CN113553682B - 一种数据驱动的多层次船舶航路网络构建方法 - Google Patents
一种数据驱动的多层次船舶航路网络构建方法 Download PDFInfo
- Publication number
- CN113553682B CN113553682B CN202110784417.1A CN202110784417A CN113553682B CN 113553682 B CN113553682 B CN 113553682B CN 202110784417 A CN202110784417 A CN 202110784417A CN 113553682 B CN113553682 B CN 113553682B
- Authority
- CN
- China
- Prior art keywords
- track
- point
- ship
- speed
- points
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Probability & Statistics with Applications (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种数据驱动的多层次船舶航路网络构建方法。本发明方法,包括如下步骤:离线轨迹批量提取及轨迹异常值处理;基于TD‑TR方法的自适应阈值轨迹压缩;重要轨迹点识别;基于OPTICS和图论的多层次航路网络构建。本发明从多层(码头、港区和港口)和多维(如点、链和网)结构的角度提出基于海量AIS数据的多层次船舶航路网络构建框架。将船舶的重要轨迹点通过聚类算法抽象成节点,基于图论理论以节点间代表性航路为边构成多层次的分层航路网络。构建的多层次航路网络不仅适用于高级别的统计分析,还适用于执行低级别的船舶活动或行为分析。
Description
技术领域
本发明涉及海上交通运输技术领域,尤其涉及一种数据驱动的多层次船舶航路网络构建方法。
背景技术
随着世界经济的发展,水上交通的运输任务日益繁重,海上交通航路相互交织、日趋复杂,逐渐形成航路网络。随着自动识别系统(AIS)数据的可用性不断提高,为跟踪船舶活动和挖掘全球船舶交通的时空模式提供了巨大的机会。现如今利用AIS数据进行的海上交通研究主要包括海上交通密度图的生成、海上航路等级网络的生成、不同海上活动的时空相互作用等。其中对海上航路网络构建的研究较少,大部分是对海上航路网络的复杂性和网络特性进行研究。且对航路网络构建的研究大多是以港口或者城市为节点、以港口之间的连线为边构成的,这样生成的海上航路网络只是一个单一的物理链路,忽略了船舶运动的语义信息(如速度、航向等)。
而且随着城市的建设化发展和航运智能化的发展,港口基础设施不断建设,港口内港区的布局变得分散,一个港口可能存在多个港区。而港区内码头类型(货主码头、企业码头、传统码头)及数量也在不断增多,所以单纯的以港口或城市为节点的海运网络建设已不能满足要求,无法充分发掘船舶的时空行为信息和语义知识。因此为了使航路网络能表达更加丰富和详细的信息,本发明提出了一种利用海量历史船舶AIS轨迹构建不同规模的多层次船舶航路网络框架。
发明内容
根据上述提出的技术问题,而提供一种数据驱动的多层次船舶航路网络构建方法。本发明采用的技术手段如下:
一种数据驱动的多层次船舶航路网络构建方法,包括如下步骤:
步骤1、获取轨迹数据库中的原始轨迹,对原始轨迹数据预处理,剔除原始轨迹中不符合预设规定的数据,最终得到由若干有序轨迹点组成的AIS轨迹;
步骤2、对有序轨迹点组成的AIS轨迹段进行压缩,从而删除大量原始轨迹中冗余的轨迹点;
步骤3、利用船舶轨迹点的航向和速度信息,将压缩后的AIS轨迹分别基于航向信息熵和速度信息熵进行分段,最终得到航向值和速度值具有显著差异的多个子轨迹段;船舶的航向和速度特征点分别由每个子轨迹的起止点组成,对所有船舶轨迹依次进行船舶的停泊点、航向特征点、速度特征点和轨迹起止点检测,得到船舶行为特征点集合;
步骤4、基于船舶行为特征点集合构建多层次船舶航路网络构建框架,具体地,将集合中的轨迹点通过聚类算法抽象成节点,基于图论理论以节点间代表性航路为边构成多层次的分层航路网络,所述多层次的分层航路网络集成了码头、港区和港口级别。
进一步地,所述步骤1中,对原始轨迹数据预处理具体包括AIS报文字段可靠性的筛选、船舶轨迹信息完整性的筛选和轨迹点位置准确性的筛选,所述AIS报文字段可靠性的筛选具体为对水上移动通信业务识别码、速度、航向、经度、纬度、秒、分、时在内的明显不符合实际情况的字段内容视为不可靠的无效信息,对无效信息进行删除;所述船舶轨迹信息完整性的筛选具体为对小于规定轨迹点数量的船舶轨迹进行删除;所述轨迹点位置准确性的筛选具体为不符合运动学位置逻辑的轨迹点数量超过预设程度时的轨迹进行删除。
进一步地,所述轨迹点位置准确性的筛选包括如下步骤:
轨迹将被遍历检测是否存在轨迹断点,轨迹断点由速度差值、距离差值和时间差值来确定,若轨迹存在断点,则根据断点位置将轨迹分割为子轨迹,子轨迹的形式是轨迹片段或单个轨迹点;
对分割后的子轨迹进行遍历,进而判断是否可以重新连接,判断由子轨迹段的首尾数据和速度阈值、距离阈值和时间阈值确定;
其中,所述速度差值为该轨迹点记录的速度和计算的速度之间的差值;所述距离差值为该轨迹点与前一时序数据的距离差值;所述时间差值为该轨迹点与前一时序数据的时间间隔。
进一步地,所述步骤2中,AIS轨迹表示为点集D={Ps,…,Pi,…,Pe},计算轨迹的每个点Pi距其起点Ps和终点Pe连线的同步欧式距离dSED(Pi),如果最大值dmax≥dthd,将原始轨迹在该处分割成两段;如果dmax<dthd,则仅保留该段轨迹的起点和终点,依次递归地将上述步骤应用于分割后的子轨迹,其中,dthd是TD-TR的压缩阈值。
进一步地,所述压缩阈值的选取基于以下原则:基于最小描述长度的原理构建轨迹简化得分方法,该分数表示每一次轨迹简化后误差比分与轨迹点数量比分之间的和,分数越低表示轨迹简化效果越好,由分数可以得出轨迹简化的最佳阈值,在此阈值下的轨迹简化能达到简化率和误差的最佳平衡,具体地,
自适应确定最佳阈值的流程为:首先得到只包含首尾点的最简轨迹T′={P1,Pn},计算最简轨迹距原始轨迹某点的最大SED距离,将该最大SED设为此时的阈值∈i,然后将该点添加到简化轨迹T′中,简化轨迹变为T′={P1,Pi,Pn};
然后,计算该简化轨迹的Scr(T′),存储{Scr(T′),∈i},整个过程不断重复,直到简化后的轨迹T′包含原始轨迹T中的所有点,最后,找到Scr(T′)最小时对应的阈值∈i为最佳阈值。
进一步地,所述步骤3进行分段包括如下步骤:
应用k-means算法分别对轨迹的航向clist=[c1,c2,…,ci,…,cn]和速度slist=[s1,s2,…,si,…,sn]进行聚类,其中ci和si分别代表该轨迹中第i个轨迹点的航向和速度值,获得航向代表性区间cinr=[c′1,c′2,…,c′i,…,c′n]和速度的代表性区间sinr=[s′1,s′2,…,s′i,…,s′n],其中c′i和s′i分别代表k-means对航向和速度聚类得到的类簇中心,利用手肘法决定k值的选取,k值即需要确定最终得到的区间数量,得到航向和速度的区间后,根据区间确定轨迹的航向标签和速度标签;
通过分别判断每个轨迹点的航向和速度信息属于哪个航向和速度区间,得到每个轨迹点的航向标签列表Lcog和速度标签列表Lsog;
轨迹的航向信息熵Ecog(T)计算公式为:
轨迹的速度信息熵Esog(T)计算公式为:
将轨迹T1,n-1在i(1≤i≤n-1)处依次进行分段,分成两段子轨迹T1,i和Ti+1,n-1,
根据公式依次计算在i处分段时的信息熵Esplit(T1,n-1),其中,N1,N2,N分别代表T1,i、Ti+1,n-1和T1,n-1的轨迹点数量,进而得到轨迹在不同位置被分段时的Esplit(T1,n-1);
根据分段位置和Esplit(T1,n-1)的对应关系,找到Esplit(T1,n-1)在该轨迹范围内的极小值点,在极小值点处对轨迹进行分段。
进一步地,所述步骤3中,船舶停泊点识别算法的步骤说明如下:
从船舶的时间序列轨迹T={p1,p2,…,pi…,pn}中的第一个轨迹点开始,确定在时间ti时是否满足以下条件:si<sT,ti-ti-1<tT,di,i-1<dT,其中,si是从AIS记录中获得的船舶在时间ti时的瞬时速度,di,i-1是pi-1和pi之间的船舶航迹距离,sT、tT和dT分别是速度阈值、时间阈值和距离阈值,如果点pi满足上述条件,则点pi被视为初始停泊点,然后被添加到当前船舶轨迹的初始停泊点集合psi={ps,i,ps,i+1,…,ps,j},其中ps,i为当前船舶的第i个初始停泊点,如果轨迹点不符合上述条件,则继续检查T中的其他点,直到所有轨迹点被遍历,最终得到由所有船舶轨迹的初始停泊点集合组成的Ts={psi,psi+1,…,psj},其中psi是第i艘船舶的初始停泊点集合。
进一步地,还基于以下方法确定初始停止点是否为真正停泊点:
其中,代表从初始停泊点ps,i到海岸线的最近距离,是初始停泊点ps,i的水深数据,LT和depT分别是距离海岸线距离阈值和水深阈值。如果初始停泊点满足上述条件,则被认为是真正的停泊点,否则,删除初始停泊点。
进一步地,所述步骤4中,基于OPTICS获取不同层次航路网络节点,具体地,根据OPTICS算法对停泊点、航向特征点、速度特征点、起止点和港区代表性节点分别聚类,得到不同点簇,每个点簇被赋予唯一的标识,即簇的中心点,该类簇的中心点即为不同层次航路网络的节点;
在对不同层次航路网络聚类时需设置不同参数,一级、二级和三级航路网络的OPTICS的聚类参数分别为Pparm1=(ε1,minPts1),Pparm2=(ε2,minPts2)和Pparm3=(ε3,minPts3),其中,ε和minPts分别聚类的邻域半径和最小包含点。
本发明通过对轨迹段进行自适应压缩阈值的TD-TR压缩在合理保留原始轨迹的时间、航向、速度等特征信息的同时减少生成航路网络的计算成本和数据存储成本;结合海量动态和静态AIS数据识别船舶的停泊点、速度特征点、航向特征点、轨迹起止点等关键特征点,为构建多层航路网络奠定基础;将船舶的重要轨迹点通过聚类算法抽象成节点,基于图论理论以节点间代表性航路为边构成多层次的分层航路网络。构建的多层次航路网络不仅适用于高级别的统计分析,还适用于执行低级别的船舶活动或行为分析。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种数据驱动的多层次船舶航路网络构建方法流程图;
图2为本发明轨迹点位置准确性的分割步骤流程图。
图3为本发明轨迹点位置准确性的连接步骤流程图。
图4为本发明实施例中TD-TR算法时间同步欧式距离示意图。
图5为本发明实施例中信息熵分段的流程图示意图。
图6为本发明实施例中轨迹的信息熵计算结果示意图。
图7为本发明基于速度信息熵的分段示意图。
图8为本发明多层次船舶航路网络构建框架构筑示意图,其中,(a)为简化后的船舶轨迹;(b)为航向特征点、速度特征点、起止点;(c)为码头级航路网。
图9为多层次航路网络结构示意图。
图10为基于AIS动态及静态数据的多层次多尺度航路网络构建流程图。
具体实施方式
为使本发明实施例的目的、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,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是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。
如图1所示,本发明实施例公开了一种数据驱动的多层次船舶航路网络构建方法,包括如下步骤:
步骤1、获取轨迹数据库中的原始轨迹,对原始轨迹数据预处理,剔除原始轨迹中不符合预设规定的数据,最终得到由若干有序轨迹点组成的AIS轨迹;
步骤2、对有序轨迹点组成的AIS轨迹段进行压缩,从而删除大量原始轨迹中冗余的轨迹点;
步骤3、利用船舶轨迹点的航向和速度信息,将压缩后的AIS轨迹分别基于航向信息熵和速度信息熵进行分段,最终得到航向值和速度值具有显著差异的多个子轨迹段;船舶的航向特征点为每个子轨迹的起止点组成,对所有船舶轨迹依次进行船舶的停泊点、航向特征点、速度特征点和轨迹起止点检测,得到船舶行为特征点集合;
步骤4、基于船舶行为特征点集合构建多层次船舶航路网络构建框架,具体地,将集合中的轨迹点通过聚类算法抽象成节点,基于图论理论以节点间代表性航路为边构成多层次的分层航路网络,所述多层次的分层航路网络集成了码头、港区和港口级别。
所述步骤1中,在完整的轨迹数据库中,由于通信等因素,会导致AIS包含部分无效信息。明显不符合实际情况的字段内容将被视为不可靠的无效信息在此步骤被清理,消除其对整条轨迹的影响。例如,纬度和经度的数值存在着超过理论最大值的情况(90°和180°)。从删除异常值的数据中按照轨迹时间戳和MMSI提取时间轨迹点,可得到多维船舶时序轨迹数据。
具体地,在获取AIS轨迹数据的过程中需要历经生成、封装、传输、接收、解码等过程,难以保证在海量的原始数据中不存在错误信息。为了提升AIS轨迹数据质量,为后续分析提供基础,对原始轨迹数据预处理具体包括AIS报文字段可靠性的筛选、船舶轨迹信息完整性的筛选和轨迹点位置准确性的筛选。
(1)AIS报文字段可靠性
AIS报文字段可靠性是指AIS报文格式与EMEA0183传输通信协议的一致性情况。本发明所关注的字段包括水上移动通信业务识别码(MMSI)、速度、航向、经度、纬度、秒、分、时。明显不符合实际情况的字段内容将被视为不可靠的无效信息被删除。例如,MMSI不为9位数的数据;航速为负值或大于102.3kn的数据;航向大于360°的数据;经纬度出现负值或是经度大于180°、纬度大于90°的数据;时分秒分别超过24、60、60的数据等。
(2)船舶轨迹信息完整性
一条高质量船舶轨迹应包含完整的基础信息,由于信号丢失、在研究水域内短暂经过等原因,导致一条轨迹中轨迹点数量过少,则该轨迹将被视为缺乏信息完整性的轨迹,因为它不能完全表征船舶的运动特性。轨迹点的采样率很髙,短时间内就能获得大量轨迹点数据。因此本发明认为少于规定个数轨迹点的船舶轨迹不能够充分体现船舶运动特性,轨迹信息完整性的阈值根据经验设置。这意味着小于规定轨迹点数量的船舶轨迹将被直接剔除。
(3)轨迹点位置准确性
AIS轨迹数据中的位置信息由位置报告中的经度、纬度字段提供,这两个字段的数据来源于船舶自身的GPS信号。但是,经纬度字段在实际数据中均可能存在着随机误差。位置准确性是指船舶轨迹中不符合运动学位置逻辑的轨迹点的存在程度。不符合运动学位置逻辑的轨迹点越多,则该船舶轨迹的位置准确性越差。本发明提出了一种清理位置不正确轨迹点的方法,该方法由分割、连接2个操作组成。在分割操作中,轨迹将被遍历检测是否存在轨迹断点,轨迹断点由速度差值(该轨迹点记录的速度和计算的速度)、距离差值(该轨迹点与前一时序数据的距离)和时间差值(该轨迹点与前一时序数据的时间间隔)来确定,其中相应阈值根据经验设置。若轨迹存在断点,则根据断点位置将轨迹分割为子轨迹,子轨迹的形式是轨迹片段或单个轨迹点。连接操作的对象是分割后的子轨迹,所有子轨迹将被遍历判断是否可以重新连接,判断由子轨迹段的首尾数据和速度阈值、距离阈值和时间阈值确定。
轨迹点位置准确性的分割和连接步骤流程如图2、3所示。
最终得到由若干有序轨迹点组成的AIS轨迹T,被表述为T={p1,p2,…,pp…,pn}(1≤i≤n),其中pi是多维轨迹点,pi=(xi,yi,ti,ci,si),xi,yi,ti,ci,si分表代表该轨迹点的经度,纬度,时间,航向和航速信息。
AIS是一种自动跟踪系统,用于通过与附近的其他船舶和AIS基站交换数据来识别和定位船舶。根据不同的运动模式,船舶以大约3–10s的频繁间隔发送AIS消息,这样一来要处理的AIS数据量就会非常大且复杂。数据的巨大为生成航路网络的研究带来了挑战,所以,为了减少计算和存储成本,在进行研究之前需要对轨迹数据进行简化处理。
为此,本实施例采用TD-TR算法进行压缩,具体地,TD-TR是一种基于道格拉斯匹克(DP)算法的考虑全局特征的简化算法,不同于DP算法直接采用欧氏距离作为压缩衡量标准,TD-TR算法采用时间同步欧式距离(SED)作为压缩衡量的标准。SED是一种将位置和时间考虑在内的距离度量,如图4所示,SED距离为点Pm与其同步点P′m之间的欧式距离,计算公式如下所示: 其中,xm,ym分别为点Pm的横、纵坐标,x′m,y′m分别为点P′m的横、纵坐标,tm为点Pm和P′m的时间。xs,ys,ts分别为该轨迹起点Ps的横、纵坐标和时间,xe,ye,te分别为该轨迹终点Pe的横、纵坐标和时间。dSED(Pm)为点Pm距该轨迹起止点连线的同步欧式距离。由于船舶轨迹点的地理位置是以经纬度坐标形式存储的。在计算距离时,为了提高精度,将经纬度坐标表示的轨迹点位置转换为墨卡托坐标系下的地理位置,将轨迹点的时间信息统一换算为时间戳形式。假设轨迹点的经纬度坐标为,墨卡托坐标系下的地理位置坐标为(x,y),则根据等角正圆柱投影原理,由经纬度坐标系到墨卡托坐标系的转换公式如下所示。x=r0×λ,y=r0×q。其中,r0为基准纬度圈的半径,a为地球椭球长轴半径,q为等量纬度,e为地球椭球第一偏心率。
TD-TR算法具体步骤如下:AIS轨迹表示为点集D={Ps,…,Pi,…,Pe},计算轨迹的每个点Pi距其起点Ps和终点Pe连线的同步欧式距离dSED(Pi),如果最大值dmax≥dthd,将原始轨迹在该处分割成两段;如果dmax<dthd,则仅保留该段轨迹的起点和终点,依次递归地将上述步骤应用于分割后的子轨迹,其中,dthd是TD-TR的压缩阈值。
TD-TR算法对轨迹的压缩质量很大程度上取决于阈值的选择。当阈值选取的太小时,会导致计算成本太高,而如果取值太大,则容易忽略轨迹的原始特征。现如今大多压缩阈值是由经验所得,缺乏理论依据。由于每个时间序列的轨迹都是不同的,因此,如何自动为每条轨迹确定最佳阈值是当前存在的问题之一。一般而言轨迹简化的目标主要有两个:一是降低数据量,即尽可能提高简化率;二是降低轨迹简化前后的误差。但这两个目标是相互矛盾的:简化率越高,误差越大。为了平衡这两个目标,基于最小描述长度(MDL)的原理,提出了轨迹简化得分的概念。
该分数表示每一次轨迹简化后误差比分与轨迹点数量比分之间的和,分数越低表示轨迹简化效果越好,由分数可以得出轨迹简化的最佳阈值,在此阈值下的轨迹简化能达到简化率和误差的最佳平衡,将SED考虑在内的自适应阈值计算方法如下所示:
其中,SEDerrormax是原始轨迹中某个点距最简轨迹的最远SED距离,sizemax是原始轨迹的大小,SEDerror∈是在阈值为∈时的简化轨迹距离原始轨迹某一点的最远SED距离,size∈是阈值为∈时得到的简化轨迹的大小;所述最简轨迹为只包含首尾点的轨迹。∈的增大会导致误差增大,但轨迹数据量会变小,反之亦然。
自适应确定最佳阈值的流程为:首先得到只包含首尾点的最简轨迹T′={P1,Pn},计算最简轨迹距原始轨迹某点的最大SED距离,将该最大SED设为此时的阈值∈i,然后将该点添加到简化轨迹T′中,简化轨迹变为T′={P1,Pi,Pn};这样最大误差减小,简化轨迹数据量增大。
然后,计算该简化轨迹的Scr(T′),存储{Scr(T′),∈i},整个过程不断重复,直到简化后的轨迹T′包含原始轨迹T中的所有点,最后,找到Tcr(T′)最小时对应的阈值∈i为最佳阈值。
信息熵是指某一事件发生时包含的信息量的数学期望。信息熵能有效计算随机事件的不确定度,当随机事件不确定性越高时熵值也越大。同时信息熵还可以作为一个系统复杂程度的度量,如果系统越复杂,所包含的事件越多,则信息熵就越大。对于一条特定的轨迹,当且仅当轨迹中每个轨迹点的某一特征均不同时,该轨迹的这一特征熵值最大,由此可推断轨迹中至少有一个位置总是使两个子轨迹之间的差异最大化。所述步骤3具体为,利用这个原理可对轨迹分别进行基于航向信息熵和速度信息熵的分段,由此得到轨迹的航向特征点和速度特征点,即子轨迹的起止点。基于信息熵原理的船舶轨迹自适应分段方法的优越性在于,其能根据船舶的航向和速度等行为特征对AIS轨迹进行无需确定航向阈值、速度阈值或者时间阈值的自适应分段。具体流程如图5所示。
利用信息熵原理进行轨迹分段需利用聚类算法提取轨迹航向和速度特征,以获得轨迹的代表性航向区间和速度区间。根据聚类得出的航向和速度区间,确定轨迹的航向标签和速度标签,以进行轨迹航向信息熵和速度信息熵的计算。k-means算法是一种迭代求解的聚类算法。该算法认为类簇是由距离靠近的对象组成,因此把得到紧凑且独立的簇作为最终目标。其步骤是随机选取k个对象为初始聚类中心,然后计算每个对象与各个聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本,聚类的聚类中心会根据聚类中现有的对象被重新计算。以上过程将不断重复直到相邻的两次聚类中心没有任何变化,说明聚类过程结束。
本实施例中,应用k-means算法分别对轨迹的航向clist=[c1,c2,…,ci,…,cn]和速度slist=[s1,s2,…,si,…,sn]进行聚类,其中ci和si分别代表该轨迹中第i个轨迹点的航向和速度值,获得航向代表性区间cinr=[c′1,c′2,…,c′i,…,c′n]和速度的代表性区间sinr=[s′1,s′2,…,s′i,…,s′n],其中c′i和s′i分别代表k-means对航向和速度聚类得到的类簇中心,利用手肘法决定k值的选取,k值即需要确定最终得到的区间数量,得到航向和速度的区间后,根据区间确定轨迹的航向标签和速度标签;
通过分别判断每个轨迹点的航向和速度信息属于哪个航向和速度区间,得到每个轨迹点的航向标签列表Lcog和速度标签列表Lsog;本实施例中,以k=4对速度进行聚类为例。假设当k=4时获得的代表性速度区间为0-5节,5-10节,10-15节,大于15节。则其对应的速度标签分别为0,1,2和3。
一条轨迹的速度信息slist=[s1,s2,…,sn]=[1,2,3,5,6,7,7,8,8,9,12,13,14,16,16,16]可以被速度标签表示为Lsog=[0,0,0,1,1,1,1,1,1,1,2,2,2,3,3,3]。
根据速度标签和航向标签即可进行航向和速度信息熵的计算,进而对轨迹进行基于信息熵的考虑航向和速度的分段。信息熵常被用来作为一个系统信息含量的量化指标,设X是一个取有限值的离散随机变量,其概率分布为:F(X=xi)=fi,i=1,2,…,n,则随机变量X的熵定义为:
轨迹的航向信息熵Ecog(T)计算公式为:
轨迹的速度信息熵Esog(T)计算公式为:
将轨迹T1,n-1在i(1≤i≤n-1)处依次进行分段,分成两段子轨迹T1,i和Ti+1,n-1,
根据公式依次计算在i处分段时的信息熵Esplit(T1,n-1),其中,N1,N2,N分别代表T1,i、Ti+1,n-1和T1,n-1的轨迹点数量,进而得到轨迹在不同位置被分段时的Esplit(T1,n-1),如图6所示;
根据分段位置和Esplit(T1,n-1)的对应关系,找到Esplit(T1,n-1)在该轨迹范围内的极小值点,在极小值点处对轨迹进行分段。以一条速度变化明显的轨迹为例,该轨迹包含66个轨迹点。速度变化情况如图7左上图所示,速度越大颜色越深,可看出轨迹速度呈现低速-高速-低速的趋势。按照上述流程计算轨迹不同分段位置对应的速度信息熵,如图7下图所示,可明显看出该轨迹的速度信息熵有两个极小值点。在这两个极小值对应的位置点处该轨迹被分段,一共分成了3段,如图7右上图所示。
船舶的行为特征点是指船舶机动改变现有运动行为,使船舶速度和航向发生显著变化的轨迹点。船舶的运动轨迹可以用行为特征点之间的联系来表征。在考虑船舶航向和速度信息熵的分段过程中,轨迹T={p1,p2,…,pi…,pn}在基于航向信息熵的分段时,被分成了若干子轨迹段T′1={p1,p2,…,pi…,pa′},T′2={pa′+1,pa′+2,…,pi…,pb′},T′3={pb′+1,pb′+2,…,pi…,pc′},…。船舶的航向特征点为每个子轨迹的起止点组成,为c={p1,pa′,pa′+1,pb′,pb′+1,…,pc′,…,pn}。同理,轨迹在基于速度信息熵的分段时,被分成了若干子轨迹段T″1={p1,p2,…,pi…,pa″},T″2={pa″+1,pa″+2,…,pi…,pb″},T″3={pb″+1,pb″+2,…,pi…,pc″},…。船舶的速度特征点为每个子轨迹的起止点组成,为s={p1,pa″,pa″+1,pb″,pb″+1,…,pc″,…,pn}。而船舶轨迹T的起止点p1和pn无论是在分段还是压缩过程中,都会被保留。每条轨迹的起止点表示为pse={p1,pn}。对所有船舶轨迹依次进行航向特征点、速度特征点和起止点检测得到船舶行为特征点集合,如图8(a)所示。
一个港口往往包含多个港区,港区内又有许多码头泊位。码头是船舶重要的停靠点,船舶停靠泊位时往往是静止的。因此,结合速度和离岸距离识别船舶在码头的所有停泊点是重要一步。
从AIS数据中得到的船舶运动轨迹,在静止状态和运动状态下会表现出不同的行为特征。船舶的速度是最明显的区别指标,但与陆地上车辆的停止不同,船在海上停止时不会保持完全静止,这主要是由船的靠泊方式(锚泊或系泊)和洋流决定的。尽管如此,船舶的停止速度还是会在一个很小的速度范围内。由停泊点组成的子轨迹用Tstop={pi,pi+1,…,pj},Tstop∈T表示。基于船舶的MMSI、速度、经纬度、时间以及AIS数据中的其他信息,船舶停泊点识别算法的步骤说明如下。从船舶的时间序列轨迹T={p1,p2,…,pi…,pn}中的第一个轨迹点开始,确定在时间ti时是否满足以下条件:si<sT,ti-ti-1<tT,di,i-1<dT。其中,si是从AIS记录中获得的船舶在时间ti时的瞬时速度,di,i-1是pi-1和pi之间的船舶航迹距离。sT、tT和dT分别是速度阈值、时间阈值和距离阈值。如果点pi满足上述条件,则点pi被视为初始停泊点,然后被添加到当前船舶轨迹的初始停泊点集合psi={ps,i,ps,i+1,…,ps,j},其中ps,i为当前船舶的第i个初始停泊点。如果轨迹点不符合上述条件,则继续检查T中的其他点,直到所有轨迹点被遍历。最终得到由所有船舶轨迹的初始停泊点集合组成的Ts={psi,psi+1,…,psj},其中psi是第i艘船舶的初始停泊点集合。在实际航行中,船舶的靠泊位置往往靠近陆地。因此,要想得到出现在码头泊位的停泊点,需要将船舶水深信息和离岸距离考虑在内,可以检测并删除那些远离港口泊位的停泊点。确定初始停止点是否为真正停泊点的条件如下:其中,代表从初始停泊点ps,i到海岸线的最近距离。是初始停泊点ps,i的水深数据。LT和depT分别是距离海岸线距离阈值和水深阈值。如果初始停泊点满足上述条件,则被认为是真正的停泊点。否则,删除初始停泊点。
本实施例在识别船舶的停泊点、起止点、航向特征点以及速度特征点等包含不同特性的节点基础上,以节点之间的链接为边生成如图9所示的多层次航路网络。
船舶轨迹具有密度分布不确定性的特点,同时由于船舶航路宽,可航水域大,船舶轨迹就比较分散,因此,适用于基于密度的方法对船舶轨迹进行聚类。其中DBSCAN算法是一种广泛应用于船舶AIS轨迹聚类的算法,OPTICS聚类算法又改进了DBSCAN对输入参数敏感的问题。图论是离散数学的一个重要分支,在网络分析方面发挥了重要的作用,可以应用于海上航路网络的分析研究中。基于图论,可用有向图表示一定区域内的海上交通结构。所以,本研究将船舶的行为特征点通过OPTICS聚类技术抽象成节点,基于图论理论将所有从相同节点出发和到达的轨迹归为同一系列构成网络模型的边缘,探索多个规模级别的船舶航路网络(如码头、港口和城市)。
基于AIS动态及静态数据的多层次多尺度航路网络构建流程可总结为如图10所示。
采用OPTICS算法分别对识别出来的停泊点、航向特征点、速度特征点、起止点和港区代表性节点进行分组。OPTICS算法是一种稳定的基于密度的聚类算法,能够解决DBSCAN算法输入参数的敏感性问题。因此,OPTICS并不直接生成数据集聚类,而是先为聚类分析生成一个有序排列,再对比有序排列进行后续处理以得到聚类结果。这个有序排列代表了各样本点基于密度的聚类结构,数据越接近,越有可能被分在同一聚类的样本,在排列中的位置就越靠近。根据OPTICS算法对停泊点、航向特征点、速度特征点、起止点和港区代表性节点分别聚类,得到不同点簇,每个点簇被赋予唯一的标识,即簇的中心点。该类簇的中心点即为不同层次航路网络的节点。OPTICS需要设置参数ε和minPts。因此,在对不同层次航路网络聚类时需设置不同参数,一级、二级和三级航路网络的OPTICS的聚类参数分别为Pparm1=(ε1,minPts1),Pparm2=(ε2,minPts2)和Pparm3=(ε3,minPts3)。以三级(码头)航路网络的形成过程为例,聚类得到的不同类型船舶特征点节点如图8(b)所示。通过簇中心点的唯一标识,可以检索到节点之间主要的运输路线。
经过处理后的船舶轨迹数据被抽象为带权重的有向图,通常表示为:G=(N,E),其中,G表示一个图,N={ni:i=1,2,…,n],n=|N|,为图G中节点的集合。E={ej:j=1,2,…,m},m=|E|,为图G中边的集合。表示有向图节点之间的连接,可以根据不同节点之间的连接获得。以三级(码头)航路网络为例,在由船舶航路网抽象而成的有向图中,船舶航向特征点簇或速度特征点簇和起止点簇的中心点组成了节点N,连接节点之间的航路为边E。图的邻接矩阵存储方式用两个数组表示,一个一维数组存储图的节点信息,一个二维数组(称为邻接矩阵)存储图的边信息。构建海上航路网络的有向图的关键是建立特征点连接矩阵,如下式所示。
其中,n是特征点的数量,ei,j代表从特征点i到j的所有船舶轨迹的数量。G是非对称矩阵,ei,j≠ej,i,并且没有任何自循环节点,即G的对角元素为零。这样,海上交通网络的构建就以简单有向图的形式完成。一个航路网络的例子如图8(c)所示。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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:其依然可以对前述各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各实施例技术方案的范围。
Claims (9)
1.一种数据驱动的多层次船舶航路网络构建方法,其特征在于,包括如下步骤:
步骤1、获取轨迹数据库中的原始轨迹,对原始轨迹数据预处理,剔除原始轨迹中不符合预设规定的数据,最终得到由若干有序轨迹点组成的AIS轨迹;
步骤2、对有序轨迹点组成的AIS轨迹段进行压缩,从而删除大量原始轨迹中冗余的轨迹点;
步骤3、利用船舶轨迹点的航向和速度信息,将压缩后的AIS轨迹分别基于航向信息熵和速度信息熵进行分段,最终得到航向值和速度值具有显著差异的多个子轨迹段;船舶的特征点由每个子轨迹的起止点组成,对所有船舶轨迹依次进行船舶的停泊点、航向特征点、速度特征点和轨迹起止点检测,得到船舶行为特征点集合;
步骤4、基于船舶行为特征点集合构建多层次船舶航路网络构建框架,具体地,将集合中的轨迹点通过聚类算法抽象成节点,基于图论理论以节点间代表性航路为边构成多层次的分层航路网络,所述多层次的分层航路网络集成了码头、港区和港口级别。
2.根据权利要求1所述的数据驱动的多层次船舶航路网络构建方法,其特征在于,所述步骤1中,对原始轨迹数据预处理具体包括AIS报文字段可靠性的筛选、船舶轨迹信息完整性的筛选和轨迹点位置准确性的筛选,所述AIS报文字段可靠性的筛选具体为对水上移动通信业务识别码、速度、航向、经度、纬度、秒、分、时在内的明显不符合实际情况的字段内容视为不可靠的无效信息,对无效信息进行删除;所述船舶轨迹信息完整性的筛选具体为对小于规定轨迹点数量的船舶轨迹进行删除;所述轨迹点位置准确性的筛选具体为不符合运动学位置逻辑的轨迹点数量超过预设程度时的轨迹进行删除。
3.根据权利要求2所述的数据驱动的多层次船舶航路网络构建方法,其特征在于,所述轨迹点位置准确性的筛选包括如下步骤:
轨迹将被遍历检测是否存在轨迹断点,轨迹断点由速度差值、距离差值和时间差值来确定,若轨迹存在断点,则根据断点位置将轨迹分割为子轨迹,子轨迹的形式是轨迹片段或单个轨迹点;
对分割后的子轨迹进行遍历,进而判断是否可以重新连接,判断由子轨迹段的首尾数据和速度阈值、距离阈值和时间阈值确定;
其中,所述速度差值为该轨迹点记录的速度和计算的速度之间的差值;所述距离差值为该轨迹点与前一时序数据的距离差值;所述时间差值为该轨迹点与前一时序数据的时间间隔。
4.根据权利要求1所述的数据驱动的多层次船舶航路网络构建方法,其特征在于,所述步骤2中,AIS轨迹表示为点集D={Ps,...,Pi,...,Pe},计算轨迹的每个点Pi距其起点Ps和终点Pe连线的同步欧式距离dSED(Pi),如果最大值dmax≥dthd,将原始轨迹在该处分割成两段;如果dmax<dthd,则仅保留该段轨迹的起点和终点,依次递归地将上述步骤应用于分割后的子轨迹,其中,dthd是TD-TR的压缩阈值。
5.根据权利要求4所述的数据驱动的多层次船舶航路网络构建方法,其特征在于,所述压缩阈值的选取基于以下原则:基于最小描述长度的原理构建轨迹简化得分方法,该分数表示每一次轨迹简化后误差比分与轨迹点数量比分之间的和,分数越低表示轨迹简化效果越好,由分数可以得出轨迹简化的最佳阈值,在此阈值下的轨迹简化能达到简化率和误差的最佳平衡,具体地,
自适应确定最佳阈值的流程为:首先得到只包含首尾点的最简轨迹T′={P1,Pn},计算最简轨迹距原始轨迹某点的最大SED距离,将该最大SED设为此时的阈值∈i,然后将该点添加到简化轨迹T′中,简化轨迹变为T′={P1,Pi,Pn};
然后,计算该简化轨迹的Scr(T′),存储{Scr(T′),∈i},整个过程不断重复,直到简化后的轨迹T′包含原始轨迹T中的所有点,最后,找到Scr(T′)最小时对应的阈值∈i为最佳阈值。
6.根据权利要求1所述的数据驱动的多层次船舶航路网络构建方法,其特征在于,所述步骤3进行分段包括如下步骤:
应用k-means算法分别对轨迹的航向clist=[c1,c2,...,ci,...,cn]和速度slist=[s1,s2,...,si,...,sn]进行聚类,其中ci和si分别代表该轨迹中第i个轨迹点的航向和速度值,获得航向代表性区间cinr=[c′1,c′2,...,c′i,...,c′n]和速度的代表性区间sinr=[s′1,s′2,...,s′i,...,s′n],其中c′i和s′i分别代表k-means对航向和速度聚类得到的类簇中心,利用手肘法决定k值的选取,k值即需要确定最终得到的区间数量,得到航向和速度的区间后,根据区间确定轨迹的航向标签和速度标签;
通过分别判断每个轨迹点的航向和速度信息属于哪个航向和速度区间,得到每个轨迹点的航向标签列表Lcog和速度标签列表Lsog;
轨迹的航向信息熵Ecog(T)计算公式为:
轨迹的速度信息熵Esog(T)计算公式为:
将轨迹T1,n-1在i(1≤i≤n-1)处依次进行分段,分成两段子轨迹T1,i和Ti+1,n-1,
根据公式依次计算在i处分段时的信息熵Esplit(T1,n-1),其中,N1,N2,N分别代表T1,i、Ti+1,n-1和T1,n-1的轨迹点数量,进而得到轨迹在不同位置被分段时的Esplit(T1,n-1);
根据分段位置和Esplit(T1,n-1)的对应关系,找到Esplit(T1,n-1)在该轨迹范围内的极小值点,在极小值点处对轨迹进行分段。
7.根据权利要求6所述的数据驱动的多层次船舶航路网络构建方法,其特征在于,所述步骤3中,船舶停泊点识别算法的步骤说明如下:
从船舶的时间序列轨迹T={p1,p2,...,pi...,pn}中的第一个轨迹点开始,确定在时间ti时是否满足以下条件:si<sT,ti-ti-1<tT,di,i-1<dT,其中,si是从AIS记录中获得的船舶在时间ti时的瞬时速度,di,i-1是pi-1和pi之间的船舶航迹距离,sT、tT和dT分别是速度阈值、时间阈值和距离阈值,如果点pi满足上述条件,则点pi被视为初始停泊点,然后被添加到当前船舶轨迹的初始停泊点集合psi={ps,i,ps,i+1,...,ps,j},其中ps,i为当前船舶的第i个初始停泊点,如果轨迹点不符合上述条件,则继续检查T中的其他点,直到所有轨迹点被遍历,最终得到由所有船舶轨迹的初始停泊点集合组成的Ts={psi,psi+1,...,psj},其中psi是第i艘船舶的初始停泊点集合。
9.根据权利要求1所述的数据驱动的多层次船舶航路网络构建方法,其特征在于,所述步骤4中,基于OPTICS获取不同层次航路网络节点,具体地,根据OPTICS算法对停泊点、航向特征点、速度特征点、起止点和港区代表性节点分别聚类,得到不同点簇,每个点簇被赋予唯一的标识,即簇的中心点,该类簇的中心点即为不同层次航路网络的节点;
在对不同层次航路网络聚类时需设置不同参数,一级、二级和三级航路网络的OPTICS的聚类参数分别为Pparm1=(ε1,minPts1),Pparm2=(ε2,minPts2)和Pparm3=(ε3,minPts3),其中,ε和minPts分别为聚类的邻域半径和最小包含点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110784417.1A CN113553682B (zh) | 2021-07-12 | 2021-07-12 | 一种数据驱动的多层次船舶航路网络构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110784417.1A CN113553682B (zh) | 2021-07-12 | 2021-07-12 | 一种数据驱动的多层次船舶航路网络构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113553682A CN113553682A (zh) | 2021-10-26 |
CN113553682B true CN113553682B (zh) | 2022-09-06 |
Family
ID=78131568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110784417.1A Active CN113553682B (zh) | 2021-07-12 | 2021-07-12 | 一种数据驱动的多层次船舶航路网络构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113553682B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114550497A (zh) * | 2022-02-14 | 2022-05-27 | 武汉理工大学 | 船舶行为的语义计算方法及装置 |
CN114743406B (zh) * | 2022-03-11 | 2023-04-07 | 中国电子科技集团公司第五十四研究所 | 一种船舶轨迹去纠缠方法 |
CN115018368A (zh) * | 2022-06-28 | 2022-09-06 | 交通运输部规划研究院 | 一种基于海量ais数据的港口泊位占用率计算方法 |
CN115577215B (zh) * | 2022-12-07 | 2023-03-24 | 亿海蓝(北京)数据技术股份公司 | 实时功率估算方法、系统、电子设备、存储介质和芯片 |
CN115719550B (zh) * | 2023-01-09 | 2023-03-31 | 亿海蓝(北京)数据技术股份公司 | 船舶骨干航路网的构建方法、装置和可读储存介质 |
CN116524723B (zh) * | 2023-06-27 | 2023-09-12 | 天津大学 | 一种货车轨迹异常识别方法及系统 |
CN116805015B (zh) * | 2023-08-25 | 2023-11-28 | 中国林业科学研究院森林生态环境与自然保护研究所(国家林业和草原局世界自然遗产保护研究中心) | 一种基于gps跟踪数据的鸟类迁飞路线图论建模方法 |
CN117851655A (zh) * | 2024-03-05 | 2024-04-09 | 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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613677A (zh) * | 2020-12-29 | 2021-04-06 | 武汉理工大学 | 一种航路网络生成方法、装置及计算机存储介质 |
CN112862156A (zh) * | 2021-01-08 | 2021-05-28 | 北京工业大学 | 一种基于船舶轨迹和蚁群算法的船舶路径规划方法 |
CN113032502A (zh) * | 2021-02-09 | 2021-06-25 | 北京工业大学 | 一种基于改进轨迹段dbscan聚类的船舶异常检测方法 |
-
2021
- 2021-07-12 CN CN202110784417.1A patent/CN113553682B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613677A (zh) * | 2020-12-29 | 2021-04-06 | 武汉理工大学 | 一种航路网络生成方法、装置及计算机存储介质 |
CN112862156A (zh) * | 2021-01-08 | 2021-05-28 | 北京工业大学 | 一种基于船舶轨迹和蚁群算法的船舶路径规划方法 |
CN113032502A (zh) * | 2021-02-09 | 2021-06-25 | 北京工业大学 | 一种基于改进轨迹段dbscan聚类的船舶异常检测方法 |
Non-Patent Citations (1)
Title |
---|
基于AIS的船舶航行周期识别;赵文文等;《计算机应用与软件》;20181012(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113553682A (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113553682B (zh) | 一种数据驱动的多层次船舶航路网络构建方法 | |
Zhang et al. | A big data analytics method for the evaluation of ship-ship collision risk reflecting hydrometeorological conditions | |
Zhang et al. | Data-driven based automatic maritime routing from massive AIS trajectories in the face of disparity | |
Zhao et al. | Ship trajectories pre-processing based on AIS data | |
Zissis et al. | A distributed spatial method for modeling maritime routes | |
CN113450596B (zh) | 基于船舶轨迹特征点提取的时空dp方法 | |
Laxhammar et al. | Anomaly detection in sea traffic-a comparison of the gaussian mixture model and the kernel density estimator | |
CN112967527B (zh) | 一种渡船碰撞风险评估方法、系统、装置及介质 | |
Cheng et al. | Using big data to track marine oil transportation along the 21st-century Maritime Silk Road | |
CN110210352A (zh) | 基于航道模型的船舶轨迹异常检测方法 | |
CN112699315B (zh) | 基于ais数据的船舶异常行为探测方法 | |
CN113032502A (zh) | 一种基于改进轨迹段dbscan聚类的船舶异常检测方法 | |
Yan et al. | Vessel movement analysis and pattern discovery using density-based clustering approach | |
CN113312438B (zh) | 融合航线提取与趋势判断的海上目标位置预测方法 | |
CN114066354A (zh) | 一种基于全球船舶历史航迹的智能航线推荐方法及系统 | |
Tang et al. | Detection of abnormal vessel behaviour based on probabilistic directed graph model | |
Naus | Drafting route plan templates for ships on the basis of AIS historical data | |
Chang et al. | Vessel traffic analysis for maritime intelligent transportation system | |
Carlini et al. | Uncovering vessel movement patterns from AIS data with graph evolution analysis. | |
Xu et al. | Trajectory clustering for SVR-based Time of Arrival estimation | |
Dobrkovic et al. | Maritime pattern extraction from AIS data using a genetic algorithm | |
Spiliopoulos et al. | Knowledge extraction from maritime spatiotemporal data: An evaluation of clustering algorithms on Big Data | |
Huang et al. | A maritime traffic route extraction method based on density-based spatial clustering of applications with noise for multi-dimensional data | |
CN112347218A (zh) | 无人船艇的环境地图生成方法及无人船艇感知系统 | |
Mieczyńska et al. | DBSCAN algorithm for AIS data reconstruction |
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 |