CN113934803B - 一种基于时空剖分的船只伴随模式挖掘方法 - Google Patents

一种基于时空剖分的船只伴随模式挖掘方法 Download PDF

Info

Publication number
CN113934803B
CN113934803B CN202111006155.2A CN202111006155A CN113934803B CN 113934803 B CN113934803 B CN 113934803B CN 202111006155 A CN202111006155 A CN 202111006155A CN 113934803 B CN113934803 B CN 113934803B
Authority
CN
China
Prior art keywords
ship
time
data
space
subdivision
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
Application number
CN202111006155.2A
Other languages
English (en)
Other versions
CN113934803A (zh
Inventor
王玉菊
智宁
郑义成
蔡姝
李跃
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Unit 91977 Of Pla
Original Assignee
Unit 91977 Of Pla
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Unit 91977 Of Pla filed Critical Unit 91977 Of Pla
Priority to CN202111006155.2A priority Critical patent/CN113934803B/zh
Publication of CN113934803A publication Critical patent/CN113934803A/zh
Application granted granted Critical
Publication of CN113934803B publication Critical patent/CN113934803B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2282—Tablespace storage structures; Management thereof
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • 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
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/256—Integrating or interfacing systems involving database management systems in federated or virtual databases
    • 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
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Remote Sensing (AREA)
  • Navigation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于时空剖分的船只伴随模式挖掘方法，通过本发明，在数据库中构建实时数据池，保留各个船只目标的最新上报的点位信息，作为处理的基础；定时将实时数据池的数据转储其他数据库表中，构建数据切片层；基于经纬度网格对数据切片进行空间剖分，标定每个目标的空间序号，形成对船只目标的时空剖分；根据时空阈值抽取目标的时空切片数据，并使用离散化的Frechet距离进行计算，获得候选集；以及最终通过使用Hausdorff距离对候选集的数据进行模式确认，获得最终的伴随结果。本发明提出的方法通过地理剖分和离散弗雷歇距离，实现了伴随模式候选集的快速生成，支撑了实时态势系统的在线挖掘。

Description

一种基于时空剖分的船只伴随模式挖掘方法
技术领域
该发明创造属于计算机技术领域，尤其涉及一种基于时空剖分的船只伴随模式挖掘方法。
背景技术
随着全球化的持续推进和信息化监管手段的日益创新，海量、异构、实时的海域船只目标信息成为可能。如何充分发挥这些信息的优势，帮助海域监管部门及时发现海上态势情况，成为当前亟待解决的重要问题。船只伴随即两条或多条船只在特定的时间段内的几乎每个时刻都保持在一定的空间范围内，即两条或多条船只相伴而行。船只伴随模式挖掘在军用和民用方面都有非常强大的需求，通过时空匹配，挖掘到船只伴随的情形，能够有效帮助监管者及时识别作业船队及船只跟踪等异常情形，并尽快建立应对预案。
针对船只伴随模式发掘问题，从实现技术角度来讲通常可以分为两类，即单处理模式和分布式处理模式。单处理模式主要包括数据处理和轨迹挖掘两个阶段；分布式处理模式通常包括数据处理、数据分区和轨迹挖掘三个阶段。当前海上船只伴随模式发掘方面的论文较少，可供参考的是基于出租车轨迹或行人轨迹的伴随模式挖掘的方法，其多将整个模式挖掘任务的重点放在轨迹挖掘阶段，对数据处理阶段主要采用的是基于欧式距离的密度距离如DBSCAN方法(Density-Based Spatial Clustering of Applications withNoise，基于密度的噪声应用空间聚类方法)或圆盘聚类方法。具体而言，比较有代表性的目标伴随模式主要有Laube等提出的Flock模式，Wang等人提出的Group模式，Li等人提出的Swarm模式，Zheng等人提出的Gathering模式。通过定义相应的伴随模式，同时给出相应的处理算法。但由于上述模式相对简单，并在处理实时、异构、海量的船只伴随模式挖掘时存在时间消耗比较大、发掘结果错误率较高等问题。
上述方法在各自领域都取得了良好的发掘效果，然而针对海上船只伴随模式挖掘时却存在一些问题：
①水面航行的船舶虽然有固定的航道，但由于环境因素，船舶的航行具有更高的自由度，其航迹点分布不同于路上交通工具沿着道路分布而表现出更加不规则性。
②船舶轨迹涉及的地理空间非常大，在不同尺度上会有不同的阈值设定，现有算法无法有效根据时间或距离进行加权计算，从而影响关键特征的保留，进而对挖掘的结果产生很大的影响。
③由于海量船只轨迹点数量非常大，上述算法在进行处理通常需要通过聚类或者轨迹相似度计算等方式来获取初始结果，造成算法的时间复杂度比较高，不能满足实时挖掘的需求，亟待一种满足实时计算的算法对相应日常监管的需求。
发明内容
本发明的目的在于提供一种基于时空剖分的船只伴随模式挖掘方法，用以解决上述技术问题。
为实现上述目的，本发明提供一种基于时空剖分的船只伴随模式挖掘方法，包括：在数据库中构建实时数据池，保留各个船只目标的最新上报的点位信息，作为处理的基础；定时将实时数据池的数据转储其他数据库表中，构建数据切片层；基于经纬度网格对数据切片进行空间剖分，标定每个目标的空间序号，形成对船只目标的时空剖分；根据时空阈值抽取目标的时空切片数据，并使用离散化的Frechet距离进行计算，获得候选集；以及最终通过使用Hausdorff距离对候选集的数据进行模式确认，获得最终的伴随结果。
进一步的，转储的每份数据都是一份时间切片数据。
进一步的，基于经纬度网格对数据切片进行空间剖分的步骤包括：对于得到的每份时间切片数据，使用二维网格的方式将空间划分为格网单元集合。
进一步的，所述标定每个目标的空间序号，形成对船只目标的时空剖分的步骤包括：获取船只目标活动的空间范围，假定为由[xmin,ymin]和[xmax,ymax]所确定的矩形范围，然后分别设定x轴和y轴的剖分单元格数m和n,则最终获得m*n个单元格，按照从左到右，从上到下的方式对单元格进行编码，得到各单元格的标识；对于每个轨迹点，假设其坐标为[x，y]，则其属于x轴的
Figure BDA0003237166840000031
以及y轴的
Figure BDA0003237166840000032
部分，按照编码即为第
Figure BDA0003237166840000033
个单元格；以及按照上述网格划分的方法对每个时间切片的数据进行处理，获得其所属的单元格编码，对所有的数据进行汇总，获得每个单元格所包含的船只目标的编码集合并按照单元格的编码顺序进行排列。
进一步的，所述获得候选集的步骤包括：通过对船只目标轨迹的时空剖分，实现对轨迹点的离散化操作。
进一步的格编码，0≤i<m*n，slicej表示时间切片值；设定分析时间切片数目为num,取num个时间切片对应的空间剖分数据，表示为slicej,0≤j<num；对于每个船只目标，依次提取其在每个时间切片中的空间单元格编码,构成单元格序列，cell0,cell1,……cellnum-1.然后提取每个celli所对应的目标集合，表示为seti，从而获得相应的集合序列set0,set1,……setnum-1；从set0开始，依次与其后的集合进行求交运算，令set＝set0,进行操作set＝set∩set1，如果set为空或仅包括初始船只目标，则终止操作；否则继续进行合并，set＝set∩setj；以及依次合并集合序列，如果最终的set不为空且包含出初始船只目标之外的其他目标，则将该集合添加到伴随船只候选集中。
进一步的，所述获得候选集的步骤还包括：在船只目标集合中去掉上一步中最终set所包含的船只目标，并从中选取一个目标重复空间单元格编码、求交运算、合并集合序列并添加候选集的操作，直到船只目标集合为空或只剩下一个船只目标。
进一步的，所述模式确认的步骤包括：针对候选集中的每一分组数据，从中提取两个船只目标，从历史数据库中请求相应时段的历史轨迹，并使用Hausdorff距离来获得两条轨迹的相似性，如果两条轨迹的Hausdorff距离小于预设的阈值，则判定为船只伴随模式，并存入到数据库中。
进一步的，划分方式包括但不限于矩形剖分、三角剖分、正六边形剖分。
进一步的，实时数据池接受引接程序从各个海情数据情报提供端中转中过来的实时海情数据。
本发明方法具有如下优点：
本发明提出基于时空剖分的船只伴随模式挖掘方法，该方法通过地理剖分和离散弗雷歇距离，实现了伴随模式候选集的快速生成，进而使用Hausdorff距离来对伴随模式进行了确认，从而支撑了实时态势系统的在线挖掘。
附图说明
图1为本发明基于时空剖分的伴随模式挖掘框架图；
图2为船只伴随模式挖掘实例效果图(一)；
图3为船只伴随模式挖掘实例效果图(二)；
图4为船只伴随模式挖掘实例效果图(三)；
图5为船只伴随模式挖掘实例效果图(四)。
具体实施方式
下面将结合具体实施方案对本发明的技术方案进行清楚、完整的描述，但是本领域技术人员应当理解，下文所述的实施方案仅用于说明本发明，而不应视为限制本发明的范围。基于本发明中的实施方案，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方案，都属于本发明保护的范围。
如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语，故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。说明书后续描述为实施本申请的较佳实施方式，然所述描述乃以说明本申请的一般原则为目的，并非用以限定本申请的范围。本申请的保护范围当视所附权利要求所界定者为准。
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合实施例及附图对本发明的技术方案作进一步阐述。
为更好的理解本发明的技术方案，对涉及的技术术语进行如下解释：
船舶轨迹是指包含经度、纬度、时间、航向、航速、船艏向等要素信息的轨迹点集合。这些含有不同信息的轨迹点反映了轨迹的不同特征。
船只伴随是指两条或多条船只在特定的时间段内的几乎每个时刻都保持在一定的空间范围内，即两条或多条船只相伴而行。
轨迹点：指船舶在某一时刻的位置，表示为p。轨迹点包含经度、纬度、时间等三要素，即p＝(lon,lat,t)。
轨迹：指特定船舶在一段连续时间位置变化所形成的空间线段，可以看作轨迹点p按时间t排序所形成的有序集合T，即
T＝{p1,p2,p3,…pi,…pn}(i∈[1,n])
pi＝(loni,lati,ti),t1≤t2≤t3≤…≤tn
空间剖分：船只目标活动的范围成为活动空间，通常可以采用地理坐标系或投影坐标系进行表示。由于本发明处理的空间比较大，因此采用地理坐标系作为数据的空间表示。所谓空间剖分即按照一定规则将地理坐标系所表示的地理范围划分为多个不相交的单元，从而实现连续地理空间的离散化。
轨迹相似度：衡量两条轨迹或多条轨迹在时空范围内的接近程度，通常会根据具体的业务需求构建特定的指标用于对应轨迹相似度的刻画。最常见的指标即包括欧式距离(Euclidean Distance)、编辑距离(Edit Distance on Real Sequence,EDR)、豪斯多夫距离(Hausdorff Distance)、弗雷歇距离(Frechet Distance)、单向距离(One WayDistance,OWD)等。
豪斯多夫距离(Hausdorff Distance)：给定欧式空间中的两点集A＝{a1,a2,……},B＝{b1,b2,……},定义指标
H(A,B)＝max[h(A,B),h(B,A)]
其中
Figure BDA0003237166840000061
Figure BDA0003237166840000062
此时，称H(A,B)为双向Hausdorff距离，h(A,B)为点集A到点集B的单向Hausdorff距离，相应的h(B,A)为点集B到点集A的单向Hausdorff距离，其中a，a1，a2…b，b1，b2均表示轨迹点。
海情系统：即海洋船只目标实时态势管理系统，使用信息化手段实现海洋船只情况的数据引接、数据存储、数据整理、数据可视化、数据分析等功能。
引接程序：负责接受从各处发来的实时数据，并按照海情系统的数据格式要求进行处理、存储。
实施例1
本实施例提供了一种基于时空剖分的船只伴随模式挖掘方法。参见图1为本发明的基于时空剖分的伴随模式挖掘框架图，主要包括三个部分即数据流管理、模式初筛处理、模式确认处理。
主要包括三个部分，如下：
第一部分、数据流管理——引接数据转储
步骤1，本发明针对实时海情系统，需要在数据引接端进行数据的转储。具体的，在数据库中配置实时数据池，接受引接程序从各个海情数据情报提供端中转中过来的实时海情数据，该数据池的主要目的是保存各船只目标的最新轨迹点数据，因此每个目标仅保留一条记录。
步骤2，根据实时性的需求，在数据库中设置定时任务，定时将实时数据池中的数据转储到其他数据库表中。此时，转储的每份数据都是一份时间切片数据。通过上述步骤，可以有效实现实时的船只数据抽稀和频次规整，方便后续的计算。
第二部分、模式初筛处理——数据时空剖分
步骤3，对于得到的每份时间切片数据，进一步使用空间剖分对数据进行归类编码。由于空间或空间的投影可以看做是二维的平面，因此使用二维网格的方式将空间划分为格网单元集合。常见的空间剖分格网包括矩形剖分、三角剖分、正六边形剖分等，本发明采用最便意的矩形对空间进行剖分。
步骤4，获取船只目标活动的空间范围，假定为由[xmin,ymin]和[xmax,ymax]所确定的矩形范围，然后分别设定x轴和y轴的剖分单元格数m和n,则最终获得m*n个单元格。按照从左到右，从上到下的方式对单元格进行编码，得到各单元格的标识。
步骤5，对于每个轨迹点，假设其坐标为[x，y]，则其属于x轴的
Figure BDA0003237166840000071
以及y轴的
Figure BDA0003237166840000072
部分，按照编码即为第
Figure BDA0003237166840000081
个单元格。
步骤6，按照上述网格划分的方法对每个时间切片的数据进行处理，获得其所属的单元格编码。然后，对所有的数据进行汇总，获得每个单元格所包含的船只目标的编码集合并按照单元格的编码顺序进行排列。
第二部分、模式初筛处理——使用Frechet距离进行粗排。
步骤7，通过对船只目标轨迹的时空剖分，实现对轨迹点的离散化操作。此时，对于每个目标来讲，每个轨迹点p＝(lon,lat,t)可以相应的转化为p＝(celli,slicej)，其中cell表示单元格编码，0≤i<m*n，slicej表示时间切片值。
步骤8，设定分析时间切片数目为num,取num个时间切片对应的空间剖分数据，表示为slicej,0≤j<num。
步骤9，对于每个船只目标，依次提取其在每个时间切片中的空间单元格编码,构成单元格序列，cell0,cell1,……cellnum-1.然后提取每个celli所对应的目标集合，表示为seti，从而获得相应的集合序列set0,set1,……setnum-1。
步骤10，从set0开始，依次与其后的集合进行求交运算。令set＝set0,进行操作set＝set∩set1。如果set为空或仅包括初始船只目标，则终止操作；否则继续进行合并，set＝set∩setj。
步骤11，依次合并集合序列，如果最终的set不为空且包含出初始船只目标之外的其他目标，则将该集合添加到伴随船只候选集中。此时，最终集合中的任意两个目标的组合都是潜在的伴随船只。
步骤12，在船只目标集合中去掉上一步中最终set所包含的船只目标，并从中选取一个目标重复步骤9-步骤11的操作。直到船只目标集合为空或只剩下一个船只目标。
第三部分、模式确认处理——使用Hausdorff距离进行模式确认。
步骤13，针对候选集中的每一分组数据，从中提取两个船只目标，从历史数据库中请求相应时段的历史轨迹，并使用Hausdorff距离来获得两条轨迹的相似性。如果两条轨迹的Hausdorff距离小于预设的阈值，则判定为船只伴随模式，并存入到数据库中。
实施例2
本发明基于python语言进行算法实现，并使用某机构提供的两个月时间的AIS数据进行船只轨迹伴随实验。首先将数据存入PostgreSQL数据库，然后使用psycopg2进行数据库连接。然后使用pandas对作为数据接受容器对数据进行管理和处理，并使用joblib对算法进行并发执行的适配。
基于实施例1所描述的方法，图2-图5展示了使用本专利所提方法的船只伴随模式挖掘效果图，从图中可以看出，本方法能够有效实现各种形态海上船舶的船只伴随模式挖掘。图2所示，虚线表示的船只1轨迹线和实现表示的船只2的轨迹线在较长时间内保持着相伴而行的状态，即认定为本专利所说的船只伴随模式。图2中，两条轨迹上的黑点表示轨迹点，轨迹点在不同的时间疏密程度不同，本专利所提方法能够有效挖掘这种形态的伴随模式。图3至图5是利用本专利所提方法挖掘得到的示例，其中实线和虚线分别表示不同船只的轨迹线。从轨迹线的空间形态很容易看出，本专利所提方法能够有效挖掘船只伴随的模式，显示本方法的有效性。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (8)

1.一种基于时空剖分的船只伴随模式挖掘方法，其特征在于，包括：
在数据库中构建实时数据池，保留各个船只目标的最新上报的点位信息，作为处理的基础；定时将实时数据池的数据转储其他数据库表中，构建数据切片层；
基于经纬度网格对数据切片进行空间剖分，标定每个船只目标的空间序号，形成对船只目标的时空剖分；
根据时空阈值抽取船只目标的时空切片数据，并使用离散化的Frechet距离进行计算，获得候选集；以及
最终通过使用Hausdorff距离对候选集的数据进行模式确认，获得最终的伴随结果；
其中所述获得候选集的步骤包括：
获取船只目标活动的空间范围，假定为由[xmin,ymin]和[xmax,ymax]所确定的矩形范围，然后分别设定x轴和y轴的剖分单元格数m和n,则最终获得m*n个单元格，按照从左到右，从上到下的方式对单元格进行编码，得到各单元格的标识，
对于每个船只目标来讲，每个轨迹点p＝(lon,lat,t)相应的转化为p＝(celli,slicej)，其中celli表示标识为i的单元格，0≤i<m*n，slicej表示时间切片值；
设定分析时间切片数目为num,取num个时间切片对应的空间剖分数据，表示为slicej,0≤j<num；
对于每个船只目标，依次提取其在每个时间切片中的空间单元格编码,构成单元格序列，cell0,cell1,……cellnum-1，然后提取每个celli所对应的船只目标集合，表示为seti，从而获得相应的集合序列set0,set1,……setnum-1；
从set0开始，依次与其后的集合进行求交运算，令set＝set0,进行操作set＝set∩set1，如果set为空或仅包括初始船只目标，则终止操作；否则继续进行合并，set＝set∩setk；
依次合并集合序列，如果最终的set不为空且包含除初始船只目标之外的其他船只目标，则将该集合添加到伴随船只候选集中；
在船只目标集合中去掉上一步中最终set所包含的船只目标，并从中选取一个目标重复空间单元格编码、求交运算、合并集合序列并添加候选集的操作，直到船只目标集合为空或只剩下一个船只目标。
2.根据权利要求1所述的基于时空剖分的船只伴随模式挖掘方法，其特征在于，转储的每份数据都是一份时间切片数据。
3.根据权利要求2所述的基于时空剖分的船只伴随模式挖掘方法，其特征在于，基于经纬度网格对数据切片进行空间剖分的步骤包括：对于得到的每份时间切片数据，使用二维网格的方式将空间划分为格网单元集合。
4.根据权利要求3所述的基于时空剖分的船只伴随模式挖掘方法，其特征在于，所述标定每个船只目标的空间序号，形成对船只目标的时空剖分的步骤包括：
对于每个轨迹点，假设其坐标为[x，y]，则其属于x轴的
Figure FDA0003774575690000021
以及y轴的
Figure FDA0003774575690000022
部分，按照编码即为第
Figure FDA0003774575690000023
个单元格；以及
按照网格划分的方法对每个时间切片的数据进行处理，获得其所属的单元格编码，对所有的数据进行汇总，获得每个单元格所包含的船只目标的编码集合并按照单元格的编码顺序进行排列。
5.根据权利要求4所述的基于时空剖分的船只伴随模式挖掘方法，其特征在于，所述获得候选集的步骤包括：通过对船只目标轨迹的时空剖分，实现对轨迹点的离散化操作。
6.根据权利要求5所述的基于时空剖分的船只伴随模式挖掘方法，其特征在于，所述模式确认的步骤包括：针对候选集中的每一分组数据，从中提取两个船只目标，从历史数据库中请求相应时段的历史轨迹，并使用Hausdorff距离来获得两条轨迹的相似性，如果两条轨迹的Hausdorff距离小于预设的阈值，则判定为船只伴随模式，并存入到数据库中。
7.根据权利要求3所述的基于时空剖分的船只伴随模式挖掘方法，其特征在于，划分方式包括矩形剖分、三角剖分、正六边形剖分。
8.根据权利要求1所述的基于时空剖分的船只伴随模式挖掘方法，其特征在于，实时数据池接受引接程序从各个海情数据情报提供端中转过来的实时海情数据。
CN202111006155.2A 2021-08-30 2021-08-30 一种基于时空剖分的船只伴随模式挖掘方法 Active CN113934803B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111006155.2A CN113934803B (zh) 2021-08-30 2021-08-30 一种基于时空剖分的船只伴随模式挖掘方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111006155.2A CN113934803B (zh) 2021-08-30 2021-08-30 一种基于时空剖分的船只伴随模式挖掘方法

Publications (2)

Publication Number Publication Date
CN113934803A CN113934803A (zh) 2022-01-14
CN113934803B true CN113934803B (zh) 2022-09-16

Family

ID=79274814

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111006155.2A Active CN113934803B (zh) 2021-08-30 2021-08-30 一种基于时空剖分的船只伴随模式挖掘方法

Country Status (1)

Country Link
CN (1) CN113934803B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116842285B (zh) * 2023-07-27 2024-05-03 中国人民解放军陆军工程大学 基于时空轨迹数据的目标伴随模式挖掘方法
CN117786428A (zh) * 2024-02-27 2024-03-29 亿海蓝（北京）数据技术股份公司 确定船舶轨迹相似度的方法、装置和可读存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112269844A (zh) * 2020-09-24 2021-01-26 桂林电子科技大学 基于大规模轨迹数据的通用伴随模式分布式挖掘方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11187542B2 (en) * 2019-02-26 2021-11-30 Here Global B.V. Trajectory time reversal
CN109947793B (zh) * 2019-03-20 2022-05-31 深圳市北斗智能科技有限公司 伴随关系的分析方法、装置和存储介质
CN111475596B (zh) * 2020-04-05 2023-04-07 中国人民解放军国防科技大学 一种基于多层级轨迹编码树的子段相似性匹配方法
CN111552754B (zh) * 2020-04-24 2020-12-29 中国科学院空天信息创新研究院 一种舰船轨迹相似度度量方法及系统
CN111586586B (zh) * 2020-05-14 2022-05-20 深圳力维智联技术有限公司 一种追踪方法和系统
CN113051359A (zh) * 2021-03-30 2021-06-29 大连理工大学 一种基于多级索引结构的大规模轨迹数据相似性查询方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112269844A (zh) * 2020-09-24 2021-01-26 桂林电子科技大学 基于大规模轨迹数据的通用伴随模式分布式挖掘方法

Also Published As

Publication number Publication date
CN113934803A (zh) 2022-01-14

Similar Documents

Publication Publication Date Title
CN113934803B (zh) 一种基于时空剖分的船只伴随模式挖掘方法
Xiao et al. Maritime traffic probabilistic forecasting based on vessels’ waterway patterns and motion behaviors
Gao et al. Ship-handling behavior pattern recognition using AIS sub-trajectory clustering analysis based on the T-SNE and spectral clustering algorithms
CN113450596B (zh) 基于船舶轨迹特征点提取的时空dp方法
Zhu Mining ship spatial trajectory patterns from AIS database for maritime surveillance
Daranda Neural network approach to predict marine traffic
CN111291776B (zh) 基于众源轨迹数据的航道信息提取方法
Millefiori et al. A distributed approach to estimating sea port operational regions from lots of AIS data
Zhao et al. An adaptive hierarchical clustering method for ship trajectory data based on DBSCAN algorithm
CN115577324A (zh) 雷达和船舶自动识别系统数据融合方法及系统、存储介质
Lu et al. Historical AIS data-driven unsupervised automatic extraction of directional maritime traffic networks
Ware et al. A system for cleaning high volume bathymetry
Yoo et al. Statistical trajectory-distance metric for nautical route clustering analysis using cross-track distance
Abuella et al. Spatial clustering approach for vessel path identification
CN110853139A (zh) 一种多波束测深数据化简方法及装置
CN114047508B (zh) 一种对海雷达探测范围统计评估方法及系统
Prasad et al. Maritime Vessel Route Extraction and Automatic Information System (AIS) Spoofing Detection
Doğan et al. A Novel Approach for Knowledge Discovery from AIS Data: An Application for Transit Marine Traffic in the Sea of Marmara.
Parchitelli et al. A pre-process clustering methods for the waste collection problem
Su et al. Spatial cluster detection for the fishing vessel monitoring systems
Steenari et al. Geospatial DBSCAN Hyperparameter Optimization with a Novel Genetic Algorithm Method
CN114428512B (zh) 跨域集群协同的搜索方法及跨域集群协同的搜索系统
Ryazanov et al. Method of partitioning the territory to logistic solutions support based on genetic clustering
CN115905343A (zh) 水上航运数据处理方法、装置、设备、介质和程序产品
CN116337083B (zh) 一种船舶救援路径导航方法和系统

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