CN113793031B - 海底管线风险预测方法及装置 - Google Patents
海底管线风险预测方法及装置 Download PDFInfo
- Publication number
- CN113793031B CN113793031B CN202111080587.8A CN202111080587A CN113793031B CN 113793031 B CN113793031 B CN 113793031B CN 202111080587 A CN202111080587 A CN 202111080587A CN 113793031 B CN113793031 B CN 113793031B
- Authority
- CN
- China
- Prior art keywords
- track
- ship
- time
- point
- 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
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C1/00—Measuring angles
- G01C1/02—Theodolites
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Multimedia (AREA)
- Development Economics (AREA)
- Navigation (AREA)
Abstract
本发明提供了一种海底管线风险预测方法及装置,其中,所述方法包括:获取船舶历史位置数据集;根据所述船舶历史位置数据集中的经纬度度信息、地理标识信息,照片图像信息构建时间位置轨迹集合;根据所述时间位置轨迹集合得到船舶的语义特征;对所述船舶的语义特征进行分割;将分割后的语义特征和对应的时间位置轨迹集合,输入到时空孪生神经网络模型中进行训练;将AIS即时数据输入训练完成的时空孪生神经网络模型,并将输出结果作为轨迹预测结果;根据所述轨迹预测结果确定海管损坏风险。降低了由于预测不及时产生的海管损坏风险。
Description
技术领域
本发明属于船舶轨迹智能预测技术领域,尤其是涉及一种海底管线风险预测方法及装置。
背景技术
在海底管线第三方破坏识别中,船舶的外力破坏是引起海底管线破坏的主要原因之一。对船舶的轨迹进行预测能够有效避免海底管线受到船舶活动、施工作业等随机性荷载的撞击、拖拽所造成的破坏事故。然而,船舶的轨迹信息常常存在时延性,不可靠性以及不完整性等特点,从而导致常规的预测方法无法精准预测船舶的轨迹,进而无法准确预测海底管线面临的船舶外力破坏风险。
发明内容
有鉴于此,本发明旨在提出一种海底管线风险预测方法及装置,以解决现有技术中无法精准预测船舶的轨迹的技术问题。
为达到上述目的,本发明的技术方案是这样实现的:
一种海底管线风险预测方法,包括:
获取船舶历史位置数据集;
根据所述船舶历史位置数据集中的经纬度度信息、地理标识信息,照片图像信息构建时间位置轨迹集合;
根据所述时间位置轨迹集合得到船舶的语义特征;
对所述船舶的语义特征进行分割;
将分割后的语义特征和对应的时间位置轨迹集合,输入到时空孪生神经网络模型中进行训练;
将AIS即时数据输入训练完成的时空孪生神经网络模型,并将输出结果作为轨迹预测结果;
根据所述轨迹预测结果确定海管损坏风险。
进一步的,所述获取船舶历史位置数据集,包括:
从AIS历史数据中获取船舶历史位置数据集。
进一步的,所述根据所述船舶历史位置数据集中的经纬度度信息、地理标识信息,照片图像信息构建时间位置轨迹集合,包括:对时间位置轨迹集合进行去噪处理。
进一步的,所述对时间位置轨迹集合进行去噪处理,包括:
删除MMSI码错误的数据,删除船舶位置的经纬度出现负值或是经度大于180度、纬度大于90度数据,删除航速为负值或大于60kn的数据;
将船舶轨迹点与航域信息进行比对,删除超过研究航域范围的数据,对长时间停止运行的轨迹点进行合并;
计算时间范围内轨迹点之间的平均时间和平均距离,结合船舶驾驶速度的上限,获取预设时间段内船舶行驶距离的上限,消除轨迹时间序列中明显定位误差的轨迹点;
对消除后的轨迹时间序列中数据进行归一化处理,得到时间位置轨迹集合。
进一步的,所述根据所述时间位置轨迹集合得到船舶的语义特征,包括:
根据船舶轨迹数据中的时间戳,在预设的时间范围内,突然采集到速度和航向指标,并且船舶的空间位置开始移动,即判断为船舶轨迹开始移动,将轨迹开始移动的初始时间位置设置为起点;
对轨迹结束的位置设置为终点,在预设的时长范围内,接收到船舶数据的地理信息没有变化并且速度和航向指标为0时,判定船舶开始停留;当停留的时间长过停留时间阈值时,判定为船舶轨迹终点;
在相邻轨迹之间时间差大于相邻时长阈值,且两个轨迹点的速度值都小于设定的停泊速度阈值时,判断两个相邻的轨迹点识别停泊点;
利用曲线边缘检测法对每条船舶轨迹的所有轨迹点进行识别,将符合判定条件的轨迹点选取为轨迹特征点。
进一步的,所述对所述船舶的语义特征进行分割,包括:
根据所述起点、终点、停泊点和特征点组成船舶运行轨迹的特征点集合;
将特征点集合中的相邻特征点按时间先后顺序排列,依次连接生成该条轨迹的子轨迹,其中相邻两个特征点的线段成为轨迹段。
所述时空孪生神经网络模型包括:长短期记忆神经网络和三层全连接层神经网络结构;
所述将所述时空孪生神经网络模型的输出结果作为轨迹预测结果,包括:
进一步的,所述将所述时空孪生神经网络模型的输出结果作为轨迹预测结果,包括:
将长短期记忆神经网络的输出状态ht与三层全连接层神经网络的最后一层状态h3进行拼接,共同输入到一个全连接层:
at=wt·[ht,h3]+bt
ot=σ(at)
得到轨迹预测结果。
进一步的,所述利用曲线边缘检测法对每条船舶轨迹的所有轨迹点进行识别,包括:
假设给定一条船舶运行轨迹,其中的P1(x1,y1),P2(x2,y2),P3(x3,y3),P4(x4,y4)(x1<x2<x3<x4),是轨迹上相继4个点。首先连接轨迹点P1(x1,y1)和P2(x2,y2)构成一条关于轨迹的正向直线T12,对应的正向直线方程为:
T12(x,y)=(y2-y1)(x-x1)+(y-y1)(x2-x1);
计算轨迹点P3(x3,y3)关于正向直线方程T12的值,若T12(x3,y3)<0,则轨迹点P3是关于正向直线内点;若T12(x3,y3)>0,则称轨迹点P3是关于正向直线外点;
连接轨迹点P2(x2,y2)和P3(x3,y3)构成一条关于轨迹的正向直线T23,对应的正向直线方程为:
T23(x,y)=(y3-y2)(x-x2)+(y-y2)(x3-x2);
计算轨迹点P4(x4,y4)关于正向直线方程T23的值,并根据上述方法判断轨迹点P4(x4,y4)关于正向直线方程T23的值,并根据上述方法判断轨迹点P4(x4,y4)为内点或外点;
若T12(x3,y3)·T23(x4,y4)<0,说明轨迹在P3(x3,y3)处方向有所改变,则轨迹点P3(x3,y3)是特征点,即为TF点,否则P3(x3,y3)是特征点,即为TF点,否则P3(x3,y3)不是TF点。
另一方面,本发明实施例还提供了一种海底管线风险预测装置,包括:
获取模块,用于获取船舶历史位置数据集;
构建模块,用于根据所述船舶历史位置数据集中的经纬度度信息、地理标识信息,照片图像信息构建时间位置轨迹集合;
得到模块,用于根据所述时间位置轨迹集合得到船舶的语义特征;
分割模块,用于对所述船舶的语义特征进行分割;
输入模块,用于将分割后的语义特征和对应的时间位置轨迹集合,输入到的时空孪生神经网络模型中进行训练;
输出模块,用于将AIS即时数据输入训练完成的时空孪生神经网络模型,并将输出结果作为轨迹预测结果;
确定模块,用于根据所述轨迹预测结果确定海管损坏风险。
进一步的,所述获取模块,包括:
获取单元,用于从AIS历史数据中获取船舶历史位置数据集。
进一步的,所述构建模块,包括:
去噪单元,所述去噪单元,用于对时间位置轨迹集合进行去噪处理。
进一步的,所述去噪单元,用于:
删除MMSI码错误的数据,删除船舶位置的经纬度出现负值或是经度大于180度、纬度大于90度数据,删除航速为负值或大于60kn的数据;
将船舶轨迹点与航域信息进行比对,删除超过研究航域范围的数据,对长时间停止运行的轨迹点进行合并;
计算时间范围内轨迹点之间的平均时间和平均距离,结合船舶驾驶速度的上限,获取预设时间段内船舶行驶距离的上限,消除轨迹时间序列中明显定位误差的轨迹点;
对消除后的轨迹时间序列中数据进行归一化处理,得到时间位置轨迹集合。
进一步的,所述得到模块,包括:
起点设置单元,用于根据船舶轨迹数据中的时间戳,在预设的时间范围内,突然采集到速度和航向指标,并且船舶的空间位置开始移动,即判断为船舶轨迹开始移动,将轨迹开始移动的初始时间位置设置为起点;
终点判断单元,用于对轨迹结束的位置设置为终点,在预设的时长范围内,接收到船舶数据的地理信息没有变化并且速度和航向指标为0时,判定船舶开始停留;当停留的时间长过停留时间阈值时,判定为船舶轨迹终点;
停泊点识别单元,用于在相邻轨迹之间时间差大于相邻时长阈值,且两个轨迹点的速度值都小于设定的停泊速度阈值时,判断两个相邻的轨迹点识别停泊点;
识别单元,用于利用曲线边缘检测法对每条船舶轨迹的所有轨迹点进行识别,将符合判定条件的轨迹点选取为轨迹特征点。
进一步的,所述分割模块,用于:
根据所述起点、终点、停泊点和特征点组成船舶运行轨迹的特征点集合;
将特征点集合中的相邻特征点按时间先后顺序排列,依次连接生成该条轨迹的子轨迹,其中相邻两个特征点的线段成为轨迹段。
进一步的,所述时空孪生神经网络模型包括:长短期记忆神经网络和三层全连接层神经网络结构;
所述将所述时空孪生神经网络模型的输出结果作为轨迹预测结果,包括:
将长短期记忆神经网络的输出状态ht与三层全连接层神经网络的最后一层状态h3进行拼接,共同输入到一个全连接层:
at=wt·[ht,h3]+bt
ot=σ(at)
得到轨迹预测结果。
更进一步的,所述识别单元,用于:
假设给定一条船舶运行轨迹,其中的P1(x1,y1),P2(x2,y2),P3(x3,y3),P4(x4,y4)(x1<x2<x3<x4),是轨迹上相继4个点。首先连接轨迹点P1(x1,y1)和P2(x2,y2)构成一条关于轨迹的正向直线T12,对应的正向直线方程为:
T12(x,y)=(y2-y1)(x-x1)+(y-y1)(x2-x1);
计算轨迹点P3(x3,y3)关于正向直线方程T12的值,若T12(x3,y3)<0,则轨迹点P3是关于正向直线内点;若T12(x3,y3)>0,则称轨迹点P3是关于正向直线外点;
连接轨迹点P2(x2,y2)和P3(x3,y3)构成一条关于轨迹的正向直线T23,对应的正向直线方程为:
T23(x,y)=(y3-y2)(x-x2)+(y-y2)(x3-x2);
计算轨迹点P4(x4,y4)关于正向直线方程T23的值,并根据上述方法判断轨迹点P4(x4,y4)关于正向直线方程T23的值,并根据上述方法判断轨迹点P4(x4,y4)为内点或外点;
若T12(x3,y3)·T23(x4,y4)<0,说明轨迹在P3(x3,y3)处方向有所改变,则轨迹点P3(x3,y3)是特征点,即为TF点,否则P3(x3,y3)是特征点,即为TF点,否则P3(x3,y3)不是TF点。
相对于现有技术,本发明所述的海底管线风险预测方法及装置具有以下优势:本发明所述的海底管线风险预测方法及装置,通过获取船舶历史位置数据集;根据所述船舶历史位置数据集中的经纬度度信息、地理标识信息,照片图像信息构建时间位置轨迹集合;根据所述时间位置轨迹集合得到船舶的语义特征;对所述船舶的语义特征进行分割;将分割后的语义特征和对应的时间位置轨迹集合,输入到训练完成后的时空孪生神经网络模型中;将所述时空孪生神经网络模型的输出结果作为轨迹预测结果。可以对船舶历史位置数据集进行有效整理,计算得到准确的时间位置轨迹集合,并计算得到对应的船舶的语义特征,并利用时空孪生神经网络模型的数据分析和运算能力,利用两个神经网络对输入的时间位置轨迹集合和对应的船舶的语义特征,能够精准的预测船舶轨迹,进而确定可能的海管风险点,提前预防,有效避免海管损坏事故的发生。此外,本发明所述的海底管线风险预测方法及装置可以对大量船舶的轨迹进行快速预测。进一步降低了由于预测不及时产生的海管损坏风险。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例所述的海底管线风险预测方法的流程示意图;
图2为本发明实施例所述的海底管线风险预测装置的结构示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
实施例一
图1是本发明实施例一所述的海底管线风险预测方法的流程示意图。本实施例可适用于对用于对海底管线风险,特别是船舶外力破坏风险进行预测的情况,该方法可以由海底管线风险预测装置来执行,其可通过软件\硬件方式实现,并可集成于相应的设备中,具体包括如下步骤:
S110,获取船舶历史位置数据集。
可选的,可以通过从AIS(Automatic Identification System,船舶自动识别系统)历史数据中获取船舶历史位置数据集。
S120,根据所述船舶历史位置数据集中的经纬度度信息、地理标识信息,照片图像信息构建时间位置轨迹集合。
示例性的,可以根据船舶位置数据集中的时间戳对船舶的位置进行排序,获得初始船舶轨迹,然后融合经纬度度信息、地理标识信息,照片图像信息,构建多维度船舶轨迹。多维度船舶轨迹可以采用如下方式表达:(x1,y1,t1),(x2,y2,t2)…(xn,yn,tn),其中xn,yn可以为船舶的坐标,tn可以为时间戳,其它地理标志信息和照片图像信息可以用于作为计算船舶坐标的参考因素。
在本实施例中,由于获取到的AIS数据中存在着部分错误或者延时数据,因此,在本实施例中,所述根据所述船舶历史位置数据集中的经纬度度信息、地理标识信息,照片图像信息构建时间位置轨迹集合,还包括:对时间位置轨迹集合进行去噪处理。
可选的,所述对时间位置轨迹集合进行去噪处理,可以包括:删除MMSI码错误的数据,删除船舶位置的经纬度出现负值或是经度大于180度、纬度大于90度数据,删除航速为负值或大于60kn的数据;将船舶轨迹点与航域信息进行比对,删除超过研究航域范围的数据,对长时间停止运行的轨迹点进行合并;计算时间范围内轨迹点之间的平均时间和平均距离,结合船舶驾驶速度的上限,获取预设时间段内船舶行驶距离的上限,消除轨迹时间序列中明显定位误差的轨迹点;对消除后的轨迹时间序列中数据进行归一化处理,得到时间位置轨迹集合。
可选的,具体包括:
对多维度船舶轨迹中的数据进行异常过滤,删除错误数据,其中删除MMSI码错误的数据,删除船舶位置的经纬度出现负值或是经度大于180度、纬度大于90度数据,删除航速为负值或大于60kn的数据,其中水上移动通信业务标识码(Maritime Mobile ServiceIdentify,MMSI)是船舶无线电通信系统在其无线电信道上发送的,能独特识别各类台站和成组呼叫台站的一列九位数字码。
对多维度船舶轨迹中的数据中不合理数据进行过滤,可选的,可以将船舶轨迹点与航域信息进行比对,删除超过研究航域范围的数据,对长时间停止运行的轨迹点进行合并;
对多维度船舶轨迹中的噪声轨迹进行过滤,可以选取一段时间范围,计算时间范围内轨迹点之间的平均时间和平均距离,结合船舶驾驶速度的上限,获取预设时间段内船舶行驶距离的上限,消除轨迹时间序列中明显定位误差的轨迹点,假设轨迹点xi、xj和xk是初始轨迹时间序列中连续三个轨迹点,所对应的时间分别是ti、tj和tk,定义轨迹点Δt1=tj-ti,距离间隔为Δd1,定义轨迹点xk和xj之间的时间间隔为Δt2=tk-tj,间隔距离为Δd2,已知指定航向区域内船速最大值为Vmax,如果Δd1和Δd2满足:Δd1>Δt1×Vm*x,Δd2>Δt2×Vmax,则可判定轨迹点xj为误差点,应从初始轨迹时间序列中删除。
完成上述过滤操作后,可以对剩下的轨迹时间序列中数据进行归一化处理,以将多个近似的数据进行合并,进而得到船舶轨迹数据。
S130,根据所述时间位置轨迹集合得到船舶的语义特征。
在本实施例中,所述船舶的语义特征,可以是轨迹点的定义,例如:起点、终点、过程点等。在本实施例中,可以利用上述步骤确定的时间未知轨迹集合来确定得到船舶的语义特征。
可选的,所述根据所述时间位置轨迹集合得到船舶的语义特征,可以包括:
根据船舶轨迹数据中的时间戳,在预设的时间范围内,突然采集到速度和航向指标,并且船舶的空间位置开始移动,即判断为船舶轨迹开始移动,将轨迹开始移动的初始时间位置设置为起点;
对轨迹结束的位置设置为终点,在预设的时长范围内,接收到船舶数据的地理信息没有变化并且速度和航向指标为0时,判定船舶开始停留;当停留的时间长过停留时间阈值时,判定为船舶轨迹终点;
在相邻轨迹之间时间差大于相邻时长阈值,且两个轨迹点的速度值都小于设定的停泊速度阈值时,判断两个相邻的轨迹点识别停泊点;
利用曲线边缘检测法对每条船舶轨迹的所有轨迹点进行识别,将符合判定条件的轨迹点选取为轨迹特征点。
具体的,可参照如下方式:
根据船舶轨迹数据中的时间戳,对轨迹开始移动的初始时间位置设置为起点,判断船舶轨迹开始移动的方法为查看船舶轨迹数据中的速度和航向指标,在一段时间范围中,突然获得速度和航向指标,并且船舶的空间位置开始移动即判断为船舶轨迹开始移动。
对轨迹结束的位置设置为终点,当船舶长时间停留在一个地方,船舶数据的地理信息没有变化并且速度和航向指标为0的时候判定船舶开始停留,当停留的时间长过一定时间阈值时,判定为船舶轨迹终点。
通过设置时间阈值和速度阈值,如果相邻轨迹之间时间差大于特定的时间阈值,而两个轨迹点的速度值都小于设定的速度阈值,则将两个相邻的轨迹点识别为该条船舶轨迹的停泊点;
利用曲线边缘检测法对每条船舶轨迹的所有轨迹点进行识别,将符合判定条件的轨迹点选取为轨迹特征点。
所述利用曲线边缘检测法对每条船舶轨迹的所有轨迹点进行识别,可以包括:
假设给定一条船舶运行轨迹,其中的P1(x1,y1),P2(x2,y2),P3(x3,y3),P4(x4,y4)(x1<x2<x3<x4),是轨迹上相继4个点。首先连接轨迹点P1(x1,y1)和P2(x2,y2)构成一条关于轨迹的正向直线T12,对应的正向直线方程为:
T12(x,y)=(y2-y1)(x-x1)+(y-y1)(x2-x1);
计算轨迹点P3(x3,y3)关于正向直线方程T12的值,若T12(x3,y3)<0,则轨迹点P3是关于正向直线内点;若T12(x3,y3)>0,则称轨迹点P3是关于正向直线外点;
连接轨迹点P2(x2,y2)和P3(x3,y3)构成一条关于轨迹的正向直线T23,对应的正向直线方程为:
T23(x,y)=(y3-y2)(x-x2)+(y-y2)(x3-x2);
计算轨迹点P4(x4,y4)关于正向直线方程T23的值,并根据上述方法判断轨迹点P4(x4,y4)关于正向直线方程T23的值,并根据上述方法判断轨迹点P4(x4,y4)为内点或外点;
若T12(x3,y3)·T23(x4,y4)<0,说明轨迹在P3(x3,y3)处方向有所改变,则轨迹点P3(x3,y3)是特征点,即为TF点,否则P3(x3,y3)是特征点,即为TF点,否则P3(x3,y3)不是TF点。
S140,对所述船舶的语义特征进行分割。
示例性的,所述对所述船舶的语义特征进行分割,可以包括:根据所述起点、终点、停泊点和特征点组成船舶运行轨迹的特征点集合;将特征点集合中的相邻特征点按时间先后顺序排列,依次连接生成该条轨迹的子轨迹,其中相邻两个特征点的线段成为轨迹段。分割出不同的船舶语义特征。将特征点集合中的相邻特征点按时间先后顺序排列,依次连接生成该条轨迹的子轨迹,其中相邻两个特征点的线段成为轨迹段。
S150,将分割后的语义特征和对应的时间位置轨迹集合,输入到时空孪生神经网络模型中进行训练。
通过上述步骤,可以获取得到时间位置轨迹集合和语义特征集合两个特征集合,并可利用上述两个集合对时空孪生神经网络模型进行训练。
在训练之前,需要构建时空孪生神经网络模型,可选的,可以通过如下方式实现:
堆叠长短期记忆网络层,其中,包含输入门、遗忘门以及输出门等网络参数;
输入门:
it=σ(wi[ht-1,xt]+bi)
遗忘门:
ft=σ(wf[ht-1,xt]+bf)
更新细胞状态表达式:
输出门表达式:
ot=σ(wo[ht-1,xt]+bo)
ht=ot*tanh(Ct)
其中,wi、wc、wf、wo分别表示各个门的循环权重;bi、bc、bf、bo分别表示各个门的偏置;ht-1表示隐藏层状态;σ表示sigmoid激活函数;tanh表示双曲正切激活函数,该网络层的输入是轨迹时间序列,用于获取轨迹的时序特征。
在本实施例中,将长短期记忆神经网络的输出状态ht与三层全连接层神经网络的最后一层状态h3进行拼接,共同输入到一个全连接层。可选的,构建时空孪生神经网络中三层全连接层神经网络结构,其表达式为:
a1=w1·x+b1
h1=σ(a1)
a2=w2·h1+b2
h2=σ(a2)
a3=w3·h2+b3
h3=σ(a3)
其中,w1、w2、w3分别表示各个层的权重;b1、b2、b3分别表示每一层的偏置;h1、h2、h3表示每一层的状态了;σ表示sigmoid激活函数,该网络层的输入是轨迹语义信息,用于获取轨迹的语义特征。
将长短期记忆神经网络的输出状态ht与三层全连接层神经网络的状态h3进行拼接,共同输入到一个全连接层:
at=wt·[ht,h3]+bt
ot=σ(at)
输出结果ot即为预测的船舶轨迹。
并搭建网络损失函数,其中损失函数通过均方误差计算而得,均方误差为真实值与预测值的差值的平方然后求和平均,公式为:
训练LSTM神经网络模型,采用监督学习机制,将船舶的历史运动轨迹时间序列作为训练样本,对LSTM网络进行训练学习,并结合网络结构微调,确定最优的网络结构和参数,其中,LST M网络模型训练过程采用随机梯度下降优化器,损失函数由均方误差决定。
S160,将AIS即时数据输入所述时空孪生神经网络模型,并将输出结果作为轨迹预测结果。
将实时的AIS数据流作为输入,输出目标船舶在未来时段的运动轨迹序列。
S170,根据所述轨迹预测结果确定海管损坏风险。
示例性的,可以根据输出的未来时段的运动轨迹序列,确定其途径海底管线的时间和与海底管线交叉的位置;根据所述与海底管线交叉的位置判断其预设范围内为停泊点的几率;根据所述停泊点的几率集合气象条件确定海管损坏风险。由于海底管线损坏风险通常与起锚和抛锚作业相关,因此,利用预设范表明危险区域,同时在恶劣天气下,抛锚或者其他容易引发海管损坏的非常规动作均提前并可针对海底管线损坏风险提前采取措施,例如:提示在航船舶绕避恶劣天气时对应的海管区域,以及在海管附近区域减少各种危机海管安全的非常规操作等。
本发明所述的海底管线风险预测方法及装置,通过获取船舶历史位置数据集;根据所述船舶历史位置数据集中的经纬度度信息、地理标识信息,照片图像信息构建时间位置轨迹集合;根据所述时间位置轨迹集合得到船舶的语义特征;对所述船舶的语义特征进行分割;将分割后的语义特征和对应的时间位置轨迹集合,输入到训练完成后的时空孪生神经网络模型中;将所述时空孪生神经网络模型的输出结果作为轨迹预测结果。可以对船舶历史位置数据集进行有效整理,计算得到准确的时间位置轨迹集合,并计算得到对应的船舶的语义特征,并利用时空孪生神经网络模型的数据分析和运算能力,利用两个神经网络对输入的时间位置轨迹集合和对应的船舶的语义特征,能够精准的预测船舶轨迹,进而确定可能的海管风险点,提前预防,有效避免海管损坏事故的发生。此外,本发明所述的海底管线风险预测方法及装置可以对大量船舶的轨迹进行快速预测。进一步降低了由于预测不及时产生的海管损坏风险。
实施例二
图2是本发明实施例二所述的海底管线风险预测装置的结构示意图。参见图2,所述海底管线风险预测装置,包括:
获取模块210,用于获取船舶历史位置数据集;
构建模块220,用于根据所述船舶历史位置数据集中的经纬度度信息、地理标识信息,照片图像信息构建时间位置轨迹集合;
得到模块230,用于根据所述时间位置轨迹集合得到船舶的语义特征;
分割模块240,用于对所述船舶的语义特征进行分割;
输入模块250,用于将分割后的语义特征和对应的时间位置轨迹集合,输入到的时空孪生神经网络模型中进行训练;
输出模块260,用于将AIS即时数据输入训练完成的时空孪生神经网络模型,并将输出结果作为轨迹预测结果;
确定模块270,用于根据所述轨迹预测结果确定海管损坏风险。
本发明所述的海底管线风险预测装置,通过获取船舶历史位置数据集;根据所述船舶历史位置数据集中的经纬度度信息、地理标识信息,照片图像信息构建时间位置轨迹集合;根据所述时间位置轨迹集合得到船舶的语义特征;对所述船舶的语义特征进行分割;将分割后的语义特征和对应的时间位置轨迹集合,输入到训练完成后的时空孪生神经网络模型中;将所述时空孪生神经网络模型的输出结果作为轨迹预测结果。可以对船舶历史位置数据集进行有效整理,计算得到准确的时间位置轨迹集合,并计算得到对应的船舶的语义特征,并利用时空孪生神经网络模型的数据分析和运算能力,利用两个神经网络对输入的时间位置轨迹集合和对应的船舶的语义特征,能够精准的预测船舶轨迹,进而确定可能的海管风险点,提前预防,有效避免海管损坏事故的发生。此外,本发明所述的海底管线风险预测方法及装置可以对大量船舶的轨迹进行快速预测。进一步降低了由于预测不及时产生的海管损坏风险。
在上述实施例的基础上,所述获取模块,包括:
获取单元,用于从AIS历史数据中获取船舶历史位置数据集。
在上述实施例的基础上,所述构建模块,包括:
去噪单元,所述去噪单元,用于对时间位置轨迹集合进行去噪处理。
在上述实施例的基础上,所述去噪单元,用于:
删除MMSI码错误的数据,删除船舶位置的经纬度出现负值或是经度大于180度、纬度大于90度数据,删除航速为负值或大于60kn的数据;
将船舶轨迹点与航域信息进行比对,删除超过研究航域范围的数据,对长时间停止运行的轨迹点进行合并;
计算时间范围内轨迹点之间的平均时间和平均距离,结合船舶驾驶速度的上限,获取预设时间段内船舶行驶距离的上限,消除轨迹时间序列中明显定位误差的轨迹点;
对消除后的轨迹时间序列中数据进行归一化处理,得到时间位置轨迹集合。
在上述实施例的基础上,所述得到模块,包括:
起点设置单元,用于根据船舶轨迹数据中的时间戳,在预设的时间范围内,突然采集到速度和航向指标,并且船舶的空间位置开始移动,即判断为船舶轨迹开始移动,将轨迹开始移动的初始时间位置设置为起点;
终点判断单元,用于对轨迹结束的位置设置为终点,在预设的时长范围内,接收到船舶数据的地理信息没有变化并且速度和航向指标为0时,判定船舶开始停留;当停留的时间长过停留时间阈值时,判定为船舶轨迹终点;
停泊点识别单元,用于在相邻轨迹之间时间差大于相邻时长阈值,且两个轨迹点的速度值都小于设定的停泊速度阈值时,判断两个相邻的轨迹点识别停泊点;
识别单元,用于利用曲线边缘检测法对每条船舶轨迹的所有轨迹点进行识别,将符合判定条件的轨迹点选取为轨迹特征点。
在上述实施例的基础上,所述分割模块,用于:
根据所述起点、终点、停泊点和特征点组成船舶运行轨迹的特征点集合;
将特征点集合中的相邻特征点按时间先后顺序排列,依次连接生成该条轨迹的子轨迹,其中相邻两个特征点的线段成为轨迹段。
在上述实施例的基础上,所述时空孪生神经网络模型包括:长短期记忆神经网络和三层全连接层神经网络结构;
所述将所述时空孪生神经网络模型的输出结果作为轨迹预测结果,包括:
将长短期记忆神经网络的输出状态ht与三层全连接层神经网络的最后一层状态h3进行拼接,共同输入到一个全连接层:
at=wt·[ht,h3]+bt
ot=σ(at)
得到轨迹预测结果。
在上述实施例的基础上,所述识别单元,用于:
假设给定一条船舶运行轨迹,其中的P1(x1,y1),P2(x2,y2),P3(x3,y3),P4(x4,y4)(x1<x2<x3<x4),是轨迹上相继4个点。首先连接轨迹点P1(x1,y1)和P2(x2,y2)构成一条关于轨迹的正向直线T12,对应的正向直线方程为:
T12(x,y)=(y2-y1)(x-x1)+(y-y1)(x2-x1);
计算轨迹点P3(x3,y3)关于正向直线方程T12的值,若T12(x3,y3)<0,则轨迹点P3是关于正向直线内点;若T12(x3,y3)>0,则称轨迹点P3是关于正向直线外点;
连接轨迹点P2(x2,y2)和P3(x3,y3)构成一条关于轨迹的正向直线T23,对应的正向直线方程为:
T23(x,y)=(y3-y2)(x-x2)+(y-y2)(x3-x2);
计算轨迹点P4(x4,y4)关于正向直线方程T23的值,并根据上述方法判断轨迹点P4(x4,y4)关于正向直线方程T23的值,并根据上述方法判断轨迹点P4(x4,y4)为内点或外点;
若T12(x3,y3)·T23(x4,y4)<0,说明轨迹在P3(x3,y3)处方向有所改变,则轨迹点P3(x3,y3)是特征点,即为TF点,否则P3(x3,y3)是特征点,即为TF点,否则P3(x3,y3)不是TF点。
本发明实施例所提供的海底管线风险预测管理装置可执行本发明任意实施例所提供的海底管线风险预测理方法,具备执行方法相应的功能模块和有益效果。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种海底管线风险预测方法,其特征在于,包括:
获取船舶历史位置数据集;
根据所述船舶历史位置数据集中的经纬度信息、地理标识信息,照片图像信息构建时间位置轨迹集合;
根据所述时间位置轨迹集合得到船舶的语义特征;
对所述船舶的语义特征进行分割;
将分割后的语义特征和对应的时间位置轨迹集合,输入到时空孪生神经网络模型中进行训练;
将AIS即时数据输入训练完成的时空孪生神经网络模型,并将输出结果作为轨迹预测结果;
根据所述轨迹预测结果确定海管损坏风险;
所述根据所述时间位置轨迹集合得到船舶的语义特征,包括:
根据船舶轨迹数据中的时间戳,在预设的时间范围内,突然采集到速度和航向指标,并且船舶的空间位置开始移动,即判断为船舶轨迹开始移动,将轨迹开始移动的初始时间位置设置为起点;
对轨迹结束的位置设置为终点,在预设的时长范围内,接收到船舶数据的地理信息没有变化并且速度和航向指标为0时,判定船舶开始停留;当停留的时间长过停留时间阈值时,判定为船舶轨迹终点;
在相邻轨迹之间时间差大于相邻时长阈值,且两个轨迹点的速度值都小于设定的停泊速度阈值时,判断两个相邻的轨迹点识别停泊点;
利用曲线边缘检测法对每条船舶轨迹的所有轨迹点进行识别,将符合判定条件的轨迹点选取为轨迹特征点。
2.根据权利要求1所述的海底管线风险预测方法,其特征在于,所述获取船舶历史位置数据集,包括:
从AIS历史数据中获取船舶历史位置数据集。
3.根据权利要求1所述的海底管线风险预测方法,其特征在于,所述根据所述船舶历史位置数据集中的经纬度信息、地理标识信息,照片图像信息构建时间位置轨迹集合,包括:
对时间位置轨迹集合进行去噪处理。
4.根据权利要求3所述的海底管线风险预测方法,其特征在于,所述对时间位置轨迹集合进行去噪处理,包括:
删除MMSI码错误的数据,删除船舶位置的经纬度出现负值或是经度大于180度、纬度大于90度数据,删除航速为负值或大于60kn的数据;
将船舶轨迹点与航域信息进行比对,删除超过研究航域范围的数据,对长时间停止运行的轨迹点进行合并;
计算时间范围内轨迹点之间的平均时间和平均距离,结合船舶驾驶速度的上限,获取预设时间段内船舶行驶距离的上限,消除轨迹时间序列中明显定位误差的轨迹点;
对消除后的轨迹时间序列中数据进行归一化处理,得到时间位置轨迹集合。
5.根据权利要求1所述的海底管线风险预测方法,其特征在于,所述对所述船舶的语义特征进行分割,包括:
根据所述起点、终点、停泊点和特征点组成船舶运行轨迹的特征点集合;
将特征点集合中的相邻特征点按时间先后顺序排列,依次连接生成该条轨迹的子轨迹,其中相邻两个特征点的线段成为轨迹段。
6.根据权利要求1所述的海底管线风险预测方法,其特征在于,所述时空孪生神经网络模型包括:长短期记忆神经网络和三层全连接层神经网络结构;
将所述时空孪生神经网络模型的输出结果作为轨迹预测结果,包括:
将长短期记忆神经网络的输出状态与三层全连接层神经网络的最后一层状态/>进行拼接,共同输入到一个全连接层:
,
得到轨迹预测结果,其中,ot为预测的船舶轨迹, bt表示第t层的偏置,ht表示第t层的状态,σ表示sigmoid激活函数,h3表示第3层的状态。
7.根据权利要求1所述的海底管线风险预测方法,其特征在于,所述利用曲线边缘检测法对每条船舶轨迹的所有轨迹点进行识别,包括:
假设给定一条船舶运行轨迹,其中的,是轨迹上相继4个点,首先连接轨迹点/>和/>构成一条关于轨迹的正向直线/>,对应的正向直线方程为:
;
计算轨迹点关于正向直线方程/>的值,若/>,则轨迹点/>是关于正向直线内点;若/>,则称轨迹点/>是关于正向直线外点;
连接轨迹点和/>构成一条关于轨迹的正向直线/>,对应的正向直线方程为:
;
计算轨迹点关于正向直线方程/>的值,并根据上述方法判断轨迹点关于正向直线方程/>的值,并根据上述方法判断轨迹点/>为内点或外点;
若,说明轨迹在/>处方向有所改变,则轨迹点是特征点,即为TF点,否则/>是特征点,即为TF点,否则/>不是TF点。
8.一种海底管线风险预测装置,其特征在于,包括:
获取模块,用于获取船舶历史位置数据集;
构建模块,用于根据所述船舶历史位置数据集中的经纬度信息、地理标识信息,照片图像信息构建时间位置轨迹集合;
得到模块,用于根据所述时间位置轨迹集合得到船舶的语义特征;
分割模块,用于对所述船舶的语义特征进行分割;
输入模块,用于将分割后的语义特征和对应的时间位置轨迹集合,输入到的时空孪生神经网络模型中进行训练;
输出模块,用于将AIS即时数据输入训练完成的时空孪生神经网络模型,并将输出结果作为轨迹预测结果;
确定模块,用于根据所述轨迹预测结果确定海管损坏风险;
所述得到模块,包括:
起点设置单元,用于根据船舶轨迹数据中的时间戳,在预设的时间范围内,突然采集到速度和航向指标,并且船舶的空间位置开始移动,即判断为船舶轨迹开始移动,将轨迹开始移动的初始时间位置设置为起点;
终点判断单元,用于对轨迹结束的位置设置为终点,在预设的时长范围内,接收到船舶数据的地理信息没有变化并且速度和航向指标为0时,判定船舶开始停留;当停留的时间长过停留时间阈值时,判定为船舶轨迹终点;
停泊点识别单元,用于在相邻轨迹之间时间差大于相邻时长阈值,且两个轨迹点的速度值都小于设定的停泊速度阈值时,判断两个相邻的轨迹点识别停泊点;
识别单元,用于利用曲线边缘检测法对每条船舶轨迹的所有轨迹点进行识别,将符合判定条件的轨迹点选取为轨迹特征点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111080587.8A CN113793031B (zh) | 2021-09-15 | 2021-09-15 | 海底管线风险预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111080587.8A CN113793031B (zh) | 2021-09-15 | 2021-09-15 | 海底管线风险预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113793031A CN113793031A (zh) | 2021-12-14 |
CN113793031B true CN113793031B (zh) | 2023-09-29 |
Family
ID=78878408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111080587.8A Active CN113793031B (zh) | 2021-09-15 | 2021-09-15 | 海底管线风险预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113793031B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115359096B (zh) * | 2022-10-21 | 2023-05-09 | 中智行(苏州)科技有限公司 | 一种基于深度学习模型的轨迹预测去噪方法、装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978040A (zh) * | 2019-03-19 | 2019-07-05 | 西南交通大学 | 一种交通运力分布预测方法 |
WO2020147348A1 (zh) * | 2019-01-17 | 2020-07-23 | 北京市商汤科技开发有限公司 | 一种目标跟踪方法及装置、存储介质 |
CN112561148A (zh) * | 2020-12-09 | 2021-03-26 | 北京京航计算通讯研究所 | 基于一维卷积神经网络和lstm的船舶轨迹预测方法及系统 |
CN112906858A (zh) * | 2021-01-26 | 2021-06-04 | 武汉工程大学 | 一种船舶运动轨迹实时预测方法 |
-
2021
- 2021-09-15 CN CN202111080587.8A patent/CN113793031B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020147348A1 (zh) * | 2019-01-17 | 2020-07-23 | 北京市商汤科技开发有限公司 | 一种目标跟踪方法及装置、存储介质 |
CN109978040A (zh) * | 2019-03-19 | 2019-07-05 | 西南交通大学 | 一种交通运力分布预测方法 |
CN112561148A (zh) * | 2020-12-09 | 2021-03-26 | 北京京航计算通讯研究所 | 基于一维卷积神经网络和lstm的船舶轨迹预测方法及系统 |
CN112906858A (zh) * | 2021-01-26 | 2021-06-04 | 武汉工程大学 | 一种船舶运动轨迹实时预测方法 |
Non-Patent Citations (2)
Title |
---|
一种基于孪生网络的高鲁棒性实时单目标船舶跟踪方法;张云飞;黄润辉;单云霄;周晓梅;;舰船科学技术(第23期);全文 * |
海底管线防护系统的设计与实现;王杰;肖菲;王爱民;;中国航海(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113793031A (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110850403B (zh) | 一种多传感器决策级融合的智能船水面目标感知识别方法 | |
CN104091470B (zh) | 一种基于多数据融合的航道交通信息预测方法及应用 | |
CN103730031B (zh) | 内河桥区船载航行主动避碰系统及避碰方法 | |
Pallotta et al. | Traffic knowledge discovery from AIS data | |
CN111415533B (zh) | 弯道安全预警监控方法、装置以及系统 | |
CN115618251B (zh) | 船舶轨迹预测方法、装置、电子设备及存储介质 | |
CN101214851A (zh) | 船舶行驶智能型全天候主动安全预警系统及其预警方法 | |
CN110501006B (zh) | 一种异类传感器联合航迹关联与跟踪方法 | |
CN113793031B (zh) | 海底管线风险预测方法及装置 | |
CN113553682A (zh) | 一种数据驱动的多层次船舶航路网络构建方法 | |
CN109275121A (zh) | 一种基于自适应扩展卡尔曼滤波的车辆轨迹跟踪方法 | |
CN110060281B (zh) | 一种船舶及水上漂浮物轨迹追踪系统 | |
CN101404120A (zh) | 判断浮动车行驶状态的方法及装置 | |
CN111968046A (zh) | 一种基于拓扑结构的雷达光电传感器目标关联融合方法 | |
CN115995165A (zh) | 一种船舶航行风险管理方法和系统 | |
CN115346399B (zh) | 基于相控阵雷达、ais和lstm网络的大桥防船撞预警系统 | |
CN116448115B (zh) | 基于导航雷达和光电的无人艇概率距离地图构建方法 | |
CN112785077A (zh) | 基于时空数据的出行需求预测方法及系统 | |
Yang et al. | Maritime traffic flow clustering analysis by density based trajectory clustering with noise | |
CN115171336B (zh) | 一种海滩监控溺水防护系统 | |
Wu et al. | A new multi-sensor fusion approach for integrated ship motion perception in inland waterways | |
CN113112871B (zh) | 一种考虑船舶尺度的船撞桥危险度计算方法 | |
KR101821303B1 (ko) | 바람계수가 차등 적용되는 입자추적모델을 이용하는 물체 움직임 예측 시스템 및 방법 | |
CN115050214A (zh) | 一种基于ais数据的船舶碰撞风险预测方法 | |
CN112991399B (zh) | 一种基于rfs的公交车人数检测系统 |
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 |