CN114139642A - 联合船舶行程语义对象与图论理论的船舶航线提取方法 - Google Patents
联合船舶行程语义对象与图论理论的船舶航线提取方法 Download PDFInfo
- Publication number
- CN114139642A CN114139642A CN202111476720.1A CN202111476720A CN114139642A CN 114139642 A CN114139642 A CN 114139642A CN 202111476720 A CN202111476720 A CN 202111476720A CN 114139642 A CN114139642 A CN 114139642A
- Authority
- CN
- China
- Prior art keywords
- ship
- track
- point
- stay
- 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.)
- Pending
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
-
- 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Library & Information Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种联合船舶行程语义对象与图论理论的船舶航线提取方法,适用于船舶信息检测。在综合考虑船舶活动的时空制约条件,生成船舶主要交通模式的航行路线表征真实世界的航道,以船舶活动的规律和特征来指导AIS数据的分析和信息挖掘,建立“停留‑航路‑停留”的船舶行程语义模型,实现时空轨迹向语义轨迹的提取。本方法基于图论理论,将AIS数据中记载的海运航线看作是特征点以及连接线的组成,进行大区域海运交通航线的快速提取和低维表征,实现适应大范围海域中船舶航线简单、有效地提取。
Description
技术领域
本发明涉及一种船舶交通航线提取方法,具体涉及一种联合船舶行程语义对象与图论理论的船舶航线提取方法。
背景技术
船舶航线,又称船舶航道、船舶主航线等,是船舶在港口之间从事货物运输或旅客运输的习惯性航线。船舶轨迹是指单艘船舶航行的具体路线,是一种个体行为;船舶航线是多数船舶共同遵循的航行路线,是一种群体行为,由人们综合燃油效率、水文特征、海上保护区政策、安全威胁等因素规划的船舶最佳航行路线。提取船舶航线本质上属于船舶活动群体模式挖掘,即从大量船舶个体组成的群体中提取共同的活动行为模式。提取船舶航线有助于发现船舶交通模式,揭示船舶航行规律,保障航行安全。船舶自动识别系统(Automatic identification system,AIS)是通过与附近船舶或AIS基站交换信息来识别和定位船舶的自动识别系统。AIS数据是研究船舶运动模式、获取船舶运动行为的理想数据。
现有船舶交通航线提取方法主要分为三类:基于格网的方法、基于矢量的方法、以及基于统计的方法。基于格网的方法是将船舶轨迹数据用格网的方式进行映射,统计每个网格内的轨迹数量来表示船舶交通特征,减少数据存储规模、方便查询和处理。基于矢量的方法多以交通图(节点和线段的组合)形式实现船舶轨迹数据的类型转换,通过提取关键特征点(如停留点、转折点等)和特征点之间的路线对船舶轨迹进行建模,以此感知船舶交通模式。基于统计的方法是对船舶轨迹数据隐含的特征进行统计分析,从而揭示船舶轨迹交通特征规律和知识。
基于格网的方法其基本思想是根据研究区范围以一定大小的网格单元进行划分,并将轨迹数据根据空间位置分配至具有索引号的网格中,统计感兴趣的网格内轨迹点的特征信息,以此提取船舶交通航线(陈金海等,2012;Kim et al.,2014;Vettor and GuedesSoares,2015; Wu et al.,2017)。陈金海等提出了网格化数据库以减少船舶轨迹数据量,方便船舶轨迹数据存储、查询和空间分析的一体化管理(陈金海等,2012)。船舶轨迹数据被投影到结构化的网格单元,这些网格单元中附有船舶各种属性信息的统计结果。通过网格化的数据库,将船舶轨迹对象转化为具有位置、属性的实体(如航行路线、活动密度),以供实际使用。Wu等定义了基于格网的船舶交通密度定量指标,将船舶轨迹数据映射到结构化网格,并根据定量指标计算出每个网格中的船舶交通密度,从而创建了全球航运密度图(Wuet al,2017)。基于格网的方法在船舶轨迹模式挖掘中应用广泛,如通过网格索引的方式管理轨迹数据来减少数据量,便于存储和提高处理效率。此外,还可应用于路线规划、交通热点区域探测等,基于格网法提取船舶交通航线的局限性:需要预先定义网格单元的大小;不适用于大面积区域分析;③受可变面元问题影响。
基于矢量的方法其基本思想是将船舶交通路线看成由航路点(航行特征点)相连组成的矢量折线。通过将特征点或特征线进行聚类处理,如用中心矢量线的形式表示一组具有相同特征点的船舶轨迹,从而在大面积区域甚至全球海域实现船舶轨迹的简化表达和模式挖掘。该类方法中最具代表性的就是Pallotta等提出的面向异常检测的交通路线提取方法(TREAD) (Pallotta et al,2013)。TREAD中航路点被定义为港口或近海平台等静止物体,通过不同航路点之间的连线来表示航线,实现了交通流的预测和船舶行为的异常检测。Kaluza等利用OD 交通流组织船舶航行轨迹,航路点为船舶航行轨迹的起始点和目的地,基于此构建了全球港口之间的航行网络(Kaluza et al,2010)。基于矢量的方法利用航路点和连接航路点之间的交通路线实现对原始船舶轨迹的简化表达,这种节点和连边的形式便于构建交通网络或交通图,并且适用于大面积区域甚至是全球海域的船舶轨迹模式挖掘,基于矢量法提取船舶交通航线的局限性:受限于航路点的提取;对航路点的语义和特征考虑不足,不利于理解船舶行为。
基于统计的方法其基本思想是对船舶交通特征进行统计建模,从而确定感兴趣的交通参数和阈值范围,以此实现船舶轨迹模式的挖掘,常用于区分船舶航行的正常行为和异常行为。 Xiao等利用统计模型定量分析了不同船舶的速度、航向、交通密度、船舶到达时间等特征,实现了船舶行为的知识发现(Xiao et al.,2015)。此外,利用机器学习或深度学习挖掘船舶轨迹模式的方法也可归为基于统计的方法。究其原因是,机器学习或深度学习方法的目的是获取感兴趣的特征分布,这符合基于统计的方法的思想。Natale等使用最大期望算法获取了渔船捕鱼活动的特征分布,从而实现了渔船捕鱼行为和其他行为的分类(Natale et al.,2015)。与之类似,Vespe等使用高斯混合模型识别了渔船捕鱼活动的特征分布(Vespe et al.,2016)。基于统计的方法可以实现船舶轨迹模式特征分布的定量分析,为船舶异常行为检测、交通流预测等提供支持,于统计法提取船舶交通航线的局限性:通常只能提供一些基本特征变量的统计分析来描述船舶轨迹模式,较少考虑语义知识;不便于船舶轨迹模式的可视化表达。
发明内容
针对现有技术的不足之处,提供一种联合船舶行程语义对象与图论理论的船舶航线提取方法,联合船舶行程语义对象与图论理论的船舶交通航线提取技术,将船舶航线看作是航线特征点以及它们之间的连线组成,以海运交通图的形式实现船舶航线的准确提取。
为实现上述技术目的,本发明的一种联合船舶行程语义对象与图论理论的船舶航线提取方法,通过综合考虑船舶活动的时空制约条件:燃油效率、海上保护区政策、安全威胁因素,交通规划政策、船舶操纵行为、水文特征综合作用下的船舶交通特征,生成船舶主要交通模式的航行路线表征真实世界的航道,以船舶活动的规律和特征来指导AIS数据的分析和信息挖掘,建立“停留-航路-停留”的船舶行程语义模型,实现时空轨迹向语义轨迹的转变;基于图论理论,将AIS数据中记载的海运航线看作是特征点以及连接线的组成,进行大区域海运交通航线的快速提取和低维表征,实现适应大范围海域中船舶航运路线简单、有效地提取;
具体步骤如下:
首先针对蕴含大量船舶运动信息的AIS数据,联合地理数据、水深数据识别船舶运动轨迹中的关键特征,构建船舶行程语义对象,增强对船舶轨迹语义信息的理解,其中船舶行程语义对象构建包括停留区和航路区的识别;
然后通过从AIS数据中得到船舶的停留轨迹数据来识别船舶停留区,AIS数据中记录了船舶识别号、速度、经纬度、时间信息,根据船舶识别号区分不同船舶的轨迹,然后按照时间顺序进行排列从而得到每艘船舶在数据采集周期内顺序排列的轨迹点;
通过船舶在航行中进行操纵改变既有的运动行为识别航路区,航路区包括船舶速度和航行方向发生显著变化的区域,以及多发生在海峡之类的转弯区域;从而区分船舶航路区域和停泊区域;
为了使船舶的交通特征更加显著,使用聚类方法将识别出的船舶停留点和航路点聚集成群,突出船舶航行中的普遍选择,即主要的船舶交通航线;
最后基于图论理论利用有向图来表示给定时间内的海上船舶交通结构,从而提取船舶交通航线。
进一步,船舶行程语义对象包括以下组成:
①轨迹,表示为按时间顺序依次相连的时空点,即时序轨迹Tp=(p1,p2,…,pm,pn),pi为船舶在时刻ti的轨迹点,表示为pi=(xi,yi,ti),其中xi与yi表示位置,ti表示时间;
④航路点,用航路点简化运动,表示船只航向和速度都发生变化的运动子轨迹,即航路轨迹Wp=(pk,…,pl),Wp∈Mp;
⑤船舶行程语义对象,表示船舶从一个停留运动至另一个停留,表示船舶从静止到运动再到静止的一个行程,用停留与航路点进行简化表达,即TRp=(Si,M1,…,Mn,Si+1)。
进一步,由于船舶在海洋中停船时并不会保持完全的静止,停船时的速度依然会处于一个较小的速度范围,因此根据船舶识别号来区分不同船舶的轨迹,然后按照时间顺序进行排列就得到每艘船舶在数据采集周期内顺序排列的位置点,AIS数据中记录了船舶识别号、速度、经纬度、时间信息,船舶停留区识别方法步骤如下:
1)识别船舶候选停留点
对于某一船舶的时序轨迹Tp=(p1,p2,…,pn),遍历每艘船舶的轨迹点,判断ti时刻船舶的轨迹点pi是否满足如下条件:
vi<vT,ti-ti-1<tT,disi,i-1<disT#(1)
其中,vi是船舶在ti时刻的瞬时速度,从AIS记录中获取;disi,i-1为ti-1时刻与ti时刻之间船舶的移动距离;vT、tT和disT分别为船舶轨迹点的速度阈值、相邻两个船舶轨迹点的时间间隔阈值和距离阈值;对于轨迹点pi,若满足公式(1),则认为该点是候选停留点,然后将该轨迹点作为第一个候选停留点添加到候选停留轨迹段中;依次遍历轨迹点直至不满足公式(1) 从而完成一个候选停留轨迹段的确定;停留轨迹段是连续停留点组成的时序点集合,即处于静止状态的一段子轨迹,表示为si表示停留轨迹段STi的第i个停留点;继续遍历轨迹点,当后续的轨迹点满足公式(1)时,则开始一个新的候选停留轨迹段。按照上述步骤完成该船舶所有停留点和停留轨迹段的识别,该船舶轨迹中所有停留轨迹段的集合表示为Set_ST=(ST1,ST2,…,STn),STi为第i个船舶停留轨迹段;
2)增强船舶停留点语义信息
由于港口情景具有明显的语义指向性,其蕴含的语义知识能够指导剔除非港口区域的船舶停留点;对于候选船舶停留点si,当船舶停靠位置处的水深小于预设水深阈值,并且在预设范围内与海岸线、道路网邻接,此外该范围内部分面积区域的AIS数据中土地利用类型为不透水面,则认为该候选船舶停留点为真实的船舶在港口区域的停留点;上述判断条件的数学表达式如下:
其中,HS(si)=1表示船舶停留点si发生在港口区域,HS(si)=0表示si不在港口区域;dep(si)为船舶停留点si位置处的水深,通过空间分析查询水深数据中si处的水深值确定,Δdep为水深阈值,buf(si)表示船舶停留点的缓冲区,cline为海岸线,表示船舶停留点si的缓冲区与海岸线相交,rline表示道路,表示船舶停留点si的缓冲区内存在道路,lim为不透水面,area(buf(si)∈lim)表示船舶停留点si的缓冲区内土地利用类型为不透水面的区域的面积,Δarea为不透水面面积阈值,若候选船舶停留点si满足公式(2),则视为真正的船舶在港口区域的停留点,否则认为si不在港口区域,删除该船舶停留点;
3)确定船舶停留轨迹段
由于AIS数据存在漂移现象,会出现将同一个停留轨迹段分成多个小停留轨迹段的情况,因此需要判断候选停留轨迹段集合中的停留轨迹段是否需要合并;根据时空约束规则提出一种基于滑动窗口的逐级合并方法,利用距离阈值和时间阈值实现由数据漂移导致的小停留轨迹段之间的合并,滑动窗口的步长为一个停留轨迹段,即每次比对相邻两个船舶停留轨迹段的时空约束规则是否满足合并的条件,对于同一船舶任意两个时序相邻的候选停留轨迹段STi与STj,其是否需要合并的判断条件如下:
其中,Merge(STi,STj)=1表示船舶候选停留轨迹段STi与STj是同一次停留,应该予以合并成一个停留轨迹段,Merge(STi,STj)=0表示STi与STj不属于同一次停留,保留为两个停留轨迹段,distance(STi,STj)表示STi与STj之间的距离,用STi的中心点与STj的中心点之间的距离来表示,time(STi,STj)表示STi与STj之间的时间间隔,用STj的第一个时序轨迹点的时间减去STi的最后一个时序轨迹点的时间,Δd与Δt分别为判断两个停留轨迹段是否合并的距离阈值和时间间隔阈值;
4)确定最终停留轨迹段
需要通过多个小停留轨迹段合并处理后形成的合并停留轨迹段,包含船舶停留点的数量以及轨迹段的停留时长信息是否处于合理范围从而判断合并停留轨迹段的完整性和合理性,若合并船舶停留段包含停留点数量过少或停留时长过短时,则认为由于数据本身或拥堵导致的异常值,不足以构成真实的船舶在港口区域的停留;通过剔除异常值从而确定准确的停留轨迹段;
合并停留轨迹段ST′i的完整性和合理性的判断条件如下:
Final(ST′i)=1表示该停留轨迹段满足要求,予以保留。Final(ST′i)=0表示该停留轨迹段不满足要求,予以删除,num(ST′i)表示停留轨迹段ST′i包含停留点的数量,stopt(ST′i)表示ST′i的停留时长,用ST′i中最后一个时序轨迹点的时间减去第一个时序轨迹点的时间确定,Δn与Δstopt分别表示判断船舶停留轨迹段完整性和合理性的轨迹点数量阈值和停留时长阈值。
进一步,船舶航路区识别方法步骤如下:
通过航路点来识别船舶的航路区,其中航路点是指船舶在移动中进行操纵改变既有运动行为,其速度和航行方向发生显著变化的移动特征点;
对于一艘船舶的某一条时序排列的移动轨迹Mp=(p1,p2,…,pn),其中pi为该移动轨迹中的第 i个移动点,判断移动轨迹点pi是否为候选航路点的条件如下:
式中,ti与ti+1分别为船舶轨迹点pi和pi+1的时刻。为轨迹点pi到pi+1之间的距离,为船舶在轨迹段航行时的角度,和CT分别为平均航速变化阈值和航行角度变化阈值,若pi满足公式(6),则为最终航路点,基于此,实现船舶航路区的识别。
进一步,采用经典的DBSCAN算法分别对停留点和航路点进行聚类,DBSCAN聚类方法将船舶行程语义对象中的停留点和航路点分别根据DBSCAN算法进行聚类,得到船舶停留点簇和航路点簇,并赋予每个点簇唯一标识,然后用每个点簇中的中心点表示该点簇,利用点簇的唯一标识更新船舶行程语义对象,进而发现海运交通主要航线。
进一步,有向图表示为节点与连边组成的矩阵,G=(N,E),其中N=(S,W),即船舶行程语义对象中的停留点和航路点作为图的节点,表示有向图节点之间的连接关系,根据船舶行程语义对象中停留点和航路点的连接关系获取,海上船舶交通有向图构建的关键是根据船舶行程语义对象建立特征点连接矩阵:
式中,n为所有船舶行程语义对象包含的特征点(停留点或航路点)的数量,ei,j表示从特征点i到特征点j的所有船舶轨迹的数量.G为非对称阵,即ei,j≠ej,i,并且不考虑节点自循环的情况,即G的对角线元素都为0.这样就以简单有向图的形式完成了海运交通网络的构建。
有益效果:
本方法针对海量AIS数据,在丰富位置信息的基础上,引入语义信息,构建船舶行程语义对象,从而使船舶行程简化成停留-移动-停留的语义对象。借助图论理论,将船舶行程语义对象进一步抽象成有向图的节点和连边,构建船舶交通图,得到船舶交通航线、停留区、航路点。相比于现有船舶海上交通航线提取方法,所提方法通过构建船舶行程语义对象使得在大范围、海量AIS数据的航线提取中具有有效性,并且由于基于有向图的船舶交通航线表达形式使得可以分析潜在的船舶交通网络结构以及交通流。
优点:
本方法基于船舶行程语义对象构建技术综合多源数据挖掘船舶轨迹的数据特征和语义知识,构建“停留-移动-停留”的船舶行程语义对象;联合船舶行程语义对象与图论理论的船舶交通航线提取技术。将船舶航线看作是航线特征点(停留点和航路点)以及它们之间的连线组成,以海运交通图的形式实现船舶航线的准确提取。
附图说明
图1为本发明联合船舶行程语义对象与图论理论的船舶航线提取方法步骤示意图。
具体实施方式
下面结合附图对本发明的具体实施例进一步说明:
船舶航线,又称船舶航道、船舶主航线等,是船舶在港口之间从事货物运输或旅客运输的习惯性航线。船舶轨迹是指单艘船舶航行的具体路线,是一种个体行为;船舶航线是多数船舶共同遵循的航行路线,是一种群体行为,由人们综合燃油效率、水文特征、海上保护区政策、安全威胁等因素规划的船舶最佳航行路线。提取船舶航线本质上属于船舶活动群体模式挖掘,即从大量船舶个体组成的群体中提取共同的活动行为模式。提取船舶航线有助于发现船舶交通模式,揭示船舶航行规律,保障航行安全。船舶自动识别系统(Automatic identification system,AIS)是通过与附近船舶或AIS基站交换信息来识别和定位船舶的自动识别系统。AIS数据是研究船舶运动模式、获取船舶运动行为的理想数据。由于船舶运动行为的复杂性、航行路线的空间自由性、以及大范围AIS数据的海量性,如何从AIS数据中实现船舶航运路线简单、有效地提取,尤其是适应大范围海域甚至是全球海域依然是一项具有挑战性的工作。因此,本发明提出一种联合船舶行程语义对象与图论理论的船舶航线提取方法,将船舶航线看作是航线特征点(停留点和航路点)以及它们之间的连线组成,以海运交通图的形式实现船舶航线的准确提取。
如图1所述,本发明的一种联合船舶行程语义对象与图论理论的船舶航线提取方法,通过综合考虑船舶活动的时空制约条件:燃油效率、海上保护区政策、安全威胁因素,交通规划政策、船舶操纵行为、水文特征综合作用下的船舶交通特征,生成船舶主要交通模式的航行路线表征真实世界的航道,以船舶活动的规律和特征来指导AIS数据的分析和信息挖掘,建立“停留-航路-停留”的船舶行程语义模型,实现时空轨迹向语义轨迹的转变;基于图论理论,将AIS数据中记载的海运航线看作是特征点以及连接线的组成,进行大区域海运交通航线的快速提取和低维表征,实现适应大范围海域中船舶航运路线简单、有效地提取;
具体步骤如下:
首先针对蕴含大量船舶运动信息的AIS数据,联合地理数据、水深数据识别船舶运动轨迹中的关键特征,构建船舶行程语义对象,增强对船舶轨迹语义信息的理解,其中船舶行程语义对象构建包括停留区和航路区的识别;
船舶行程语义对象包括:
①轨迹,表示为按时间顺序依次相连的时空点,即时序轨迹Tp=(p1,p2,…,pm,pn),pi为船舶在时刻ti的轨迹点,表示为pi=(xi,yi,ti),其中xi与yi表示位置,ti表示时间;
④航路点,用航路点简化运动,表示船只航向和速度都发生变化的运动子轨迹,即航路轨迹Wp=(pk,…,pl),Wp∈Mp;
⑤船舶行程语义对象,表示船舶从一个停留运动至另一个停留,表示船舶从静止到运动再到静止的一个行程,用停留与航路点进行简化表达,即TRp=(Si,M1,…,Mn,Si+1)。
然后通过从AIS数据中得到船舶的停留轨迹数据来识别船舶停留区,AIS数据中记录了船舶识别号、速度、经纬度、时间信息,根据船舶识别号区分不同船舶的轨迹,然后按照时间顺序进行排列从而得到每艘船舶在数据采集周期内顺序排列的轨迹点;
通过船舶在航行中进行操纵改变既有的运动行为识别航路区,航路区包括船舶速度和航行方向发生显著变化的区域,以及多发生在海峡之类的转弯区域;从而区分船舶航路区域和停泊区域;
由于船舶在海洋中停船时并不会保持完全的静止,停船时的速度依然会处于一个较小的速度范围,因此根据船舶识别号来区分不同船舶的轨迹,然后按照时间顺序进行排列就得到每艘船舶在数据采集周期内顺序排列的位置点,AIS数据中记录了船舶识别号、速度、经纬度、时间信息,船舶停留区识别方法步骤如下:
1)识别船舶候选停留点
对于某一船舶的时序轨迹Tp=(p1,p2,…,pn),遍历每艘船舶的轨迹点,判断ti时刻船舶的轨迹点pi是否满足如下条件:
vi<vT,ti-ti-1<tT,disi,i-1<disR#(1)
其中,vi是船舶在ti时刻的瞬时速度,从AIS记录中获取;disi,i-1为ti-1时刻与ti时刻之间船舶的移动距离;vT、tT和disT分别为船舶轨迹点的速度阈值、相邻两个船舶轨迹点的时间间隔阈值和距离阈值;对于轨迹点pi,若满足公式(1),则认为该点是候选停留点,然后将该轨迹点作为第一个候选停留点添加到候选停留轨迹段中;依次遍历轨迹点直至不满足公式(1) 从而完成一个候选停留轨迹段的确定;停留轨迹段是连续停留点组成的时序点集合,即处于静止状态的一段子轨迹,表示为si表示停留轨迹段STi的第i个停留点;继续遍历轨迹点,当后续的轨迹点满足公式(1)时,则开始一个新的候选停留轨迹段。按照上述步骤完成该船舶所有停留点和停留轨迹段的识别,该船舶轨迹中所有停留轨迹段的集合表示为Set-ST=(ST1,ST2,…,STn),STi为第i个船舶停留轨迹段;
2)增强船舶停留点语义信息
由于港口情景具有明显的语义指向性,其蕴含的语义知识能够指导剔除非港口区域的船舶停留点;对于候选船舶停留点si,当船舶停靠位置处的水深小于预设水深阈值,并且在预设范围内与海岸线、道路网邻接,此外该范围内部分面积区域的AIS数据中土地利用类型为不透水面,则认为该候选船舶停留点为真实的船舶在港口区域的停留点;上述判断条件的数学表达式如下:
其中,HS(si)=1表示船舶停留点si发生在港口区域,HS(si)=0表示si不在港口区域; dep(si)为船舶停留点si位置处的水深,通过空间分析查询水深数据中si处的水深值确定,Δdep为水深阈值,buf(si)表示船舶停留点的缓冲区,cline为海岸线,表示船舶停留点si的缓冲区与海岸线相交,rline表示道路,表示船舶停留点si的缓冲区内存在道路,lim为不透水面,area(buf(si)∈lim)表示船舶停留点si的缓冲区内土地利用类型为不透水面的区域的面积,Δarea为不透水面面积阈值,若候选船舶停留点si满足公式(2),则视为真正的船舶在港口区域的停留点,否则认为si不在港口区域,删除该船舶停留点;
3)确定船舶停留轨迹段
由于AIS数据存在漂移现象,会出现将同一个停留轨迹段分成多个小停留轨迹段的情况,因此需要判断候选停留轨迹段集合中的停留轨迹段是否需要合并;根据时空约束规则提出一种基于滑动窗口的逐级合并方法,利用距离阈值和时间阈值实现由数据漂移导致的小停留轨迹段之间的合并,滑动窗口的步长为一个停留轨迹段,即每次比对相邻两个船舶停留轨迹段的时空约束规则是否满足合并的条件,对于同一船舶任意两个时序相邻的候选停留轨迹段STi与STj,其是否需要合并的判断条件如下:
其中,Merge(STi,STj)=1表示船舶候选停留轨迹段STi与STj是同一次停留,应该予以合并成一个停留轨迹段,Merge(STi,STj)=0表示STi与STj不属于同一次停留,保留为两个停留轨迹段,distance(STi,STj)表示STi与STj之间的距离,用STi的中心点与STj的中心点之间的距离来表示,time(STi,STj)表示STi与STj之间的时间间隔,用STj的第一个时序轨迹点的时间减去STi的最后一个时序轨迹点的时间,Δd与Δt分别为判断两个停留轨迹段是否合并的距离阈值和时间间隔阈值;
4)确定最终停留轨迹段
需要通过多个小停留轨迹段合并处理后形成的合并停留轨迹段,包含船舶停留点的数量以及轨迹段的停留时长信息是否处于合理范围从而判断合并停留轨迹段的完整性和合理性,若合并船舶停留段包含停留点数量过少或停留时长过短时,则认为由于数据本身或拥堵导致的异常值,不足以构成真实的船舶在港口区域的停留;通过剔除异常值从而确定准确的停留轨迹段;
合并停留轨迹段ST′i的完整性和合理性的判断条件如下:
Final(ST′′)=1表示该停留轨迹段满足要求,予以保留。Final(ST′i)=0表示该停留轨迹段不满足要求,予以删除,num(ST′i)表示停留轨迹段ST′i包含停留点的数量,stopt(STii)表示ST′i的停留时长,用ST′i中最后一个时序轨迹点的时间减去第一个时序轨迹点的时间确定,Δn与Δstopt分别表示判断船舶停留轨迹段完整性和合理性的轨迹点数量阈值和停留时长阈值。
船舶航路区识别方法步骤如下:
通过航路点来识别船舶的航路区,其中航路点是指船舶在移动中进行操纵改变既有运动行为,其速度和航行方向发生显著变化的移动特征点;
对于一艘船舶的某一条时序排列的移动轨迹Mp=(p1,p2,…,pn),其中pi为该移动轨迹中的第 i个移动点,判断移动轨迹点pi是否为候选航路点的条件如下:
式中,ti与ti+1分别为船舶轨迹点pi和pi+1的时刻。为轨迹点pi到pi+1之间的距离,为船舶在轨迹段航行时的角度,和CT分别为平均航速变化阈值和航行角度变化阈值,若pi满足公式(6),则为最终航路点,基于此,实现船舶航路区的识别。
为了使船舶的交通特征更加显著,使用聚类方法将识别出的船舶停留点和航路点聚集成群,突出船舶航行中的普遍选择,即主要的船舶交通航线;
采用经典的DBSCAN算法分别对停留点和航路点进行聚类,DBSCAN聚类方法将船舶行程语义对象中的停留点和航路点分别根据DBSCAN算法进行聚类,得到船舶停留点簇和航路点簇,并赋予每个点簇唯一标识,然后用每个点簇中的中心点表示该点簇,利用点簇的唯一标识更新船舶行程语义对象,进而发现海运交通主要航线。
最后基于图论理论利用有向图来表示给定时间内的海上船舶交通结构,从而提取船舶交通航线。
有向图表示为节点与连边组成的矩阵,G=(N,E),其中N=(S,W),即船舶行程语义对象中的停留点和航路点作为图的节点,表示有向图节点之间的连接关系,根据船舶行程语义对象中停留点和航路点的连接关系获取,海上船舶交通有向图构建的关键是根据船舶行程语义对象建立特征点连接矩阵:
式中,n为所有船舶行程语义对象包含的特征点(停留点或航路点)的数量,ei,j表示从特征点i到特征点j的所有船舶轨迹的数量.G为非对称阵,即ei,j≠ej,i,并且不考虑节点自循环的情况,即G的对角线元素都为0.这样就以简单有向图的形式完成了海运交通网络的构建。
Claims (6)
1.一种联合船舶行程语义对象与图论理论的船舶航线提取方法,其特征在于:通过综合考虑船舶活动的时空制约条件:燃油效率、海上保护区政策、安全威胁因素,交通规划政策、船舶操纵行为、水文特征综合作用下的船舶交通特征,生成船舶主要交通模式的航行路线表征真实世界的航道,以船舶活动的规律和特征来指导AIS数据的分析和信息挖掘,建立“停留-航路-停留”的船舶行程语义模型,实现时空轨迹向语义轨迹的转变;基于图论理论,将AIS数据中记载的海运航线看作是特征点以及连接线的组成,进行大区域海运交通航线的快速提取和低维表征,实现适应大范围海域中船舶航运路线简单、有效地提取;
具体步骤如下:
首先针对蕴含大量船舶运动信息的AIS数据,联合地理数据、水深数据识别船舶运动轨迹中的关键特征,构建船舶行程语义对象,增强对船舶轨迹语义信息的理解,其中船舶行程语义对象构建包括停留区和航路区的识别;
然后通过从AIS数据中得到船舶的停留轨迹数据来识别船舶停留区,AIS数据中记录了船舶识别号、速度、经纬度、时间信息,根据船舶识别号区分不同船舶的轨迹,然后按照时间顺序进行排列从而得到每艘船舶在数据采集周期内顺序排列的轨迹点;
通过船舶在航行中进行操纵改变既有的运动行为识别航路区,航路区包括船舶速度和航行方向发生显著变化的区域,以及多发生在海峡之类的转弯区域;从而区分船舶航路区域和停泊区域;
为了使船舶的交通特征更加显著,使用聚类方法将识别出的船舶停留点和航路点聚集成群,突出船舶航行中的普遍选择,即主要的船舶交通航线;
最后基于图论理论利用有向图来表示给定时间内的海上船舶交通结构,从而提取船舶交通航线。
2.根据权利要求1所述的联合船舶行程语义对象与图论理论的船舶航线提取方法,其特征在于船舶行程语义对象包括以下组成:
①轨迹,表示为按时间顺序依次相连的时空点,即时序轨迹Tp=(p1,p2,…,pm,pn),pi为船舶在时刻ti的轨迹点,表示为pi=(xi,yi,ti),其中xi与yi表示位置,ti表示时间;
④航路点,用航路点简化运动,表示船只航向和速度都发生变化的运动子轨迹,即航路轨迹Wp=(pk,…,pl),Wp∈Mp;
⑤船舶行程语义对象,表示船舶从一个停留运动至另一个停留,表示船舶从静止到运动再到静止的一个行程,用停留与航路点进行简化表达,即TRp=(Si,M1,…,Mn,St+1)。
3.根据权利要求1所述的联合船舶行程语义对象与图论理论的船舶航线提取方法,其特征在于:由于船舶在海洋中停船时并不会保持完全的静止,停船时的速度依然会处于一个较小的速度范围,因此根据船舶识别号来区分不同船舶的轨迹,然后按照时间顺序进行排列就得到每艘船舶在数据采集周期内顺序排列的位置点,AIS数据中记录了船舶识别号、速度、经纬度、时间信息,船舶停留区识别方法步骤如下:
1)识别船舶候选停留点
对于某一船舶的时序轨迹Tp=(p1,p2,…,pn),遍历每艘船舶的轨迹点,判断ti时刻船舶的轨迹点pi是否满足如下条件:
vi<vT,ti-ti-1<tT,disi,i-1<disT#(1)
其中,vi是船舶在ti时刻的瞬时速度,从AIS记录中获取;disi,i-1为ti-1时刻与ti时刻之间船舶的移动距离;vT、tT和disT分别为船舶轨迹点的速度阈值、相邻两个船舶轨迹点的时间间隔阈值和距离阈值;对于轨迹点pi,若满足公式(1),则认为该点是候选停留点,然后将该轨迹点作为第一个候选停留点添加到候选停留轨迹段中;依次遍历轨迹点直至不满足公式(1)从而完成一个候选停留轨迹段的确定;停留轨迹段是连续停留点组成的时序点集合,即处于静止状态的一段子轨迹,表示为STi=(s1,s2,…,sm),m≤n,si表示停留轨迹段STi的第i个停留点;继续遍历轨迹点,当后续的轨迹点满足公式(1)时,则开始一个新的候选停留轨迹段。按照上述步骤完成该船舶所有停留点和停留轨迹段的识别,该船舶轨迹中所有停留轨迹段的集合表示为Set_ST=(ST1,ST2,…,STn),STi为第i个船舶停留轨迹段;
2)增强船舶停留点语义信息
由于港口情景具有明显的语义指向性,其蕴含的语义知识能够指导剔除非港口区域的船舶停留点;对于候选船舶停留点si,当船舶停靠位置处的水深小于预设水深阈值,并且在预设范围内与海岸线、道路网邻接,此外该范围内部分面积区域的AIS数据中土地利用类型为不透水面,则认为该候选船舶停留点为真实的船舶在港口区域的停留点;上述判断条件的数学表达式如下:
其中,HS(si)=1表示船舶停留点si发生在港口区域,HS(si)=0表示si不在港口区域;dep(si)为船舶停留点si位置处的水深,通过空间分析查询水深数据中si处的水深值确定,Δdep为水深阈值,buf(si)表示船舶停留点的缓冲区,cline为海岸线,表示船舶停留点si的缓冲区与海岸线相交,rline表示道路,表示船舶停留点si的缓冲区内存在道路,lim为不透水面,area(buf(si)∈lim)表示船舶停留点si的缓冲区内土地利用类型为不透水面的区域的面积,Δarea为不透水面面积阈值,若候选船舶停留点si满足公式(2),则视为真正的船舶在港口区域的停留点,否则认为si不在港口区域,删除该船舶停留点;
3)确定船舶停留轨迹段
由于AIS数据存在漂移现象,会出现将同一个停留轨迹段分成多个小停留轨迹段的情况,因此需要判断候选停留轨迹段集合中的停留轨迹段是否需要合并;根据时空约束规则提出一种基于滑动窗口的逐级合并方法,利用距离阈值和时间阈值实现由数据漂移导致的小停留轨迹段之间的合并,滑动窗口的步长为一个停留轨迹段,即每次比对相邻两个船舶停留轨迹段的时空约束规则是否满足合并的条件,对于同一船舶任意两个时序相邻的候选停留轨迹段STi与STj,其是否需要合并的判断条件如下:
其中,Merge(STi,STj)=1表示船舶候选停留轨迹段STi与STj是同一次停留,应该予以合并成一个停留轨迹段,Merge(STi,STj)=0表示STi与STj不属于同一次停留,保留为两个停留轨迹段,distance(STi,STj)表示STi与STj之间的距离,用STi的中心点与STj的中心点之间的距离来表示,time(STi,STj)表示STi与STj之间的时间间隔,用STj的第一个时序轨迹点的时间减去STi的最后一个时序轨迹点的时间,Δd与Δt分别为判断两个停留轨迹段是否合并的距离阈值和时间间隔阈值;
4)确定最终停留轨迹段
需要通过多个小停留轨迹段合并处理后形成的合并停留轨迹段,包含船舶停留点的数量以及轨迹段的停留时长信息是否处于合理范围从而判断合并停留轨迹段的完整性和合理性,若合并船舶停留段包含停留点数量过少或停留时长过短时,则认为由于数据本身或拥堵导致的异常值,不足以构成真实的船舶在港口区域的停留;通过剔除异常值从而确定准确的停留轨迹段;
合并停留轨迹段ST′i的完整性和合理性的判断条件如下:
Final(ST′i)=1表示该停留轨迹段满足要求,予以保留。Final(ST′i)=0表示该停留轨迹段不满足要求,予以删除,num(ST′i)表示停留轨迹段ST′i包含停留点的数量,stopt(ST′i)表示ST′i的停留时长,用ST′i中最后一个时序轨迹点的时间减去第一个时序轨迹点的时间确定,Δn与Δstopt分别表示判断船舶停留轨迹段完整性和合理性的轨迹点数量阈值和停留时长阈值。
4.根据权利要求1所述的联合船舶行程语义对象与图论理论的船舶航线提取方法,其特征在于船舶航路区识别方法步骤如下:
通过航路点来识别船舶的航路区,其中航路点是指船舶在移动中进行操纵改变既有运动行为,其速度和航行方向发生显著变化的移动特征点;
对于一艘船舶的某一条时序排列的移动轨迹Mp=(p1,p2,…,pn),其中pi为该移动轨迹中的第i个移动点,判断移动轨迹点pi是否为候选航路点的条件如下:
5.根据权利要求1所述的联合船舶行程语义对象与图论理论的船舶航线提取方法,其特征在于:采用经典的DBSCAN算法分别对停留点和航路点进行聚类,DBSCAN聚类方法将船舶行程语义对象中的停留点和航路点分别根据DBSCAN算法进行聚类,得到船舶停留点簇和航路点簇,并赋予每个点簇唯一标识,然后用每个点簇中的中心点表示该点簇,利用点簇的唯一标识更新船舶行程语义对象,进而发现海运交通主要航线。
6.根据权利要求1所述的联合船舶行程语义对象与图论理论的船舶航线提取方法,其特征在于:有向图表示为节点与连边组成的矩阵,G=(N,E),其中N=(S,W),即船舶行程语义对象中的停留点和航路点作为图的节点,表示有向图节点之间的连接关系,根据船舶行程语义对象中停留点和航路点的连接关系获取,海上船舶交通有向图构建的关键是根据船舶行程语义对象建立特征点连接矩阵:
式中,n为所有船舶行程语义对象包含的特征点(停留点或航路点)的数量,ei,j表示从特征点i到特征点j的所有船舶轨迹的数量.G为非对称阵,即ei,j≠ej,i,并且不考虑节点自循环的情况,即G的对角线元素都为0.这样就以简单有向图的形式完成了海运交通网络的构建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111476720.1A CN114139642A (zh) | 2021-12-06 | 2021-12-06 | 联合船舶行程语义对象与图论理论的船舶航线提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111476720.1A CN114139642A (zh) | 2021-12-06 | 2021-12-06 | 联合船舶行程语义对象与图论理论的船舶航线提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114139642A true CN114139642A (zh) | 2022-03-04 |
Family
ID=80384430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111476720.1A Pending CN114139642A (zh) | 2021-12-06 | 2021-12-06 | 联合船舶行程语义对象与图论理论的船舶航线提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114139642A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115328903A (zh) * | 2022-10-13 | 2022-11-11 | 亿海蓝(北京)数据技术股份公司 | 船舶停留状态识别方法和装置、电子设备和存储介质 |
CN115828120A (zh) * | 2023-02-17 | 2023-03-21 | 山东科技大学 | 船舶交通行为模式自适应识别方法、系统及计算机设备 |
-
2021
- 2021-12-06 CN CN202111476720.1A patent/CN114139642A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115328903A (zh) * | 2022-10-13 | 2022-11-11 | 亿海蓝(北京)数据技术股份公司 | 船舶停留状态识别方法和装置、电子设备和存储介质 |
CN115828120A (zh) * | 2023-02-17 | 2023-03-21 | 山东科技大学 | 船舶交通行为模式自适应识别方法、系统及计算机设备 |
CN115828120B (zh) * | 2023-02-17 | 2023-05-16 | 山东科技大学 | 船舶交通行为模式自适应识别方法、系统及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xin et al. | A simulation model for ship navigation in the “Xiazhimen” waterway based on statistical analysis of AIS data | |
CN110210352A (zh) | 基于航道模型的船舶轨迹异常检测方法 | |
Tsou | Discovering knowledge from AIS database for application in VTS | |
CN104573116B (zh) | 基于出租车gps数据挖掘的交通异常识别方法 | |
CN106383868A (zh) | 一种基于道路网络的时空轨迹聚类方法 | |
CN114139642A (zh) | 联合船舶行程语义对象与图论理论的船舶航线提取方法 | |
CN110188093A (zh) | 一种基于大数据平台针对ais信息源的数据挖掘系统 | |
CN107316501A (zh) | 一种基于网格搜索的支持向量机行程时间预测方法 | |
Tang et al. | Exploring urban travel patterns using density-based clustering with multi-attributes from large-scaled vehicle trajectories | |
Lee et al. | Maritime traffic route detection framework based on statistical density analysis from AIS data using a clustering algorithm | |
CN106899306A (zh) | 一种保持移动特征的车辆轨迹线数据压缩方法 | |
CN114936332A (zh) | 一种风电场水域船舶交通流分析的方法、装置和存储介质 | |
CN104680187A (zh) | 基于缓冲区相似性度量的舰船轨迹层次聚类分析方法 | |
Yang et al. | Maritime traffic flow clustering analysis by density based trajectory clustering with noise | |
Lu et al. | Historical AIS data-driven unsupervised automatic extraction of directional maritime traffic networks | |
CN114550498B (zh) | 一种海量ais数据驱动的船舶偏离航道智能预警系统 | |
CN115456490A (zh) | 一种基于地理信息的渔业资源数据分析方法及系统 | |
Xu et al. | Research on ship trajectory extraction based on multi-attribute DBSCAN optimisation algorithm | |
Lee et al. | Generation of Ship’s passage plan using data-driven shortest path algorithms | |
CN116226403A (zh) | 基于行为特征图谱的船舶动向概率连续预测方法与装置 | |
Li et al. | The parallel and precision adaptive method of marine lane extraction based on QuadTree | |
KR102647224B1 (ko) | 딥 러닝을 위한 이동 경로 임베딩 방법 및 이를 이용한 이동 경로 예측 방법 | |
Graser et al. | Extracting patterns from large movement datasets | |
Asborno et al. | Inland waterway network mapping of AIS data for freight transportation planning | |
Fuentes et al. | A spatial framework for extracting Suez Canal transit information from AIS |
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 |