CN112906830A - 一种基于ais大数据的船舶最优航线自动生成方法 - Google Patents
一种基于ais大数据的船舶最优航线自动生成方法 Download PDFInfo
- Publication number
- CN112906830A CN112906830A CN202110401843.2A CN202110401843A CN112906830A CN 112906830 A CN112906830 A CN 112906830A CN 202110401843 A CN202110401843 A CN 202110401843A CN 112906830 A CN112906830 A CN 112906830A
- Authority
- CN
- China
- Prior art keywords
- data
- ship
- ais
- track
- route
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005259 measurement Methods 0.000 claims abstract description 25
- 230000003068 static effect Effects 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000013144 data compression Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000007418 data mining Methods 0.000 abstract description 2
- 238000013461 design Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G3/00—Traffic control systems for marine craft
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Ocean & Marine Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于AIS大数据的船舶最优航线自动生成方法,属于大数据挖掘技术领域,可解决现有方法无法应用到实际的船舶航线规划中等问题,包括以下几个步骤,首先对海量的历史AIS数据预处理,然后引入船舶静态数据,在距离度量中加入船舶吃水对AIS数据做相似性度量,紧接着采用改进的自适应聚类算法对船舶轨迹簇进行聚类,直至子类簇单一为止,最后采用航行主航线提取方法对聚类后的子类簇提取主航线,实现船舶自动生成最优航线。本发明基于历史AIS大数据对船舶运动轨迹进行分析处理,符合航线设计时“参考他船具体航行经验”的思想,提出的新的航迹规划方法,能够准确的提取出航行主航迹,能够为不同特征的船舶提供航线规划。
Description
技术领域
本发明属于大数据挖掘技术领域,具体涉及一种基于AIS大数据的船舶最优航线自动生成方法。
背景技术
随着科学技术的飞速发展,21世纪海上丝绸之路国家战略的提出和推进,海上进出口贸易的繁荣,如何规划航线减少运输成本并提高航行的安全性时一个重要的研究方向。常见的路径规划方法有A*(A-Star)算法、D*(Dijkstra)算法、概率路线图(Probabilistic Road Map,PRM)以及相应的一些改进算法;蚁群算法、遗传算法、粒子群优化算法等智能优化算法。但是当前航线规划研究中忽略了在航海中实际需要遵守的航线设计以及航行规则。传统的设计方法主要基于电子海图与遥感图像等,采用栅格化或者提取障碍物包围盒的方法来识别可航与不可航的水域,最终在可航水域中完成最优航线规,与实际中的应用存在一定的差距。
但是上述方法均存在不同程度上的缺陷,导致上述方法无法应用到实际的船舶航线规划中。虽然以上方法通过改进环境构建方法和搜索算法在搜索效率、路径平滑等方面取得了一定成果,但是这类算法规划路径的精细程度严重依赖环境模型的精细程度,当对规划路径精细程度要求过高时,环境搜索空间增大导致计算消耗成指数增加。另一方面,这些方法很难引入专家经验,规划路径出的路径往往需要航海专家进一步修正才能用于实际航行。
发明内容
本发明针对现有技术中存在的问题,提供一种基于AIS大数据的船舶最优航线自动生成方法,以达到船舶航行时能获得安全、最优的航行路径规划。本发明是在分析处理历史船舶AIS大数据以及改进的相似性度量基础上使用改进的自适应DBSCAN聚类区域内轨迹,提出新的航迹提取方法提取船舶航行主航迹,完成航线自动生成。
本发明采用如下技术方案:
一种基于AIS大数据的船舶最优航线自动生成方法,包括如下步骤:
第一步,对海量的AIS大数据进行预处理;
第二步,引入船舶静态数据,在距离度量中加入船舶吃水参数对船舶AIS数据做相似性度量;
第三步,对轨迹距离矩阵做行升序处理,提出改进的DBSCAN自适应算法对相似性度量后的AIS数据做子类簇独一化聚类处理;
第四步,分析并处理聚类后的子类簇,提取主航线轨迹,设计多条船舶航线自动生成的算法。
进一步地,第一步中所述预处理指AIS数据清洗和数据压缩,AIS数据清洗包括删除原始AIS数据中MMSI、经纬度、对地航速、对地航向出现的错误数据;通过检测对地航速判断船舶停靠点,删除船舶停留点数据;对于有较明显突进现象的船舶轨迹,通过中值滤波祛除对轨迹数据做平滑化处理;对于AIS数据接收延迟或重复接收,时间间隔较短采用插值算法补全轨迹,当时间间隔大于10min时,将轨迹分段绘制;通过DP算法对海量的AIS数据进行压缩,以用较少的数据来表达轨迹特征曲线,加快算法速度。
进一步地,第二步中所述引入船舶静态数据,建立船舶吃水度量ddraught模型,吃水度量ddraught指的是同航道中不同船舶类型的吃水差异,是重要的辅助聚类决策要素,采用如下公式计算:
引入船舶动态数据,建立船舶距离度量ddistance模型、航向度量dcog模型。其中船舶轨迹距离度量ddistance中使用欧式距离,航向度量dcog指的是同一水域同一航道上下行船舶的航向差。
进一步地,第二步中所述基于AIS数据计算得出的相应度量参数,定义相应的权重ω(ωdistanceωcogωdraught),相似性综合度量公式如下:
Ddist=ωdistance×ddistance+ωcog×dcog+ωdraught×ddraught。
进一步地,第三步中所述子类簇独一化聚类处理,方法如下:计算所得轨迹距离矩阵Dn×n,对轨迹距离矩阵做行升序处理,完成轨迹聚类,得到N类聚类簇,对完成聚类后的子类数据簇继续聚类,直至所有的子类簇只有一类为止。
进一步地,第四步中所述提取主航线轨迹,方法如下:分析处理聚类后的子类簇,获得清晰完整的交通流信息,采用主航线提取方法提取主航线信息,航行主航线提取原理为确定船舶轨迹数据簇中最大经度值m,最小经度值n,设定查找窗口的大小,由起始横坐标s平移到e,收集移动过程中的坐标点数据集合1,根据如下公式计算:其中N表示子类簇的坐标集,窗口起始横坐标位s,终止横坐标为e,l代表窗口内点纵坐标数据集合。
本发明的有益效果如下:
本发明基于历史AIS大数据对船舶运动轨迹进行分析处理,符合航线设计时“参考他船具体航行经验”的思想,提出的新的航迹规划方法,能够准确的提取出航行主航迹,能够为不同特征的船舶提供航线规划。
附图说明
图1为本发明的方法流程图。
图2为本发明自适应DBSCAN聚类流程图。
图3为本发明的方法具体步骤流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明的技术方案进行清楚、完整的描述,显然,所描述的实施例时本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动性前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明设计原理:自国际海事组织(IMO)MSC73会议通过强制安装自动识别系统(AIS)设备以来,AIS设备基本在不同的类型船舶上得到安装。AIS数据分为船舶动态数据和静态信息数据两个部分。动态信息记录了船舶水上移动通信业务标识码(Maritime MobileService Identify,MMSI)、经纬度、对地航向等。静态信息包括船舶类型、尺寸、吃水深度等。采用DTW算法对船舶轨迹在时间局部进行缩放,基于AIS动态信息,建立距离度量和航向度量;基于AIS静态信息,引入船舶吃水度量建立综合轨迹相似性度量方法。通过计算轨迹距离矩阵并做行升序处理,使用改进的DBSCAN算法进行聚类,对完成聚类后的子类簇继续聚类直至所有子类簇只有一类为止。设计航迹规划方法,准确的提取出航行主航迹。
基于上述设计原理,如图1,本发明所诉基于船舶AIS大数据的船舶最优航线自动生成方法,包括如下步骤:
S1、获取AIS数据;进一步的,作为本发明的优选实例,选取2019年1月2日~1月5日的AIS数据是在(122°4′57.72″E,30°17′16.44″N)到(122°14′27.60″E,30°6′49.68″N)的一个矩形区域内的海域。
S2、对海量的AIS历史数据进行预处理;进一步的,作为本发明的优选实例,既删除错误冗余的数据,检测船舶停靠点的数据,轨迹数据平滑化处理,船舶轨迹分割点的数据处理等。为了加快算法计算速度,用少量的特征数据来表达轨迹特征的曲线,使用DP算法对AIS轨迹数据压缩。
S3、AIS数据相似性度量;进一步的,作为本发明的优选实例,根据S2步骤得到船舶经纬度、航向、船舶吃水的AIS信息;分别建立距离度量ddistance、航向度量dcog、吃水度量ddraught模型,进而设计船舶轨迹相似性综合度量Ddist模型。
dcog=2×min(|CLi-CLj|,360-|CLi-CLj|)
其中船舶轨迹距离度量ddistance中使用欧式距离,航向度量dcog指的是同一水域同一航道上下行船舶的航向差,吃水度量ddraught指的是同航道中不同船舶类型的吃水差异,是重要的辅助聚类决策要素。
S4、多重船舶轨迹聚类;进一步的,作为本发明的优选实例,根据S3计算所得的轨迹距离矩阵Dn×n
对轨迹距离矩阵做行升序处理
D1…Dk(1≤k≤n),其中Dk代表第K列数据平均值;
计算相应k值的候选领域密度阈值Eps,MinPts直至聚类数N稳定,选取N稳定时K最大值,确定领域密度阈值Eps,MinPts数值。对完成初步轨迹聚类的子类数据簇继续聚类,直到所有子类簇只有一类为止。
S5、航行主航线提取;进一步的,作为本发明的优选实例,基于S4中轨迹聚类数据结果,依次选取聚类后的类簇数据,采用主航迹提取方法提取聚类簇的主航迹,最多可同时生成多个类别簇的航行主航迹,完成船舶航线规划。
基于上述实验,选取其中一条推荐航线,叠加到最新的电子海图航道图上,同时与多条船舶的真实航线对比。数据对比表如下:
该实例表明该航线自动生成算法能够同时生成多条航线,与历史船舶航线相比缩短约5%,且满足安全航行条件,大大减少了运输成本,节约了大量的运输时间,证实了该方法能够为不同特征的船舶提供相应的航线规划。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (6)
1.一种基于AIS大数据的船舶最优航线自动生成方法,其特征在于:包括如下步骤:
第一步,对海量的AIS大数据进行预处理;
第二步,引入船舶静态数据,在距离度量中加入船舶吃水参数对船舶AIS数据做相似性度量;
第三步,对轨迹距离矩阵做行升序处理,提出改进的DBSCAN自适应算法对相似性度量后的AIS数据做子类簇独一化聚类处理;
第四步,分析并处理聚类后的子类簇,提取主航线轨迹,设计多条船舶航线自动生成的算法。
2.根据权利要求1所述的一种基于AIS大数据的船舶最优航线自动生成方法,其特征在于:第一步中所述预处理指AIS数据清洗和数据压缩,AIS数据清洗包括删除原始AIS数据中MMSI、经纬度、对地航速、对地航向出现的错误数据;通过检测对地航速判断船舶停靠点,删除船舶停留点数据;对于有较明显突进现象的船舶轨迹,通过中值滤波祛除对轨迹数据做平滑化处理;对于AIS数据接收延迟或重复接收,时间间隔较短采用插值算法补全轨迹,当时间间隔大于10min时,将轨迹分段绘制;通过DP算法对海量的AIS数据进行压缩,以用较少的数据来表达轨迹特征曲线,加快算法速度。
4.根据权利要求3所述的一种基于AIS大数据的船舶最优航线自动生成方法,其特征在于:第二步中所述基于AIS数据计算得出的相应度量参数,定义相应的权重ω(ωdistanceωcogωdraught),相似性综合度量公式如下:
Ddist=ωdistance×ddistance+ωcog×dcog+ωdraught×ddraught。
5.根据权利要求4所述的一种基于AIS大数据的船舶最优航线自动生成方法,其特征在于:第三步中所述子类簇独一化聚类处理,方法如下:计算所得轨迹距离矩阵Dn×n,对轨迹距离矩阵做行升序处理,完成轨迹聚类,得到N类聚类簇,对完成聚类后的子类数据簇继续聚类,直至所有的子类簇只有一类为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110401843.2A CN112906830B (zh) | 2021-04-14 | 2021-04-14 | 一种基于ais大数据的船舶最优航线自动生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110401843.2A CN112906830B (zh) | 2021-04-14 | 2021-04-14 | 一种基于ais大数据的船舶最优航线自动生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112906830A true CN112906830A (zh) | 2021-06-04 |
CN112906830B CN112906830B (zh) | 2023-12-19 |
Family
ID=76110470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110401843.2A Active CN112906830B (zh) | 2021-04-14 | 2021-04-14 | 一种基于ais大数据的船舶最优航线自动生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906830B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505836A (zh) * | 2021-07-14 | 2021-10-15 | 金睛兽数字科技(重庆)有限公司 | 基于大数据的船舶航线自动生成方法 |
CN113537386A (zh) * | 2021-08-01 | 2021-10-22 | 大连海事大学 | 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 |
CN113658452A (zh) * | 2021-07-31 | 2021-11-16 | 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 |
CN113689739A (zh) * | 2021-08-24 | 2021-11-23 | 重庆大学 | 一种基于历史数据的控制河段船舶上下水判定方法 |
CN113686342A (zh) * | 2021-08-24 | 2021-11-23 | 重庆大学 | 一种基于网格参考航向的控制河段船舶上下水判定方法 |
CN113780952A (zh) * | 2021-09-16 | 2021-12-10 | 上海船舶运输科学研究所 | 一种集装箱班轮航线运力分析方法及系统 |
CN114088097A (zh) * | 2021-11-12 | 2022-02-25 | 天津大学 | 基于ais大数据对海上船舶可航流形框架的提取方法 |
CN114218297A (zh) * | 2021-12-15 | 2022-03-22 | 大连海事大学 | 基于dtw的单船多ais设备识别方法 |
CN114675652A (zh) * | 2022-04-01 | 2022-06-28 | 中电科(宁波)海洋电子研究院有限公司 | 动态环境下基于ais数据的多目标船舶航路规划方法 |
CN115060264A (zh) * | 2022-05-23 | 2022-09-16 | 中国船舶重工集团公司第七0七研究所九江分部 | 一种基于ais数据的prm航线规划方法 |
CN115310533A (zh) * | 2022-08-05 | 2022-11-08 | 中远海运科技股份有限公司 | 一种基于ais的海上风电场识别方法及系统 |
CN115828120A (zh) * | 2023-02-17 | 2023-03-21 | 山东科技大学 | 船舶交通行为模式自适应识别方法、系统及计算机设备 |
CN115855065A (zh) * | 2023-02-17 | 2023-03-28 | 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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111928855A (zh) * | 2020-08-21 | 2020-11-13 | 上海船舶运输科学研究所 | 基于ais数据的最短航线自动规划方法 |
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 |
CN111985529A (zh) * | 2020-07-06 | 2020-11-24 | 东南大学 | 一种船舶ais轨迹混合聚类方法及系统 |
CN112487116A (zh) * | 2020-11-19 | 2021-03-12 | 江苏锐天信息科技有限公司 | 一种基于ais大数据的船舶航迹分析方法 |
CN112650237A (zh) * | 2020-12-21 | 2021-04-13 | 武汉理工大学 | 基于聚类处理和人工势场的船舶路径规划方法和装置 |
-
2021
- 2021-04-14 CN CN202110401843.2A patent/CN112906830B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN111985529A (zh) * | 2020-07-06 | 2020-11-24 | 东南大学 | 一种船舶ais轨迹混合聚类方法及系统 |
CN111928855A (zh) * | 2020-08-21 | 2020-11-13 | 上海船舶运输科学研究所 | 基于ais数据的最短航线自动规划方法 |
CN112487116A (zh) * | 2020-11-19 | 2021-03-12 | 江苏锐天信息科技有限公司 | 一种基于ais大数据的船舶航迹分析方法 |
CN112650237A (zh) * | 2020-12-21 | 2021-04-13 | 武汉理工大学 | 基于聚类处理和人工势场的船舶路径规划方法和装置 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505836B (zh) * | 2021-07-14 | 2022-11-15 | 金睛兽数字科技(重庆)有限公司 | 基于大数据的船舶航线自动生成方法 |
CN113505836A (zh) * | 2021-07-14 | 2021-10-15 | 金睛兽数字科技(重庆)有限公司 | 基于大数据的船舶航线自动生成方法 |
CN113658452A (zh) * | 2021-07-31 | 2021-11-16 | 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 |
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 |
CN113537386A (zh) * | 2021-08-01 | 2021-10-22 | 大连海事大学 | 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 |
CN113537386B (zh) * | 2021-08-01 | 2024-05-10 | 大连海事大学 | 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 |
CN113689739A (zh) * | 2021-08-24 | 2021-11-23 | 重庆大学 | 一种基于历史数据的控制河段船舶上下水判定方法 |
CN113686342A (zh) * | 2021-08-24 | 2021-11-23 | 重庆大学 | 一种基于网格参考航向的控制河段船舶上下水判定方法 |
WO2023039894A1 (zh) * | 2021-09-16 | 2023-03-23 | 上海船舶运输科学研究所有限公司 | 一种集装箱班轮航线运力分析方法及系统 |
CN113780952B (zh) * | 2021-09-16 | 2024-03-15 | 上海船舶运输科学研究所有限公司 | 一种集装箱班轮航线运力分析方法及系统 |
CN113780952A (zh) * | 2021-09-16 | 2021-12-10 | 上海船舶运输科学研究所 | 一种集装箱班轮航线运力分析方法及系统 |
CN114088097A (zh) * | 2021-11-12 | 2022-02-25 | 天津大学 | 基于ais大数据对海上船舶可航流形框架的提取方法 |
CN114218297A (zh) * | 2021-12-15 | 2022-03-22 | 大连海事大学 | 基于dtw的单船多ais设备识别方法 |
CN114218297B (zh) * | 2021-12-15 | 2023-03-10 | 大连海事大学 | 基于dtw的单船多ais设备识别方法 |
CN114675652A (zh) * | 2022-04-01 | 2022-06-28 | 中电科(宁波)海洋电子研究院有限公司 | 动态环境下基于ais数据的多目标船舶航路规划方法 |
CN115060264A (zh) * | 2022-05-23 | 2022-09-16 | 中国船舶重工集团公司第七0七研究所九江分部 | 一种基于ais数据的prm航线规划方法 |
CN115310533A (zh) * | 2022-08-05 | 2022-11-08 | 中远海运科技股份有限公司 | 一种基于ais的海上风电场识别方法及系统 |
CN115310533B (zh) * | 2022-08-05 | 2024-01-19 | 中远海运科技股份有限公司 | 一种基于ais的海上风电场识别方法及系统 |
CN115828120A (zh) * | 2023-02-17 | 2023-03-21 | 山东科技大学 | 船舶交通行为模式自适应识别方法、系统及计算机设备 |
CN115855065A (zh) * | 2023-02-17 | 2023-03-28 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN112906830B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112906830B (zh) | 一种基于ais大数据的船舶最优航线自动生成方法 | |
CN113450596B (zh) | 基于船舶轨迹特征点提取的时空dp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 | |
CN111222574B (zh) | 基于多模型决策级融合的舰船与民船目标检测与分类方法 | |
CN109708638B (zh) | 一种船舶轨迹点提取方法 | |
CN109492561B (zh) | 一种基于改进的yolo v2模型的光学遥感图像舰船检测方法 | |
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 | |
US9507052B2 (en) | Automatic recognition method of continental slope foot point based on terrain grid | |
CN111582380B (zh) | 一种基于时空特征的船舶轨迹密度聚类方法及装置 | |
Zhao et al. | A novel similarity measure for clustering vessel trajectories based on dynamic time warping | |
CN114564545A (zh) | 一种基于ais历史数据的船舶经验航线提取系统及方法 | |
CN113312438B (zh) | 融合航线提取与趋势判断的海上目标位置预测方法 | |
Yang et al. | Maritime traffic flow clustering analysis by density based trajectory clustering with noise | |
CN113536948B (zh) | 一种渔船捕捞行为识别方法及装置 | |
CN114550498B (zh) | 一种海量ais数据驱动的船舶偏离航道智能预警系统 | |
Xu et al. | Research on ship trajectory extraction based on multi-attribute DBSCAN optimisation algorithm | |
Zhou et al. | Compressing AIS trajectory data based on the multi-objective peak Douglas–Peucker algorithm | |
CN107330587B (zh) | 一种基于ais的近岸航道水深利用率计算方法 | |
CN111221819B (zh) | 一种基于多维数据空间分割的相似台风快速匹配方法 | |
Wang et al. | Classification of ship trajectories by using naive Bayesian algorithm | |
CN115546497A (zh) | 一种基于轨迹大数据的船舶航路网络提取方法 | |
CN112882058B (zh) | 一种基于变尺寸栅格地图的船载激光雷达障碍物检测方法 | |
CN115187614A (zh) | 一种基于stdc语义分割网络的实时同时定位与建图方法 | |
CN113920300A (zh) | 一种可见光遥感图像船舶目标识别方法及系统 | |
CN115100247B (zh) | 一种基于ais动态信息的分步预测船舶轨迹的方法 |
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 |