CN112862156B - 一种基于船舶轨迹和蚁群算法的船舶路径规划方法 - Google Patents
一种基于船舶轨迹和蚁群算法的船舶路径规划方法 Download PDFInfo
- Publication number
- CN112862156B CN112862156B CN202110024643.XA CN202110024643A CN112862156B CN 112862156 B CN112862156 B CN 112862156B CN 202110024643 A CN202110024643 A CN 202110024643A CN 112862156 B CN112862156 B CN 112862156B
- Authority
- CN
- China
- Prior art keywords
- track
- data
- ship
- speed
- clustering
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Automation & Control Theory (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于船舶轨迹和蚁群算法的船舶路径规划方法,将聚类对象从点改成航迹段,航迹段相对于轨迹点,船舶航向、船舶速度等信息保留,在进行聚类时,聚类结果更加准确。相似性度量中,采用更加多维的角度进行相似性度量计算,从水平距离,垂直距离,转向角以及速度四个维度进行考量。进而使整体的聚类结果更加准确。本方法使用改进的DBSCAN算法,在保留了船舶轨迹中蕴含的速度方向等信息,同时也加快了聚类速度。本方法提出的改进的蚁群算法,经过实验发现,相较于之前的蚁群算法,本方法提出的适用于船舶路径规划的蚁群算法在解决船舶航线规划时,提高了收敛速度。
Description
技术领域
本发明涉及路径规划技术领域,尤其涉及一种多停靠点的船舶路径规划方法,尤其涉及一种基于船舶轨迹数据和蚁群算法的多停靠点的船舶路径规划方法。
背景技术
船舶在实际航行中,因为人员或货物的装卸载或者因为补给等问题,在航向中要规划好多个停靠点,多停靠点的船舶路径规划是根据已知的信息,规划出一条可以从出发点到途中各个停靠点的综合距离(在安全、费用、时间的综合距离)最优的路径。
随着航运技术的发展,船舶自动识别系统(Automatic Identification System,简称AIS系统)的发展也愈加成熟。如今,绝大多数的船舶都已安装了AIS系统。通过AIS系统,将船舶的名称、类型、MMSI、IMO、船籍、呼号、船长、船宽、吃水深以及经度、纬度、船艏向等位置信息记录下来。通过AIS系统,积累了大量的船舶轨迹属数据,蕴含着大量的海上交通特征。传统的船舶路径规划主要基于海图,存在着由于天气或者其他原因导致的路径失效问题,而通过近期的船舶轨迹数据,则可以保证数据的有效性,进一步保证其中蕴含的航线的有效性。
聚类主要的作用对象是需要被划分的数据,其工作原理就是将数据划成多个类或簇,使位于同一簇中的数据在某些特征上接近,而不同簇之间的数据在这些特征上相差较大通过数据挖掘技术,可以将其中的交通特征联系发现出来。DBSCAN聚类算法是一个比较成熟的基于密度的聚类算法,可以在有噪声干扰的情况下发现任意形状的簇。通过DBSCAN算法,对船舶轨迹进行聚类,将船舶典型轨迹从AIS数据中发现出来。传统的DBSCAN算法的聚类对象为点对象,若对点对象进行聚类,则会失去其中包含的速度、方向等信息,而导致聚类效果不佳,同时,对点对象进行聚类,过多的数量也会导致聚类的效率不高。
传统的路径规划算法多为精确算法,如Dijkstra算法求解的是加权连通简单图中一个顶点到其它每个顶点的具有最小权和的有向路,而船舶在行驶中,途中会因为货物、人员的上下或者船舶的补给,中间要按计划停靠多次,更类似于非精确的旅行商问题。精确算法在解决此类问题时运算量极大。蚁群算法作为非精确算法,更适合解决这类问题。同时,蚁群算法也存在着容易陷入局部最优解而无法继续和算法收敛速度慢的问题。
综上,使用现有的船舶路径规划方法,存在以下问题:
规划的路径时效性不强,存在路径失效的可能;传统DBSCAN聚类容易丢失轨迹中包含的船舶综合信息,且聚类数量多,聚类速度慢;若使用精确算法运算量过大;蚁群算法存在着着容易陷入局部最优解而无法继续和算法收敛速度慢的问题进而影响整体效率等问题。
发明内容
本发明提供一种多停靠点的船舶路径规划方法,能够有效的提高此场景下船舶路径规划的时效性、准确性以及减少了整体方法的时间消耗。
为了实现上述目的,一方面本方法对其中关键点进行优化。包括:
依据近期的大量AIS数据进行计算,通过保证船舶航行轨迹数据的时效性,进而保证通过本方法提出的聚类方法得到的代表轨迹的时效性。
使用了一种修改的DBSCAN方法,该方法在相似性度量、聚类对象等进行改进。该改进的DBSCAN方法将聚类对象从点改成航迹段,航迹段相对于轨迹点,船舶航向、船舶速度等信息得以保留,在进行聚类时,聚类结果更加准确。相似性度量中,采用更加多维的角度进行相似性度量计算,从水平距离,垂直距离,转向角以及速度四个维度进行考量。进而使整体的聚类结果更加准确。
本方法在路径规划中使用蚁群算法代替传统路径规划中的精确算法,节省了大量的运算。
本方法提出一种改进的蚁群算法,来改进蚁群算法的确定。本方法采用一种改进的自适应的精英蚁群系统与最大最小蚁群系统相结合的蚁群算法。该算法的描述如下:
最大最小蚁群系统通过设定每条路径信息素的最大值与最小值,即在更新信息素过程中,在每条路径更新后的信息素浓度若大于最大值,则强制将该条路径信息素浓度为设定的最大值,若小于最小值,则强制将该条路径信息素浓度为设定的最小值。设置上限避免了节点之间信息素过度积累,从而导致算法过早收敛,设置下限,则让所有路径均有可能被搜索到。
自适应的精英蚁群系统,是在原有精英蚁群系统的基础之上,通过设定最佳阈值与最差阈值。高过最佳阈值的,认为精英蚂蚁,不足最差阈值的,则将其认定为垃圾蚂蚁。对于精英蚂蚁,在全局信息素更新时,给予额外的信息素浓度奖励,而对于垃圾蚂蚁,则是对于给予信息素降低作为惩罚。从而加快算法整体的收敛速度。
另一方面,本发明确定技术方案如下:
将目标区域近期的数据导入数据库,并设计好相应表结构
对原始AIS数据进行预处理。首先对格式错误的数据进行清洗,之后处理漂移数据。AIS设备在工作中不可避免的受到噪声干扰或者因为其他原因导致的AIS轨迹点相对于准确位置偏离过多,产生漂移数据。通过将异常点的航速以及转向角以及距离前后轨迹点的距离进行计算和比较,超过阈值的进行清洗。之后对进行了清洗之后的AIS数据进行插值操作,对AIS船舶数据缺失的相关信息按照一定规则进行补全。
通过DBSCAN算法对处理后AIS数据进行聚类。从数据库中读取船舶AIS数据,之后对船舶轨迹进行特征点提取与分割,将船舶轨迹划进一步划分为更小的船舶子轨迹。之后确定好DBSCAN算法中的参数值以及确定相似性度量,最后对船舶子轨迹进行聚类分析,并从中提取出航行路线。
根据上一步得到的航线数据,建立每两点之间的综合距离矩阵(航向时间与距离的加权和),并以此矩阵,应用本发明提出的改进的适用于船舶路径规划的蚁群算法,得到最优路径,规划处最优航线。本方法提出的改进的适用于船舶路径规划的蚁群算法具体如下:
(1)蚂蚁k在搜索过程中搜索过程中通过状态转移规则来选择下一个顶点。
状态转移公式为:
式(1)中
α:信息素启发因子,表示信息素对于蚂蚁选择路径的影响程度。
β:为期望启发因子,体现能见度的相对重要程度,值越大,状态转移概率越接近贪心规则。
dij:节点i与节点j之间的距离,即两个停靠点之间的综合距离。
ηij:启发因子,表示从节点i到节点j的期望程度。
τij:节点i到节点j的路径上的信息素浓度。
ρ:信息素挥发系数,表示单位时间内信息素的挥发程度。
allowedk:表示蚂蚁下一步要选择的路径节点集合。
(2)每次循环信息素更新规则为:
τij(t+1)=(1-ρ)τij(t)+Δτ(t,t+1)
(2)
τij(t+1):表示在下一时刻路径(i,j)上的信息素浓度
Δτ(t,t+1):表示路径(i,j)上的信息素增量;
式(3)中:
ρ:为信息素的挥发因子。
(3)每次循环后对精英蚂蚁以及垃圾蚂蚁进行再次的信息素更新规则:
(5)
(5)信息素更新注意规则
在步骤(3)和步骤(4)中,若信息素的更新超过了设定的最大值或最小值,则将更新后的信息素限制为设定的最大值或最小值。
相较于之前的船舶路径规划方法,本方法使用近期的船舶轨迹数据作为计算基础,保证了航线数据各实时性。本方法使用改进的DBSCAN算法,在保留了船舶轨迹中蕴含的速度方向等信息,同时也加快了聚类速度。本方法提出的改进的蚁群算法,经过实验发现,相较于之前的蚁群算法,本方法提出的适用于船舶路径规划的蚁群算法在解决船舶航线规划时,提高了收敛速度。
附图说明
图1为本发明所提供的整体结构示意图。
图2为本发明代表航线提取流程示意图。
图3为本发明进行蚁群算法的计算的流程示意图。
具体实施方式
本发明主要基于大量的AIS数据作为基础数据,同时对DBSCAN算法以及蚁群算法做出改进。具体实施方法如下:
本方法的整体流程结合图1如下:
步骤一:获取AIS数据。
步骤二:对AIS数据进行预处理。
步骤三:对数据进行聚类,并提取出代表航线。
步骤四:在代表航线之上应用本方法提出的蚁群算法,获得最优路径。
代表航线提取流程结合图2如下:
步骤一:获取大量的船舶AIS数据,为CSV文件或者EXCEL文件,将数据导入mysql数据库中,并设计好表结构。设计为四个表,分别为初始AIS数据表、清洗后的AIS数据表、轨迹子段表以及代表航线表。
步骤二:对AIS数据进行预处理。首先处理格式错误的数据,从数据库中读取数据,首先对数据进行遍历,检查每条数据的数据长度、数据格式,是否符合定义,不符合定义的予以删除。之后检测漂移数据,AIS数据漂移会导致相邻轨迹点的距离出现波动,不能正确表现出时间和位置的变化关系,会对之后进行的轨迹分离和聚类造成很大干扰,故需要对漂移数据进行处理。采用平均速度与角度监督的方法检测和清理漂移数据。通过当前轨迹点和前一个轨迹点的航程与间隔时间计算出平均速度。通过当前轨迹点与前一个轨迹点以及后一个轨迹点计算出转向角度。之后综合该轨迹全部轨迹点全部的速度与转向角度。设定相应的速度与转向角阈值。若两个相邻轨迹点之间轨迹的平均速度小于该阈值,且当前轨迹点的瞬时速度也小于设定的瞬时速度阈值,则认为该点未发生漂移。否则将该点定义为漂移数据,进行删除。遍历所有轨迹点,清洗全部数据。在清洗完成之后,对轨迹数据进行插值操作填补因为清洗或其他原因造成的数据缺失。采用一种插值与轨迹分离相结合的方法进行插值。设定两个参数,Ta和Tb,分别为插入时间阈值和分割阈值,设连续的数据点Pa和Pb,并设其采样时间为tPa和tPb,若Ta<|tPa-tPb|<Tb,则进行插值操作,此处计算前k个点和后k个点的欧氏距离,来决定插值点的位置,插值点的速度信息则为该段轨迹的平均速度。若Tb<|tPa-tPb|,则将该轨迹拆分为两条轨迹。
步骤三:对清洗后的数据进行划分,对每条轨迹进行聚类,需要大量的运算量,以及会丢失部分相似性轨迹。采用轨迹划分可以尽可能的保留子轨迹特征并提高聚类速度。设置转向角和速度变化率阈值,计算各个相邻子轨迹的转向角和速度变化率,与预设阈值进行比较,若小于预设阈值,则说明该点不是特征点,不进行轨迹划分,若大于预设阈值,则说明该点是特征点,需要在此进行轨迹划分,将划分后的子轨迹存入相应集合中。继续遍历传播轨迹数据,看是否还有未进行轨迹划分的数据,若存在,继续进行划分操作。
步骤四:计算出计算轨迹相似度。轨迹相似度基于船舶位置、船舶航向、船舶航速几个维度的信息。计算出子轨迹的水平距离d//,垂直距离d⊥,航向距离dθ以及速度距离dspeed。并对其进行归一化处理,定义相应的权重。权重规则定义为:
(1)四个维度的权值均大于0
(2)四种权值相加为1即w//+w⊥+wθ+wspeed=1
综合距离计算公式为:D(Ti,Tj)=w//d//(Ti,Tj)+w⊥d⊥(Ti,Tj)+wθdθ(Ti,Tj)+wspeeddspeed(Ti,Tj)。
步骤五:对船舶轨迹进行聚类。采用的算法为DBSACAN聚类算法。传统的DBSCAN方法聚类对象为数据点,当时本方法的聚类对象对轨迹字段。因此对DBSCAN做出改进,使其聚类对象为已划分的轨迹字段。重新定义ε邻域以及核心对象数量MinPts。
(1)轨迹子段的ε邻域
给定轨迹字段Li,以及轨迹子段集合D(Li∈D),Nε为轨迹字段Li的ε距离内的所有轨迹子段的集合。表达式定义如下:
(2)核心轨迹子段
给定轨迹字段Li,以及轨迹子段集合D(Li∈D)。表达式定义如下:
|Nε(Li)|≥MinPts
以改进的DBSCAN算法对轨迹段进行聚类。本方法以步骤四设计的相似性度量计算方法计算轨迹段之间的距离。获得聚类簇集合。
经过实验测得,当ε取值为0.004n mile时,minLns取值为4时,有良好的聚类效果。
步骤六:提取代表轨迹。本方法采取一种垂直扫描的方法来提取代表航线。首先计算出当前计算轨迹字段的平均航向。平均航向计算方法为该轨迹字段聚类簇中所有轨迹点航向的平均值。用一个垂直于该轨迹子段聚类簇平均航向的扫描线来扫描该簇内所有子段。取扫描间隔为每段子轨迹的平均长度。每次扫描记录与每段子轨迹相交点,计算这些点的平均坐标,作为代表轨迹的坐标,并将其存入代表轨迹集合中。经过此步骤,就将面状的聚类簇提取为线状的代表航线。
本方法采用以上方式析出航线,在实际应用时,通过AIS数据库,选择航行区域内的船舶AIS数据,以此数据为计算基础,得到航行区域内部的比较充分的代表航线。若此时对大量的船舶AIS数据直接做聚类运算以及航线提取计算,由于不同航线、航迹之间会有交叉重叠等现象,会导致聚类效果不佳甚至航线错误情况。本方法采用单船多日轨迹或同起终点船舶多日轨迹作为聚类依据,该区域内的船舶轨迹数据进行聚类操作,得到该区域内的尽可能全面的航线数据,以及船舶在此航线上的速度,时间等信息,并将其存入数据库中。
本方法使用上文中提出的改进的适用于船舶路径规划的蚁群算法来计算最佳路径。
在得到目标区域内部的航线数据后,计算出每条代表航线的距离以及每条航线的平均速度。并以此建立本区域内港口与港口之间的距离矩阵。该矩阵内的参数为距离和平均速度的加权求和内容。计算规则如下:
Dij=儮ddij+儮ssij
其中儮d+儮s=1
并在此的基础上,使用本文提到的最大最小蚁群算法对该矩阵进行求解,其流程结合图3:
步骤一:初始化相关参数。设定最大循环次数。
步骤二:对路径已经节点上的信息素新型初始化。
步骤三:设置最够数量的人工蚂蚁,将其放在初始出发点上,通过公式(1)即状态转移公式计算下一转移节点的概率,蚂蚁进入下一节点,并更新其禁忌表
步骤四:重复步骤三,知道本轮迭代完成
步骤五:依据公式(2)(3)更新路径信息素
步骤六:选出其中的精英蚂蚁和垃圾蚂蚁,并对精英蚂蚁和垃圾蚂蚁经过的路径更新信息素。
步骤七:重复三四五六,直至完成所有迭代次数。
步骤八:得到最佳路径。
Claims (1)
1.一种基于船舶轨迹和蚁群算法的船舶路径规划方法,其特征在于:该方法包括如下步骤,
步骤一:获取AIS数据;
步骤二:对AIS数据进行预处理;
步骤三:对数据进行聚类,并提取出代表航线;
步骤四:在代表航线之上应用本方法提出的蚁群算法,获得最优路径;
获取船舶AIS数据,为CSV文件或者EXCEL文件,将数据导入mysql数据库中,并设计好表结构;设计为四个表,分别为初始AIS数据表、清洗后的AIS数据表、轨迹字段表以及代表航线表;
对AIS数据进行预处理;首先处理格式错误的数据,从数据库中读取数据,首先对数据进行遍历,检查每条数据的数据长度、数据格式,是否符合定义,不符合定义的予以删除;之后检测漂移数据,AIS数据漂移会导致相邻轨迹点的距离出现波动,不能正确表现出时间和位置的变化关系,会对之后进行的轨迹分离和聚类造成很大干扰,对漂移数据进行处理;采用平均速度与角度监督的方法检测和清理漂移数据;通过当前轨迹点和前一个轨迹点的航程与间隔时间计算出平均速度;通过当前轨迹点与前一个轨迹点以及后一个轨迹点计算出转向角度;之后综合轨迹全部轨迹点全部的速度与转向角度;设定相应的速度与转向角阈值;若两个相邻轨迹点之间轨迹的平均速度小于该阈值,且当前轨迹点的瞬时速度也小于设定的瞬时速度阈值,则认为该点未发生漂移;否则将该点定义为漂移数据,进行删除;遍历所有轨迹点,清洗全部数据;在清洗完成之后,对轨迹数据进行插值操作填补因为清洗或其他原因造成的数据缺失;采用一种插值与轨迹分离相结合的方法进行插值;设定两个参数,Ta和Tb,分别为插入时间阈值和分割阈值,设连续的数据点Pa和Pb,并设其采样时间为tPa和tPb,若Ta<|tPa-tPb|<Tb,则进行插值操作,此处计算前k个点和后k个点的欧氏距离,来决定插值点的位置,插值点的速度信息则为该段轨迹的平均速度;若Tb<|tPa-tPb|,则将该轨迹拆分为两条轨迹;
对清洗后的数据进行划分,对每条轨迹进行聚类;采用轨迹划分保留子轨迹特征并提高聚类速度;设置转向角和速度变化率阈值,计算各个相邻子轨迹的转向角和速度变化率,与预设阈值进行比较,若小于预设阈值,则说明该点不是特征点,不进行轨迹划分,若大于预设阈值,则该点是特征点,需要在此进行轨迹划分,将划分后的子轨迹存入相应集合中;继续遍历传播轨迹数据,看是否还有未进行轨迹划分的数据,若存在,继续进行划分操作;
计算出计算轨迹相似度;轨迹相似度基于船舶位置、船舶航向、船舶航速几个维度的信息;计算出子轨迹的水平距离d//,垂直距离d⊥,航向距离dθ以及速度距离dspeed;并对其进行归一化处理,定义相应的权重;权重规则定义为:
(1)四个维度的权值均大于0
(2)四种权值相加为1即w//+w⊥+wθ+wspeed=1
综合距离计算公式为:D(Ti,Tj)=w//d//(Ti,Tj)+w⊥d⊥(Ti,Tj)+wθdθ(Ti,Tj)+wspeeddspeed(Ti,Tj);
对船舶轨迹进行聚类;采用的算法为DBSACAN聚类算法;聚类对象对轨迹字段;因此对DBSCAN做出改进,使其聚类对象为已划分的轨迹字段;重新定义ε邻域以及核心对象数量MinPts;
(1)轨迹字段的ε邻域
给定轨迹字段Li,以及轨迹字段集合D(Li∈D),Nε为轨迹字段Li的ε距离内的所有轨迹字段的集合;表达式定义如下:
(2)核心轨迹字段
给定轨迹字段Li,以及轨迹字段集合D,Li∈D;表达式定义如下:
|Nε(Li)|≥MinPts
以改进的DBSCAN算法对轨迹段进行聚类;以相似性度量计算方法计算轨迹段之间的距离;获得聚类簇集合;
提取代表轨迹,首先计算出当前计算轨迹字段的平均航向;平均航向计算方法为该轨迹字段聚类簇中所有轨迹点航向的平均值;用一个垂直于该轨迹字段聚类簇平均航向的扫描线来扫描该簇内所有字段;取扫描间隔为每段子轨迹的平均长度;每次扫描记录与每段子轨迹相交点,计算这些点的平均坐标,作为代表轨迹的坐标,并将其存入代表轨迹集合中;经过此步骤,就将面状的聚类簇提取为线状的代表航线;
通过AIS数据库,选择航行区域内的船舶AIS数据,以此数据为计算基础,得到航行区域内部的代表航线;对船舶AIS数据直接做聚类运算以及航线提取计算,采用单船多日轨迹或同起终点船舶多日轨迹作为聚类依据,该区域内的船舶轨迹数据进行聚类操作,得到该区域内的航线数据,以及船舶在此航线上的速度、时间信息,并将其存入数据库中;
使用改进的适用于船舶路径规划的蚁群算法来计算最佳路径;
在得到目标区域内部的航线数据后,计算出每条代表航线的距离以及每条航线的平均速度;并以此建立本区域内港口与港口之间的距离矩阵;该距离矩阵内的参数为距离和平均速度的加权求和内容;计算规则如下:
Dij=wddij+wssij
其中wd+ws=1
使用最大最小蚁群算法对该距离矩阵进行求解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110024643.XA CN112862156B (zh) | 2021-01-08 | 2021-01-08 | 一种基于船舶轨迹和蚁群算法的船舶路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110024643.XA CN112862156B (zh) | 2021-01-08 | 2021-01-08 | 一种基于船舶轨迹和蚁群算法的船舶路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112862156A CN112862156A (zh) | 2021-05-28 |
CN112862156B true CN112862156B (zh) | 2022-11-04 |
Family
ID=76005591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110024643.XA Active CN112862156B (zh) | 2021-01-08 | 2021-01-08 | 一种基于船舶轨迹和蚁群算法的船舶路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112862156B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102031151B1 (ko) * | 2019-03-20 | 2019-10-15 | 씨벤티지 주식회사 | 선박의 효율 운항을 위한 항로 안내 방법 |
CN113553682B (zh) * | 2021-07-12 | 2022-09-06 | 大连海事大学 | 一种数据驱动的多层次船舶航路网络构建方法 |
CN113536234B (zh) * | 2021-07-14 | 2023-04-07 | 广西柳工机械股份有限公司 | 矿区运输次数检测方法、装置、计算机设备及存储介质 |
CN113658452B (zh) * | 2021-07-31 | 2022-11-22 | 海南超船电子商务有限公司 | 一种航线距离测算方法及系统 |
CN114118243B (zh) * | 2021-11-18 | 2023-07-07 | 中交疏浚技术装备国家工程研究中心有限公司 | 一种基于航迹数据的耙吸挖泥船施工轨迹识别方法 |
CN115630131B (zh) * | 2022-12-19 | 2023-04-07 | 北京码牛科技股份有限公司 | 一种轨迹数据时空切片方法、系统及电子设备 |
CN115790609B (zh) * | 2023-01-18 | 2023-04-18 | 亿海蓝(北京)数据技术股份公司 | 集装箱船舶海上航路关键点的确定方法和装置 |
CN115855065B (zh) * | 2023-02-17 | 2023-09-05 | 亿海蓝(北京)数据技术股份公司 | 航路动态规划方法及系统、可读存储介质 |
CN117851655B (zh) * | 2024-03-05 | 2024-05-28 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于多算法耦合的船舶航迹缺失数据补全方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108459503B (zh) * | 2018-02-28 | 2021-03-30 | 哈尔滨工程大学 | 一种基于量子蚁群算法的无人水面艇航迹规划方法 |
EP3644014A1 (en) * | 2018-10-23 | 2020-04-29 | Offshore Navigation Limited | An apparatus for determining an optimal route of a maritime ship |
CN109740828B (zh) * | 2019-02-28 | 2021-07-30 | 广州中国科学院沈阳自动化研究所分所 | 船舶航行路径规划方法、系统、介质和设备 |
CN111401668A (zh) * | 2020-06-05 | 2020-07-10 | 江苏海事职业技术学院 | 一种基于大数据的无人船舶规划航线方法 |
-
2021
- 2021-01-08 CN CN202110024643.XA patent/CN112862156B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112862156A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112862156B (zh) | 一种基于船舶轨迹和蚁群算法的船舶路径规划方法 | |
CN110210352B (zh) | 基于航道模型的船舶轨迹异常检测方法 | |
CN113032502B (zh) | 一种基于改进轨迹段dbscan聚类的船舶异常检测方法 | |
CN110188093A (zh) | 一种基于大数据平台针对ais信息源的数据挖掘系统 | |
CN105628033B (zh) | 一种基于道路连通关系的地图匹配方法 | |
Deng et al. | Generating urban road intersection models from low-frequency GPS trajectory data | |
CN113537386B (zh) | 一种基于改进K-Medoids聚类的船舶典型运动轨迹自适应挖掘方法 | |
CN109708638B (zh) | 一种船舶轨迹点提取方法 | |
CN109636829A (zh) | 一种基于语义信息和场景信息的多目标跟踪方法 | |
CN110033051B (zh) | 一种基于多步聚类的拖网渔船行为判别方法 | |
CN111581314B (zh) | 基于船舶轨迹的泊位识别方法及装置 | |
CN110427360A (zh) | 轨迹数据的处理方法、处理装置、处理系统及计算机程序产品 | |
CN110457315A (zh) | 一种基于用户轨迹数据的群体聚集模式分析方法和系统 | |
CN113312438B (zh) | 融合航线提取与趋势判断的海上目标位置预测方法 | |
CN111179638A (zh) | 一种基于时间序列的船舶ais目标航行监控方法 | |
CN110197502A (zh) | 一种基于身份再识别的多目标跟踪方法及系统 | |
CN111341103B (zh) | 车道信息提取方法、装置、设备及存储介质 | |
CN106970945A (zh) | 一种出租车数据集的轨迹预处理方法 | |
CN111159321A (zh) | 船舶轨迹数据筛选方法和装置 | |
CN110084491B (zh) | 对流天气条件下基于最优穿越路径的航路阻塞度评估方法 | |
Virjonen et al. | Ship movement prediction using k-NN method | |
CN114077926A (zh) | 航行轨迹预测方法、计算机存储介质及程序产品 | |
CN104951655B (zh) | 一种基于频繁模式树的车辆运动模式挖掘方法 | |
CN114647705A (zh) | 一种基于ais数据的船舶航线提取与轨迹分类方法 | |
CN113283653B (zh) | 一种基于机器学习和ais数据的船舶轨迹预测方法 |
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 |