CN114118243B - 一种基于航迹数据的耙吸挖泥船施工轨迹识别方法 - Google Patents

一种基于航迹数据的耙吸挖泥船施工轨迹识别方法 Download PDF

Info

Publication number
CN114118243B
CN114118243B CN202111371544.5A CN202111371544A CN114118243B CN 114118243 B CN114118243 B CN 114118243B CN 202111371544 A CN202111371544 A CN 202111371544A CN 114118243 B CN114118243 B CN 114118243B
Authority
CN
China
Prior art keywords
track
points
area
point
construction
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
CN202111371544.5A
Other languages
English (en)
Other versions
CN114118243A (zh
Inventor
戴文伯
徐婷
张晴波
周雨淼
杨波
季明
鲁嘉俊
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.)
CCCC National Engineering Research Center of Dredging Technology and Equipment Co Ltd
Original Assignee
CCCC National Engineering Research Center of Dredging Technology and Equipment Co Ltd
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 CCCC National Engineering Research Center of Dredging Technology and Equipment Co Ltd filed Critical CCCC National Engineering Research Center of Dredging Technology and Equipment Co Ltd
Priority to CN202111371544.5A priority Critical patent/CN114118243B/zh
Publication of CN114118243A publication Critical patent/CN114118243A/zh
Application granted granted Critical
Publication of CN114118243B publication Critical patent/CN114118243B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及挖泥船监控管理领域，尤其涉及一种基于航迹数据的耙吸挖泥船施工轨迹识别方法。其特征在于，包括如下步骤：S1.从航迹数据库中提取耙吸船的航迹数据；S2.对航迹数据进行预处理；S3.基于经纬度信息进行第一层次聚类，辨识出施工区；S4.对处于施工区的轨迹进行基于速度特征的第二层次聚类，辨识出“装舱”、“在抛泥区与装舱区之间往返”、“抛泥”这三种行为轨迹；S5.对所述“在抛泥区与装舱区之间往返”行为轨迹进行基于航向特征的第三层次聚类，辨识出“往抛泥区”、“返装舱区”轨迹；S6.对所有具有施工行为的簇进行重新打标签，分别为：装舱轨迹、往抛泥区轨迹、返装舱区轨迹、抛泥轨迹。本发明提升了耙吸挖泥船施工轨迹识别的精准度。

Description

一种基于航迹数据的耙吸挖泥船施工轨迹识别方法
技术领域
本发明涉及挖泥船监控管理领域，尤其涉及一种基于航迹数据的耙吸挖泥船施工轨迹识别方法。
背景技术
随着国家生态文明建设的飞速发展，社会民众的绿色环保意识逐渐加强，许多地区纷纷出台规范土方疏浚工程方面的文件，明确禁止将土方抛弃在航道、河流、农田等区域。然而由于巨大利益驱使以及疏浚施工过程监控管理困难，导致随意抛泥的现象屡禁不止。因此，加强疏浚船舶监控管理迫在眉睫。疏浚施工过程之所以存在监管问难问题，是因为疏浚船舶众多且分布广泛，且采取船岸分离模式，无法做到疏浚过程全方位实时监管。
随着大数据及人工智能技术的高速发展，使得从海量的航行轨迹中辨识出疏浚船舶行为，实现疏浚工程的全方位实时监控成为可能。海量的航行轨迹数据蕴含着船舶丰富的施工作业信息，基于大数据及人工智能技术从中挖掘出耙吸船的运动模式，并跟踪其“挖、运、卸”三个关键施工过程，有助于实现疏浚施工过程全方位监控，从而有效制止疏浚淤泥乱抛、乱倒等现象，亦可以提高疏浚工程的质量、效率。
目前，在疏浚行业基于航迹数据辨识船舶行为的研究还比较少，主要集中在交通船领域。常规做法是基于DBSCAN算法或者其他聚类算法，对船舶轨迹进行一次聚类分析，实现船舶行为的识别。然而，耙吸船施工过程更为复杂，需要考虑因素众多，如果采用多参数一次聚类算法，聚类的效果主要取决于各参数的科学设置，而多参数权重设置非常困难且计算过程十分复杂，影响建模效率，且鲁棒性和适应性也较差。
发明内容
本发明为了克服以上技术的不足，提出一种基于航迹数据的耙吸挖泥船施工轨迹识别方法，融合耙吸挖泥船位置、航速、航向等多个变量信息，采取三次自上而下的逐层递进式分层聚类算法，可有效解决计算过程复杂、多参数权重设置困难的问题。并且通过梳理耙吸船各种施工过程的特征，进行分层聚类，可以提升轨迹识别的精准度。
本发明技术方案：
一种基于航迹数据的耙吸挖泥船施工轨迹识别方法，将耙吸挖泥船航行轨迹点的经纬度、对地航速、航向三种参数进行三次自上而下的层次递进聚类，实现耙吸船轨迹的空间、速度和方向三大特征识别，从而逐步放大聚类的分辨率，完成施工过程装舱、往抛泥区、返施工区、抛泥四种行为轨迹的辨识。
一种基于航迹数据的耙吸挖泥船施工轨迹识别方法，其特征在于，包括如下步骤：
S1.从航迹数据库中提取耙吸船的航迹数据；
S2.对航迹数据进行预处理；
S3.基于经纬度信息进行第一层次聚类，用DBSCAN算法辨识出施工区；
S4.对处于施工区的轨迹进行基于速度特征的第二层次聚类，用GMM算法辨识出“装舱”、“在抛泥区与装舱区之间往返”、“抛泥”这三种行为轨迹；
S5.对所述“在抛泥区与装舱区之间往返”行为轨迹进行基于航向特征的第三层次聚类，用GMM算法辨识出“往抛泥区”、“返装舱区”轨迹；
S6.对所有具有施工行为的簇进行重新打标签，分别为：装舱轨迹、往抛泥区轨迹、返装舱区轨迹、抛泥轨迹。
上述技术方案，本发明采用了分层多次聚类算法，解决了多参数一次聚类权重设置困难的问题，降低了运算了复杂度，同时提高了分类的精准性，实现了耙吸挖泥船轨迹快速聚类，具有较好的鲁棒性和适应性。
有益效果
本发明融合了耙吸挖泥船位置、航速、航向等多个变量信息，采取三次自上而下的逐层递进式分层聚类算法，可有效解决计算过程复杂、多参数权重设置困难的问题。并且通过梳理耙吸船各种施工过程的特征，进行分层聚类，可以提升轨迹识别的精准度。
附图说明
图1本发明分层多次聚类算法示意图
图2本发明基于航迹数据的耙吸挖泥船施工轨迹识别方法实现流程图
图3步骤2中对航迹数据进行预处理流程图
图4异常位置轨迹点处理示意
图5原始轨迹图示意
图6数据预处理后轨迹图示意
图7实施例DBSCAN算法核心处理流程
图8实施例速度时序聚类图
图9耙吸船施工周期
具体实施方式
下面将结合具体实施例及其附图对本申请提供的技术方案作进一步说明。结合下面说明，本申请的优点和特征将更加清楚。
需要说明的是，本申请的实施例有较佳的实施性，并非是对本申请任何形式的限定。本申请实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的，它们可以被相互组合从而达到更好的技术效果。本申请优选实施方式的范围也可以包括另外的实现，且这应被本申请实施例所属技术领域的技术人员所理解。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限定。因此，示例性实施例的其它示例可以具有不同的值。
本申请的附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本申请实施例的目的，并非是限定本申请可实施的限定条件。任何结构的修饰、比例关系的改变或大小的调整，在不影响本申请所能产生的效果及所能达成的目的下，均应落在本申请所揭示的技术内容所能涵盖的范围内。且本申请各附图中所出现的相同标号代表相同的特征或者部件，可应用于不同实施例中。
如图1、图2所示
基于本发明技术方案，给出实施例：
S1.从航迹数据库中提取某耙吸船为期1年的航迹数据，将所有航迹点串联生成一条完整的航迹路径Tr，Tr为航迹点按时间顺序排列的轨迹点集合{x1，...xi，...xn}，其中
xi＝(loni,lati,sogi,cogi,ti)，loni为航迹点的经度，lati为航迹点的纬度，sogi为航迹点的速度，cogi为航迹点的航向，ti为通过该航迹点的时刻，n为该耙吸船航迹点数量。
注解：sog(speed over ground)对地航速本实施例该速度单位采用“节”Kn(knots缩写)；cog(course over ground)对地航向。
S2.对航迹数据进行预处理(如图3流程图)；
S21异常值过滤
对航迹路径中Tr，对任一时刻j，若sogj＞20或者cogj＜0或者cogj＜360的异常航迹点xj进行剔除，形成新航迹路径Trnew，Trnew为剔除异常轨迹点后按时间顺序排列的轨迹点集合{x1，...xi，...xnnew}，其中nnew为新航迹路径中航迹点数量。
S22异常时间间隔切断
计算新航迹路径Trnew相邻两个轨迹点的时间间隔ti，i+1＝(ti+1-ti)/3600，若ti，i+1＞＝2，则将航迹路径从i时刻断开，输出新的轨迹路径
Figure BDA0003362521330000041
重复操作直至所有异常时间间隔被处理，输出航迹路径Trnew2，Trnew2由多条子轨迹路径构成{T1,...,Tj,...,Tk}，/>
Figure BDA0003362521330000042
k为子轨迹的数目，xj，i为第j条子轨迹中的第i个轨迹点，nj为第j条子轨迹的轨迹点数目。
S23异常位置判断
分别计算航迹路径Trnew2中各子轨迹的相邻两个轨迹点构成线段的平均速度
Figure BDA0003362521330000051
其中tj；i，i+1为第j个子轨迹的第i个轨迹点与第i+1个轨迹点之间的时间间隔，dj；i，i+1为第j个子轨迹的第i个轨迹点与第i+1个轨迹点之间的轨迹线段距离。若Vj；i，i+1＞20，则判断轨迹点xj，i+1异常位置点。
S24异常位置处理(如图4)
若xj,i+1判断异常位置轨迹点，计算xj，i,xj，i+2两个航迹点相连构成新的轨迹线段平均速度Vj；i，i+2，若Vj；i，i+2＜＝20则认为异常位置xj,i可以弥补，剔除航迹点xj,i；若Vj；i，i+2＞20，则认为异常位置xj,i无法弥补，将航迹路径从xj,i断开，并剔除xj,i。重复操作，直至所有异常位置轨迹点被处理，输出最终航迹路径Trnew3，Trnew3由多条子轨迹构成{T1,...,Tj,...,Tm}，Tj＝{xj，1,...xj，i,...xj，nj}，xj，i为第j条子轨迹中的第i个轨迹点，m为子轨迹的数目，nj为第j条子轨迹的数目。
S25有效轨迹片段提取
输入S24步骤得到航迹路径Trnew3，计算各轨迹片段的持续时间Durj，剔除Durj＜20min的子轨迹，得到有效的轨迹路径Trfinal，Trfinal由多条子轨迹构成{T1,...,Tj,...,Tfinal}，
Figure BDA0003362521330000052
xji为第j条子轨迹中的第i个轨迹点，final为子轨迹的数目，nj为第j条子轨迹的数目。
S3.分别对有效航迹路径Trfinal中各条子轨迹进行基于经纬度信息进行第一层次聚类，用DBSCAN算法辨识出施工区；所述DBSCAN算法如下(见图7)：
S31预先设置核心对象条件，即在半径为r的邻域范围内至少包含MinPts个轨迹点，r取所有轨迹点的之间的距离的中位数，MinPts取5；
S32任意选择一个未访问的轨迹点p，标记轨迹点p为“已访问”，并检查轨迹点p是否满足条件：以轨迹点p为中心，半径为r的邻域范围内，是否包含至少MinPts个轨迹点，如果条件不满足则将轨迹点p标记为噪声；如果条件满足则将轨迹点p称为核心对象，进入下一步；
S33以轨迹点p为中心创建一个新的簇C，并将轨迹点p的邻域范围内所有
点加入“候选集N”；
S34对候选集N中所有尚未处理的轨迹点q进行判断，检查其在半径为r的邻域范围内是否包含至少MinPts个轨迹点，如果是则将轨迹点q的r邻域中未归入任何一簇的轨迹点加入簇C，如果不是则从“候选集N”中移除；
重复步骤S34，继续检查“候选集N”中未处理的轨迹点，直至所有轨迹点被处理；
重复步骤S32-S35，直至所有的轨迹点归入了某个簇或者标记未噪声，最后输出“施工区轨的轨迹”簇。
S4.对S3步骤中识别出的“施工区域的轨迹”簇，基于速度信息进行第二层次聚类，用GMM聚类算法将轨迹点聚为3簇，举例而非限定，本实施例将平均速度低速(0-1节)的簇辨识为“抛泥轨迹”，平均速度中速(1-4节)的簇辨识为“装舱轨迹”，平均速度高速(>4节)的簇辨识为“往返于抛泥区和装舱区轨迹”。具体步骤如下：
输入S3步骤中识别出的施工区域的轨迹和高斯混合成分的个数C，C设为3.
S41初始化高斯混合分布的模型参数(πk，μk,σk),πk代表第k高斯成分的混合权重；μk代表速度均值；σk代表速度标准差；
S42计算各个轨迹点属于各高斯成分的后验概率：
Figure BDA0003362521330000061
其中gk(X；μk,σk)为单高斯分布函数；
S43选取S42步骤中后验概率最大的簇所为判决结果并输出k个样本簇，并更新模型参数
Figure BDA0003362521330000062
Figure BDA0003362521330000071
Figure BDA0003362521330000072
Figure BDA0003362521330000073
其中Nk是属于k簇的轨迹点数；N所有轨迹点数；xkn是k簇第n个轨迹点速度。
重复S42、S43步骤，直至所有的参数收敛，输出“抛泥轨迹”、“装舱轨迹”、“往返于抛泥区和装舱区轨迹”三个簇。
S5.对S4步骤中识别出的“往返于抛泥区和装舱区”簇，进行基于航向的第三层次聚类，再次采用所述GMM聚类算法将轨迹点聚为2个簇，航向平均值与“装舱”轨迹的航向平均值接近的簇识别为“往抛泥区”轨迹”，航向平均值与“装舱”轨迹的航向平均值相差较大的簇识别为“往抛泥区”轨迹”。
S6.对所有簇进行重新打标签，分别为：装舱轨迹、往抛泥区轨迹、返装舱区轨迹、抛泥轨迹，作为实施例聚类最终结果如图8所示。
本发明提供的基于航迹数据的耙吸挖泥船施工轨迹识别方法采用多参数分层聚类算法，相比较于传统的多参数一次聚类算法减小了时间的消耗，同时解决了一次聚类多参数权重设置困难的问题，具有较好的鲁棒性和适应性，对耙吸挖泥船的轨迹也进行了精准分类，可精准识别出耙吸挖泥船的装舱行为、抛泥行为、往抛泥区航行行为、返装舱区航行行为，可有效的减少乱抛、乱倒行为的发生，为疏浚船舶操作人员和岸端管理人员提供决策依据，从而有助于实现耙吸船疏浚工程船岸一体化管理。
上述描述仅是对本申请较佳实施例的描述，并非是对本申请范围的任何限定。任何熟悉该领域的普通技术人员根据上述揭示的技术内容做出的任何变更或修饰均应当视为等同的有效实施例，均属于本申请技术方案保护的范围。

Claims (6)

1.一种基于航迹数据的耙吸挖泥船施工轨迹识别方法，其特征在于，包括如下步骤：
S1.从航迹数据库中提取耙吸船的航迹数据；
S2.对航迹数据进行预处理；
S3.基于经纬度信息进行第一层次聚类，用DBSCAN算法辨识出施工区；
S4.对处于施工区的轨迹进行基于速度特征的第二层次聚类，用GMM算法辨识出“装舱”、“在抛泥区与装舱区之间往返”、“抛泥”这三种行为轨迹；
S5.对所述“在抛泥区与装舱区之间往返”行为轨迹进行基于航向特征的第三层次聚类，用GMM算法辨识出“往抛泥区”、“返装舱区”轨迹；
S6.对所有具有施工行为的簇进行重新打标签，分别为：装舱轨迹、往抛泥区轨迹、返装舱区轨迹、抛泥轨迹。
2.如权利要求1所述一种基于航迹数据的耙吸挖泥船施工轨迹识别方法，其特征在于，所述S1步骤为：从航迹数据库中提取某耙吸船一段时期的航迹数据，将所有航迹点串联生成一条完整的航迹路径Tr，Tr为航迹点按时间顺序排列的轨迹点集合{x1，...xi，...xn}，其中，xi＝(loni,lati,sogi,cogi,ti)，loni为第i个航迹点的经度，lati为第i个航迹点的纬度，sogi为第i个航迹点的速度，cogi为第i个航迹点的航向，ti为通过第i个航迹点的时刻，n为该耙吸船航迹点数量。
3.如权利要求2所述一种基于航迹数据的耙吸挖泥船施工轨迹识别方法，其特征在于，所述步骤S2包括以下步骤：
S21异常值过滤
对航迹路径Tr中，对任一时刻，若sogi>20或者cogi<0或者cogi>360的异常航迹点xi进行剔除，形成新航迹路径Trnew，Trnew为剔除异常轨迹点后按时间顺序排列的轨迹点集合
Figure QLYQS_1
其中nnew为新航迹路径中航迹点数量；
S22异常时间间隔切断
计算新航迹路径Trnew相邻两个轨迹点的时间间隔ti，i+1＝(ti+1-ti)/3600，若ti，i+1>＝2，则将航迹路径从i时刻断开，输出新的轨迹路径
Figure QLYQS_2
Figure QLYQS_3
重复操作直至所有异常时间间隔被处理，输出航迹路径Trnew2，Trnew2由多条子轨迹路径构成{T1,...,Tj,...,Tk}，/>
Figure QLYQS_4
Figure QLYQS_5
k为子轨迹的数目，xj，i为第j条子轨迹中的第i个轨迹点，nj为第j条子轨迹的轨迹点数目；
S23异常位置判断
分别计算航迹路径Trnew2中各子轨迹的相邻两个轨迹点构成线段的平均速度
Figure QLYQS_6
其中tj；i，i+1为第j个子轨迹的第i个轨迹点与第i+1个轨迹点之间的时间间隔，dj；i，i+1为第j个子轨迹的第i个轨迹点与第i+1个轨迹点之间的轨迹线段距离；若Vj；i，i+1>20，则判断轨迹点xj，i+1为异常位置点；
S24异常位置处理
若xj,i+1判断为异常位置轨迹点，计算xj，i,xj，i+2两个航迹点相连构成新的轨迹线段平均速度Vj；i，i+2，若Vj；i，i+2<＝20则认为异常位置xj,i可以弥补，剔除航迹点xj,i；若Vj；i，i+2>20，则认为异常位置xj,i无法弥补，将航迹路径从xj,i断开，并剔除xj,i；重复操作，直至所有异常位置轨迹点被处理，输出最终航迹路径Trnew3，Trnew3由多条子轨迹构成{T1,...,Tj,...,Tm}，
Figure QLYQS_7
Figure QLYQS_8
xj，i为第j条子轨迹中的第i个轨迹点，m为子轨迹的数目，nj为第j条子轨迹的数目；
S25有效轨迹片段提取
输入S24步骤得到航迹路径Trnew3，计算各轨迹片段的持续时间Druj，剔除Druj<20min的子轨迹，得到有效的轨迹路径Trfinal，Trfinal由多条子轨迹构成{T1,...,Tj,...,Tfinal}，
Figure QLYQS_9
xj,i为第j条子轨迹中的第i个轨迹点，final为子轨迹的数目，nj为第j条子轨迹的数目。
4.如权利要求3所述一种基于航迹数据的耙吸挖泥船施工轨迹识别方法，其特征在于，所述步骤S3为：对有效航迹路径Trfinal中各条子轨迹进行基于经纬度信息进行第一层次聚类，用DBSCAN算法辨识出施工区；所述DBSCAN算法包括以下步骤：
S31预先设置核心对象条件，即在半径为r的邻域范围内至少包含MinPts个轨迹点，r取所有轨迹点的之间的距离的中位数，MinPts取5；
S32任意选择一个未访问的轨迹点p，标记轨迹点p为“已访问”，并检查轨迹点p是否满足条件：以轨迹点p为中心，半径为r的邻域范围内，是否包含至少MinPts个轨迹点，如果条件不满足则将轨迹点p标记为噪声；如果条件满足则将轨迹点p称为核心对象，进入下一步；
S33以轨迹点p为中心创建一个新的簇C，并将轨迹点p的邻域范围内所有点加入“候选集N”；
S34对候选集N中所有尚未处理的轨迹点q进行判断，检查其在半径为r的邻域范围内是否包含至少MinPts个轨迹点，如果是则将轨迹点q的r邻域中未归入任何一簇的轨迹点加入簇C，如果不是则从“候选集N”中移除；
重复步骤S34，继续检查“候选集N”中未处理的轨迹点，直至所有轨迹点被处理；
重复步骤S32-S34，直至所有的轨迹点归入了某个簇或者标记为噪声，最后输出“施工区域的轨迹”簇。
5.如权利要求1所述一种基于航迹数据的耙吸挖泥船施工轨迹识别方法，其特征在于，所述步骤S4为：对S3步骤中识别出的“施工区域的轨迹”簇，基于速度信息进行第二层次聚类，用GMM聚类算法将轨迹点聚为3簇，将平均速度低速的簇辨识为“抛泥轨迹”，低速是指速度为0-1节；将平均速度中速的簇辨识为“装舱轨迹”，中速是指速度为1-4节；将平均速度高速的簇辨识为“往返于抛泥区和装舱区轨迹”，高速是指速度为>4节；具体步骤如下：
输入S3步骤中识别出的施工区域的轨迹和高斯混合成分的个数C，C设为3；
S41初始化高斯混合分布的模型参数(πk，μk,σk),πk代表第k高斯成分的混合权重；μk代表速度均值；σk代表速度标准差；
S42计算各个轨迹点属于各高斯成分的后验概率：
Figure QLYQS_10
Figure QLYQS_11
其中gk(X；μk,σk)为单高斯分布函数；
S43选取S42步骤中后验概率最大的簇所为判决结果并输出k个样本簇，并更新模型参数
Figure QLYQS_12
Figure QLYQS_13
Figure QLYQS_14
Figure QLYQS_15
其中Nk是属于k簇的轨迹点数；N所有轨迹点数；xkn是k簇第n个轨迹点速度；
重复S42、S43步骤，直至所有的参数收敛，输出“抛泥轨迹”、“装舱轨迹”、“往返于抛泥区和装舱区轨迹”三个簇。
6.如权利要求1所述一种基于航迹数据的耙吸挖泥船施工轨迹识别方法，其特征在于，所述步骤S5中，对S4步骤中识别出的“往返于抛泥区和装舱区”簇，进行基于航向的第三层次聚类，再次采用所述GMM聚类算法将轨迹点聚为2个簇，航向平均值与“装舱”轨迹的航向平均值接近的簇识别为“往抛泥区”轨迹”，航向平均值与“装舱”轨迹的航向平均值相差较大的簇识别为“往抛泥区”轨迹”。
CN202111371544.5A 2021-11-18 2021-11-18 一种基于航迹数据的耙吸挖泥船施工轨迹识别方法 Active CN114118243B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111371544.5A CN114118243B (zh) 2021-11-18 2021-11-18 一种基于航迹数据的耙吸挖泥船施工轨迹识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111371544.5A CN114118243B (zh) 2021-11-18 2021-11-18 一种基于航迹数据的耙吸挖泥船施工轨迹识别方法

Publications (2)

Publication Number Publication Date
CN114118243A CN114118243A (zh) 2022-03-01
CN114118243B true CN114118243B (zh) 2023-07-07

Family

ID=80397667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111371544.5A Active CN114118243B (zh) 2021-11-18 2021-11-18 一种基于航迹数据的耙吸挖泥船施工轨迹识别方法

Country Status (1)

Country Link
CN (1) CN114118243B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115392407B (zh) * 2022-10-28 2023-03-24 中建五局第三建设有限公司 基于无监督学习的危险源预警方法、装置、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543715A (zh) * 2018-10-23 2019-03-29 武汉理工大学 一种船舶航路提取以及航迹偏离检测的方法
CN110309383A (zh) * 2019-06-17 2019-10-08 武汉科技大学 基于改进的dbscan算法的船舶轨迹聚类分析方法
CN111985529A (zh) * 2020-07-06 2020-11-24 东南大学 一种船舶ais轨迹混合聚类方法及系统
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

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104899263B (zh) * 2015-05-22 2018-01-26 华中师范大学 一种基于特定区域的船舶轨迹挖掘分析与监控方法
CN106898180B (zh) * 2017-03-14 2019-07-05 中交疏浚技术装备国家工程研究中心有限公司 耙吸船模拟仿真系统
CN110363115B (zh) * 2019-06-28 2021-10-15 上海交通大学 基于ais轨迹数据的船舶作业异常半监督实时检测方法
GB2590115B (en) * 2019-09-13 2023-12-06 Motional Ad Llc Extended object tracking using radar
CN112862156B (zh) * 2021-01-08 2022-11-04 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
CN113032378B (zh) * 2021-03-05 2024-07-19 北京工业大学 一种基于聚类算法和模式挖掘的船舶行为模式挖掘方法
CN113553682B (zh) * 2021-07-12 2022-09-06 大连海事大学 一种数据驱动的多层次船舶航路网络构建方法
CN113537386B (zh) * 2021-08-01 2024-05-10 大连海事大学 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543715A (zh) * 2018-10-23 2019-03-29 武汉理工大学 一种船舶航路提取以及航迹偏离检测的方法
CN110309383A (zh) * 2019-06-17 2019-10-08 武汉科技大学 基于改进的dbscan算法的船舶轨迹聚类分析方法
CN111985529A (zh) * 2020-07-06 2020-11-24 东南大学 一种船舶ais轨迹混合聚类方法及系统
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

Also Published As

Publication number Publication date
CN114118243A (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
CN113032502B (zh) 一种基于改进轨迹段dbscan聚类的船舶异常检测方法
CN113553682B (zh) 一种数据驱动的多层次船舶航路网络构建方法
CN107133974B (zh) 高斯背景建模与循环神经网络相结合的车型分类方法
CN111179638B (zh) 一种基于时间序列的船舶ais目标航行监控方法
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
CN110363115A (zh) 基于ais轨迹数据的船舶作业异常半监督实时检测方法
CN113450596A (zh) 基于船舶轨迹特征点提取的时空dp方法
CN114385765B (zh) 一种基于航迹数据的耙吸挖泥船生产时间预估方法
CN113032378B (zh) 一种基于聚类算法和模式挖掘的船舶行为模式挖掘方法
CN114118243B (zh) 一种基于航迹数据的耙吸挖泥船施工轨迹识别方法
Cao et al. PCA-based hierarchical clustering of AIS trajectories with automatic extraction of clusters
Dong et al. Two-staged method for ice channel identification based on image segmentation and corner point regression
CN116608861A (zh) 一种船舶航迹行为异常检测方法、系统、装置及存储介质
CN108093213B (zh) 一种基于视频监控的目标轨迹模糊数据融合方法
Lu et al. Shape-based vessel trajectory similarity computing and clustering: A brief review
Eljabu et al. Spatial clustering method of historical ais data for maritime traffic routes extraction
Hadi et al. Achieving fuel efficiency of harbour craft vessel via combined time-series and classification machine learning model with operational data
CN114882293A (zh) 基于ais数据特征优选的随机森林船舶目标分类方法
CN113128584B (zh) 一种多功能雷达脉冲序列的模式级无监督分选方法
Wang et al. Classification of ship trajectories by using naive Bayesian algorithm
Dorrani Traffic Scene Analysis and Classification using Deep Learning
Xia et al. Analysis of vessel anomalous behavior based on Bayesian recurrent neural network
CN117648592A (zh) 基于改进dbscan的船舶会遇识别方法和系统
CN117312846A (zh) 一种基于卷积神经网络的船舶异常告警与预警方法
Chen et al. Travel time prediction on urban networks based on combining rough set with support vector machine

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