CN114066354B - 一种基于全球船舶历史航迹的智能航线推荐方法及系统 - Google Patents
一种基于全球船舶历史航迹的智能航线推荐方法及系统 Download PDFInfo
- Publication number
- CN114066354B CN114066354B CN202111338523.3A CN202111338523A CN114066354B CN 114066354 B CN114066354 B CN 114066354B CN 202111338523 A CN202111338523 A CN 202111338523A CN 114066354 B CN114066354 B CN 114066354B
- Authority
- CN
- China
- Prior art keywords
- route
- port
- ship
- point
- ais
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000007781 pre-processing Methods 0.000 claims abstract description 40
- 238000010276 construction Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000004873 anchoring Methods 0.000 claims description 31
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 15
- 230000003993 interaction Effects 0.000 claims description 12
- 230000015572 biosynthetic process Effects 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 7
- 230000010354 integration Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- IAZDPXIOMUYVGZ-UHFFFAOYSA-N Dimethylsulphoxide Chemical compound CS(C)=O IAZDPXIOMUYVGZ-UHFFFAOYSA-N 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 241000845082 Panama Species 0.000 description 1
- 241001377695 Polygonum arenastrum Species 0.000 description 1
- 235000006386 Polygonum aviculare Nutrition 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- 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
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Navigation (AREA)
Abstract
本发明提供了基于全球船舶历史航迹的智能航线推荐方法及系统，该方法先采集AIS数据，并对采集的AIS数据进行预处理，然后基于预处理后的AIS数据，获取港口和关键节点构建网络节点，并将预处理过程中生成的航段按照关键节点划分得到节点航段，基于核密度估算法对节点航段进行计算得到推荐航段，以推荐航段的航行距离作为推荐航段的起始节点和结束节点之间边的权重进行构建航线网络，最后基于已构建的航线网络，通过推荐或预测算法计算得到最优航线路径，并展示给用户最优航线路径的计算结果。本发明通过利用对海量AIS数据处理后筛选出的高质量航线数据构建并存储全球范围的航线航段网络，能够有效提升动态航线的规划能力，并提供更多元的路径查询功能。
Description
技术领域
本发明涉及航运信息化、智能化技术领域，尤其涉及一种基于全球船舶历史航迹的智能航线推荐方法及系统。
背景技术
海运航线规划和最优航线推荐问题是航运产业的经典问题。一个传统思路是对目标海域进行栅格化、网格化，把航线设计问题转化为一般的图论和动态规划问题，如将最优航线问题模型化，利用改进的动态规划算法进行求解；另一个较新颖的思路是基于船舶历史航线数据，主要是AIS记录，进行最优航线的推荐。
但是，上述两种思路当前分别存在问题和缺陷：传统的路线规划方法具有模型抽取无法反映真实航线情况的问题：真实的航运场景受复杂因素影响，基于数学模型的航线规划算法，其输入因素无法做到全面兼顾，实际上不同船型、载重吨、气象、洋流、潮汐甚至季节因素都会影响推荐结果，尤其是在做国际航线、长途航线规划时。而现阶段的AIS历史航线推荐算法，受制于AIS海量数据的质量参差不齐、计算存储成本大等现实条件制约，往往停留于小规模理论性研究层面，尚没有成熟的商业级别应用技术方法诞生。同时，以上两种方法都往往着眼于对单一海域或地域的航运线路规划，不具备全球港口航线规划能力。
发明内容
为解决上述问题，本发明提供了一种基于全球船舶历史航迹的智能航线推荐方法，通过对海量AIS历史轨迹数据的整理、合并和高效检索，找出高质量的航线数据，再利用筛选出的高质量航线数据构建并存储全球范围的航线航段网络，能够有效提升动态航线的规划能力，提供更多元的路径查询功能。本发明还涉及一种基于全球船舶历史航迹的智能航线推荐系统。
本发明的技术方案如下：
一种基于全球船舶历史航迹的智能航线推荐方法，其特征在于，包括以下步骤：
数据采集及预处理步骤：采集AIS数据，并对采集的AIS数据进行预处理，所述预处理包括异常坐标的修正、船舶状态的形成、港口匹配和航段生成，以在船舶历史轨迹与港口节点之间建立准确关联；
航线网络构建步骤：基于预处理后的AIS数据，获取港口节点和关键节点构建网络节点，并将预处理过程中生成的航段按照关键节点划分得到节点航段，基于核密度估算法对节点航段进行计算得到推荐航段，以推荐航段的航行距离作为推荐航段的起始节点和结束节点之间边的权重进行构建航线网络；
人机交互步骤：获取用户输入的航线起点和终点位置信息，基于已构建的航线网络，通过推荐或预测算法计算得到最优航线路径，将最优航线路径绘制成电子地图，并展示最优航线路径的计算结果。
优选地，数据采集及预处理步骤中，所述异常坐标的修正是根据采集的AIS数据中相邻两点的经纬度数据计算得到两点间的球面距离，并根据AIS数据计算相邻两点的时间差，当船舶最大航速与时间差的乘积大于两点间的球面距离时，检测出异常坐标点，并将异常坐标点剔除。
优选地，数据采集及预处理步骤中，所述船舶状态的形成是基于修正后的坐标，根据时间跨度以及船舶在AIS时间序列内连续出现相同状态的坐标个数进行船舶状态识别，若某一船舶在AIS时间序列内连续出现相同状态的坐标个数大于等于预设的最小状态阈值，同时该船舶在AIS时间序列内连续出现相同状态坐标之间的时间跨度小于等于预设的最大时间跨度阈值，则将连续出现相同状态的坐标进行合并，以形成船舶状态；或者当船舶在AIS时间序列内连续出现相同状态的坐标个数大于等于预设的最大状态阈值，也将连续出现相同状态的坐标进行合并，以形成船舶状态。
优选地，数据采集及预处理步骤中，所述港口匹配基于AIS状态合并的结果，筛选出经纬度差值在设定的经纬度阈值内的港口，若船舶和港口的纬度差值小于等于所述设定的纬度阈值，并同时满足船舶和港口的经度差值小于等于所述设定的经度阈值，则进一步根据船舶的位置坐标和某一港口经纬度坐标计算得到船舶到某一港口的距离，并设定锚泊阈值和靠泊阈值，通过锚泊阈值和靠泊阈值判断船舶在某一港口是处于靠泊或锚泊状态，若船舶到某一港口的距离小于靠泊阈值，则判断该船舶在某一港口为靠泊，该港口为靠泊港口，若船舶到某一港口的距离小于锚泊阈值，则判断该船舶在某一港口为锚泊，该港口为锚泊港口，若船舶到某一港口的距离大于等于锚泊阈值，则判断该船舶在中途锚泊。
优选地，数据采集及预处理步骤中，所述航段生成基于所述港口匹配的结果，根据AIS数据计算得到船舶抵港和离港行为数据，根据船舶抵港和离港行为数据将船舶航行数据划分为港到港的航段。
优选地，航线网络构建步骤中，所述港口节点为全球所有海运港口，所述关键节点是通过人工标注和/或CUSUM算法，搜寻得到的全球海运的重要性节点。
优选地，人机交互步骤中推荐或预测算法是通过港口/关键节点间航线推荐或预测算法和任意经纬度间推荐或预测算法计算得到最优航线路径；
当用户输入的经纬度与任意港口或关键节点匹配时，采用所述港口/关键节点间航线推荐或预测算法，包括以下分步骤：
S1，采用dijkstra算法将港口与关键节点的集合分为已标记出最优航段点的集合和未标记出最优航段点的集合；
S2，在航线网络中标记出源点和目的点，并设置源点到源点的距离为0，源点到源点之间的节点数量集合为空集，迭代变量为1；
S3，当迭代变量小于源点到目的点之间所有节点的数量，则检验所有标记出最优航段点到所有未标记出最优航段点之间的距离，更新所有未标记出最优航段点到源点之间的距离并将构成最短路径距离的点标记为第一标记点；
S4，从所有已标记出最优航段点的集合中查找与第一标记点距离最近的点，并将所述距离最近的点加入在查找过程中到达第一标记点之前所需途经点的集合中，若第一标记点出现在未标记出最优航段点的集合中，则将所述第一标记点移入到已标记出最优航段点的集合内，并且迭代变量递增1，再返回到S3步骤中继续循环，直至第一标记点已经出现在已标记出最优航段点的集合内，迭代变量等于节点总数则结束循环；
当用户输入的经纬度与任意港口或关键节点不匹配时，采用任意经纬度间推荐或预测算法，增加航线匹配步骤，从AIS历史数据中即时搜索与用户输入的经纬度较为接近的AIS坐标点，通过反向索引与AIS坐标点对应航段和航段对应的关键节点，再进入上述S1步骤重新进入循环。
一种全球船舶历史航迹的智能航线推荐系统，其特征在于，包括依次连接的数据采集及预处理模块、航线网络构建模块和人机交互模块，
所述数据采集及预处理模块，采集AIS数据，并对采集的AIS数据进行预处理，所述预处理包括异常坐标的修正、船舶状态的形成、港口匹配和航段生成，以在船舶历史轨迹与港口节点之间建立准确关联；
所述航线网络构建模块，基于预处理后的AIS数据，获取港口节点和关键节点构建网络节点，并将预处理过程中生成的航段按照关键节点划分得到节点航段，基于核密度估算法对节点航段进行计算得到推荐航段，以推荐航段的航行距离作为推荐航段的起始节点和结束节点之间边的权重进行构建航线网络；
所述人机交模块，获取用户输入的航线起点和终点位置信息，基于已构建的航线网络，通过推荐或预测算法计算得到最优航线路径，将最优航线路径绘制成电子地图，并展示最优航线路径的计算结果。
优选地，所述推荐或预测算法包括港口/关键节点间航线推荐或预测算法和任意经纬度间推荐或预测算法。
优选地，所述航线网络构建模块中，所述港口节点为全球所有海运港口，所述关键节点是通过人工标注和/或CUSUM算法，搜寻得到的全球海运的重要性节点。
本发明的有益效果为：
本发明提供的一种基于全球船舶历史航迹的智能航线推荐方法，依次设置数据采集及预处理步骤、航线网络构建步骤和人机交互步骤，各步骤相互配合协同工作，首先采集AIS数据，并对采集的AIS数据进行预处理，预处理包括异常坐标的修正、船舶状态的形成、港口匹配和航段生成；通过对采集的AIS数据进行清洗、整合，能够将AIS数据中的高质量航线轨迹数据提取出来并与港口节点完成关联，有效提升了后续对海量数据的检索效率以及航线数据的质量，然后基于预处理后的AIS数据，获取港口节点和关键节点构建网络节点，并将预处理过程中生成的航段按照关键节点划分得到节点航段，基于核密度估算法对节点航段进行计算得到推荐航段，以推荐航段的航行距离作为推荐航段的起始节点和结束节点之间边的权重进行构建航线网络，通过关键节点对历史航线切片、再组合，完成了全球历史航线网络的构筑，最后在获取用户输入的航线起点和终点位置信息后，基于已构建的航线网络，通过推荐或预测算法计算得到最优航线路径，并展示最优航线路径的计算结果，基于航线网络对任意经纬度进行航线推荐有效提升了动态航线的规划能力。
本发明还涉及一种基于全球船舶历史航迹的智能航线推荐系统，该系统与上述的基于全球船舶历史航迹的智能航线推荐方法相对应，可理解为是一种实现上述基于全球船舶历史航迹的智能航线推荐方法的系统，包括依次连接的数据采集及预处理模块、航线网络构建模块和人机交互模块，各模块相互协同工作，通过基于AIS全生命动态数据库的数据清洗、整合，将AIS中包含的高质量航线轨迹提取并与港口节点完成关联，有效提升了后续功能对海量数据的检索效率和航线数据的质量可靠性，通过关键节点对历史航线切片、再组合，完成了全球历史航线网络的构筑，同时基于航线网络，对任意经纬度进行航线推荐的方法进一步提升了推荐算法的动态航线规划能力。
附图说明
图1为本发明基于全球船舶历史航迹的智能航线推荐方法的流程图。
图2为本发明基于全球船舶历史航迹的智能航线推荐系统人机交互模块中最优航线路径生成的工作原理图。
具体实施方式
下面结合附图对本发明进行说明。
本发明涉及一种基于全球船舶历史航迹的智能航线推荐方法，该方法的流程图如图1所示，依次包括以下步骤：
数据采集及预处理步骤：采集AIS数据，并对采集的AIS数据进行预处理，所述预处理包括异常坐标的修正、船舶状态的形成、港口匹配和航段生成，以在船舶历史轨迹与港口节点之间建立准确关联；具体地，先使用Python语言中的psycopg2(是Python语言的PostgreSQL数据库接口)连接PostgreSQL数据库，从PostgreSQL数据库中查询所有船舶的AIS数据，获取原始AIS数据流，在获得AIS数据后，对数据进行清洗，去除无用的干扰数据，然后对AIS数据进行预处理，即AIS数据修正、整合，预处理包括异常坐标的修正、船舶状态的形成、港口匹配和航段生成。
异常坐标的修正，由于经纬度坐标信息是来自于采集，因此可能存在经纬度坐标点漂移、缺失等情况，而对于经纬度坐标点漂移的情况，主要是进行异常坐标点的检测处理，并将检测出的异常坐标点进行剔除，具体地，假设有某船舶AIS时间序列S＝{P1,P2,P3,P4,P5,…,Pi,…,PN}，其中Pi＝(loni,lati,ti,statusi)，loni是经度，lati是纬度，ti是时间，statusi是状态字段。先根据AIS数据计算得到点Pi与Pi+1之间的距离ΔD(i,i+1)和时间差ΔT(i,i+1)，并将船舶可能达到的最大航速记为Vmax，当满足Vmax*ΔT(i,i+1)>ΔD(i,i+1)时，认为已经产生了漂移点，应当剔除。其中，点Pi与Pi+1之间的距离ΔD(i,i+1)按照下式进行计算：
上式中，x1,y1是纬度\经度的弧度单位，Radius取地球半径6372.8km，Ry1为点Pi的经度，Ry2为点Pi+1的经度，Rx1为点Pi的纬度，Rx2为点Pi+1的纬度。
在实际处理过程中采用滑窗法进行计算。第一步先确定起始基准点，如果i＝1，计算第P1和P2个点之间的距离ΔD(1,2)和时间差ΔT(1,2)，当Vmax*ΔT(1,2)>ΔD(1,2)时，表明有漂移点。重新计算P1与P3之间的距离ΔD(1,3)和时间差ΔT(1,3)并进行类似比较。连续处理5个点，当漂移点不再出现时，确定起始基准点为P1。如果一直出现有漂移点，则抛弃P1点，以P2为基准重新进行上述计算过程，直到确定起始基准点Pi。
第二步基于当前基准点Pi进行处理，当Vmax*ΔT(i,i+1)>ΔD(i,i+1)时，认为已经产生了漂移点Pi+1，剔除Pi+1，进而计算Pi和Pi+2，直到计算Pi和Pi+k不再产生飘逸。不再产生漂移时，将当前基准点设为Pi+k，继续进行。
船舶状态的形成，船舶状态的形成就是对AIS状态字段的合并，在异常坐标修正后，基于已经修正处理的数据，进行状态合并。
a，经过数据分析得知，船舶在锚泊或靠泊状态可能具有小于速度阈值Vlow节的航速，设判定锚泊状态的速度阈值为Vlow1，判定靠泊状态的速度阈值为Vlow2，并设当前接受判断的Pi点的船速为Vi，因此将Vi<Vlow1节的速度视为锚泊状态，Vi<Vlow2节的速度视为靠泊状态，其中，Vlow节的航速是人工设定的速度阈值，例如将Vlow1设置为0.5，将Vlow2设置为0.2，基于此修正一部分AIS状态标签；
b，分析AIS之间的连续性，假设状态形成阈值为连续状态最小个数Nmin、连续状态最大个数Nmax、最大时间阈值Tmax，船舶AIS出现连续同一状态时，根据AIS中status字段和t时间戳，合并得到船舶在某一时间区间内的行为或状态；
c，假设有某船舶AIS时间序列S＝{P1,P2,P3,P4,P5,…,Pi,…,PN}，其中Pi＝(loni,lati,ti,statusi)，如从Pi开始计算，得到与Pi具有相同tatus值的的序列Pi+1,Pi+2,…,Pi+k，得到从Pi开始累计具有相同的status值的个数k以及时间差ΔT(i,i+k)，当满足ΔT(i,i+k)≤Tmax&&k≥Nmin，或者满足k≥Nmax时，认为可以进行状态合并，形成船舶状态，进行记录。例如，最大时间阈值Tmax可以为2小时，连续状态最小个数即最小状态阈值Nmin可以为3，连续状态最大个数即最大状态阈值Nmax可以为5，可以理解的是，上述各阈值的数值可以根据实际需要进行调整。
港口匹配，即对AIS坐标点进行区位匹配，基于上述AIS状态合并的结果，从而得到靠泊或锚泊的港口，在靠泊或锚泊状态下，依据AIS坐标搜索附近港口，当船舶AIS坐标Pi和某个港口坐标满足对应条件时，认为该港口为此次航行的靠/锚泊港口。由于需要遍历大量AIS点，匹配港口，为减小实际运算量，采用分步做法：
a，假设已得到船舶行为：Pi1锚泊开始，Pi1+j1锚泊结束，Pi2靠泊开始，Pi2+j2靠泊结束，Pi3航行开始，Pi3+j3航行结束。针对Pi2＝(loni,lati,ti,statusi)点，港口列表坐标点T＝{T1,T2,T3,T4,T5,…,Ti,…,TN}，港口Tm＝(lonm,latn)；
b，筛选出经纬度差值在设定的经纬度阈值内的港口，按照地球纬度分部均匀的特点，第一步先比较船舶和港口的纬度差值Δlat和设定的纬度阈值Δlatmin，再放宽比较经度差值Δlon和经度阈值Δlonmin。当Δlat<＝Δlatmin&&Δlon<＝Δlonmin时，进入c步骤计算，如不满足则跳过。例如，设定的纬度阈值Δlatmin可以取0.1，设定的经度阈值Δlonmin可以取0.2，可以理解的是，船舶和港口的纬度差值和经度差值必须同时满足上述条件，当船舶和港口的纬度差值未满足上述条件时，就不需要再判断船舶和港口的经度差值了，此外，上述各阈值的数值可以根据实际需要进行调整；
c，进行距离计算，将船舶位置坐标和港口经纬度坐标分别转换为弧度值，船舶位置Pi2的经纬度为(LonA,LatA)，港口Tm的经纬度为(LonB,LatB)，根据船舶的位置坐标和港口经纬度坐标计算得到船舶港口的距离D，按照下式进行计算：
C＝sin(MLatA)*sin(MlatB)*cos(MlonA-MlonB)+cos(MlatA)*cos(MlatB) (2)
D＝R*Arccos(C)*pi/180 (3)
上式中，C为中间值，R为地球半径；
d，设定靠泊阈值Dberth和锚泊阈值Danchor，综合AIS目的港字段，将靠、锚泊行为与港口准确关联，若D<Dberth，则认为此时船舶靠泊在当前港口Tm。此时反算锚泊点Pi1与港口之间的距离，若D<Danchor，则认为此时船舶锚泊在当前港口Tm，否则视为中途锚泊。其中，设定的靠泊阈值Dberth可以取10海里，设定的锚泊阈值Danchor可以取100海里，可以理解的是，上述各阈值的数值可以根据实际需要进行调整。
航段生成，基于上述港口匹配的结果，根据AIS数据计算得到船舶抵港和离港行为数据，根据船舶抵港和离港行为数据将船舶航行数据划分为港到港的航段，以在船舶历史轨迹与港口节点之间建立准确关联。
航线网络构建步骤：如图1所示的构筑全球历史航线网络，基于预处理后的AIS数据，获取港口和关键节点构建网络节点，并将预处理过程中生成的航段按照关键节点划分得到节点航段，基于核密度估算法对节点航段进行计算得到推荐航段，以推荐航段的航行距离作为推荐航段的起始节点和结束节点之间边的权重进行构建航线网络；
具体地，以预处理后的AIS数据为基础，构建全球海运航线网络，包含网络节点的构建(关键节点生成)、网络边的构筑(最优边值筛选)、以及定期刷新路径库。
网络节点的构建，网络节点分为两类：港口节点和海运关键节点，海运关键节点是在航运线路中起枢纽和标志性作用的地理节点，例如巴拿马运河、苏伊士运河、马六甲海峡等。关键节点可以通过海运业专家人工标识的方法持续更新，可以利用CUSUM算法进行关键点识别，也可以两者相结合。其中，利用CUSUM算法自动标识关键节点具体包括以下步骤：
a，首先进行海域划分，以寻找同一海域中的关键节点为目标；
b，对当前海域上的AIS航行轨迹进行处理，寻找航迹中的疑似转向点，转向点即船舶在航行中进行转向操作的位置，也是航线设计的基准点；
c，CUSUM算法广泛用于检验信号数据序列中的异常突变。现假设某单船AIS时间序列S＝{P1,P2,P3,P4,P5,…,Pi,…,PN}，其中Pi＝(loni,lati,ti,statusi)，下面需要计算方位角θi，按照下式进行计算：
θi＝atan2(sin(xi+1-xi)cos(yi+1),cos(yi)sin(yi+1)-sin(yi)cos(yi+1)cos(xi+1-xi))
上式中，xi为Pi点经度，yi为Pi点纬度，atan2函数的数学表达式如下：
d，令θ＝[θ1θ2…θn]，设定该序列的CUSUM双侧决策函数g＝[g1g2…gn]形式如下：
其中，μ0和v是超参数。并提供一种启发式计算方法：μ0可以取y序列的滑动平均或整体算术平均值。v可以取|Δy|的上侧分位数，其中α＝0.85；
e，随后，定义预警值ta，其对应的AIS点作为转向点，即该海域的关键节点候选被识别，按照下式进行识别：
其中，h是控制检测灵敏度的阈值，h越大，检测越宽松，即只有一些大的转向点被识别出来。
网络边的构筑，基于由预处理整合得到的航线数据，首先将航线依照关键节点进行切分，得到以节点为顶点的候选边，随后将顶点相同的航段汇总，以航线距离作为参数，利用核密度估算法从中选取该航段最优航线，航线筛选具体包括以下步骤：
a，输入：按照港间距升序排列得到的列表；
b，输出：25％分位数相差最小的列表索引；
75％分位数相差最小的列表索引；
25％-75％分位数之间所有数值取均值相差最小的列表索引。
定期刷新路径库，上述网络节点的构建和网络边的构筑均涉及对海量数据的存取以及计算，因此设计为离线运算，保证了实际运行效率和可行性。在满足一定条件后，即满足ΔT≥Trenew||ΔN≥Nrenew，将重新提取AIS记录并重新计算整个航线网络，其中，ΔT为距离上一次更新的时间间隔，ΔN为上一次更新后新增AIS数据记录量，Trenew和Nrenew为人工设定的时间间隔阈值和AIS数据记录量阈值。
需要说明的是，上述人工设定的时间间隔阈值Trenew可以具体设置为30天，AIS数据记录量阈值Nrenew可以具体设置为1000，0000，此时当距离上一次更新的时间间隔ΔT≥30天||ΔN≥1000，0000时，就需要重新提取AIS记录并重新计算整个航线网络；可以理解的是，上述人工设定的时间间隔阈值和AIS数据记录量阈值可以根据实际需要进行相应调整。
人机交互步骤：支持用户直接从电子海图、卫星地图等图形界面点击输入航线起点和终点位置信息，且内部依据地图提供的接口直接转换为经纬度坐标形式P1(lon1,lat1)，P2(lon2,lat2)，并传递至航线推荐/预测模组，在获取用户输入的航线起点和终点位置信息后，基于已构建的航线网络，通过航线推荐/预测算法中的推荐或预测算法计算得到最优航线路径，将最优航线路径绘制成电子地图，并展示最优航线路径的计算结果。
优选地，推荐或预测算法是通过港口/关键节点间航线推荐或预测算法和任意经纬度间推荐或预测算法计算得到最优航线路径，得到最优航线路径的过程包括以下分步骤，如图2所示：
当用户输入的经纬度与任意港口或关键节点匹配时，采用所述港口/关键节点间航线推荐或预测算法，包括以下分步骤：
S1，采用dijkstra算法将港口与关键节点的集合分为已标记出最优航段点k的集合和未标记出最优航段点j的集合；
S2，在航线网络中标记出源点s和目的点t，并设置源点s到源点s的距离ds为0，源点s到源点s之间的节点数量集合ps为空集，迭代变量Num为1；
S3，当Num<源点s到目的点t之间所有节点的数量N时，则检验所有标记出最优航段点k到所有未标记出最优航段点j之间的距离，并更新所有未标记出最优航段点j到源点s之间的距离，取dj＝min[dj,dk+w(k,j)]，其中，dj、dk表示源点s到j、k点的距离，w(k,j)为k到j的直达距离。若两点间不能直达，w(k,j)设为无穷大。将j到源点s之间的距离为最短路径距离的点标记为点i，即从未标记的点中选取dj最小的点i，或称为第一标记点i；
S4，从所有已标记出最优航段点的集合中查找与点i距离最近的点pi，并将该距离最近的点pi加入在查找过程中到达第一标记点之前所需途经点的集合中，若点i出现在未标记出最优航段点的集合j中，则将点i从未标记出最优航段点的集合j中移入到已标记出最优航段点的集合k内，迭代变量Num递增1，再返回到S3步骤中继续循环，直至点i已经出现在已标记出最优航段点的集合k内，Num++，若Num＝节点总数N则循环结束。
需要说明的是，在上述得到最优航线的过程中，若标记出的点i位于未标记出最优航段点的集合j中，则表明在整个航线网络中依然存在未标记的节点，将点i从未标记出最优航段点的集合j中移入到已标记出最优航段点的集合k之后还需要再返回步骤S3中，并重复迭代上述步骤S3和S4，直到当标记出的点i位于已标记出最优航段点的集合k为止，则结束上述循环。
当用户输入的经纬度与任意港口或关键节点不匹配时，采用任意经纬度间推荐或预测算法，增加航线匹配步骤，从AIS历史数据中即时搜索与用户输入的经纬度较为接近的AIS坐标点，通过反向索引与AIS坐标点对应航段和航段对应的关键节点，具体步骤如下：
a，首先从AIS历史数据中即时搜索与输入经纬度较为接近的AIS点；
b，反向索引该AIS点在数据库中所关联航段和这些航段对应网络节点；
c，基于此节点列表，局部范围运行dijkstra算法，即返回上述步骤S1重新进入循环，计算互相之间最短通路的代价，加上输入坐标点到这些节点的距离作为另一部分代价，最终得到一个新的最短路径作为推荐航线。
需要说明的是，由于往往一个海域中能够匹配的AIS航线数量较多，因此设计一个简单的AIS匹配逻辑限制航段列表的长度，以保证算法的实时效率。AIS匹配逻辑如下：对于按照距离从小到大排序的AIS点(P1，P2，……，Pi，……)，Di≤Dmax&&i≤Nmax。其中Di为Pi点与输入位置的距离，Dmax和Nmax为最大匹配距离和最大匹配数量。
可以理解的是，为了方便航海员实时理解和修正，通过在数据库中增加对几何图形对象的存储，将推荐航线直接绘制在电子海图或其他电子地图上。
本发明还涉及了一种基于全球船舶历史航迹的智能航线推荐系统，该系统与上述基于全球船舶历史航迹的智能航线推荐方法相对应，可理解为是实现上述方法的系统，该系统包括依次连接的数据采集及预处理模块、航线网络构建模块和人机交互模块，
数据采集及预处理模块，采集AIS数据，并对采集的AIS数据进行预处理，所述预处理包括异常坐标的修正、船舶状态的形成、港口匹配和航段生成，以在船舶历史轨迹与港口节点之间建立准确关联；
航线网络构建模块，基于预处理后的AIS数据，获取港口和关键节点构建网络节点，并将预处理过程中生成的航段按照关键节点划分得到节点航段，基于核密度估算法对节点航段进行计算得到推荐航段，以推荐航段的航行距离作为推荐航段的起始节点和结束节点之间边的权重进行构建航线网络；
人机交模块，获取用户输入的航线起点和终点位置信息，基于已构建的航线网络，通过推荐或预测算法计算得到最优航线路径，将最优航线路径绘制成电子地图，并展示最优航线路径的计算结果。
优选地，推荐或预测算法包括港口/关键节点间航线推荐或预测算法和任意经纬度间推荐或预测算法。
优选地，航线网络构建模块中，所述港口节点为全球所有海运港口，所述关键节点是通过人工标注和/或CUSUM算法，搜寻得到的全球海运的重要性节点。
本发明提供了客观、科学的基于全球船舶历史航迹的智能航线推荐方法及系统，通过基于AIS全生命动态数据库的数据清洗、整合，将AIS中包含的高质量航线轨迹提取并与港口节点完成关联，有效提升了后续功能对海量数据的检索效率和航线数据的质量可靠性，通过关键节点对历史航线切片、再组合，完成了全球历史航线网络的构筑，同时基于航线网络，对任意经纬度进行航线推荐的方法进一步提升了推荐算法的动态航线规划能力。
应当指出，以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造，但不以任何方式限制本发明创造。因此，尽管本说明书参照附图和实施例对本发明创造已进行了详细的说明，但是，本领域技术人员应当理解，仍然可以对本发明创造进行修改或者等同替换，总之，一切不脱离本发明创造的精神和范围的技术方案及其改进，其均应涵盖在本发明创造专利的保护范围当中。
Claims (8)
1.一种基于全球船舶历史航迹的智能航线推荐方法，其特征在于，包括以下步骤：
数据采集及预处理步骤：采集AIS数据，并对采集的AIS数据进行预处理，所述预处理包括异常坐标的修正、船舶状态的形成、港口匹配和航段生成，以在船舶历史轨迹与港口节点之间建立准确关联；所述船舶状态的形成是在对异常坐标修正后，基于已经修正处理后的AIS数据进行AIS状态字段合并，所述港口匹配是基于AIS状态字段合并的结果，对AIS坐标点进行区位匹配；
航线网络构建步骤：基于预处理后的AIS数据，获取港口节点和关键节点构建网络节点，并将预处理过程中生成的航段按照关键节点划分得到节点航段，基于核密度估算法对节点航段进行计算得到推荐航段，以推荐航段的航行距离作为推荐航段的起始节点和结束节点之间边的权重进行构建航线网络；
人机交互步骤：获取用户输入的航线起点和终点位置信息，基于已构建的航线网络，通过推荐或预测算法计算得到最优航线路径，将最优航线路径绘制成电子地图，并展示最优航线路径的计算结果；所述推荐或预测算法是通过港口/关键节点间航线推荐或预测算法和任意经纬度间推荐或预测算法计算得到最优航线路径；
当用户输入的经纬度与任意港口或关键节点匹配时，采用所述港口/关键节点间航线推荐或预测算法，包括以下分步骤：
S1，采用dijkstra算法将港口与关键节点的集合分为已标记出最优航段点的集合和未标记出最优航段点的集合；
S2，在航线网络中标记出源点和目的点，并设置源点到源点的距离为0，源点到源点之间的节点数量集合为空集，迭代变量为1；
S3，当迭代变量小于源点到目的点之间所有节点的数量，则检验所有标记出最优航段点到所有未标记出最优航段点之间的距离，更新所有未标记出最优航段点到源点之间的距离并将构成最短路径距离的点标记为第一标记点；
S4，从所有已标记出最优航段点的集合中查找与第一标记点距离最近的点，并将所述距离最近的点加入在查找过程中到达第一标记点之前所需途经点的集合中，若第一标记点出现在未标记出最优航段点的集合中，则将所述第一标记点移入到已标记出最优航段点的集合内，并且迭代变量递增1，再返回到S3步骤中继续循环，直至第一标记点已经出现在已标记出最优航段点的集合内，迭代变量等于节点总数则结束循环；
当用户输入的经纬度与任意港口或关键节点不匹配时，采用任意经纬度间推荐或预测算法，增加航线匹配步骤，从AIS历史数据中即时搜索与用户输入的经纬度较为接近的AIS坐标点，通过反向索引与AIS坐标点对应航段和航段对应的关键节点，再进入上述S1步骤重新进入循环。
2.根据权利要求1所述的基于全球船舶历史航迹的智能航线推荐方法，其特征在于，数据采集及预处理步骤中，所述异常坐标的修正是根据采集的AIS数据中相邻两点的经纬度数据计算得到两点间的球面距离，并根据AIS数据计算相邻两点的时间差，当船舶最大航速与时间差的乘积大于两点间的球面距离时，检测出异常坐标点，并将异常坐标点剔除。
3.根据权利要求2所述的基于全球船舶历史航迹的智能航线推荐方法，其特征在于，数据采集及预处理步骤中，所述船舶状态的形成是基于修正后的坐标，根据时间跨度以及船舶在AIS时间序列内连续出现相同状态的坐标个数进行船舶状态识别，若某一船舶在AIS时间序列内连续出现相同状态的坐标个数大于等于预设的最小状态阈值，同时该船舶在AIS时间序列内连续出现相同状态坐标之间的时间跨度小于等于预设的最大时间跨度阈值，则将连续出现相同状态的坐标进行合并，以形成船舶状态；或者当船舶在AIS时间序列内连续出现相同状态的坐标个数大于等于预设的最大状态阈值，也将连续出现相同状态的坐标进行合并，以形成船舶状态。
4.根据权利要求3所述的基于全球船舶历史航迹的智能航线推荐方法，其特征在于，数据采集及预处理步骤中，所述港口匹配基于AIS状态合并的结果，筛选出经纬度差值在设定的经纬度阈值内的港口，若船舶和港口的纬度差值小于等于所述设定的纬度阈值，并同时满足船舶和港口的经度差值小于等于所述设定的经度阈值，则进一步根据船舶的位置坐标和某一港口经纬度坐标计算得到船舶到某一港口的距离，并设定锚泊阈值和靠泊阈值，通过锚泊阈值和靠泊阈值判断船舶在某一港口是处于靠泊或锚泊状态，若船舶到某一港口的距离小于靠泊阈值，则判断该船舶在某一港口为靠泊，该港口为靠泊港口，若船舶到某一港口的距离小于锚泊阈值，则判断该船舶在某一港口为锚泊，该港口为锚泊港口，若船舶到某一港口的距离大于等于锚泊阈值，则判断该船舶在中途锚泊。
5.根据权利要求4所述的基于全球船舶历史航迹的智能航线推荐方法，其特征在于，数据采集及预处理步骤中，所述航段生成基于所述港口匹配的结果，根据AIS数据计算得到船舶抵港和离港行为数据，根据船舶抵港和离港行为数据将船舶航行数据划分为港到港的航段。
6.根据权利要求4所述的基于全球船舶历史航迹的智能航线推荐方法，其特征在于，航线网络构建步骤中，所述港口节点为全球所有海运港口，所述关键节点是通过人工标注和/或CUSUM算法，搜寻得到的全球海运的重要性节点。
7.一种基于全球船舶历史航迹的智能航线推荐系统，其特征在于，包括依次连接的数据采集及预处理模块、航线网络构建模块和人机交互模块，
所述数据采集及预处理模块，采集AIS数据，并对采集的AIS数据进行预处理，所述预处理包括异常坐标的修正、船舶状态的形成、港口匹配和航段生成，以在船舶历史轨迹与港口节点之间建立准确关联；所述船舶状态的形成是在对异常坐标修正后，基于已经修正处理后的AIS数据进行AIS状态字段合并，所述港口匹配是基于AIS状态字段合并的结果，对AIS坐标点进行区位匹配；
所述航线网络构建模块，基于预处理后的AIS数据，获取港口节点和关键节点构建网络节点，并将预处理过程中生成的航段按照关键节点划分得到节点航段，基于核密度估算法对节点航段进行计算得到推荐航段，以推荐航段的航行距离作为推荐航段的起始节点和结束节点之间边的权重进行构建航线网络；
所述人机交互模块，获取用户输入的航线起点和终点位置信息，基于已构建的航线网络，通过推荐或预测算法计算得到最优航线路径，将最优航线路径绘制成电子地图，并展示最优航线路径的计算结果；所述推荐或预测算法包括港口/关键节点间航线推荐或预测算法和任意经纬度间推荐或预测算法；
当用户输入的经纬度与任意港口或关键节点匹配时，采用所述港口/关键节点间航线推荐或预测算法，包括以下分步骤：
S1，采用dijkstra算法将港口与关键节点的集合分为已标记出最优航段点的集合和未标记出最优航段点的集合；
S2，在航线网络中标记出源点和目的点，并设置源点到源点的距离为0，源点到源点之间的节点数量集合为空集，迭代变量为1；
S3，当迭代变量小于源点到目的点之间所有节点的数量，则检验所有标记出最优航段点到所有未标记出最优航段点之间的距离，更新所有未标记出最优航段点到源点之间的距离并将构成最短路径距离的点标记为第一标记点；
S4，从所有已标记出最优航段点的集合中查找与第一标记点距离最近的点，并将所述距离最近的点加入在查找过程中到达第一标记点之前所需途经点的集合中，若第一标记点出现在未标记出最优航段点的集合中，则将所述第一标记点移入到已标记出最优航段点的集合内，并且迭代变量递增1，再返回到S3步骤中继续循环，直至第一标记点已经出现在已标记出最优航段点的集合内，迭代变量等于节点总数则结束循环；
当用户输入的经纬度与任意港口或关键节点不匹配时，采用任意经纬度间推荐或预测算法，增加航线匹配步骤，从AIS历史数据中即时搜索与用户输入的经纬度较为接近的AIS坐标点，通过反向索引与AIS坐标点对应航段和航段对应的关键节点，再进入上述S1步骤重新进入循环。
8.根据权利要求7所述的基于全球船舶历史航迹的智能航线推荐系统，其特征在于，所述航线网络构建模块中，所述港口节点为全球所有海运港口，所述关键节点是通过人工标注和/或CUSUM算法，搜寻得到的全球海运的重要性节点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111338523.3A CN114066354B (zh) | 2021-11-12 | 2021-11-12 | 一种基于全球船舶历史航迹的智能航线推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111338523.3A CN114066354B (zh) | 2021-11-12 | 2021-11-12 | 一种基于全球船舶历史航迹的智能航线推荐方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114066354A CN114066354A (zh) | 2022-02-18 |
| CN114066354B true CN114066354B (zh) | 2023-10-31 |
Family
ID=80275512
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111338523.3A Active CN114066354B (zh) | 2021-11-12 | 2021-11-12 | 一种基于全球船舶历史航迹的智能航线推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114066354B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115112129B (zh) * | 2022-06-30 | 2024-04-26 | 中国船舶重工集团公司第七0七研究所 | 一种基于ais数据的船舶航行航路推荐算法 |
| CN115410417B (zh) * | 2022-07-20 | 2023-11-14 | 国能浙江北仑第一发电有限公司 | 基于环境因子的船舶调度靠泊预测系统 |
| CN116402207A (zh) * | 2023-03-24 | 2023-07-07 | 武汉理工大学 | 船舶运输网络碳排放优化节能方法、装置及电子设备 |
| CN116259196B (zh) * | 2023-04-03 | 2024-02-09 | 广州海宁海务技术咨询有限公司 | 基于人工智能的船舶航线推荐方法、装置和计算设备 |
| CN116244557B (zh) * | 2023-05-05 | 2023-07-28 | 北京恒济引航科技股份有限公司 | 航道船舶流量监测方法、系统及计算机可读存储介质 |
| CN116775753B (zh) * | 2023-08-25 | 2023-11-17 | 北明成功软件(山东)有限公司 | 一种数据资产可视化方法及系统 |
| CN117132090B (zh) * | 2023-10-27 | 2024-02-13 | 亿海蓝（北京）数据技术股份公司 | 共舱船期排序方法及系统、电子设备及存储介质 |
| CN117636690B (zh) * | 2024-01-24 | 2024-03-29 | 亿海蓝（北京）数据技术股份公司 | 船舶航次生成方法、装置、电子设备和可读储存介质 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103531043A (zh) * | 2013-09-27 | 2014-01-22 | 重庆大学 | 基于航线匹配的船舶点到点航行时间估算方法 |
| KR101554498B1 (ko) * | 2014-11-28 | 2015-09-21 | 금호마린테크 (주) | 네트워크 모형화를 이용한 선박의 최적항로 계획 시스템 |
| CN107248009A (zh) * | 2017-06-05 | 2017-10-13 | 亿海蓝（北京）数据技术股份公司 | 一种基于轨迹语言识别的启发式航线生成方法及装置 |
| CN109376952A (zh) * | 2018-11-21 | 2019-02-22 | 深圳大学 | 一种基于轨迹大数据的众包物流配送路径规划方法及系统 |
| CN109740828A (zh) * | 2019-02-28 | 2019-05-10 | 广州中国科学院沈阳自动化研究所分所 | 船舶航行路径规划方法、系统、介质和设备 |
| CN109816147A (zh) * | 2018-12-26 | 2019-05-28 | 深圳市北斗智能科技有限公司 | 一种航空货运路由规划方法、装置、设备和存储介质 |
| CN110210352A (zh) * | 2019-05-23 | 2019-09-06 | 中国人民解放军海军工程大学 | 基于航道模型的船舶轨迹异常检测方法 |
| CN111578941A (zh) * | 2020-04-26 | 2020-08-25 | 亿海蓝（北京）数据技术股份公司 | 一种船舶航线推荐方法、系统及存储介质 |
| CN112161626A (zh) * | 2020-09-21 | 2021-01-01 | 北京航空航天大学 | 一种基于航路跟踪映射网络的高可飞性航路规划方法 |
| CN112365084A (zh) * | 2020-11-26 | 2021-02-12 | 中远海运科技股份有限公司 | 船舶推荐系统和平台 |
| CN112562415A (zh) * | 2020-11-26 | 2021-03-26 | 中远海运科技股份有限公司 | 船舶航线推荐方法 |
| CN112833882A (zh) * | 2020-12-30 | 2021-05-25 | 成都方位导向科技开发有限公司 | 一种动态加权航线自动推荐方法 |
| CN112836851A (zh) * | 2020-12-30 | 2021-05-25 | 成都方位导向科技开发有限公司 | 一种航线分级建库方法 |
| CN113011815A (zh) * | 2021-03-11 | 2021-06-22 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种货车停靠点提取方法和出行特征确定方法、装置 |
| JP2021163437A (ja) * | 2020-04-02 | 2021-10-11 | コリア インスティテュート オブ オーシャン サイエンス テクノロジー | 船舶の移動経路ネットワーク生成装置及び方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5462536B2 (ja) * | 2009-06-30 | 2014-04-02 | 日立オートモティブシステムズ株式会社 | 経路案内サーバ装置、ナビゲーション装置、経路案内システムおよび経路案内方法 |
| WO2018209576A1 (en) * | 2017-05-16 | 2018-11-22 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for digital route planning |
| US11674805B2 (en) * | 2019-01-29 | 2023-06-13 | Alpha Ori Technologies Pte. Ltd. | System and method for voyage consumption optimization |
| CN111290435B (zh) * | 2020-03-12 | 2020-10-02 | 国家深海基地管理中心 | 一种波浪滑翔器的路径规划方法及系统 |
-
2021
- 2021-11-12 CN CN202111338523.3A patent/CN114066354B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103531043A (zh) * | 2013-09-27 | 2014-01-22 | 重庆大学 | 基于航线匹配的船舶点到点航行时间估算方法 |
| KR101554498B1 (ko) * | 2014-11-28 | 2015-09-21 | 금호마린테크 (주) | 네트워크 모형화를 이용한 선박의 최적항로 계획 시스템 |
| CN107248009A (zh) * | 2017-06-05 | 2017-10-13 | 亿海蓝（北京）数据技术股份公司 | 一种基于轨迹语言识别的启发式航线生成方法及装置 |
| CN109376952A (zh) * | 2018-11-21 | 2019-02-22 | 深圳大学 | 一种基于轨迹大数据的众包物流配送路径规划方法及系统 |
| CN109816147A (zh) * | 2018-12-26 | 2019-05-28 | 深圳市北斗智能科技有限公司 | 一种航空货运路由规划方法、装置、设备和存储介质 |
| CN109740828A (zh) * | 2019-02-28 | 2019-05-10 | 广州中国科学院沈阳自动化研究所分所 | 船舶航行路径规划方法、系统、介质和设备 |
| CN110210352A (zh) * | 2019-05-23 | 2019-09-06 | 中国人民解放军海军工程大学 | 基于航道模型的船舶轨迹异常检测方法 |
| JP2021163437A (ja) * | 2020-04-02 | 2021-10-11 | コリア インスティテュート オブ オーシャン サイエンス テクノロジー | 船舶の移動経路ネットワーク生成装置及び方法 |
| CN111578941A (zh) * | 2020-04-26 | 2020-08-25 | 亿海蓝（北京）数据技术股份公司 | 一种船舶航线推荐方法、系统及存储介质 |
| CN112161626A (zh) * | 2020-09-21 | 2021-01-01 | 北京航空航天大学 | 一种基于航路跟踪映射网络的高可飞性航路规划方法 |
| CN112365084A (zh) * | 2020-11-26 | 2021-02-12 | 中远海运科技股份有限公司 | 船舶推荐系统和平台 |
| CN112562415A (zh) * | 2020-11-26 | 2021-03-26 | 中远海运科技股份有限公司 | 船舶航线推荐方法 |
| CN112833882A (zh) * | 2020-12-30 | 2021-05-25 | 成都方位导向科技开发有限公司 | 一种动态加权航线自动推荐方法 |
| CN112836851A (zh) * | 2020-12-30 | 2021-05-25 | 成都方位导向科技开发有限公司 | 一种航线分级建库方法 |
| CN113011815A (zh) * | 2021-03-11 | 2021-06-22 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种货车停靠点提取方法和出行特征确定方法、装置 |
Non-Patent Citations (8)
| Title |
|---|
| Automatic ship route design between two ports: A data-driven method;Yuanqiao Wen等;Applied Ocean Research;第96卷;1-12 * |
| Ship classification based on ship behavior clustering from AIS data;Yang Zhou 等;Ocean Engineering;第175卷;176-187 * |
| 一种利用海量AIS数据规划安全航线的方法;向哲等;中国安全生产科学技术;第12卷(第10期);160-164 * |
| 基于AIS数据的船舶航迹多维预测方法;高大为等;中国航海;第44卷(第03期);56-63 * |
| 基于AIS航迹和Douglas-Peucker算法的航线自动生成方法研究;张树凯等;重庆交通大学学报(自然科学版);第33卷(第06期);79-82+117 * |
| 基于历史航迹的船舶任意点到港的航线规划算法;段俊利等;上海船舶运输科学研究所学报;第43卷(第02期);10-14+90 * |
| 基于概率有向图模型的船舶进出港航路规划;唐皇等;华中科技大学学报(自然科学版);第48卷(第05期);105-109 * |
| 基于蚁群算法与海量AIS数据的船舶航线规划;姚肖肖等;交通信息与安全;第37卷(第03期);79-85 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114066354A (zh) | 2022-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114066354B (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 | |
| Zhen et al. | Maritime anomaly detection within coastal waters based on vessel trajectory clustering and Naïve Bayes Classifier | |
| Mazzarella et al. | Knowledge-based vessel position prediction using historical AIS data | |
| CN110188093A (zh) | 一种基于大数据平台针对ais信息源的数据挖掘系统 | |
| CN111650581A (zh) | 一种基于环境感知的雷达全域目标航迹自动起始方法 | |
| Pallotta et al. | Data-driven detection and context-based classification of maritime anomalies | |
| Virjonen et al. | Ship movement prediction using k-NN method | |
| Lee et al. | Maritime traffic route detection framework based on statistical density analysis from AIS data using a clustering algorithm | |
| Liu et al. | Ship movement anomaly detection using specialized distance measures | |
| CN113537386A (zh) | 一种基于改进K-Medoids聚类的船舶典型运动轨迹自适应挖掘方法 | |
| KR102006925B1 (ko) | 선박 항로 및 속도 결정 장치, 선박 항로 및 속도 결정 방법, 기록 매체 | |
| Liu et al. | A data mining method to extract traffic network for maritime transport management | |
| CN115660137B (zh) | 一种船舶风浪航行能耗精准估算方法 | |
| CN111723632A (zh) | 一种基于孪生网络的船舶跟踪方法及系统 | |
| Liu et al. | Data-driven framework for extracting global maritime shipping networks by machine learning | |
| Xu et al. | Trajectory clustering for SVR-based Time of Arrival estimation | |
| Tan et al. | Historical data is useful for navigation planning: data driven route generation for autonomous ship | |
| Last et al. | Interactive history-based vessel movement prediction | |
| Di Massa et al. | Terrain-relative navigation for autonomous underwater vehicles | |
| Xu et al. | Research on ship trajectory extraction based on multi-attribute DBSCAN optimisation algorithm | |
| Wang et al. | AIS data-based probabilistic ship route prediction | |
| Ji et al. | A dynamic adaptive grating algorithm for AIS-based ship trajectory compression | |
| Yoo et al. | Statistical trajectory-distance metric for nautical route clustering analysis using cross-track distance | |
| Eljabu et al. | Spatial clustering model of vessel trajectory to extract sailing routes based on ais data | |
| Neumann | Good choice of transit vessel route using Dempster-Shafer Theory |
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 |