CN112966332A - 基于多船运动不确定性的冲突侦测方法、存储器及处理器 - Google Patents
基于多船运动不确定性的冲突侦测方法、存储器及处理器 Download PDFInfo
- Publication number
- CN112966332A CN112966332A CN202110233371.4A CN202110233371A CN112966332A CN 112966332 A CN112966332 A CN 112966332A CN 202110233371 A CN202110233371 A CN 202110233371A CN 112966332 A CN112966332 A CN 112966332A
- Authority
- CN
- China
- Prior art keywords
- ship
- conflict
- collision
- vessel
- uncertainty
- 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
- 230000033001 locomotion Effects 0.000 title claims abstract description 57
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 65
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 9
- 238000012885 constant function Methods 0.000 claims description 3
- 230000007717 exclusion Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 229910001316 Ag alloy Inorganic materials 0.000 claims description 2
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 claims description 2
- 238000000342 Monte Carlo simulation Methods 0.000 abstract description 14
- 239000000203 mixture Substances 0.000 abstract description 4
- 238000013349 risk mitigation Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 abstract description 2
- 238000009472 formulation Methods 0.000 abstract 1
- 238000009826 distribution Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 239000003643 water by type Substances 0.000 description 5
- 238000012502 risk assessment Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Geometry (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computer Security & Cryptography (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种基于多船运动不确定性的冲突侦测方法、存储器及处理器，通过对AIS数据中的轨迹不确定性分布进行量化，考虑船舶运动的时空相关模式，预测各种多船会遇局面下的潜在碰撞风险。采用一种两阶段蒙特卡洛模拟算法保证了估计的精度和效率，该算法提供了近似精度的定量边界，并允许快速估计冲突概率。利用宁波舟山港的AIS轨迹数据进行了多个实际试验，验证了该方法的可行性和优越性。结果表明，该方法能够在复杂的动态环境中及时、可靠地侦测出碰撞风险。因此，它们为船舶碰撞风险预测以及风险缓解措施的制定提供了有价值的见解。
Description
技术领域
本发明属于交通运输安全技术领域，具体涉及一种基于多船运动不确定性的冲突侦测方法、存储器及处理器。
背景技术
海上运输在全球经济发展中发挥着重要作用。然而，在过去几十年中，不断增长的航运量导致了较高的海上交通密度或复杂性，特别是在港口附近水域。它使船舶碰撞成为最常见的海上事故类型之一。例如，新加坡海峡、宁波舟山港、波罗的海北部等海域，存在交通量大，交通状况极为复杂，船舶运动行为多变等特征。这导致人们越来越关注传统风险方法对海上交通风险的不适用性，并对新的船舶碰撞风险感知模型提出了挑战。
针对这些问题，人们开发了多种方法来定量分析船舶碰撞风险，包括理论碰撞风险建模、概率和后果评估以及碰撞风险估计，为实施船舶碰撞风险缓解策略提供了定量依据。近年来，一类利用“碰撞”或“未遂”等概念从自动识别系统(AIS)数据中检测潜在危险会遇事件的碰撞风险估计方法引起了广泛的研究兴趣。然而，大多数的碰撞风险估计方法都是基于一个很强的假设，即在不远的将来，参与的船舶将保持观测到的速度，或者可以提前准确地预测船舶的运动轨迹，忽略了船舶运动的动态性和不确定性的影响。这种强有力的假设往往导致现实中的冲突或未遂事件评估不准确，特别是在高度复杂和动态的交通状况下。这是因为一些船舶在会遇过程中，由于航行计划或水域地理特征等原因，可能会进行一次或多次转向，而且由于环境、物理、人为等各种影响因素的不确定性，很难准确预测船舶的运动轨迹。因此，在一些实际案例中，这些模型在风险分析和预测方面的性能变得可疑和有争议。另一个亟待解决的研究空白是，目前的船舶碰撞风险研究大多以船 -船为研究对象，未能对多船会遇情景进行建模。因此，它阻碍了这些模型在经常发生多船会遇局面的拥挤水域的应用。因此，为了实现高不确定性条件下船舶碰撞风险的实时、准确评估，必须建立一个能够考虑多船运动时空不确定性的动态风险评估模型。
公开号CN110009937A的中国专利于2019年7月12日公开了一种基于AIS数据的船舶碰撞风险分析方法，该方法公开了基于历史AIS数据，在标准船舶选取和转换的基础上，采用密度聚类算法建立船舶碰撞风险的热度图，实现船舶碰撞风险的时空可视化；然后基于实时AIS数据，在船位场、航向场和航速场的基础上，构建区域船舶碰撞风险评判模型，运用高斯核函数核密度估计算法提出动态船舶碰撞风险可视方法，实现区域船舶碰撞风险的实时更新。该专利申请仅对船舶碰撞风险结果进行的动态实时更新，没有考虑船舶运动的不确定性；其重点在于提供风险实时分布的视觉效果，并没有从概率角度考虑多船局面下个体船舶的碰撞风险。
发明内容
为克服上述现有技术的不足，本发明提供一种基于多船运动不确定性的冲突侦测方法、存储器及处理器，通过对AIS数据中的轨迹不确定性分布进行量化，考虑船舶运动的时空相关模式，预测各种多船会遇局面下的潜在碰撞风险。
本发明是通过以下技术方案予以实现的：
基于多船运动不确定性的冲突侦测方法，包括：
引入船舶冲突定义，建立船舶冲突严重度度量模型；
利用AIS数据驱动程序提取船舶轨迹预测不确定性；
基于船舶航行计划和提取的不确定性特征，建立船舶绝对运动模型；
将船舶冲突严重度度量模型引入船舶绝对运动模型，建立船舶相对运动模型，以预测船舶位置和航向并计算多船会遇局面的冲突概率；
对于任一船舶，基于船舶航行计划和CPA计算方法识别危险目标船舶；
基于两阶段蒙特卡洛算法估计当前船舶与危险目标船舶之间的船舶冲突严重度。
上述技术方案为在高交通密度的港口水域中为船员或船舶交通服务中心(VTS)的决策提供定量依据，提供了一种考虑环境干扰、机械因素和人为因素引起的不确定性的概率冲突方法。该方法利用多船运动的时空不确定性，识别具有潜在碰撞风险的目标船，并量化冲突发生的概率。首先，介绍了船舶冲突的基本概念及其冲突严重度度量模型，以评估当前船舶会遇局面的状况；其次，结合船舶航行计划信息和影响船舶运动的不确定性或扰动特征，预测船舶在未来时间范围内的位置分布；各种不确定性源可能导致位置预测的偏差，因此，利用历史AIS数据来提取船舶不确定性分量的概率分布函数，以确认每个未来瞬时时刻的船舶位置概率分布；第三，根据预测位置分布，计算多船会遇局面的冲突概率。对于每艘船舶，首先根据标准预测轨迹计算其与附近船舶的最小通过距离，以识别具有潜在碰撞风险的目标船舶，然后使用改进的快速蒙特卡洛算法估计与这些船舶的冲突概率。
作为进一步的技术方案，引入船舶冲突定义，建立船舶冲突严重度度量模型的步骤进一步包括：
若A船和B船满足DistAB(t)≤SDA(t)+SDB(t)，则认为A船和B船存在冲突，其中， SDA和SDB是指从每艘船舶中心到其禁区边界的距离，DistAB是指本船和目标船之间的距离；
A船和B船在时刻t发生冲突的瞬时冲突概率为
其中，L(t)＝DistAB(t)-SDA(t)-SDB(t)，fL(t)代表L(t)的概率密度函数；
根据预测范围内瞬时冲突概率的最大值来声明船舶冲突严重度，建立船舶冲突严重度度量模型为，
作为进一步的技术方案，利用AIS数据驱动程序提取船舶轨迹预测不确定性的步骤进一步包括：1)识别轨迹转折点；2)提取船舶位置和航向预测误差；3)检验不确定分量数据集的相关性；4)拟合不确定分量的概率密度函数。
作为进一步的技术方案，所述方法进一步包括：建立A船的绝对运动模型，预测A船在未来T时刻的位置表示为：
其中tc是当前时刻；
是船舶A的初始位置；
表示船舶A在时间t的标准速度，其是与航行计划相关的分段常数函数；
是与船舶标准航向相关的旋转矩阵；
表示船舶预测位置的不确定性分量。
作为进一步的技术方案，建立船舶相对运动模型进一步包括获取DistAB(t)、SDA(t)和 SDB(t)；具体为，
对于会遇的A船和B船，A船与B船之间的相对距离为
从A船的中心到其船舶领域边界的距离为
其中，βAB(t)表示在时间t时船舶B的位置相对于船舶A的位置的预测相对航向，RL,A和RS,A是船舶A的领域椭圆的长半轴和短半轴的长度，
表示A船在t时刻的标准预测航向；考虑预测航向的不确定性，有
其中，αA(t)表示时间t时的预测航向误差分量；
同理，得到SDB(t)。
作为进一步的技术方案，利用两阶段蒙特卡洛算法估计船舶冲突严重度，进一步包括：第一阶段，使用相对较少的样本粗略地计算预测时间范围内每个时刻的冲突概率，然后结合由霍夫丁不等式得到的逼近误差的定量边界，提取可能具有最大冲突概率的时间点并进行排序；第二阶段，进行大量迭代，得到精确的船舶冲突严重度度量C(γ)。
作为进一步的技术方案，第一阶段中，在面对提取多个时间点的情况时，最多保留前两个排名的时间点。
作为进一步的技术方案，所述方法进一步包括：如果第一阶段估计的最大冲突概率远低于冲突预警阈值，则不必在第二阶段继续进行冲突概率计算。
一种存储器，其上存储有程序指令，所述程序指令被处理器执行时实现所述的冲突侦测方法。
一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述的冲突侦测方法。
与现有技术相比，本发明的有益效果在于：
(1)本发明所提出的概率冲突侦测方案结合了多船时空运动的动态性和不确定性特征，更准确、可靠地刻画和量化了冲突严重度。与传统的船舶碰撞分析方法相比，该方法能够在繁忙的港口等复杂的海上交通水域处理各种多船会遇情况，从而方便船舶驾驶员和海事安全部门获得实时有效的潜在碰撞预警信号。
(2)本发明为了提高冲突概率的计算效率，提出了一种两阶段蒙特卡洛仿真算法。实验结果表明，该算法仅需约20％-25％的计算量即可获得与直接蒙特卡罗方法相同的逼近精度。
(3)本发明提出了从AIS数据驱动程序提取不确定性的概率密度分布，其基于AIS数据驱动的机制，从历史轨迹中提取船舶的时空不确定性模式，发现位置和航向不确定性分量不服从常用的高斯分布，且它们之间的相关性不显著，本发明采用核密度估计方法进一步拟合它们的概率分布函数，然后将其嵌入到船舶运动模型中，以帮助精确地预测轨迹的分布模式。相对于现有技术直接假定预测位置的不确定性服从正态分布，并假定水平位置预测与垂直位置预测的不确定性没有相关性的预测方式而言，本发明的预测更贴近实际情况。
附图说明
图1为根据本发明实施例的基于多船运动不确定性的冲突侦测方法的流程示意图；
图2为根据本发明实施例的船舶冲突定义示意图；
图3为根据本发明实施例的船舶A在航段i的绝对运动的示意图；
图4为根据本发明实施例的船舶位置和航向预测误差计算说明示意图；
图5(1)为根据本发明实施例的沿航迹纵向预测误差的概率密度函数示意图；
图5(2)为根据本发明实施例的沿航迹横向预测误差的概率密度函数示意图；
图5(3)为根据本发明实施例的航向预测误差的概率密度函数；
图6(1)为根据本发明实施例的DMC和TSMC的误差分布箱线图；
图6(2)为根据本发明实施例的DMC和TSMC的均方根误差和计算成本示意图；
图7(1)为根据本发明实施例的t＝5min船舶交通量空间分布及其C(γ)水平示意图；
图7(2)为根据本发明实施例的t＝10min船舶交通量空间分布及其C(γ)水平示意图；
图7(3)为根据本发明实施例的t＝15min船舶交通量空间分布及其C(γ)水平示意图；
图7(4)为根据本发明实施例的t＝20min船舶交通量空间分布及其C(γ)水平示意图；
图7(5)为根据本发明实施例的随时间变化不同C(γ)水平的船舶交通组成示意图。
具体实施方式
以下将结合附图对本发明各实施例的技术方案进行清楚、完整的描述，显然，所描述发实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
本发明旨在开发一种概率风险的船舶冲突检测方法，该方法一方面适用于高交通密度水域中的多船会遇局面，另一方面考虑了船舶时空运动固有不确定性对碰撞风险量化的影响。基于该目的，本发明从概率风险的角度提出了一种新的冲突侦测方法，并基于AIS数据驱动分析提取了船舶轨迹不确定性分布。首先，在经典的船舶领域模型的基础上，引入了一种表征船舶会遇冲突程度的指标来度量冲突的严重性。在此基础上，结合船舶航行计划信息和航迹不确定性分布，建立了船舶运动模型，对船舶在未来时间范围内的轨迹进行预测。与假定船舶轨迹不确定性服从高斯分布的经验模型相比，本工作率先从历史AIS数据中挖掘航迹信息，识别基于预测时间维度的船舶位置和航向不确定性模式。根据预测的船舶运动轨迹，可以对多船的冲突严重度进行估计。由于考虑模型中船舶运动不确定性会使得冲突概率的计算成本非常高，本发明设计并引入了两阶段蒙特卡罗仿真算法，高效地估计冲突的严重度，该算法同时给出了定量边界以保证估计精度。最后利用港口实际的AIS轨迹数据对该方法的性能进行实验验证。
为在高交通密度的港口水域中为船员或船舶交通服务中心(VTS)的决策提供定量依据，本发明设计了一种考虑环境干扰、机械因素和人为因素引起的不确定性的概率冲突方法。该方法利用多船运动的时空不确定性，识别具有潜在碰撞风险的目标船，并量化冲突发生的概率。如图1所示，该方法包括：引入船舶冲突定义，建立船舶冲突严重度度量模型；利用AIS数据驱动程序提取船舶轨迹预测不确定性；基于船舶航行计划和提取的不确定性特征，建立船舶绝对运动模型；将船舶冲突严重度度量模型引入船舶绝对运动模型，建立船舶相对运动模型，以预测船舶位置和航向并计算多船会遇局面的冲突概率；对于任一船舶，基于船舶航行计划和CPA计算方法识别危险目标船舶；基于两阶段蒙特卡洛算法估计当前船舶与危险目标船舶之间的船舶冲突严重度。
对于每艘船舶，首先根据标准预测轨迹计算其与附近船舶的最小通过距离，以识别具有潜在碰撞风险的目标船舶，然后使用改进的蒙特卡洛算法估计与这些船舶的冲突概率。其中，标准预测轨迹是指仅基于船舶航行计划预测的常规船舶轨迹，没有考虑不确定性；由于最小通过距离需要计算出一个确定的值才有意义，所以这里只基于标准预测轨迹进行粗略判断。
作为一种实施方式，所述方法主要包括以下几个部分：1)冲突定义和严重性度量；2) 船舶运动建模；3)冲突概率计算。
1)冲突定义和严重性度量
当预测两艘船的轨迹违反给定的一组规定的安全距离时，就会发生冲突。本发明在船舶领域模型的基础上定义了船舶冲突。图2给出了冲突侦测的示例。在该图中，如果在不久的将来以下公式(1)被满足，则认为A船和B船存在冲突。
DistAB(t)≤SDA(t)+SDB(t) (1)
其中SDA和SDB是指从每艘船舶中心到其禁区边界的距离，DistAB是指本船和目标船之间的距离。本发明采用了广泛使用的适用于高交通密度限制区的船舶领域模型，即长半径为6L(L为船长)、短半径为1.6L的椭圆。事实上，船舶领域的形状和大小在很大程度上取决于研究水域的交通密度和交通规则。另一种方法是设计基于特定水域AIS数据挖掘的船舶领域模型，以确定船舶属性、航行环境和人为因素等影响因素与领域大小之间的关系。然而，本发明主要关注的是在船舶运动存在不确定性的情况下，多船会遇冲突的识别和量化。它是指船舶的轨迹违反了一组最小安全距离，从而导致冲突的概率。
在时刻t发生冲突的瞬时冲突概率由两船间隔小于或等于规定间隔距离的概率给出，即Dist(t)≤SDA+SDB，如下所示：
其中L(t)＝Dist(t)-SDA(t)-SDB(t)，fL(t)代表Dist(t)-SDA(t)-SDB(t)的概率密度函数。
为了描述适当的支持度量来衡量冲突的严重性，我们根据预测范围内冲突概率的最大值来声明冲突，如下所示：
其中T是预测时间长度。
2)船舶运动建模
船舶航迹预测方法可分为基于物理的、基于机动的和基于交互感知的三类。在这些方法中，交互感知预测被认为是最准确的。这是因为这种方法需要通过通信在船舶之间交换计划的轨迹，而每艘船舶比其他船舶更了解自己的意图和轨迹信息。因此，我们假设计划的轨迹信息或航行计划是基于船舶之间的相互分享而获得的。
2.1)船舶绝对运动建模
通常，船舶航行计划由一系列航路点WPi＝1,2…,n+1组成，这些航路点指定了分段线性轨迹。为了进行冲突估计，我们首先假设每艘船舶都遵循其航行计划，以规定的速度沿连接连续航路点的路线行驶，然后在标准轨迹上加入位置不确定性，由此可以计算出船舶的位置分布。因此，本研究中的船舶运动模型由以下三部分组成：1)描述船舶运动物理规律的连续动力学；2)与航行计划相关的离散动力学；3)由风、浪、流等环境扰动以及机械和人为因素等引起的船舶运动不确定性所给出的随机分量。
在上述模型的基础上，预测A船在未来T时刻的位置可以表示为：
其中tc是当前时刻；
是船舶A的初始位置；
表示船舶A在时间t的标准速度，其是与航行计划相关的分段常数函数；
是与船舶标准航向相关的旋转矩阵；
表示船舶预测位置的不确定性分量。
在式(4)中，前两部分表示基于航行计划导出的航路点序列形成的标准预测轨迹。更具体地说，假设A船的航行计划包括nA段和nA+1个航路点，其中第一个航路点是进行预测的初始位置。假设每艘船舶以规定的速度按照其航行计划移动，如图3所示，每一航段的标准航行时间可由下列表达式得出：
其中
和
分别表示i航段的起点和终点坐标。然后，船舶A在每个航段开始和结束的标准预测时间可以通过以下公式递归计算：
基于等式(5)-(7)，任何特定时间点的标准预测位置都可以很容易地计算出来。
对于等式(4)中表示船舶预测位置误差的最后一部分，将在下面详细给出：
其中，QA,x(T)和QA,y(T)是指航向和横向船位误差分量，如果它们分别朝向前方和左侧，则认为是正的。船舶在时间T的标准航向可根据连续航路点坐标计算，如下所示：
其中
和
表示i段航段的起点和终点位置。
2.2)船舶相对运动建模
由于冲突发生概率高度依赖于相遇船舶之间的相对运动，因此它们之间的相对距离首先如下给出。
此外，会遇船舶之间的船舶领域边界关系对冲突严重度也有显著影响。因此，从船舶 A的中心到其船舶领域边界的距离由下式给出。
式中，βAB(t)表示在时间t时船舶B的位置相对于船舶A的位置的预测相对航向，RL,A和RS,A是船舶A的领域椭圆的长半轴和短半轴的长度，
表示A船在t时刻的标准预测航向。由于船舶在各种干扰的作用下航向可能略有变化，因此也考虑了其预测的不确定性，描述如下：
式中，αA(t)表示时间t时的预测航向误差分量。以类似的方式，也可以获得SDB的长度。
绝对运动建模是对单船的航行轨迹进行建模；由于船舶碰撞是船与船之间的事件，因此在绝对运动建模的基础上，进一步基于相对建模描述船与船之间的相对运动关系。
从公式(1)中可以看出量化船舶之间的冲突概率由SDA、SDB和DistAB三个变量影响，所以相对运动建模重点说明如何得到这三个变量，基于这三个变量的概率密度分布可以得到最终的冲突严重度结果。
2.3)船舶位置和航向不确定性模式的提取
船舶运动建模的一个重要任务是识别影响船舶运动的不确定性分量的分布函数(即 QA,x,QA,y和αA)，因为估计的C(γ)的精度在很大程度上依赖于预测的船舶状态概率密度分布。为了解决这个问题，我们设计了一个AIS数据驱动的程序来确定位置和航向不确定性分量的概率密度函数。它包括四个步骤：1)轨迹转折点的识别，2)位置和航向预测误差的提取，3)不确定分量数据集的相关检验，4)不确定分量的概率密度函数拟合。
更具体地描述，AIS数据轨迹的转向点首先根据Douglas–Peucker(DP)算法确定为船舶航行计划的航路点。该算法通过对一条轨迹上的直线数据进行递归分割来保留重要的轨迹位置，从而实现对一条轨迹上的直线数据的压缩。由于其在运行速度和精度上的优异性能，在船舶轨迹压缩中得到了广泛的应用。因此，我们采用该方法来简化船舶的运动轨迹，识别船舶的转向点。
在此基础上，我们可以根据每艘船的当前状态和确定的转向点来预测其未来的标准轨迹。通过计算AIS历史数据中标准预测轨迹与实际轨迹的差值，提取出预测时间范围内每个时刻的位置和航向预测误差。图4给出了误差计算的示例。在该图中，点A和A'分别表示在时间t预测的标准位置和实际位置。考虑u与船舶标准航行方向对齐，v与之垂直的坐标系，可计算船舶在垂直和水平方向上的预测位置误差，如下所示：
其中
是船舶在时间t的标准预测航向，ΔPx(t)和ΔPy(t)代表原始地理坐标系上的预计纵向和横向位置误差。对于航向误差，根据标准预测航向与实际航向的差异，可以很容易地提取航向误差。通过这种方法，我们可以在预测时间范围内收集每分钟的船舶标准预测位置和航向误差的数据集。
由于在计算冲突概率时，这些误差数据集之间的相关性对评估精度有重要影响，因此在执行数据集概率密度函数拟合之前，采用Pearson相关系数来测量每对数据集之间的相关性。
最后，采用核密度估计，一种非参数估计方法，通过以下公式识别这些数据集的概率密度函数：
式中，φh是一个核函数，K’表示在带宽h内要研究数据集中的元素数。在本研究中，我们采用高斯核来确定概率密度函数。
3)冲突概率计算
在现实中，值班驾驶员在进行船舶冲突或碰撞风险评估之前，需要从给定繁忙水域内的大量航行船舶中检测出具有潜在碰撞风险的目标船舶。为此，本发明首先采用一种改进的CPA方法提取存在碰撞风险的目标船舶，然后采用两阶段蒙特卡洛仿真算法估计多船会遇局面中的C(γ)水平。
3.1)验证具有潜在碰撞风险的目标船舶
传统的计算两船最小通过距离的方法是基于CPA法。然而，这种方法是在假设船舶在不改变航向和速度的情况下线性航行的情况下使用的。为了解决这一问题，我们对传统的 CPA方法进行了改进，使其能够适应船舶的非线性运动情况。作为冲突概率估计的一个初步步骤，潜在冲突船舶的识别是基于航行计划的标准预测轨迹进行的。
假设A船和B船的航行计划轨迹分别由NA和NB段组成。那么，在时间t，航行在i＝ 1,2,...,NA段的A船和航行在j＝1,2,...,NB段的B船之间的标准相对位置的公式为：
式中
和
为A船和B船在时间t时的标准预测位置，
表示A船在时间t时相对于B船的相对速度，
和
表示船舶A在航段i的标准出发和到达时间，
和
表示船舶B在航段j的标准出发和到达时间，
表示在假设船舶直线运动的情况下推导出的两艘船的相对初始位置，可表示为：
式(17)中，
和
分别表示船舶A的i航段与船舶B的j航段的起点，
和
分别表示船舶A在i航段与船舶B在j航段的标准预测速度。
利用公式(16)可以给出t时两船之间的距离，如下所示：
由于式(18)是关于t的函数，船舶在每对航段i和j之间的最小距离由t确定，如下所示：
其中
表示船舶A在航段i和船舶B在航段j时最接近的时间，具有以下三种可能性：
之后，预测时间范围内两船之间的最小距离可如下给出：
根据
可以初步判断A船和B船在未来一段时间是否存在潜在的碰撞风险。
3.2)多船会遇局面下冲突严重度的计算方法
概率冲突计算方法实施中的最大障碍之一是冲突概率的计算，因为公式(2)中的PC(t) 没有导出解析解。本研究用蒙特卡洛仿真解决该问题。直接蒙特卡罗仿真的应用通常是计算成本较高的，因此直接蒙特卡洛仿真的加速改进对于其在线应用是必不可少的。
对于典型的蒙特卡洛仿真，它由两个循环组成，一个用于采样迭代，另一个用于轨迹传播。在采样迭代循环中，根据给定的随机变量的概率密度函数，生成N组随机变量样本，然后将每组样本插入随机模型中，得到确定性解。通过使用确定性解的集合，最终可以得到一个近似的估计值。由于采样迭代循环中的N值决定了估计解的精度，因此需要从轨迹传播循环中寻找提高直接蒙特卡洛计算效率的方法。一般来说，在一个有限的时间范围内，会遇船舶的冲突概率值在某个时刻往往会出现尖峰，而在其他地方则相对较小。考虑到只需要准确估计预测时间段内冲突概率的最大值，我们可以在执行大量迭代之前，粗略地提取出冲突概率较高的时间点。基于这一原理，提出了一种两阶段蒙特卡洛仿真算法来有效地估计冲突的严重度，并给出了近似精度的定量界。
为了确定多少次迭代(N)足以保证所需的估计精度，描述N和估计精度之间关系的霍夫丁不等式首先如下给出：
其中ε表示精度，1-δ表示置信度，a和b表示估计值的下限和上限，分别为0和1。这个不等式表明，对于有限N，置信度为1-δ的估计量可以保证一定的精度ε。
算法1.两阶段蒙特卡洛仿真算法
算法1详细描述了所提出的两阶段蒙特卡洛仿真算法。在第一阶段，使用相对较少的样本(1000次迭代)粗略地计算预测时间范围内每个时刻的冲突概率。然后结合由不等式(22)得到的逼近误差的定量边界，提取可能具有最大冲突概率的时间点并进行排序。在这个过程中，由于保留太多的时间点会增加第二阶段的计算负担，因此在面对提取多个时间点的情况时，最多保留前两个排名的时间点，以便进一步精确地计算冲突概率。需要指出的是，当估计的C(γ)很小时，通常会出现需要提取太多时间点的情况。在实际应用中，如果第一阶段估计的最大冲突概率远低于冲突预警阈值，则不必在第二阶段继续进行冲突概率计算，以减少计算资源的浪费。此外，由不等式(22)导出的边界通常是保守的[79]，这意味着可能具有最大冲突概率的实际时间点数小于我们提取的时间点数。因此，在第二阶段保留少量时间点是可以接受的。在此基础上，在第二阶段进行大量迭代，进一步得到更精确的C(γ)。值得注意的是，这种方法是通用的，可以适应多船会遇局面(见算法1第 3-6行)。
图5(1)-(3)描绘了误差数据集的概率密度拟合曲线。所有这些曲线都近似对称，在0点附近出现最高点，并逐渐向两侧下降。从图5(1)可以看出，曲线随着时间的推移迅速变低变宽，这表明沿航迹纵向预测的不确定性随着时间的推移显著增加。相比之下，沿航迹横向误差概率密度拟合曲线表现出明显不同的趋势。根据图5(2)，曲线在初始阶段随时间变化很大，但在剩余时间范围内基本保持稳定。航向误差的拟合曲线(见图5(3))，随时间变化不明显。
图6提供了直接蒙特卡洛仿真(DMC)和两阶段蒙特卡洛仿真(TSMC)的精度和计算成本的误差统计。从图6(1)可以看出，两种方法的误差统计箱线图没有显著性差异，几乎所有基于两种方法的抽样结果的误差都在1％以内。此外，根据估计精度的均方根 (RMS)误差(见图6(2))，可以发现提出的TSMC在不同的会遇船舶数量下略逊于 DMC。然而，在运行效率方面，该方法有着巨大的优势。从图6(2)可以清楚地看出，与DMC相比，所提出的方法的计算成本要低得多，并且随着船舶数量的增加，优势变得更加明显。也就是说，所提出的方法需要更少的计算成本来产生与DMC相同的精度。因此，该方法在保证近似解精度的同时，大大提高了计算效率。
图7提供了宁波舟山港水域内船舶交通随时间的冲突演变的示例。图7(1)-(4)分别表示t＝5min、10min、15min和20min时船舶交通量空间分布及其C(γ)水平。在图7(1) -(4)中，点表示船舶的位置，蓝线表示船舶的航向，点的颜色显示船舶的实时C(γ)水平。从这些数字中，可以很容易地发现哪些船舶在不久的将来将面临高冲突概率(这些C(γ)水平大于0.5的船舶用红色圆圈圈起来)，从而为船舶驾驶员提供潜在碰撞的早期预警。图 7(5)进一步描绘了在不同严重程度的冲突中涉及的船舶交通的组成。从图中可以看出，随着时间的推移，船舶数量总体呈上升趋势，我们也可以很容易地看到，在不同的时间段，有多少船舶陷入了严重程度很高的冲突。因此，从海事安全管理当局的角度来看，提出的概率冲突侦测方法可以帮助他们监测和提供高碰撞风险船舶的危险警告，并有助于他们及时实施风险缓解措施。
多船碰撞风险分析是海上交通安全管理的关键，尤其是在复杂的交通水域。在这项研究中，我们提出了一个概率冲突侦测方法来研究多艘船舶的时空运动不确定性对潜在碰撞风险的影响。该方法具有以下特点：1)兼顾了多船运动的动态性和不确定性，适用于各种复杂的遭遇场景；2)所提出的冲突概率计算算法是高效的、精准的；3)冲突的时空相关模式被提取并整合到船舶运动模型中，以支持碰撞风险的稳健估计。以宁波舟山港为例，利用基于AIS的真实航迹数据进行了实验，验证了该方法的有效性。结果表明，该方法在动态不确定交通状况下，能及时、可靠地检测出碰撞风险，并能较好地解决多船碰撞问题。
在本说明书的描述中，参考术语“一个实施方式”、“某些实施方式”、“示意性实施方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合所述实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案。
Claims (10)
1.基于多船运动不确定性的冲突侦测方法，其特征在于，包括：
引入船舶冲突定义，建立船舶冲突严重度度量模型；
利用AIS数据驱动程序提取船舶轨迹预测不确定性；
基于船舶航行计划和提取的不确定性特征，建立船舶绝对运动模型；
将船舶冲突严重度度量模型引入船舶绝对运动模型，建立船舶相对运动模型，以预测船舶位置和航向并计算多船会遇局面的冲突概率；
对于任一船舶，基于船舶航行计划和CPA计算方法识别危险目标船舶；
基于两阶段蒙特卡洛算法估计当前船舶与危险目标船舶之间的船舶冲突严重度。
2.根据权利要求1所述的基于多船运动不确定性的冲突侦测方法，其特征在于，引入船舶冲突定义，建立船舶冲突严重度度量模型的步骤进一步包括：
若A船和B船满足DistAB(t)≤SDA(t)+SDB(t)，则认为A船和B船存在冲突，其中，SDA和SDB是指从每艘船舶中心到其禁区边界的距离，DistAB是指本船和目标船之间的距离；
A船和B船在时刻t发生冲突的瞬时冲突概率为
其中，L(t)＝DistAB(t)-SDA(t)-SDB(t)，fL(t)代表L(t)的概率密度函数；
根据预测范围内瞬时冲突概率的最大值来声明船舶冲突严重度，建立船舶冲突严重度度量模型为，
3.根据权利要求1所述的基于多船运动不确定性的冲突侦测方法，其特征在于，利用AIS数据驱动程序提取船舶轨迹预测不确定性的步骤进一步包括：1)识别轨迹转向点；2)提取船舶位置和航向预测误差；3)检验不确定分量数据集的相关性；4)拟合不确定分量的概率密度函数。
4.根据权利要求3所述的基于多船运动不确定性的冲突侦测方法，其特征在于，所述方法进一步包括：建立A船的绝对运动模型，预测A船在未来T时刻的位置表示为：
其中tc是当前时刻；
是船舶A的初始位置；
表示船舶A在时间t的标准速度，其是与航行计划相关的分段常数函数；
是与船舶标准航向相关的旋转矩阵；
表示船舶预测位置的不确定性分量。
5.根据权利要求4所述的基于多船运动不确定性的冲突侦测方法，其特征在于，建立船舶相对运动模型进一步包括获取DistAB(t)、SDA(t)和SDB(t)；具体为，
对于会遇的A船和B船，A船与B船之间的相对距离为
从A船的中心到其船舶领域边界的距离为
其中，βAB(t)表示在时间t时船舶B的位置相对于船舶A的位置的预测相对航向，RL,A和RS,A是船舶A的领域椭圆的长半轴和短半轴的长度，
表示A船在t时刻的标准预测航向；考虑预测航向的不确定性，有
其中，αA(t)表示时间t时的预测航向误差分量；
同理，得到SDB(t)。
6.根据权利要求5所述的基于多船运动不确定性的冲突侦测方法，其特征在于，利用两阶段蒙特卡洛算法估计船舶冲突严重度，包括：第一阶段，使用相对较少的样本粗略地计算预测时间范围内每个时刻的冲突概率，然后结合由霍夫丁不等式得到的逼近误差的定量边界，提取可能具有最大冲突概率的时间点并进行排序；第二阶段，进行大量迭代，得到精确的船舶冲突严重度度量C(γ)。
7.根据权利要求6所述的基于多船运动不确定性的冲突侦测方法，其特征在于，第一阶段中，在面对提取多个时间点的情况时，最多保留前两个排名的时间点。
8.根据权利要求6所述的基于多船运动不确定性的冲突侦测方法，其特征在于，所述方法进一步包括：如果第一阶段估计的最大冲突概率远低于冲突预警阈值，则不必在第二阶段继续进行冲突概率计算。
9.一种存储器，其特征在于，其上存储有程序指令，所述程序指令被处理器执行时实现如权利要求1-8中任一项所述的冲突侦测方法。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1-8中任一项所述的冲突侦测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110233371.4A CN112966332B (zh) | 2021-03-02 | 2021-03-02 | 基于多船运动不确定性的冲突侦测方法、存储器及处理器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110233371.4A CN112966332B (zh) | 2021-03-02 | 2021-03-02 | 基于多船运动不确定性的冲突侦测方法、存储器及处理器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112966332A true CN112966332A (zh) | 2021-06-15 |
| CN112966332B CN112966332B (zh) | 2022-06-21 |
Family
ID=76277517
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110233371.4A Active CN112966332B (zh) | 2021-03-02 | 2021-03-02 | 基于多船运动不确定性的冲突侦测方法、存储器及处理器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112966332B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113240944A (zh) * | 2021-06-16 | 2021-08-10 | 广东海洋大学 | 一种基于大数据的个体船舶碰撞风险计算方法 |
| CN113470435A (zh) * | 2021-07-09 | 2021-10-01 | 上海海事大学 | 生成自然对抗海洋环境的智能船舶测试场景的方法及终端 |
| CN113536544A (zh) * | 2021-06-21 | 2021-10-22 | 武汉理工大学 | 一种基于最小安全距离模型的船舶概率冲突检测方法 |
| CN113626929A (zh) * | 2021-07-07 | 2021-11-09 | 武汉理工大学 | 多阶段多拓扑的船舶交通复杂度度量方法及系统 |
| CN114464015A (zh) * | 2022-02-08 | 2022-05-10 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备以及存储介质 |
| CN114708217A (zh) * | 2022-03-31 | 2022-07-05 | 西南交通大学 | 宽阔水域桥梁防超高船舶碰撞的预警方法、装置及设备 |
| CN116796553B (zh) * | 2023-06-30 | 2024-03-19 | 哈尔滨工程大学 | 一种全场景多参数的海面与舰艇尾迹仿真方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110231096A1 (en) * | 2008-08-04 | 2011-09-22 | Ridenour Ii Richard D | Systems and methods for conflict detection using dynamic thresholds |
| CN106571067A (zh) * | 2014-12-30 | 2017-04-19 | 江苏理工学院 | 基于滚动规划策略的船舶冲突解脱的规划方法 |
| CN108875954A (zh) * | 2014-12-30 | 2018-11-23 | 江苏理工学院 | 基于滚动规划策略的船舶轨迹预测方法 |
| US20190303859A1 (en) * | 2018-04-03 | 2019-10-03 | Florida A&M University | Application of a multi-objective optimization model for automatic vessel scheduling in liner shipping |
| CN111639789A (zh) * | 2020-04-30 | 2020-09-08 | 南京理工大学 | 开放海域船舶碰撞风险预测方法 |
| CN111951606A (zh) * | 2020-07-29 | 2020-11-17 | 武汉理工大学 | 一种船舶碰撞风险评估与预警方法及系统 |
-
2021
- 2021-03-02 CN CN202110233371.4A patent/CN112966332B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110231096A1 (en) * | 2008-08-04 | 2011-09-22 | Ridenour Ii Richard D | Systems and methods for conflict detection using dynamic thresholds |
| CN106571067A (zh) * | 2014-12-30 | 2017-04-19 | 江苏理工学院 | 基于滚动规划策略的船舶冲突解脱的规划方法 |
| CN108875954A (zh) * | 2014-12-30 | 2018-11-23 | 江苏理工学院 | 基于滚动规划策略的船舶轨迹预测方法 |
| US20190303859A1 (en) * | 2018-04-03 | 2019-10-03 | Florida A&M University | Application of a multi-objective optimization model for automatic vessel scheduling in liner shipping |
| CN111639789A (zh) * | 2020-04-30 | 2020-09-08 | 南京理工大学 | 开放海域船舶碰撞风险预测方法 |
| CN111951606A (zh) * | 2020-07-29 | 2020-11-17 | 武汉理工大学 | 一种船舶碰撞风险评估与预警方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 范耀天等: "水上交通流冲突严重度BP神经网络评价方法", 《交通信息与安全》, no. 02, 28 April 2017 (2017-04-28), pages 23 - 29 * |
| 谭志荣等: "基于Near Miss的成山头水域交通冲突风险可视化", 《中国航海》, no. 04, 25 December 2016 (2016-12-25), pages 43 - 46 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113240944A (zh) * | 2021-06-16 | 2021-08-10 | 广东海洋大学 | 一种基于大数据的个体船舶碰撞风险计算方法 |
| CN113536544A (zh) * | 2021-06-21 | 2021-10-22 | 武汉理工大学 | 一种基于最小安全距离模型的船舶概率冲突检测方法 |
| CN113536544B (zh) * | 2021-06-21 | 2023-11-07 | 武汉理工大学 | 一种基于最小安全距离模型的船舶概率冲突检测方法 |
| CN113626929A (zh) * | 2021-07-07 | 2021-11-09 | 武汉理工大学 | 多阶段多拓扑的船舶交通复杂度度量方法及系统 |
| CN113626929B (zh) * | 2021-07-07 | 2024-01-23 | 武汉理工大学 | 多阶段多拓扑的船舶交通复杂度度量方法及系统 |
| CN113470435A (zh) * | 2021-07-09 | 2021-10-01 | 上海海事大学 | 生成自然对抗海洋环境的智能船舶测试场景的方法及终端 |
| CN113470435B (zh) * | 2021-07-09 | 2022-10-25 | 上海海事大学 | 生成自然对抗海洋环境的智能船舶测试场景的方法及终端 |
| CN114464015A (zh) * | 2022-02-08 | 2022-05-10 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备以及存储介质 |
| CN114708217A (zh) * | 2022-03-31 | 2022-07-05 | 西南交通大学 | 宽阔水域桥梁防超高船舶碰撞的预警方法、装置及设备 |
| CN114708217B (zh) * | 2022-03-31 | 2022-12-09 | 西南交通大学 | 宽阔水域桥梁防超高船舶碰撞的预警方法、装置及设备 |
| CN116796553B (zh) * | 2023-06-30 | 2024-03-19 | 哈尔滨工程大学 | 一种全场景多参数的海面与舰艇尾迹仿真方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112966332B (zh) | 2022-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112966332B (zh) | 基于多船运动不确定性的冲突侦测方法、存储器及处理器 | |
| Zhang et al. | A predictive analytics method for maritime traffic flow complexity estimation in inland waterways | |
| Kratzke et al. | Search and rescue optimal planning system | |
| Xiao et al. | Maritime traffic probabilistic forecasting based on vessels’ waterway patterns and motion behaviors | |
| CN105390029B (zh) | 基于航迹融合和航迹预测的船舶避碰辅助决策方法及系统 | |
| Fang et al. | Automatic identification system-based approach for assessing the near-miss collision risk dynamics of ships in ports | |
| Xin et al. | A simulation model for ship navigation in the “Xiazhimen” waterway based on statistical analysis of AIS data | |
| Tsou et al. | Decision support from genetic algorithms for ship collision avoidance route planning and alerts | |
| Chen et al. | An improved time discretized non-linear velocity obstacle method for multi-ship encounter detection | |
| Gan et al. | Ship path planning based on safety potential field in inland rivers | |
| CN109977523B (zh) | 一种海量船舶ais轨迹数据在线压缩方法及装置 | |
| Xin et al. | A probabilistic risk approach for the collision detection of multi-ships under spatiotemporal movement uncertainty | |
| Zhang et al. | Towards a model of regional vessel near-miss collision risk assessment for open waters based on AIS data | |
| Zhang et al. | An interpretable knowledge-based decision support method for ship collision avoidance using AIS data | |
| CN113536544B (zh) | 一种基于最小安全距离模型的船舶概率冲突检测方法 | |
| Pedrielli et al. | A real time simulation optimization framework for vessel collision avoidance and the case of singapore strait | |
| CN104462856A (zh) | 船舶冲突预警方法 | |
| Yu et al. | A direction-constrained space-time prism-based approach for quantifying possible multi-ship collision risks | |
| Zhang et al. | Big data–based estimation for ship safety distance distribution in port waters | |
| Naus | Drafting route plan templates for ships on the basis of AIS historical data | |
| Liu et al. | Spatial topological analysis model of ship encounter space | |
| CN104504277A (zh) | 一种船舶冲突预警方法 | |
| Jie et al. | A novel estimation algorithm for interpolating ship motion | |
| Copping et al. | Likelihood of a marine vessel accident from wind energy development in the Atlantic | |
| Yang et al. | Improved reinforcement learning for collision-free local path planning of dynamic obstacle |
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 |