CN112556698B - 船舶行为变化及异常识别方法、设备及介质 - Google Patents
船舶行为变化及异常识别方法、设备及介质 Download PDFInfo
- Publication number
- CN112556698B CN112556698B CN202011493153.6A CN202011493153A CN112556698B CN 112556698 B CN112556698 B CN 112556698B CN 202011493153 A CN202011493153 A CN 202011493153A CN 112556698 B CN112556698 B CN 112556698B
- Authority
- CN
- China
- Prior art keywords
- ship
- data
- track
- change
- environment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000005856 abnormality Effects 0.000 title claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 25
- 230000006399 behavior Effects 0.000 claims description 22
- 230000007613 environmental effect Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 9
- 238000002922 simulated annealing Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 101150080778 INPP5D gene Proteins 0.000 description 58
- 230000000694 effects Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000000137 annealing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/203—Specially adapted for sailing ships
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种船舶行为变化及异常识别方法、设备及介质,该方法包括:获取船舶运动区域,根据船舶运动区域确定空间分辨率;获取船舶的运行数据和环境数据;根据船舶运动区域,以空间分辨率的像元作为单位,在每一时间间隔选取轨迹点,以轨迹点绘制船舶的运行轨迹曲线;在运行轨迹曲线上,根据运行数据和环境数据对轨迹点进行赋值,绘制时空环境地图;对时空环境地图按照赋值变化进行分段,以获取环境变化点集合;在经过处理后的运行轨迹曲线上,获取大于阈值的变化点,以变化点构建异常位置点集合;计算环境变化点集合与异常位置点集合的变化临近度;对变化临近度进行划分,得到轨迹变化点和轨迹异常点,本发明能提高船舶异常的识别准确率。
Description
技术领域
本发明属于技术领域,具体涉及一种船舶行为变化及异常识别方法、设备及介质。
背景技术
目前,对船舶异常进行识别受到广泛关注,在现有技术中,船舶的异常分析主要是通过轨迹聚类分析,大多使用DBSCAN算法或改进DBSCAN算法的进行轨迹聚类算法(DBSCAN(Density-Based Spatial Clustering of Applications with Noise,具有噪声的基于密度的聚类方法)是一种很典型的密度聚类算法)。
但轨迹聚类算法具有以下缺点:该算法仅仅对轨迹分析需要对轨迹进行分段、分类,而目前这些分段、分类的方法比较粗糙,难以精细化,使得聚类的结果存在很多错误,精确性差。而且目前的行为及异常大多是对轨迹的,没有对轨迹细节进行分析,包括轨迹方向、速度和位置等的变化,无法对轨迹蕴含的信息进行深入的揭示。而且缺乏轨迹与所在的时空环境进行分析,没有考虑环境导致的船舶行为变化的影响,使得一些异常识别是不正确的。
发明内容
为了克服上述技术缺陷,本发明提供了一种船舶行为变化及异常识别方法、设备及介质,其能提高船舶异常的识别准确率。
为了解决上述问题,本发明按以下技术方案予以实现的:
一种船舶行为变化及异常识别方法,包括步骤:
获取船舶运动区域,根据所述船舶运动区域确定空间分辨率;
获取船舶的运行数据和环境数据;
根据所述船舶运动区域,以所述空间分辨率的像元作为单位,在每一时间间隔选取轨迹点,以所述轨迹点绘制船舶的运行轨迹曲线;
在所述运行轨迹曲线上,根据所述运行数据和所述环境数据对所述轨迹点进行赋值,绘制时空环境地图;
对所述时空环境地图按照赋值变化进行分段,以获取环境变化点集合;
在经过处理后的运行轨迹曲线上,获取大于阈值的变化点,以所述变化点构建异常位置点集合;
计算环境变化点集合与所述异常位置点集合的变化临近度;
对所述变化临近度进行划分,得到轨迹变化点和轨迹异常点。
作为本发明的进一步改进,所述获取船舶运动区域,根据所述船舶运动区域确定空间分辨率的步骤,包括步骤:
获取船舶的港口区域和船舶的航线区域,所述港口区域和所述船舶的航线区域构成所述船舶运动区域;
根据所述船舶运动区域的尺度确定所述空间分辨率。
作为本发明的进一步改进,所述获取船舶的运行数据和环境数据的步骤中,所述运行数据包括:经度数据、纬度数据、方向数据、速度数据和时间数据;所述环境数据包括:洋流数据、风速数据、水深数据和船舶密度数据。
作为本发明的进一步改进,所述在所述船舶运行轨迹图上,根据所述运行数据和所述环境数据对所述船舶运行轨迹图进行赋值,绘制时空环境地图的步骤,包括如下步骤:
根据所述轨迹点所在时间的所述经度数据、所述纬度数据、所述洋流数据、所述风速数据对所述轨迹点进行赋值,得到轨迹属性时变线;
根据所述轨迹点所在时间的所述经度数据、所述纬度数据、所述船舶密度数据、船舶相对运行速度和船舶相遇权重对所述轨迹点进行赋值,得到船舶密度变化图;
实时获取台风路径图,计算时刻一一对应所述轨迹点与台风中心的距离,根据所述轨迹点所在时间的所述经度数据、所述纬度数据、所述距离对所述轨迹点进行赋值,得到台风距离轨迹图;
根据所述轨迹点所在时间的所述经度数据、所述纬度数据、所述轨迹点当前位置上的所述水深数据对所述轨迹点进行赋值,得到水深线;
由所述轨迹属性时变线、所述船舶密度变化图、所述台风距离轨迹图和所述水深线绘制所述时空环境地图。
作为本发明的进一步改进,本发明还包括所述运行轨迹曲线处理步骤:
对所述运行轨迹曲线进行平滑处理;
计算所述轨迹点与经过平滑处理后的运行轨迹曲线上相对应的点之间的方向变化值;
计算任意两个所述轨迹点之间的速度变化值;
计算所述轨迹点的实际位置与经过平滑处理后的位置的距离变化值。
作为本发明的进一步改进,所述计算环境变化点集合与所述异常位置点集合的变化临近度的步骤,具体包括如下步骤:
计算环境变化点集合与所述异常位置点集合的最短距离函数;
对所述最短距离函数的值采用基于模拟退火思想的改进K均值算法聚类,求取最短距离值最优解。
作为本发明的进一步改进,得到对所述最短距离值采用基于模拟退火思想的改进K均值算法聚类,求取最短距离值最优解的步骤,包括如下步骤:
选取初始温度聚类结果作为初始解,计算所述最短距离函数;
基于所述初始解,采用随机扰动方法随机产生新解,计算所述最短距离函数;
在满足计算终止条件时,输入若干最短距离值。
作为本发明的进一步改进,对所述变化临近度进行划分,得到轨迹变化点和轨迹异常点的步骤,具体包括如下步骤:
对最短距离函数的解进行划分,得到与环境变化相关度高的所述轨迹变化点以及与环境变化相关度低的所述轨迹异常点。
进一步的,本发明还提供了一种计算机可读存储介质,所述可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述的船舶行为变化及异常识别方法。
此外,本发明还提供了一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、至少一段程序、代码集或指令集由所述处理器加载并执行以实现上述的船舶行为变化及异常识别方法。
与现有技术相比,本发明具有以下有益效果:对不同类型船舶的时空运动行为,按照船舶运动区域大小,确定分辨率,结合船舶轨迹中会出现的多种情况(如自身的运行情况和外界环境的影响)绘制时空环境地图并进行分析,对时空环境地图进行分段,获取轨迹变化点和轨迹异常点,在考虑不同尺度的轨迹集合时空环境信息的前提下,从船舶自身航行情况和外接影响因素多方面进行异常判断,使得船舶异常的识别更加准确。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明,其中:
图1为实施一所述船舶行为变化及异常识别方法的流程图;
图2为实施一模拟退火算法流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例一
本实施例提供了一种船舶行为变化及异常识别方法,如图1所示,包括步骤:
S1、获取船舶运动区域,根据船舶运动区域确定空间分辨率;
S2、获取船舶的运行数据和环境数据;运行数据包括:经度数据lon、纬度数据lat、方向数据、速度数据和时间数据tim;环境数据包括:洋流数据、风速数据、水深数据H和船舶密度数据mi。
S3、根据所述船舶运动区域,以空间分辨率的像元作为单位,在每一时间间隔选取轨迹点,以轨迹点绘制船舶的运行轨迹曲线Li=(m1,m2,m3,…mt)。
S4、在运行轨迹曲线上,根据运行数据和环境数据对轨迹点进行赋值,绘制时空环境地图;
S5、对时空环境地图按照赋值变化进行分段pi=(ph,pm,pw,ps…,),以获取环境变化点集合De=(Dh,Dm,Dw,Ds…),其中,分段是根据属性值来划分,如属性值大于一定比例(10%)时,该点为环境变化点;
S6、在经过处理后的运行轨迹曲线上,获取大于阈值的变化点,以变化点构建异常位置点集合Dc={Da,Dv,Dz},阈值可以用标准差来确定;
S7、计算环境变化点集合与异常位置点集合的变化临近度;
S8、对变化临近度进行划分,得到轨迹变化点和轨迹异常点。
在上述实施例中,步骤S1具体包括步骤:
S11、获取船舶的港口区域和船舶的航线区域,港口区域和船舶的航线区域构成船舶运动区域,港口区域和航线区域均为船舶的活动场所,根据船舶活动的特点,将船舶的活动场所划分成港口区域和航线区域进行分析;
S12、根据船舶运动区域的尺度确定空间分辨率,空间分辨率是最小像素代表的单位距离,大尺度区域选择大分辨率地图,小尺度区域选择小分辨率地图,港口区域一般是小尺度的区域,船舶多,船类复杂,密度大,船速慢,船的方向经常改变。
在上述实施例中,步骤S4包括如下步骤:
S41、根据轨迹点所在时间的经度数据lon、纬度数据lat、环境数据属性值val(洋流数据、风速数据等)绘制轨迹属性时变线Le={(loni,lati,vali,timi)},其中,tim是时间;
S42、根据轨迹点所在时间的经度数据lon、纬度数据lat、单位距离范围内船舶密度数据mi、船舶相对运行速度v和船舶相遇权重ω对轨迹点进行赋值,得到船舶密度变化图LM={loni,lat,mii,timi};其中,其中,t是最小船舶反应时间,R是影响区域半径;
S43、实时获取台风路径图,计算时刻一一对应所述轨迹点与台风中心的距离Di,根据轨迹点所在时间的经度数据lon、纬度数据lat、距离Di对轨迹点进行赋值,得到台风距离轨迹图LD={loni,lat,Di,timi};
S44、根据轨迹点所在时间的经度数据lon、纬度数据lat、轨迹点当前位置上的水深数据H对轨迹点进行赋值,得到水深线LS={loni,lati,Hi,timi};
S45、由轨迹属性时变线Le、船舶密度变化图LM、台风距离轨迹图LD和水深线LS绘制时空环境地图。
此外,本实施例还包括运行轨迹曲线处理步骤:
对运行轨迹曲线Li进行平滑处理,三次B样条曲线方程中基函数为:
其中表示阶乘。
将基函数带入总方程可换算出三次B样条曲线方程:
P(t)=P0F0,3(t)+P1F1,3(t)+P2F2,3(t)+P3F3,3(t);
计算轨迹点与经过平滑处理后的运行轨迹曲线上相对应的点之间的方向变化值ε=α-β;
计算任意两个轨迹点之间的速度变化值v=vi+1-vi;
计算实际位置与经过平滑处理后的运行轨迹曲线上相对应的点之间的距离变化值
对上述方向变化值ε、速度变化值v和距离变化值d设定阈值,选出大于阈值的方向变化值ε、速度变化值v和距离变化值d构建异常位置点集合Dc={Da,Dv,Dz}。
进一步的,步骤S7具体包括如下步骤:
S71、计算环境变化点集合与异常位置点集合的最短距离函数min(D),采用圆周搜索法求得,即以为Dc圆心,半径r,来搜索,r∈(1,min(D)),r和De相交时为min(D);
S72、如图2所示,对最短距离函数min(D)的值采用基于模拟退火思想的改进K均值算法聚类,求取最短距离值最优解,环境变化是航线变化的主要原因,集合Dc和De间具有相关性,在时空上具有一致性,通过两者空间位置的临近程度判断变化,这种变化是正常的必要的变化。通过两个集合的位置来确定相关联系的紧密min(D)值进行聚类分析求解,退火方式为:
t代表最外层当前循环次数;a为可调参数,可以改善退火曲线的形态。
在上述实施例中,步骤S72包括如下步骤:
S721、为了使最初产生的新解被接受,在算法开始时就应达到准平衡,选取初始温度聚类结果作为初始解,计算最短距离函数;
S722、基于初始解,采用随机扰动方法随机产生新解,计算最短距离函数,本实施例中,扰动方法为一种随机扰动方法,即随机改变一个聚类样品的当前所属类别,从而产生一种新的聚类划分;
S723、在满足计算终止条件时,输入若干最短距离值。
在上述实施例中,步骤S8包括如下步骤:
S81、规则,对最短距离函数min(D)的解进行划分,得到与环境变化相关度高的所述轨迹变化点Ch(xgh)=f(min(D))以及与环境变化相关度低的轨迹异常点
实施例二
本实施例提供了一种计算机设备,计算机设备包括处理器和存储器,存储器中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现实施例一的船舶行为变化及异常识别方法。
实施例三
本实施例提供了一种计算机可读存储介质,可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现实施例1的船舶行为变化及异常识别方法。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,故凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (10)
1.一种船舶行为变化及异常识别方法,其特征在于,包括步骤:
获取船舶运动区域,根据所述船舶运动区域确定空间分辨率;
获取船舶的运行数据和环境数据;
根据所述船舶运动区域,以所述空间分辨率的像元作为单位,在每一时间间隔选取轨迹点,以所述轨迹点绘制船舶的运行轨迹曲线;
在所述运行轨迹曲线上,根据所述运行数据和所述环境数据对所述轨迹点进行赋值,绘制时空环境地图;
对所述时空环境地图按照赋值变化进行分段,以获取环境变化点集合;
在经过处理后的运行轨迹曲线上,获取大于阈值的变化点,以所述变化点构建异常位置点集合;
计算环境变化点集合与所述异常位置点集合的变化临近度;
对所述变化临近度进行划分,得到轨迹变化点和轨迹异常点。
2.根据权利要求1所述的船舶行为变化及异常识别方法,其特征在于,所述获取船舶运动区域,根据所述船舶运动区域确定空间分辨率的步骤,包括步骤:
获取船舶的港口区域和船舶的航线区域,所述港口区域和所述船舶的航线区域构成所述船舶运动区域;
根据所述船舶运动区域的尺度确定所述空间分辨率。
3.根据权利要求1所述的船舶行为变化及异常识别方法,其特征在于,所述获取船舶的运行数据和环境数据的步骤中,所述运行数据包括:经度数据、纬度数据、方向数据、速度数据和时间数据;所述环境数据包括:洋流数据、风速数据、水深数据和船舶密度数据。
4.根据权利要求3所述的船舶行为变化及异常识别方法,其特征在于,所述在所述船舶运行轨迹图上,根据所述运行数据和所述环境数据对所述船舶运行轨迹图进行赋值,绘制时空环境地图的步骤,包括如下步骤:
根据所述轨迹点所在时间的所述经度数据、所述纬度数据、所述洋流数据、所述风速数据对所述轨迹点进行赋值,得到轨迹属性时变线;
根据所述轨迹点所在时间的所述经度数据、所述纬度数据、所述船舶密度数据、船舶相对运行速度和船舶相遇权重对所述轨迹点进行赋值,得到船舶密度变化图;
实时获取台风路径图,计算时刻一一对应所述轨迹点与台风中心的距离,根据所述轨迹点所在时间的所述经度数据、所述纬度数据、所述距离对所述轨迹点进行赋值,得到台风距离轨迹图;
根据所述轨迹点所在时间的所述经度数据、所述纬度数据、所述轨迹点当前位置上的所述水深数据对所述轨迹点进行赋值,得到水深线;
由所述轨迹属性时变线、所述船舶密度变化图、所述台风距离轨迹图和所述水深线绘制所述时空环境地图。
5.根据权利要求1所述的船舶行为变化及异常识别方法,其特征在于,还包括所述运行轨迹曲线处理步骤:
对所述运行轨迹曲线进行平滑处理;
计算所述轨迹点与经过平滑处理后的运行轨迹曲线上相对应的点之间的方向变化值;
计算任意两个所述轨迹点之间的速度变化值;
计算所述轨迹点的实际位置与经过平滑处理后的位置的距离变化值。
6.根据权利要求1所述的船舶行为变化及异常识别方法,其特征在于,所述计算环境变化点集合与所述异常位置点集合的变化临近度的步骤,具体包括如下步骤:
计算环境变化点集合与所述异常位置点集合的最短距离函数;
对所述最短距离函数的值采用基于模拟退火思想的改进K均值算法聚类,求取最短距离值最优解。
7.根据权利要求6所述的船舶行为变化及异常识别方法,其特征在于,得到对所述最短距离值采用基于模拟退火思想的改进K均值算法聚类,求取最短距离值最优解的步骤,包括如下步骤:
选取初始温度聚类结果作为初始解,计算所述最短距离函数;
基于所述初始解,采用随机扰动方法随机产生新解,计算所述最短距离函数;
在满足计算终止条件时,输入若干最短距离值。
8.根据权利要求6所述的船舶行为变化及异常识别方法,其特征在于,对所述变化临近度进行划分,得到轨迹变化点和轨迹异常点的步骤,具体包括如下步骤:
规则,对最短距离函数的解进行划分,得到与环境变化相关度高的所述轨迹变化点以及与环境变化相关度低的所述轨迹异常点。
9.一种计算机可读存储介质,其特征在于,所述可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如权利要求1至8任一所述的船舶行为变化及异常识别方法。
10.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、至少一段程序、代码集或指令集由所述处理器加载并执行以实现如权利要求1至8任一所述的船舶行为变化及异常识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011493153.6A CN112556698B (zh) | 2020-12-17 | 2020-12-17 | 船舶行为变化及异常识别方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011493153.6A CN112556698B (zh) | 2020-12-17 | 2020-12-17 | 船舶行为变化及异常识别方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112556698A CN112556698A (zh) | 2021-03-26 |
CN112556698B true CN112556698B (zh) | 2023-12-15 |
Family
ID=75064474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011493153.6A Active CN112556698B (zh) | 2020-12-17 | 2020-12-17 | 船舶行为变化及异常识别方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112556698B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256146B (zh) * | 2021-06-08 | 2022-03-15 | 广东嘉贸通科技有限公司 | 船舶监管方法及系统 |
CN117433541B (zh) * | 2023-12-22 | 2024-04-02 | 中船(浙江)海洋科技有限公司 | 一种避台航线自动规划方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101281673B1 (ko) * | 2012-04-30 | 2013-07-03 | 목포해양대학교 산학협력단 | 지능형 항해 거동 이상 선박 식별방법 |
JP2017194902A (ja) * | 2016-04-22 | 2017-10-26 | 富士通株式会社 | 航跡データ表示プログラム、航跡データ表示方法および航跡データ表示装置 |
CN109188464A (zh) * | 2018-07-20 | 2019-01-11 | 中国水产科学研究院东海水产研究所 | 一种基于北斗船位数据的渔船在港和出海时间的分析方法 |
CN109708638A (zh) * | 2018-12-03 | 2019-05-03 | 江苏科技大学 | 一种船舶轨迹点提取方法 |
CN110210352A (zh) * | 2019-05-23 | 2019-09-06 | 中国人民解放军海军工程大学 | 基于航道模型的船舶轨迹异常检测方法 |
CN110309383A (zh) * | 2019-06-17 | 2019-10-08 | 武汉科技大学 | 基于改进的dbscan算法的船舶轨迹聚类分析方法 |
CN111582380A (zh) * | 2020-05-09 | 2020-08-25 | 中国人民解放军92493部队试验训练总体研究所 | 一种基于时空特征的船舶轨迹密度聚类方法及装置 |
CN111856541A (zh) * | 2020-07-24 | 2020-10-30 | 苏州中亿通智能系统有限公司 | 一种固定线路车辆轨迹监测系统及方法 |
CN111949750A (zh) * | 2020-07-30 | 2020-11-17 | 智慧航海(青岛)科技有限公司 | 一种船舶轨迹模型建立及异常轨迹检测方法 |
EP3739295A1 (en) * | 2019-05-13 | 2020-11-18 | S.A.T.E. - Systems and Advanced Technologies Engineering S.R.L. | Method for determining an optimal naval navigation routes from historical gnss data of naval trajectories |
-
2020
- 2020-12-17 CN CN202011493153.6A patent/CN112556698B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101281673B1 (ko) * | 2012-04-30 | 2013-07-03 | 목포해양대학교 산학협력단 | 지능형 항해 거동 이상 선박 식별방법 |
JP2017194902A (ja) * | 2016-04-22 | 2017-10-26 | 富士通株式会社 | 航跡データ表示プログラム、航跡データ表示方法および航跡データ表示装置 |
CN109188464A (zh) * | 2018-07-20 | 2019-01-11 | 中国水产科学研究院东海水产研究所 | 一种基于北斗船位数据的渔船在港和出海时间的分析方法 |
CN109708638A (zh) * | 2018-12-03 | 2019-05-03 | 江苏科技大学 | 一种船舶轨迹点提取方法 |
EP3739295A1 (en) * | 2019-05-13 | 2020-11-18 | S.A.T.E. - Systems and Advanced Technologies Engineering S.R.L. | Method for determining an optimal naval navigation routes from historical gnss data of naval trajectories |
CN110210352A (zh) * | 2019-05-23 | 2019-09-06 | 中国人民解放军海军工程大学 | 基于航道模型的船舶轨迹异常检测方法 |
CN110309383A (zh) * | 2019-06-17 | 2019-10-08 | 武汉科技大学 | 基于改进的dbscan算法的船舶轨迹聚类分析方法 |
CN111582380A (zh) * | 2020-05-09 | 2020-08-25 | 中国人民解放军92493部队试验训练总体研究所 | 一种基于时空特征的船舶轨迹密度聚类方法及装置 |
CN111856541A (zh) * | 2020-07-24 | 2020-10-30 | 苏州中亿通智能系统有限公司 | 一种固定线路车辆轨迹监测系统及方法 |
CN111949750A (zh) * | 2020-07-30 | 2020-11-17 | 智慧航海(青岛)科技有限公司 | 一种船舶轨迹模型建立及异常轨迹检测方法 |
Non-Patent Citations (1)
Title |
---|
船舶异常行为的一致性检测算法;马文耀;吴兆麟;李伟峰;;交通运输工程学报(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112556698A (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tang et al. | A model for vessel trajectory prediction based on long short-term memory neural network | |
CN112556698B (zh) | 船舶行为变化及异常识别方法、设备及介质 | |
CN109828532A (zh) | 一种基于ga-gbrt的表面粗糙度预测方法及工艺参数优化方法 | |
CN112418521B (zh) | 一种短时海洋鱼群和鱼量的预测方法 | |
Martin-Abadal et al. | Deep semantic segmentation in an auv for online posidonia oceanica meadows identification | |
Yang et al. | A hybrid approach to building simplification with an evaluator from a backpropagation neural network | |
Etemad et al. | A Trajectory Segmentation Algorithm Based on Interpolation-based Change Detection Strategies. | |
CN113283653B (zh) | 一种基于机器学习和ais数据的船舶轨迹预测方法 | |
CN110610165A (zh) | 一种基于yolo模型的船舶行为分析方法 | |
CN108960421A (zh) | 改进基于bp神经网络的水面无人艇航速在线预报方法 | |
CN114333423B (zh) | 一种狭水道航行碰撞风险评估方法 | |
CN113255611A (zh) | 基于动态标签分配的孪生网络目标跟踪方法及移动设备 | |
CN111444769A (zh) | 一种基于多尺度自适应随机森林的激光雷达检测人腿方法 | |
CN112766452A (zh) | 一种双环境粒子群优化方法和系统 | |
CN114063056A (zh) | 一种船舶航迹融合方法、系统、介质和设备 | |
CN109190787B (zh) | 水下潜航器的双重粒子群多监测点访问路径规划方法 | |
CN113946978A (zh) | 基于LightGBM模型的水下三维温盐并行预报方法 | |
CN112733935A (zh) | 一种基于Stacking算法的渔船捕捞方式预测方法 | |
CN116520281B (zh) | 一种基于ddpg的扩展目标跟踪优化方法和装置 | |
CN114565176B (zh) | 一种长期船舶轨迹预测方法 | |
CN113887590B (zh) | 一种目标典型航迹及区域分析方法 | |
CN112418339B (zh) | 基于随机森林的空中移动对象识别方法 | |
Li et al. | An approach for traffic pattern recognition integration of ship AIS data and port geospatial features | |
CN114995446A (zh) | 一种无人船编队的自适应控制方法、装置、设备和介质 | |
CN113298850A (zh) | 一种基于注意力机制与特征融合的目标跟踪方法及系统 |
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 |