CN112350733B - 一种基于有效距离的快速轨迹压缩方法 - Google Patents
一种基于有效距离的快速轨迹压缩方法 Download PDFInfo
- Publication number
- CN112350733B CN112350733B CN202011319008.6A CN202011319008A CN112350733B CN 112350733 B CN112350733 B CN 112350733B CN 202011319008 A CN202011319008 A CN 202011319008A CN 112350733 B CN112350733 B CN 112350733B
- Authority
- CN
- China
- Prior art keywords
- track
- segment
- points
- compression
- point
- 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
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
Abstract
为有效解决轨迹压缩中多尺度自适应的问题,本发明提出一种基于有效距离的快速轨迹压缩方法,提出一种新的特征赋权方法,将特征有效距离作为轨迹压缩的特征值,能够有效地衡量特定时间内的轨迹段的直线度;本发明支持轨迹压缩的并行计算,能够提升轨迹压缩的效率;支持在线压缩,能够提升轨迹绘制效率。
Description
技术领域
该发明创造属于计算机技术领域,尤其涉及一种基于有效距离的快速轨迹压缩方法,应用于舰船目标轨迹压缩。
背景技术
随着全球化的持续推进,海上物流规模逐渐扩大。海运作为低成本的物流方式,承担着全球越来越多的货物流通职能。与此同时,为了保障航运安全、加强航运监管、提升航运效率、保护海洋环境等,国际海事组织要求300吨以上的船舶必须安装船舶自动识别系统(Automatic Identification System,AIS)。除此之外,各国政府为了加强渔业管理,也会通过其他补充方式如岸基雷达、定位卫星等方式获取各种类型船舶轨迹。上述手段使得轨迹数据呈指数型增强,进而对轨迹数据的存储、处理、传输提出更高的要求。
解决上述问题的一个基本方法就是轨迹压缩存储,通过算法较大程度的削减非重要的轨迹点的存储,而将用户关心或实际业务要求的特征点进行保留。当前,轨迹压缩在许多领域得到了应用,包括行人轨迹、车辆轨迹、飞行器轨迹、水面目标轨迹等。
从技术角度来看,根据轨迹压缩过程中是否参考地理背景,可以将其分为两类:基于轨迹空间几何特征的方法和基于路网或语义等参考物的压缩方法;根据选取特征点方法的不同,又可以分为基于全局特征的方法和基于局部特征的方法。
基于全局特征的方法在进行轨迹压缩的时候需要读入全部轨迹点数据并进行处理。如经典的Douglas-Peucker算法,它选取各点到首末点连线的欧氏距离作为特征进行递归运算,算法时间复杂度比较高。还有一类即依时间比例的自顶向下算法(top-down timeratio,TDTR),将时间要素考虑进去,使用时间同步欧式距离作为压缩阈值。基于全局的方法由于需要进行多次递归操作,压缩速度比较慢;同时对于几何形状近似封闭的轨迹不能有效处理。
基于局部特征的方法通常被用于处理实时在线的数据。最简单的方法即考虑临近两点之间的特征关系,如垂距法和夹角法,但这种方法对于缓慢变化的特征不能较好地处理。当前,基于窗口的压缩方法能够相对容易的统筹局部特征和整体特征,其中滑动窗口方法(slide window,SW)和开放窗口方法(opening window)最为常见。窗口算法的核心是通过不断更新窗口完成轨迹压缩。
上述方法在各自领域都取得了良好的压缩效果,然而针对海上船舶轨迹压缩时却存在一些问题:
①水面航行的船舶虽然有固定的航道,但由于环境因素,船舶的航行具有更高的自由度,其航迹点分布不同于路上交通工具沿着道路分布而表现出更加不规则性。
②船舶轨迹涉及的地理空间非常大,在不同尺度上会有不同的阈值设定,现有算法无法有效根据时间或距离进行加权计算,从而影响关键特征的保留。例如,船舶在停航状态时其航向可能频繁变化,但速度几乎接近零,如果此时选择角度作为特征,则大量无效的数据可能保留下来;船舶在航行状态时,其航向变化相对较小,如果此时选择速度作为特征,亦会产生大量的无效轨迹数据。
③船舶轨迹具有数据量特别大的特点,需要压缩算法具有较好的并行执行能力,而基于全局的算法如Douglas-Peucker算法依赖对全局特征的计算不便于并行计算,而基于局部特征的算法需要对阈值进行自适应设定,因此亟待设计一种复杂度低且支持并行计算的算法。
发明内容
为解决上述技术问题,本发明提出一种基于有效距离的快速轨迹压缩方法,是一种高效可并发执行的针对舰船目标轨迹压缩的方法,能够有效降低轨迹存储的空间、提升轨迹可视化的效率、以及增强轨迹规律挖掘的能力。
一种基于有效距离的快速轨迹压缩方法,其技术方案包括以下步骤:
步骤1,轨迹数据预处理,输出轨迹段;具体内容为,
步骤11,对轨迹进行分段,剔除累积无轨迹点的部分,从而保障生成的轨迹不存在穿陆行为;
步骤12,消除船舶驻停点和轨迹异常点,并输出带有标记点的轨迹段;
步骤2,轨迹数据压缩;具体内容为,
步骤21,读入预处理后的轨迹段,并计算轨迹时延T和有效距离f;
步骤22,计算轨迹分割段数num=[T/3600];
步骤23,将轨迹分割为num段,分别计算每段的有效距离 fi(i=1,2,…,num);
步骤24,对分割后的每段轨迹进行处理,如果f>99.5%,则认为该段形状近乎直线,执行步骤27;如果f≤99.5%,则认为该段并非直线,执行步骤25;
步骤25,如果该轨迹段的距离小于100m,则认为没有必要再对轨迹进行处理,执行步骤27;否则,执行步骤26;
步骤26,重新计算分割段数,num=[T*s/3600],其中T为该段轨迹的时延,s为递归分割次数,执行步骤23;
步骤27,将轨迹段的首尾点作为该段轨迹压缩后的轨迹点,进行轨迹数据的压缩;
步骤28,重复上述过程以到结束,完成轨迹压缩。
进一步的,步骤12包括以下子步骤:
步骤121,读入轨迹数据,并按时间进行升序排列;
步骤122,逐次或分段计算间隔距离、间隔时间以及间隔速度;
步骤123,如果i<n,则根据间隔时间对轨迹分段,执行步骤124;否则执行步骤126,其中,pi为某轨迹段的第i个轨迹点,且i=1,2,…,n;
步骤124,判断处理,如果两个轨迹点的间隔时间大于2小时,则对轨迹进行分段,为后一个轨迹点分配新的轨迹段标识,执行步骤126;否则执行步骤125;
步骤125,根据间隔速度对轨迹点状态进行判断。
如果船舶速度小于0.5m/s,则认为该轨迹点处于停泊状态,如果速度大于30m/s,则认为该轨迹点为超出正常时速,均应予剔除;
否则,将该轨迹点定位为正常点,为后一个轨迹点分配新的轨迹段标识,执行步骤126;
步骤126,输出带有标记点的轨迹段。
技术效果
本发明提出一种新的特征有效距离作为轨迹压缩的特征值,能够有效地衡量特定时间内的轨迹段的直线度;提出一种新的特征赋权方法,能够有效解决轨迹压缩中多尺度自适应的问题;支持轨迹压缩的并行计算,能够提升轨迹压缩的效率;支持在线压缩,能够提升轨迹绘制效率。
附图说明
图1为本发明的轨迹预处理流程图,主要思路即通过间隔时间和间隔距离对轨迹进行分段和异常点的提取;
图2是本发明基于有效距离的轨迹压缩算法示意图;
图3-8为基于有效距离实现的轨迹压缩效果图。
具体实施方式
为更好的理解本发明的技术方案,对涉及的技术术语进行如下解释:
船舶轨迹是指包含经度、纬度、时间、航向、航速、船艏向等要素信息的轨迹点集合。这些含有不同信息的轨迹点反映了轨迹的不同特征。在进行轨迹压缩中,通常采用经度、纬度、时间三要素,其航向、航速等要素则通过上述三要素进行计算(这主要是由于AIS等获取的航向、航速通常存在较为严重的误差)。
轨迹点:指船舶在某一时刻的位置,表示为p。轨迹点通常包括经度、纬度、时间三要素,即p=(lon,lat,t)。
轨迹:指特定船舶在一段连续时间位置变化所形成的空间线段,可以看作轨迹点p按时间t排序所形成的有序集合T,即
T={p1,p2,p3,…pi,…pn}(i∈[1,n])
pi=(loni,lati,ti),t1≤t2≤t3≤…≤tn
间隔距离:指船舶相邻两个轨迹点之间的距离δd即δd=distance(pi,pi+1),i∈[1,n-1]。一般而言,选取的地球模型参数不同,δd的计算方法也不尽相同。
间隔时间:指船舶相邻两个轨迹点之间的时间间隔。即δt=ti+1-ti。
间隔速度:指根据船舶相邻两个轨迹点的间隔距离和间隔时间计算而得到的速度。即v=δd/(δt+0.001),其中0.001主要用于防止除数为 0。
轨迹段长度D:指船舶在某个连续的时间内通过相邻轨迹点的间隔距离累加而得的距离。即
D=∑δd=δd1+δd2+…+δdn-1
轨迹段首尾长度Dete:指船舶在连续的时间内首尾两点之间的直线距离Dete=distance(p1,pn),其中p1为轨迹段的第一个轨迹点,pn为轨迹段的最后一个轨迹点。
本发明基于有效距离的快速轨迹压缩方法,包括以下步骤:
第一步,轨迹数据预处理。
①对轨迹进行分段,剔除累积无轨迹点的部分,从而保障生成的轨迹不存在穿陆行为;
②消除船舶驻停点和轨迹异常点。
轨迹压缩方法中,船舶驻停点和轨迹异常点都会影响轨迹压缩的效果,需要通过间隔距离和间隔速度进行消除。因此,本发明提出一种新的特征赋权方法,有效解决轨迹压缩中多尺度自适应的问题。一般而言,船舶轨迹的航向和航速的变化多种多样,对于航速较低但航向多变的情况,现有的算法通常会选择保留大量的轨迹点。本文提出使用间隔距离对有效距离进行赋权,对于间隔距离非常小的情况,选择对其进行压缩处理。
如图1所示,步骤121,读入轨迹数据,并按时间进行升序排列。
步骤122,逐次或分段(并行计算情形)计算间隔距离、间隔时间以及间隔速度。
步骤123,如果i<n,则根据间隔时间对轨迹分段执行步骤124;否则执行步骤126,其中,pi为某轨迹段的第i个轨迹点,且i=1,2,…,n;步骤124,判断处理,如果两个轨迹点的间隔时间大于2小时,即7200 秒,则对轨迹进行分段,为后一个轨迹点分配新的轨迹段标识,执行步骤 126;否则执行步骤125;
步骤125,根据间隔速度对轨迹点状态进行判断。
一般认为,如果船舶速度小于0.5m/s,则认为该轨迹点处于停泊状态;而如果速度大于30m/s,则认为该轨迹点为超出正常时速,均应予剔除。否则,将该轨迹点定位为正常点,为后一个轨迹点分配新的轨迹段标识,执行步骤126;
在特殊情况下,可以根据实际情况对间隔时间的判定条件进行调整。
步骤126,输出带有标记点的轨迹段。
第二步,轨迹数据压缩。
本步骤为本方法的核心部分,其主要目的是进行轨迹压缩。其流程如图2所示。
步骤21,读入预处理后的轨迹段,并计算轨迹时延T和有效距离f。
在进行轨迹压缩的预处理中,对轨迹相邻两点之间的间隔距离、间隔时间和间隔速度进行计算。在递归调用的过程中,这样可以方便的通过累加方式实现轨迹段长度的计算,避免了以往计算方法中的重复计算,有效提升压缩效率。
步骤22,计算轨迹分割段数num=[T/3600]。
步骤23,将轨迹分割为num段,分别计算每段的有效距离 fi(i=1,2,…,num)。
有效距离是指轨迹段长度与轨迹段首尾长度的比值,该比值能够有效地衡量特定时间内的轨迹段的直线度。一般而言,如果轨迹段的有效距离比接近1,则认为该轨迹段除首尾点外都可以压缩掉;否则说明该轨迹段内存在较大变化,需要进行递归处理。
步骤24,对分割后的每段轨迹进行处理,如果f>99.5%,则认为该段形状近乎直线,执行步骤27;如果f≤99.5%,则认为该段并非直线,执行步骤25。
步骤25,如果该轨迹段的距离小于100m,则认为没有必要再对轨迹进行处理,执行步骤27;否则,执行步骤26;
步骤26,重新计算分割段数,num=[T*s/3600],其中T为该段轨迹的时延,s为递归分割次数,执行步骤23。
步骤27,将轨迹段的首尾点作为该段轨迹压缩后的轨迹点,进行轨迹数据的压缩。
步骤28,重复上述过程以到结束。在进行上述操作的过程中,相关参数都可以根据实际业务需求进行调整,保障业务有效性和算法的计算效率。
在实际应用场景中,经常需要面对一边读取数据一遍绘制的问题,如果轨迹点特别多,比如某船舶一年时间内的轨迹点,很容易造成绘制效率的降低。本方法支持轨迹压缩过程中目标数据的分段处理,如果某段轨迹的有效距离大于阈值,比如99.9%,则直接转入绘制;对于有效距离小于99.9%的线段,则对其进行划分,进行递归调用。通过这种方式使得轨迹的可视化能够实现边读取边计算边绘制,在保障压缩效率的同时提升用户的体验感。
实施例
本发明基于python语言进行算法实现,并使用某机构提供的两个月时间的AIS数据进行压缩实验。首先将数据存入PostgreSQL数据库,然后使用psycopg2进行数据库连接。然后使用pandas对作为数据接受容器对数据进行管理和处理,并使用joblib对算法进行并发执行的适配。
图3-图8展示了使用本专利所提方法的压缩效果图,从图中可以看出,本方法能够有效实现各种形态海上船舶的轨迹压缩,并能够在保持原有轨迹的形态条件下减少轨迹压缩的数量。并且,本方法能够较好保持局部特征,使得轨迹在小尺度上能够减少与真实轨迹的形态差异。相较于经典的Douglas-Peucker方法、TDTR方法、滑动窗口方法(slidewindow, SW)等,本方法能够有效提升轨迹压缩的执行效率(以1000个目标的轨迹压缩为例,本方法的执行时间优于上述方法28.2%--37.8%),能响应海量船舶目标压缩的需求。
Claims (2)
1.一种基于有效距离的快速轨迹压缩方法,其特征在于,包括以下步骤:
步骤1,轨迹数据预处理,输出轨迹段;具体内容为,
步骤11,对轨迹进行分段,剔除累积无轨迹点的部分,从而保障生成的轨迹不存在穿陆行为;
步骤12,消除船舶驻停点和轨迹异常点,并输出带有标记点的轨迹段;
步骤2,轨迹数据压缩;具体内容为,
步骤21,读入预处理后的轨迹段,并计算轨迹时延T和有效距离f;
步骤22,计算轨迹分割段数num=[T/3600];
步骤23,将轨迹分割为num段,分别计算每段的有效距离fi(i=1,2,…,num);
步骤24,对分割后的每段轨迹进行处理,如果f>99.5%,则认为该段形状近乎直线,执行步骤27;如果f≤99.5%,则认为该段并非直线,执行步骤25;
步骤25,如果该轨迹段的距离小于100m,则认为没有必要再对轨迹进行处理,执行步骤27;否则,执行步骤26;
步骤26,重新计算分割段数,num=[T*s/3600],其中T为该段轨迹的时延,s为递归分割次数,执行步骤23;
步骤27,将轨迹段的首尾点作为该段轨迹压缩后的轨迹点,进行轨迹数据的压缩;
步骤28,重复上述过程以到结束,完成轨迹压缩。
2.如权利要求1所述的一种基于有效距离的快速轨迹压缩方法,其特征在于,步骤12包括以下子步骤:
步骤121,读入轨迹数据,并按时间进行升序排列;
步骤122,逐次或分段计算间隔距离、间隔时间以及间隔速度;
步骤123,如果i<n,则根据间隔时间对轨迹分段,执行步骤124;否则执行步骤126,其中,pi为某轨迹段的第i个轨迹点,且i=1,2,…,n;
步骤124,判断处理,如果两个轨迹点的间隔时间大于2小时,则对轨迹进行分段,为后一个轨迹点分配新的轨迹段标识,执行步骤126;否则执行步骤125;
步骤125,根据间隔速度对轨迹点状态进行判断;
如果船舶速度小于0.5m/s,则认为该轨迹点处于停泊状态,如果速度大于30m/s,则认为该轨迹点为超出正常时速,均应予剔除;
否则,将该轨迹点定位为正常点,为后一个轨迹点分配新的轨迹段标识,执行步骤126;
步骤126,输出带有标记点的轨迹段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011319008.6A CN112350733B (zh) | 2020-11-23 | 2020-11-23 | 一种基于有效距离的快速轨迹压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011319008.6A CN112350733B (zh) | 2020-11-23 | 2020-11-23 | 一种基于有效距离的快速轨迹压缩方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112350733A CN112350733A (zh) | 2021-02-09 |
CN112350733B true CN112350733B (zh) | 2022-09-30 |
Family
ID=74364656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011319008.6A Active CN112350733B (zh) | 2020-11-23 | 2020-11-23 | 一种基于有效距离的快速轨迹压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112350733B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112683286A (zh) * | 2021-03-16 | 2021-04-20 | 季华实验室 | 拓扑路网地图的建立方法、系统、存储介质及电子设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110502596A (zh) * | 2019-08-16 | 2019-11-26 | 南京邮电大学 | 一种基于行人轨迹特征的轨迹在线滑动窗口压缩方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8929588B2 (en) * | 2011-07-22 | 2015-01-06 | Honeywell International Inc. | Object tracking |
-
2020
- 2020-11-23 CN CN202011319008.6A patent/CN112350733B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110502596A (zh) * | 2019-08-16 | 2019-11-26 | 南京邮电大学 | 一种基于行人轨迹特征的轨迹在线滑动窗口压缩方法 |
Non-Patent Citations (2)
Title |
---|
基于在线有向无环图的船舶轨迹压缩算法;张远强等;《交通运输工程学报》;20200815(第04期);全文 * |
轨迹压缩的典型方法评价;梁明等;《测绘通报》;20190425(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112350733A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112967527B (zh) | 一种渡船碰撞风险评估方法、系统、装置及介质 | |
CN112347993B (zh) | 一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法 | |
CN113553682B (zh) | 一种数据驱动的多层次船舶航路网络构建方法 | |
CN109708638B (zh) | 一种船舶轨迹点提取方法 | |
CN113312438B (zh) | 融合航线提取与趋势判断的海上目标位置预测方法 | |
CN104484726A (zh) | 船舶轨迹实时预测方法 | |
CN104537891A (zh) | 一种船舶轨迹实时预测方法 | |
CN104462856A (zh) | 船舶冲突预警方法 | |
CN113658214B (zh) | 轨迹预测方法、碰撞检测方法、装置、电子设备及介质 | |
CN114077926A (zh) | 航行轨迹预测方法、计算机存储介质及程序产品 | |
CN116166978B (zh) | 一种用于供应链管理的物流数据压缩存储方法 | |
CN113283653B (zh) | 一种基于机器学习和ais数据的船舶轨迹预测方法 | |
CN111694913A (zh) | 一种基于卷积自编码器的船舶ais轨迹聚类方法和装置 | |
CN104504277A (zh) | 一种船舶冲突预警方法 | |
CN110610165A (zh) | 一种基于yolo模型的船舶行为分析方法 | |
CN112350733B (zh) | 一种基于有效距离的快速轨迹压缩方法 | |
CN115331486B (zh) | 一种船舶碰撞风险评估与预测方法及装置 | |
CN115050214B (zh) | 一种基于ais数据的船舶碰撞风险预测方法 | |
CN115618251A (zh) | 船舶轨迹预测方法、装置、电子设备及存储介质 | |
CN113052265A (zh) | 基于特征选择的移动对象轨迹简化算法 | |
CN115512152A (zh) | 一种cnn和lstm神经网络组合的船舶轨迹分类方法及系统 | |
CN104504934A (zh) | 一种航海交通管制方法 | |
CN104504935A (zh) | 航海交通管制方法 | |
CN116978259B (zh) | 一种船舰航行轨迹预测方法、装置及存储介质 | |
Liu et al. | An online method for ship trajectory compression using AIS data |
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 |