CN114550498A - 一种海量ais数据驱动的船舶偏离航道智能预警系统 - Google Patents

一种海量ais数据驱动的船舶偏离航道智能预警系统 Download PDF

Info

Publication number
CN114550498A
CN114550498A CN202210037918.8A CN202210037918A CN114550498A CN 114550498 A CN114550498 A CN 114550498A CN 202210037918 A CN202210037918 A CN 202210037918A CN 114550498 A CN114550498 A CN 114550498A
Authority
CN
China
Prior art keywords
channel
ship
traffic flow
points
section
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.)
Granted
Application number
CN202210037918.8A
Other languages
English (en)
Other versions
CN114550498B (zh
Inventor
刘�文
梁茂晗
占洋
苏建龙
张居富
张爽
孟祥昊
焦航
陈卓
任旭杰
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202210037918.8A priority Critical patent/CN114550498B/zh
Publication of CN114550498A publication Critical patent/CN114550498A/zh
Application granted granted Critical
Publication of CN114550498B publication Critical patent/CN114550498B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G3/00—Traffic control systems for marine craft
    • G08G3/02—Anti-collision systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G3/00—Traffic control systems for marine craft
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Remote Sensing (AREA)
  • Pure & Applied Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Mathematical Physics (AREA)
  • Ocean & Marine Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开一种海量AIS数据驱动的船舶偏离航道智能预警系统，包括交通流统计模块、航道边界分析模块和偏离预警模块；所述交通流统计模块，用于提取航路特征点、断面交通流统计及断面交通流拟合；所述航道边界分析模块，用于基于拟合后的交通流曲线确定安全区间，并将安全区间的边界确定为航道边界；所述偏离预警模块，用于对边界确定后的航道进行网格化处理，确认当前轨迹点是否在网格化后的航道内，若否，则基于船舶AIS数据判断当前船舶是否已经驶向其他航道，若是，则进一步判断当前船舶是否已变更航线，若否，则确定当前船舶在原航道的行驶出现了偏离。

Description

一种海量AIS数据驱动的船舶偏离航道智能预警系统
技术领域
本发明涉及船舶航道偏离判定技术领域，具体涉及一种海量AIS数据驱动的船舶偏离航道智能预警系统。
背景技术
随着国家在水路运输领域重大战略决策的出台和实施，水上经济活动日益频繁，引起了国家和地区对水上安全监管的广泛关注，对繁忙水域交通信息感知与处理能力提出了更高要求。
当前，我国水上交通安全监管工作的智能化和自动化水平仍然较低，很多工作仍然需要依靠值班员的个人经验和直觉判断。同时船舶在浅水区及浅海区域经常由于偏离航道而遇到触礁以及搁浅的问题，在一些建有桥梁的水域还会有撞桥的风险，可见，当前水上交通的安全问题不容忽视。而且现阶段引发碰撞事故的主要因素大多数是缺乏对船舶航道偏离的监控预警。
经检索发现，公开号KR1020130131961A的韩国专利于2013年12月4日公开了一种利用AIS数据提供船舶之间的智能碰撞预测信息的方法，包括检测通过船舶自动识别系统(AIS)航行的船舶之间的分离距离，判断船舶是否接近恒定距离的接近程度范围，设定避免碰撞的稳定距离，以及避免信息提供阶段。危险半径设定步骤设定避免船舶在分离距离检测阶段之间进行碰撞的稳定距离或者是否从一级判断步骤的接近度。当导航船舶进入内部具有危险半径配置范围时的回避信息提供阶段给出碰撞风险的警告并且提供偏离内部的互易危险半径配置范围的引导线信息。该专利申请基于实时AIS数据进行碰撞预测，未考虑历史AIS数据对预测结果的影响。
公开号CN110009937A的中国专利于2019年7月12日公开了一种基于AIS数据的船舶碰撞风险分析方法，首先基于历史AIS数据，在标准船舶选取和转换的基础上，采用密度聚类算法建立船舶碰撞风险的热度图，实现船舶碰撞风险的时空可视化；然后基于实时AIS数据，在船位场、航向场和航速场的基础上，构建区域船舶碰撞风险评判模型，运用高斯核函数核密度估计算法提出动态船舶碰撞风险可视方法，实现区域船舶碰撞风险的实时更新。该专利申请基于历史AIS数据得到船舶碰撞风险的时空可视化显示，由驾营人员直观获取船舶所处环境的风险等级，进而提高自己的警觉性以及采取合理的操纵措施，保障了船舶的安全营运。该专利申请虽然考虑了历史AIS数据和实时AIS数据，但是未给出船舶航道偏离的监控预警信息。
公开号CN112164247A的中国专利于2021年1月1日公开了一种基于船舶轨迹聚类的船舶航线预测方法，该方法包括：获取目标船舶在该航道的船舶轨迹数据，并对其中存在的缺失值、异常值及数据格式进行预处理，获得该船舶高质量的历史航线数据集；对该预测船舶的历史航线进行聚类，提取该船舶在控制河段内航行的典型特征航线，将该船舶当前轨迹与特征航线的进行匹配，预测该船舶通过控制河段选择的航线，并基于该预测航线计算船舶通行时间。该专利申请通过对指定船舶当前的航线轨迹与提取历史航线后轨迹聚类并提取的特征航线轨迹进行匹配，来克服船舶航线预测精度低、匹配时间长的问题，但同样未给出船舶航道偏离的监控预警信息。
因此，本发明提出一种基于历史AIS数据和实时AIS数据的预警系统，能够进行船舶航道偏离的监控预警，旨在帮助船员更好地掌握船舶的航行情况和更准确地分析环境存在的风险。
发明内容
为克服上述现有技术的不足，本发明提供一种海量AIS数据驱动的船舶偏离航道智能预警系统，用于实现对航道偏离预警的精准化、智能化。
本发明是通过以下技术方案予以实现的：
一种海量AIS数据驱动的船舶偏离航道智能预警系统，包括交通流统计模块、航道边界分析模块和偏离预警模块；其中，
所述交通流统计模块，用于提取航路特征点、断面交通流统计及断面交通流拟合；
所述航道边界分析模块，用于基于拟合后的交通流曲线确定安全区间，并将安全区间的边界确定为航道边界；
所述偏离预警模块，用于对边界确定后的航道进行网格化处理，确认当前轨迹点是否在网格化后的航道内，若否，则基于船舶AIS数据判断当前船舶是否已经驶向其他航道，若是，则进一步判断当前船舶是否已变更航线，若否，则确定当前船舶在原航道的行驶出现了偏离。
上述技术方案通过所述交通流统计模块基于已提取的航线和高斯函数对交通流进行拟合，通过所述航道边界分析模块基于交通流分布选取区间进行边界确定，通过所述偏离预警模块基于已提取的航道和网格化方法进行船舶偏离的判定和预警，进而实现了航道偏离预警的精准化和智能化。
作为进一步的技术方案，所述提取航路特征点进一步包括：
步骤一：对每一条船舶轨迹Ti首尾两点连成一条直线，求出其余各点到该直线的距离d；这里，利用AIS获得的船舶轨迹表示为轨迹点的集合Ti＝[p1，...，pn]，轨迹点表示为oi＝[lat，lng]，其中lat为纬度，lng表示为经度；
步骤二：选其最大者dmax与阈值D相比较，若dmax＞D，则离该直线距离最大的点保留，否则将直线两端点间各点全部舍去；
步骤三：依据所保留的点，将已知曲线分成两部分处理，重复步骤一和步骤二操作，迭代操作，即仍选距离最大者与阈值比较，依次取舍，直到无点可舍去，最后得到满足给定精度限差的曲线点坐标被认为是该轨迹的特征点，将所有轨迹的特征点构成集合，得到F＝[f1，...，fn]；
步骤四：随机选取F中的任意一个点fi作为待聚类点，找到该待聚类点半径为r的范围内的所有点的集合，定义为CFj，然后找到CFj中所有点半径为r的范围内的所有点，重复迭代，直到该集合CFj内的所有点无法找到新的点时，删除F中已被CFj选中的点，结束该步骤；
步骤五：重复步骤四直至F中没有点，并将CFj中小于M个点的集合定义为噪声。
作为进一步的技术方案，所述断面交通流统计进一步包括：
每个聚类簇CFj的质心定义为节点，对于任意两个节点A(x1，y1)和B(x2，y2)，得到AB间的轴线为：
Figure BDA0003469179070000041
基于已提取到的轴线，选取n个截面进行交通流统计，对于每一个截面，以轴线和截面交点为中心，统计经过该截面的船舶数量，统计结果进一步计算船舶交通流量拟合函数，以降低数据的偶然性，从而获得一个较为准确的航道交通流分布；
断面交通流量统计使用数学求解法对断面交通流量进行统计，其中流量统计步骤如下：
定义航道断面为节点轴线的法线，选取的
Figure BDA0003469179070000042
航道断面的抽象方程表示为：
Figure BDA0003469179070000043
其中，ω表示为：
Figure BDA0003469179070000044
将某条船舶AIS点(lat，lng)均带入航道断面抽象方程得到：
Figure BDA0003469179070000045
如果Tmp＞0则点在断面的左侧，反之在断面的右侧；计算I＝Tmpi×Tmpi+1，i∈(1，N-1)其中N为船舶AIS点的数量，如果存在I＜0则轨迹通过此交通流断面，得到I＜0时，轨迹点位置i，计算船舶轨迹位置方程与断面抽象方程之间的交点xj，yj，航道断面为X轴构建坐标系对船舶交通流量进行统计。
作为进一步的技术方案，所述断面交通流拟合进一步包括：
获得断面交通流统计直方图的坐标(xn，yn)(n＝1，2，3...)，用高斯函数描述为
Figure BDA0003469179070000051
式中，待估计参数xmax，ymax和S分别为高斯曲线的峰值、峰值位置和半宽度信息；上式两边取自然对数，化为
Figure BDA0003469179070000052
令
Figure BDA0003469179070000053
考虑全部试验数据，将上式以矩阵形式表示为
Figure BDA0003469179070000054
简化为
Z＝XB
构建矩阵B的最小二乘法解为
B＝(XTX)-1XTZ得到
Figure BDA0003469179070000061
其中，μ为平均数，σ为标准差，f(x)为高斯函数。
作为进一步的技术方案，所述航道边界分析模块进一步包括：
基于交通流统计模块得到的交通流分布函数曲线，选取函数的95％置信区间作为安全区间，安全区间的边界即确定为航道的边界；超出置信区间的船舶，被认为行驶出现了偏离。
作为进一步的技术方案，所述偏离预警模块进一步包括：基于网格化压缩方法，对提取的航道进行网格化，航道内的网格标志值为1，航道外网格标志为0，以判断当前轨迹点是否在航道内；若当前轨迹点所处的网格标志为1，则说明船舶正常行驶；若所处位置的网格标志为0，则确定该船舶在原航道的行驶出现了偏离。
与现有技术相比，本发明的有益效果在于：与现有技术相比，本发明通过个截面的交通流统计，计算标准差，以降低数据的偶然性，高斯拟合可以使收集到的AIS数据更加直观和便于分析，在不降低数据准确性的前提下，使数据呈现为有规律的曲线，进而便于进行更深层次的分析和处理，提取出有意义的信息。网格化压缩方法提高了计算效率，提供了一种高效准确分析轨迹点位置的方法。本发明可以有效降低船舶行驶时偏离安全航道而出现碰撞，触礁，搁浅等事故的风险，提高船舶的安全性能，减小海上交通事故所带来的损失，值得大力推广。
附图说明
图1为根据本发明实施例的系统工作流程图。
图2为根据本发明实施例的算法流程图。
图3为根据本发明实施例的已提取航道的截面交通流统计结果示意图。
图4为根据本发明实施例利用高斯函数拟合后的曲线图。
图5为根据本发明实施例的安全区间示意图。
具体实施方式
以下将结合附图对本发明各实施例的技术方案进行清楚、完整的描述，显然，所描述发实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
本发明提供一种海量AIS数据驱动的船舶偏离航道智能预警系统。如图1所示，所述系统包括交通流统计模块、航道边界分析模块和偏离预警模块。本发明系统通过所述交通流统计模块基于已提取的航线和高斯函数对交通流进行拟合，通过所述航道边界分析模块基于交通流分布选取区间进行边界确定，通过所述偏离预警模块基于已提取的航道和网格化方法进行船舶偏离的判定和预警，进而实现了航道偏离预警的精准化和智能化。
如图2所示，所述交通流统计模块用于提取航路特征点、断面交通流统计及断面交通流拟合。
所述提取航路特征点进一步包括：
步骤一：对每一条船舶轨迹Ti首尾两点连成一条直线，求出其余各点到该直线的距离d；这里，利用AIS获得的船舶轨迹表示为轨迹点的集合Ti＝[p1，...，pn]，轨迹点表示为pi＝[lat，lng]，其中lat为纬度，lng表示为经度；
步骤二：选其最大者dmax与阈值D相比较，若dmax＞D，则离该直线距离最大的点保留，否则将直线两端点间各点全部舍去；
步骤三：依据所保留的点，将已知曲线分成两部分处理，重复步骤一和步骤二操作，迭代操作，即仍选距离最大者与阈值比较，依次取舍，直到无点可舍去，最后得到满足给定精度限差的曲线点坐标被认为是该轨迹的特征点，将所有轨迹的特征点构成集合，得到F＝[f1，...，fn]；
步骤四：随机选取F中的任意一个点fi作为待聚类点，找到该待聚类点半径为r的范围内的所有点的集合，定义为CFj，然后找到CFj中所有点半径为r的范围内的所有点，重复迭代，直到该集合CFj内的所有点无法找到新的点时，删除F中已被CFj选中的点，结束该步骤；
步骤五：重复步骤四直至F中没有点，并将CFj中小于M个点的集合定义为噪声。
每个聚类簇CFj的质心定义为节点，对于任意两个节点A(x1，y1)和B(x2，y2)，得到AB间的轴线为：
Figure BDA0003469179070000081
所述断面交通流统计进一步包括：基于已提取到的轴线，选取n个截面进行交通流统计，对于每一个截面，以轴线和截面交点为中心，统计经过该截面的船舶数量，统计结果进一步计算船舶交通流量拟合函数，以降低数据的偶然性，从而获得一个较为准确的航道交通流分布。
断面交通流量统计使用数学求解法对断面交通流量进行统计，其中流量统计步骤如下：
定义航道断面为节点轴线的法线，选取的
Figure BDA0003469179070000082
航道断面的抽象方程表示为：
Figure BDA0003469179070000083
其中，ω表示为：
Figure BDA0003469179070000091
将某条船舶AIS点(lat，lng)均带入航道断面抽象方程得到：
Figure BDA0003469179070000092
如果Tmp＞0则点在断面的左侧，反之在断面的右侧；计算I＝Tmpi×Tmpi+1，i∈(1，N-1)其中N为船舶AIS点的数量，如果存在I＜0则轨迹通过此交通流断面，得到I＜0时，轨迹点位置i，计算船舶轨迹位置方程与断面抽象方程之间的交点xj，yj，航道断面为X轴构建坐标系对船舶交通流量进行统计，如图3所示。
所述断面交通流拟合进一步包括：
获得断面交通流统计直方图的坐标(xn，yn)(n＝1，2，3...)，用高斯函数描述为
Figure BDA0003469179070000093
式中，待估计参数xmax，ymax和S分别为高斯曲线的峰值、峰值位置和半宽度信息；上式两边取自然对数，化为
Figure BDA0003469179070000094
令
Figure BDA0003469179070000095
考虑全部试验数据，将上式以矩阵形式表示为
Figure BDA0003469179070000101
简化为
Z＝XB
构建矩阵B的最小二乘法解为
B＝(XTX)-1XTZ
得到
Figure BDA0003469179070000102
其中，μ为平均数，σ为标准差，f(x)为高斯函数。
如图4-5所示，基于交通流统计模块得到的交通流分布函数曲线，选取函数的95％置信区间作为安全区间，安全区间的边界即确定为航道的边界。超出置信区间的船只，则不在该航线的安全区间内，即认为行驶超出了该航道的边界，行驶出现了偏离。
所述偏离预警模块进一步包括：基于网格化压缩方法，对提取的航道进行网格化，航道内的网格标志值为1，航道外网格标志为0，以判断当前轨迹点是否在航道内；若当前轨迹点所处的网格标志为1，则说明船舶正常行驶；若所处位置的网格标志为0，则确定该船舶在原航道的行驶出现了偏离，系统立即发出语音预警。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案。

Claims (6)

1.一种海量AIS数据驱动的船舶偏离航道智能预警系统，其特征在于，包括交通流统计模块、航道边界分析模块和偏离预警模块；其中，
所述交通流统计模块，用于提取航路特征点、断面交通流统计及断面交通流拟合；
所述航道边界分析模块，用于基于拟合后的交通流曲线确定安全区间，并将安全区间的边界确定为航道边界；
所述偏离预警模块，用于对边界确定后的航道进行网格化处理，确认当前轨迹点是否在网格化后的航道内，若否，则基于船舶AIS数据判断当前船舶是否已经驶向其他航道，若是，则进一步判断当前船舶是否已变更航线，若否，则确定当前船舶在原航道的行驶出现了偏离。
2.根据权利要求1所述一种海量AIS数据驱动的船舶偏离航道智能预警系统，其特征在于，所述提取航路特征点进一步包括：
步骤一：对每一条船舶轨迹Ti首尾两点连成一条直线，求出其余各点到该直线的距离d；这里，利用AIS获得的船舶轨迹表示为轨迹点的集合Ti＝[p1，...，pn]，轨迹点表示为pi＝[lat，lng]，其中lat为纬度，lng表示为经度；
步骤二：选其最大者dmax与阈值D相比较，若dmax＞D，则离该直线距离最大的点保留，否则将直线两端点间各点全部舍去；
步骤三：依据所保留的点，将已知曲线分成两部分处理，重复步骤一和步骤二操作，迭代操作，即仍选距离最大者与阈值比较，依次取舍，直到无点可舍去，最后得到满足给定精度限差的曲线点坐标被认为是该轨迹的特征点，将所有轨迹的特征点构成集合，得到F＝[f1，...，fn]；
步骤四：随机选取F中的任意一个点fi作为待聚类点，找到该待聚类点半径为r的范围内的所有点的集合，定义为CFj，然后找到CFj中所有点半径为r的范围内的所有点，重复迭代，直到该集合CFj内的所有点无法找到新的点时，删除F中已被CFj选中的点，结束该步骤；
步骤五：重复步骤四直至F中没有点，并将CFj中小于M个点的集合定义为噪声。
3.根据权利要求2所述一种海量AIS数据驱动的船舶偏离航道智能预警系统，其特征在于，所述断面交通流统计进一步包括：
每个聚类簇CFj的质心定义为节点，对于任意两个节点A(x1，y1)和B(x2，y2)，得到AB间的轴线为：
Figure FDA0003469179060000021
基于已提取到的轴线，选取n个截面进行交通流统计，对于每一个截面，以轴线和截面交点为中心，统计经过该截面的船舶数量，统计结果进一步计算船舶交通流量拟合函数，以降低数据的偶然性，从而获得一个较为准确的航道交通流分布；
断面交通流量统计使用数学求解法对断面交通流量进行统计，其中流量统计步骤如下：
定义航道断面为节点轴线的法线，选取的
Figure FDA0003469179060000022
航道断面的抽象方程表示为：
Figure FDA0003469179060000023
其中，ω表示为：
Figure FDA0003469179060000024
将某条船舶AIS点(lat，lng)均带入航道断面抽象方程得到：
Figure FDA0003469179060000025
如果Tmp＞0则点在断面的左侧，反之在断面的右侧；计算I＝Tmpi×Tmpi+1，i∈(1，N-1)其中N为船舶AIS点的数量，如果存在I＜0则轨迹通过此交通流断面，得到I＜0时，轨迹点位置i，计算船舶轨迹位置方程与断面抽象方程之间的交点xj，yj，航道断面为X轴构建坐标系对船舶交通流量进行统计。
4.根据权利要求3所述一种海量AIS数据驱动的船舶偏离航道智能预警系统，其特征在于，所述断面交通流拟合进一步包括：
获得断面交通流统计直方图的坐标(xn，yn)(n＝1，2，3...)，用高斯函数描述为
Figure FDA0003469179060000031
式中，待估计参数xmax，ymax和S分别为高斯曲线的峰值、峰值位置和半宽度信息；上式两边取自然对数，化为
Figure FDA0003469179060000032
令
Figure FDA0003469179060000033
考虑全部试验数据，将上式以矩阵形式表示为
Figure FDA0003469179060000034
简化为
Z＝XB
构建矩阵B的最小二乘法解为
B＝(XTX)-1XTZ
得到
Figure FDA0003469179060000041
其中，μ为平均数，σ为标准差，f(x)为高斯函数。
5.根据权利要求4所述一种海量AIS数据驱动的船舶偏离航道智能预警系统，其特征在于，所述航道边界分析模块进一步包括：
基于交通流统计模块得到的交通流分布函数曲线，选取函数的95％置信区间作为安全区间，安全区间的边界即确定为航道的边界；超出置信区间的船舶，被认为行驶出现了偏离。
6.根据权利要求1所述一种海量AIS数据驱动的船舶偏离航道智能预警系统，其特征在于，所述偏离预警模块进一步包括：基于网格化压缩方法，对提取的航道进行网格化，航道内的网格标志值为1，航道外网格标志为0，以判断当前轨迹点是否在航道内；若当前轨迹点所处的网格标志为1，则说明船舶正常行驶；若所处位置的网格标志为0，则确定该船舶在原航道的行驶出现了偏离。
CN202210037918.8A 2022-01-13 2022-01-13 一种海量ais数据驱动的船舶偏离航道智能预警系统 Active CN114550498B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210037918.8A CN114550498B (zh) 2022-01-13 2022-01-13 一种海量ais数据驱动的船舶偏离航道智能预警系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210037918.8A CN114550498B (zh) 2022-01-13 2022-01-13 一种海量ais数据驱动的船舶偏离航道智能预警系统

Publications (2)

Publication Number Publication Date
CN114550498A true CN114550498A (zh) 2022-05-27
CN114550498B CN114550498B (zh) 2023-04-07

Family

ID=81671734

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210037918.8A Active CN114550498B (zh) 2022-01-13 2022-01-13 一种海量ais数据驱动的船舶偏离航道智能预警系统

Country Status (1)

Country Link
CN (1) CN114550498B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114708750A (zh) * 2022-06-06 2022-07-05 武汉理工大学 一种桥区水域船舶碰撞风险检测方法和装置
CN116312057A (zh) * 2023-03-13 2023-06-23 东南大学 一种内河航道交通运行状态判别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106156428A (zh) * 2016-07-06 2016-11-23 大连海事大学 一种基于样本分析的船舶交通流模拟生成方法
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
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
CN112967526A (zh) * 2021-02-01 2021-06-15 上海海事大学 一种基于ais数据的海上交通流基本图绘制方法
CN113409617A (zh) * 2021-06-15 2021-09-17 中国水产科学研究院南海水产研究所 一种渔业船舶偏航预警系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106156428A (zh) * 2016-07-06 2016-11-23 大连海事大学 一种基于样本分析的船舶交通流模拟生成方法
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
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
CN112967526A (zh) * 2021-02-01 2021-06-15 上海海事大学 一种基于ais数据的海上交通流基本图绘制方法
CN113409617A (zh) * 2021-06-15 2021-09-17 中国水产科学研究院南海水产研究所 一种渔业船舶偏航预警系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114708750A (zh) * 2022-06-06 2022-07-05 武汉理工大学 一种桥区水域船舶碰撞风险检测方法和装置
CN116312057A (zh) * 2023-03-13 2023-06-23 东南大学 一种内河航道交通运行状态判别方法

Also Published As

Publication number Publication date
CN114550498B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN110210352B (zh) 基于航道模型的船舶轨迹异常检测方法
Rong et al. Data mining approach to shipping route characterization and anomaly detection based on AIS data
CN114550498B (zh) 一种海量ais数据驱动的船舶偏离航道智能预警系统
Gao et al. Ship-handling behavior pattern recognition using AIS sub-trajectory clustering analysis based on the T-SNE and spectral clustering algorithms
CN111582380B (zh) 一种基于时空特征的船舶轨迹密度聚类方法及装置
Zhang et al. A systematic approach for collision risk analysis based on AIS data
CN112906830B (zh) 一种基于ais大数据的船舶最优航线自动生成方法
Zissis et al. A distributed spatial method for modeling maritime routes
CN113032502A (zh) 一种基于改进轨迹段dbscan聚类的船舶异常检测方法
WO2022068417A1 (zh) 一种基于ais数据的船舶徘徊检测方法
CN116644373B (zh) 基于人工智能的汽车流量数据分析管理系统
CN113312438B (zh) 融合航线提取与趋势判断的海上目标位置预测方法
CN113240199B (zh) 基于dilate_tlstm的港口船舶轨迹预测方法
CN115050214B (zh) 一种基于ais数据的船舶碰撞风险预测方法
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
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
CN112464951A (zh) 一种基于物联网的渔业安全应急处置系统及方法
CN117647812A (zh) 基于导航雷达的船舶行驶路线检测预警方法及系统
Xu et al. Improved Vessel Trajectory Prediction Model Based on Stacked‐BiGRUs
CN115457300A (zh) 一种基于距离度量和隔离机制的船舶异常行为检测方法
Wang et al. Classification of ship trajectories by using naive Bayesian algorithm
CN112733935A (zh) 一种基于Stacking算法的渔船捕捞方式预测方法
CN112373642B (zh) 一种基于船舶领域的内河船舶追越行为检测及跟踪方法
CN117312891A (zh) 一种基于船舶数据的轨迹预测方法
CN114331042A (zh) 一种船舶碰撞风险分析方法

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