CN112906830A - 一种基于ais大数据的船舶最优航线自动生成方法 - Google Patents

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

一种基于AIS大数据的船舶最优航线自动生成方法

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d_draught模型，吃水度量d_draught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d_distance模型、航向度量d_cog模型。其中船舶轨迹距离度量d_distance中使用欧式距离，航向度量d_cog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(ω_distanceω_cogω_draught)，相似性综合度量公式如下：

D_dist＝ω_distance×d_distance+ω_cog×d_cog+ω_draught×d_draught。

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D_n×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。

特征航线生成方法，当e时，滑动窗口，依次提取窗口内主航迹坐标，生成轨迹坐标集F，根据坐标集H数据绘制航线，根据如下公式计算：

表示该窗口点横坐标，表示该窗口点纵坐标。

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d_distance、航向度量d_cog、吃水度量d_draught模型，进而设计船舶轨迹相似性综合度量D_dist模型。

d_cog＝2×min(|C_Li-C_Lj|,360-|C_Li-C_Lj|)

其中船舶轨迹距离度量d_distance中使用欧式距离，航向度量d_cog指的是同一水域同一航道上下行船舶的航向差，吃水度量d_draught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D_n×n

对轨迹距离矩阵做行升序处理

D₁…D_k(1≤k≤n)，其中D_k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。

3.根据权利要求2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：第二步中所述引入船舶静态数据，建立船舶吃水度量d_draught模型，吃水度量d_draught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：

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(ω_distanceω_cogω_draught)，相似性综合度量公式如下：

D_dist＝ω_distance×d_distance+ω_cog×d_cog+ω_draught×d_draught。

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D_n×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。

6.根据权利要求5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l，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。

Images