，去掉多余数据，统计得到2018年通过数据统计区的所有船舶AIS数据。
步骤2，保留船舶AIS数据中的船舶类型、船长、时间、船舶位置和船速，去掉船名、货物种类和船舶航向等其他信息。
步骤3，此港区内无客运码头，航道中无客船行驶，因此将船舶类型分为货船和油船两类。以货船为分析对象，提取货船AIS数据中时间处于日间(6:00～18:00)时的船速数据，确定这些船速数据的最大值和最小值，将最大值和最小值间的船速区间等分为20个速度区间，统计处于各速度区间的货船数并拟合得到货船在日间(6:00～18:00)行驶时船速的正态分布概率密度曲线，如图2中(a)所示。采用同样的方法得到货船在夜间(18:00～6:00)行驶时船速的正态分布概率密度曲线，如图2中(b)所示。以油船为分析对象，采用与货船相同的数据分析方法，分别得到油船在日间(6:00～18:00)和夜间(18:00～6:00)行驶的船速正态分布概率密度曲线，如图2中(c)和(d)所示。以上得到的正态分布概率密度曲线方程可以作为航道、锚地通过能力仿真动态模拟所需输入参数，仿真结果为航道规划、船舶组织调度提供定量参考。
步骤4，将船舶类型分为货船和油船。以货船为分析对象，利用K-means方法对货船AIS数据中的位置数据进行聚类分析，以平行于航道轴线的平行线作为聚类中心，聚类中心数量从1开始不断增加，计算不同聚类中心数量条件下任一聚类的畸变函数，根据“肘部法则”确定聚类中心数量为5，得到5个聚类中心在航道内位置及各聚类货船数量在货船总数中所占比例。其中，类别1船舶属于航道内接近分隔带的船舶，类别2船舶和类别3船舶属于航道中心位置的船舶，类别4船舶属于航道边缘的船舶，类别5船舶属于航道外的船舶。如图3中(a)所示，类别1船舶和类别2船舶的数量最多，分布也最密集；越靠近航道边缘，船舶分布越稀疏，并且在航道外有一定数量的船舶分布。以油船为分析对象，采用与货船相同的船舶位置数据分析方法，确定聚类中心数量为5，得到5个聚类中心在航道内位置及各聚类油船数量在油船总数中所占比例。各类别船舶在航道中所处位置与货船相同，如图3中(b)所示，油船位置分布趋势与货船相同。海事部门根据以上分析结果，指挥油船沿航道边缘行驶，降低船舶碰撞概率。
步骤5，将船舶类型分为货船和油船。以货船为分析对象，根据货船AIS数据中的船长数据，确定这些船长数据的最大值和最小值，将最值船长区间等分为5个类别；根据货船AIS数据中的船速数据，确定这些船速数据的最大值和最小值，将最值船速区间等分为5个等级，具体数值见表1。统计特定船长类别下处于各船速等级的货船数及特定船长类别下的货船总数，并计算特定船长类别下处于各船速等级的货船数占特定船长类别下货船总数的比例，如图4中(a)所示，对于船长为类别1～类别3的货船，当船速位于船速等级1或船速等级5时，海事部门应给予重点关注。以油船为分析对象，船长等级对应的船长范围以及船速等级对应的船速范围确定方法同货船，具体数值见表2。统计特定船长类别下处于各船速等级的油船数及特定船长类别下的油船总数，并计算特定船长类别下处于各船速等级的油船数占特定船长类别下油船总数的比例，如图4中(b)所示，对于船长为类别3、类别4的油船，当船速位于船速等级1或船速等级4或船速等级5时，海事部门应给予重点关注。
表1船长类别对应的船长范围以及速度等级对应的速度范围(货船)
船长类别 船长范围(m) 速度等级 速度范围(m/s)
类别1 0<L≤113.2 等级1 2.88<v≤6.46
类别2 113.2<L≤226.4 等级2 6.46<v≤10.02
类别3 226.4<L≤339.6 等级3 10.02<v≤13.58
类别4 339.6<L≤452.8 等级4 13.58<v≤17.14
类别5 452.8<L≤566.0 等级5 17.14<v≤20.7
表2船长类别对应的船长范围以及速度等级对应的速度范围(油船)
Figure BDA0002463944590000061
Figure BDA0002463944590000071
本发明提出的上述描述是为了便于该研究领域的普通研究人员能理解和运用本方法进行计算分析。熟悉本领域的人员可以对这些分析进行修改，并把在此说明的数据分析方法应用到其他例如不同类型船舶对航线的选择偏好中。本领域研究人员根据本发明的揭示，不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。

Claims (3)

1.一种基于AIS数据的船舶航行特征及偏好分析方法，其特征在于，该方法包括以下步骤：
步骤1，统计船舶AIS数据
在航道中任意位置划定长度200m、宽度为航道宽度的矩形区域作为船舶AIS数据统计区；当同一艘船舶单次航程在统计区内有多次AIS数据，保留任意一次AIS数据，统计得到一个时间范围内通过AIS数据统计区的所有船舶的AIS数据；
步骤2，确定船舶AIS数据中的静态信息和动态信息
保留船舶AIS数据静态信息中的船舶类型、船长，以及动态信息中的时间、船舶位置和船速；去掉船名、货物种类和船舶航向信息；
步骤3，确定不同船舶类型的船速特征
将船舶类型分为货船、油船和客船；根据货船AIS数据中的时间数据和船速数据，确定货船在日间6:00～18:00的船速最大值和最小值，并将最值船速区间等分为多个速度区间，具体速度区间的数量根据最值船速区间大小确定；统计得到货船在日间6:00～18:00的船速分布图并拟合得到船速的正态分布概率密度曲线；货船在夜间18:00～6:00的船速正态分布概率密度曲线确定方法与日间6:00～18:00相同；
油船和客船的船速特征分析方法与货船相同；
步骤4，确定不同船舶类型的船舶在航道中航行位置偏好
利用K-means方法对货船AIS数据中的位置数据进行聚类分析，以平行于航道轴线的平行线作为聚类中心，聚类中心数量从1开始不断增加，计算不同聚类中心数量条件下任一聚类的畸变函数，根据“肘部法则”确定聚类中心数量，进而得到各聚类中心在航道内位置及各聚类货船数量在货船总量中所占的比例；
油船和客船的位置聚类分析方法与货船相同；
步骤5，确定各类型船舶中不同船长船舶的船速偏好
根据货船AIS数据中的船长数据，将船长均匀分为多个类别，具体类别的数量根据航道中船长数据及需求综合确定；再根据货船AIS数据的船速数据，将船速均匀分为多个等级，具体等级的数量根据航道中船速数据及需求综合确定；统计特定船长类别下处于不同船速等级的货船数及特定船长类别下的货船总数，并计算特定船长类别下处于不同船速等级的货船数占特定船长类别下货船总数的比例；
油船和客船的船速偏好分析方法与货船相同。
2.根据权利要求1所述的分析方法，其特征在于，所述步骤1中，当航道外有船舶航行时，则船舶AIS数据统计区的宽度为航道宽度基础上再向外延伸0.5倍的航道宽度。
3.根据权利要求1或2所述的分析方法，其特征在于，所述步骤3中，正态分布概率密度曲线的正态性检验p值大于0.5。
CN202010328096.XA 2020-04-23 2020-04-23 一种基于ais数据的船舶航行特征及偏好分析方法 Active CN111583722B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010328096.XA CN111583722B (zh) 2020-04-23 2020-04-23 一种基于ais数据的船舶航行特征及偏好分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010328096.XA CN111583722B (zh) 2020-04-23 2020-04-23 一种基于ais数据的船舶航行特征及偏好分析方法

Publications (2)

Publication Number Publication Date
CN111583722A true CN111583722A (zh) 2020-08-25
CN111583722B CN111583722B (zh) 2022-09-06

Family

ID=72112525

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010328096.XA Active CN111583722B (zh) 2020-04-23 2020-04-23 一种基于ais数据的船舶航行特征及偏好分析方法

Country Status (1)

Country Link
CN (1) CN111583722B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112562415A (zh) * 2020-11-26 2021-03-26 中远海运科技股份有限公司 船舶航线推荐方法
CN113962321A (zh) * 2021-10-30 2022-01-21 中远海运科技股份有限公司 一种船对船装卸货识别处理方法及系统
CN116767461A (zh) * 2023-08-25 2023-09-19 太极计算机股份有限公司 船舶抛锚行为检测方法、装置及电子设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100208941A1 (en) * 2009-02-13 2010-08-19 Broaddus Christopher P Active coordinated tracking for multi-camera systems
WO2016112714A1 (zh) * 2015-01-15 2016-07-21 江苏南大五维电子科技有限公司 一种船舶辅助泊岸方法和系统
WO2018150102A1 (en) * 2017-02-20 2018-08-23 Rolls-Royce Oy Ab Control system for a cargo ship
WO2019101221A1 (zh) * 2017-12-11 2019-05-31 珠海大横琴科技发展有限公司 一种基于场景多维特征的船只检测方法及系统
CN110009937A (zh) * 2019-03-21 2019-07-12 武汉理工大学 一种基于ais数据的船舶碰撞风险分析方法
KR102031151B1 (ko) * 2019-03-20 2019-10-15 씨벤티지 주식회사 선박의 효율 운항을 위한 항로 안내 방법
JP2019185785A (ja) * 2018-04-13 2019-10-24 コリア インスティテュート オブ オーシャン サイエンス テクノロジー 機械学習を用いた船舶の損失航跡データ推定システム
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
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

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100208941A1 (en) * 2009-02-13 2010-08-19 Broaddus Christopher P Active coordinated tracking for multi-camera systems
WO2016112714A1 (zh) * 2015-01-15 2016-07-21 江苏南大五维电子科技有限公司 一种船舶辅助泊岸方法和系统
WO2018150102A1 (en) * 2017-02-20 2018-08-23 Rolls-Royce Oy Ab Control system for a cargo ship
WO2019101221A1 (zh) * 2017-12-11 2019-05-31 珠海大横琴科技发展有限公司 一种基于场景多维特征的船只检测方法及系统
JP2019185785A (ja) * 2018-04-13 2019-10-24 コリア インスティテュート オブ オーシャン サイエンス テクノロジー 機械学習を用いた船舶の損失航跡データ推定システム
KR102031151B1 (ko) * 2019-03-20 2019-10-15 씨벤티지 주식회사 선박의 효율 운항을 위한 항로 안내 방법
CN110009937A (zh) * 2019-03-21 2019-07-12 武汉理工大学 一种基于ais数据的船舶碰撞风险分析方法
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
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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
丁兆颖: "一种基于改进的DBSCAN的面向海量船舶位置数据码头挖掘算法", 《计算机工程与科学》 *
刘涛: "水上交通拥挤区域的聚类分析与识别", 《中国航海》 *
周世波: "基于局部密度的成山角船舶交通流特征分析", 《大连海事大学学报》 *
甄荣: "基于AIS 信息的航道内船舶速度分布统计分析", 《集美大学学报( 自然科学版)》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112562415A (zh) * 2020-11-26 2021-03-26 中远海运科技股份有限公司 船舶航线推荐方法
CN112562415B (zh) * 2020-11-26 2022-05-20 中远海运科技股份有限公司 船舶航线推荐方法
CN113962321A (zh) * 2021-10-30 2022-01-21 中远海运科技股份有限公司 一种船对船装卸货识别处理方法及系统
CN113962321B (zh) * 2021-10-30 2024-04-09 中远海运科技股份有限公司 一种船对船装卸货识别处理方法及系统
CN116767461A (zh) * 2023-08-25 2023-09-19 太极计算机股份有限公司 船舶抛锚行为检测方法、装置及电子设备
CN116767461B (zh) * 2023-08-25 2023-12-22 太极计算机股份有限公司 船舶抛锚行为检测方法、装置及电子设备

Also Published As

Publication number Publication date
CN111583722B (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN111583722B (zh) 一种基于ais数据的船舶航行特征及偏好分析方法
Adland et al. Dynamic speed choice in bulk shipping
CN111680936A (zh) 一种交通碳排放量的监测方法、装置及终端设备
CN105390028A (zh) 船舶航行轨迹的纠正方法和系统
Onyshchenko et al. Efficiency of ship operation in transportation of oversized and heavy cargo by optimizing the speed mode considering the impact of weather conditions
CN111091226A (zh) 一种基于实际航运业务和数据挖掘的运力预测方法
CN107563541A (zh) 一种节省时间的船舶航线规划算法
Garrido et al. Predicting the future capacity and dimensions of container ships
CN115410420A (zh) 一种船舶安全航行管理方法和系统
CN112163802A (zh) 集装箱运输网络的路径的通行能力的计算方法
Stornes Risk influencing factors in maritime accidents: an exploratory statistical analysis of the Norwegian maritime authority incident database
CN117010582B (zh) 一种船舶轨迹优化的船舶航路模型提取方法
Senss et al. Just in time vessel arrival system for dry bulk carriers
WO2024120340A1 (zh) 一种基于群运动特征的渔网示位标识别方法
Fujii et al. Analysis of satellite AIS data to derive weather judging criteria for voyage route selection
Goerlandt et al. A model for evaluating performance and reliability of the voluntary maritime rescue system in the Gulf of Finland
KR102466119B1 (ko) Ais 정보에 기반한 주요항로 연결망 추출 장치 및 방법
KAVIRATHNA et al. Economic feasibility of Arctic shipping from multiple perspectives: a systematic review
Forte et al. Competitiveness and sea-rail intermodality in the Ro-Ro service market of Italian ports
Wijaya et al. Port Performance Indicators Construction based on the AIS-generated Trajectory Segmentation and Classification
Papaioannou et al. A Hybrid MCDA Methodology to Evaluate Ferry Fleet Assignment to Routes in the Greek Islands
CN116993245B (zh) 区域水路运输量测算方法、装置、电子设备及存储介质
CN116595472B (zh) 一种基于ais的船舶靠离泊识别方法
CN110415562B (zh) 一种受限水域冲突会遇船舶集群态势分析方法
CN117553806B (zh) 船舶偏航判定方法、装置和可读存储介质

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