CN114564545A - 一种基于ais历史数据的船舶经验航线提取系统及方法 - Google Patents
一种基于ais历史数据的船舶经验航线提取系统及方法 Download PDFInfo
- Publication number
- CN114564545A CN114564545A CN202210036684.5A CN202210036684A CN114564545A CN 114564545 A CN114564545 A CN 114564545A CN 202210036684 A CN202210036684 A CN 202210036684A CN 114564545 A CN114564545 A CN 114564545A
- Authority
- CN
- China
- Prior art keywords
- point
- route
- semantic
- ais
- boundary
- 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
- 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
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Ocean & Marine Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Navigation (AREA)
Abstract
本发明公开一种基于AIS历史数据的船舶经验航线提取系统及方法,所述系统包括语义航线提取系统、航道边界提取系统和最热航线提取系统;所述语义航线提取系统,用于通过AIS轨迹起止点聚类、特征点提取及特征点聚类获得区域内的语义航线;所述航道边界提取系统,用于为每一种语义航线提取边界信息;所述最热航线提取系统,用于利用航线边界点集构建航道三角网,并提取航道内的最热航线。本发明基于AIS历史数据,综合考虑船舶航线模式和每一航线模式下轨迹密度分布,实现从复杂的AIS数据中提取高精度的最热航线。
Description
技术领域
本发明涉及船舶AIS数据挖掘技术领域,尤其涉及一种基于AIS历史数据的船舶经验航线提取系统及方法。
背景技术
随着经济的发展,海上交通越来越繁忙,巨大的船舶交通流量增加了海上交通管理的难度。船舶经验航线的提取有助于了解区域内船舶的行为模式,为决策者提供有效的信息,有助于了解船舶交通流的分布模式,发现常见的港口、区域出入点、航线拐点等信息。此外,经验航线可以利用历史经验对现有船舶进行异常监控、行为预测、航线规划。因此在海上交通管理中,提前获取船舶经验航线是非常重要的。然而一些传统的航线提取方法不适用于海上环境,例如人工测量会受到成本高、更新速度慢、安全性差、易受环境因素影响等因素的限制;高精度遥感影像技术需要卫星对船舶移动数据进行实时监测,成本高,难以推广;基于图像识别技术的方法在陆地上有很好的应用,但在海上不易区分航道和非航道区域;电子海图虽然为船舶推荐了航道,但由于水域内船舶的航行不受航道的限制,不能准确地表示船舶的经验航线。
船舶自动识别系统(AIS)的应用和发展,提供了可靠的船舶轨迹信息。海量的AIS数据潜在地揭示了船舶的行为特征、港口等信息。此外,AIS数据具有成本低、实时性强、体积大等特点,是重建船舶轨迹、提取经验航线知识的理想信息源。如何从复杂的AIS数据中提取高精度的经验航线,成为了当前数据挖掘领域的热点,许多研究都在这方面做了大量的工作,并提出了一些可行的方法。如公开号CN112164247A的中国专利于2021年1月1日公开的一种基于船舶轨迹聚类的船舶航线预测方法,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,有效的克服了预测精度低、匹配时间长等问题,较已存在的方案能够大幅度提高预测的准确性。又如公开号CN112906830A的中国专利于2021年6月4日公开的一种基于AIS大数据的船舶最优航线自动生成方法,该方法首先对海量的历史AIS数据预处理,然后引入船舶静态数据,在距离度量中加入船舶吃水对AIS数据做相似性度量,紧接着采用改进的自适应聚类算法对船舶轨迹簇进行聚类,直至子类簇单一为止,最后采用航行主航线提取方法对聚类后的子类簇提取主航线,实现船舶自动生成最优航线。
目前,基于AIS数据的航运网络提取技术已经取得了很大发展,但是如何综合考虑船舶航线模式和航道内轨迹密度分布成为亟待解决的问题。
发明内容
为克服上述现有技术的不足,本发明提供一种基于AIS历史数据的船舶经验航线提取系统及方法,基于无监督学习方法,从AIS历史数据中挖掘船舶经验航线知识。
根据本发明说明书的一方面,提供一种基于AIS历史数据的船舶经验航线提取系统,包括语义航线提取系统、航道边界提取系统和最热航线提取系统;所述语义航线提取系统,用于通过AIS轨迹起止点聚类、特征点提取及特征点聚类获得区域内的语义航线;所述航道边界提取系统,用于为每一种语义航线提取边界信息;所述最热航线提取系统,用于利用航线边界点集构建航道三角网,并提取航道内的最热航线。
上述技术方案首先基于AIS历史数据提取航线模式,得到目标区域内的所有语义航线;然后提取每一语义航线的边界点集,基于提取的每一语义航线的边界点集信息构建航道三角网,在构建的航道三角网内提取每一航线模式下的最热航线,实现从AIS历史数据中挖掘船舶经验航线知识、进而确定最热航线的目的;该技术方案基于AIS历史数据,综合考虑船舶航线模式和每一航线模式下轨迹密度分布,实现从复杂的AIS数据中提取高精度的最热航线,提高了航线提取精度。
作为进一步的技术方案,所述语义航线提取系统进一步包括:首先使用DBSCAN聚类算法对AIS数据的起始点、终止点分别聚类;然后利用改进DP压缩算法提取每条船舶AIS轨迹的特征点,包括:起点、终点、航路点;最后利用DBSCAN算法对所有轨迹的特征点进行聚类,具有相同特征点簇的轨迹集合被定义为语义航线;
所述的改进DP压缩算法进一步包括:
首先,对每个轨迹点利用如下归一化方法进行归一化,
然后,利用将船舶轨迹首末顶点虚连一条直线,求出其余各顶点到该直线的同步欧式距离(SED),选其最大者与规定的限差相比较,若小于等于限差,则将直线两端间各点全部删去;若大于限差,则离该直线距离最大的顶点保留,并以此为界,把曲线分为两部分,对这两部分重复使用上述方法,直至最终无法作进一步的压缩为止;
Pi=(xi,yi,ti,Si)和Pj=(x′j,y′j,t′j,S′i)的SED可以通过以下公式计算,
上述技术方案中,所述的船舶AIS轨迹为同一水上移动通信业务标识码(MMSI)船舶的历史轨迹点的集合,可以表示Ti=(P1,P2,…,Pn),其中Pi=(xi,yi,ti,Si),xi,yi,ti,Si分别表示经度,维度,时间,对地航速。
作为进一步的技术方案,所述航道边界提取系统包括核密度估计模块和边界点提取模块;所述核密度估计模块,用于计算每一语义航线的轨迹点集的核密度估计分布;所述边界点提取模块,用于根据设置的阈值提取语义航线的边界点集,其中,所述阈值是通过观察轨迹点集的核密度估计分布,结合实际应用对边界的需求情况,选择适合作为边界点的值设置得到,所述阈值与轨迹点集的核密度估计分布相适应;
其中,所述核密度估计模块进一步包括:
将每一语义航线的轨迹点集转化为网格中相应的点(x1,x2,…,xn),利用下式计算核密度估计分布:
其中,K(x)表示核函数,h表示光滑参数,K(x)符合以下条件:
K(x)≥0(-∞<x<+∞)
K(-x)=K(x)。
作为进一步的技术方案,所述最热航线提取系统包括航道三角网构建模块和最热航线提取模块;
所述航道三角网构建模块,用于基于Delaunay三角剖分方法利用语义航线提取的边界点集,构建语义航线的航道三角网;
所述最热航线提取模块,用于分别计算航道三角网中每个三角形的重心坐标过滤航道外的三角形,提取每个三角形中KDE最大值对应的坐标点,按照语义航线的方向有序地将这些点连接起来,并使用Savitzky-Golay滤波器对获得的路径进行平滑处理,得到语义航线内最受欢迎的航线,即最热航线。
作为进一步的技术方案,基于Delaunay三角剖分方法利用语义航线提取的边界点集,构建语义航线的航道三角网,进一步包括:将提取的边界点集作为有限点集,点集中两点连接成的封闭线段作为边,同时,这些边必须满足:不存在相交边;除了端点,边不包含点集中的任何点;使得平面中所有的面都是三角形,且所有三角形的合集是该有限点集的凸包,由此构建航道三角网。
根据本发明说明书的另一方面,提供一种基于AIS历史数据的船舶经验航线提取方法,包括:
获取AIS历史数据;
使用DBSCAN聚类算法对AIS数据的起始点、终止点分别聚类;
使用改进DP压缩算法提取每条船舶AIS轨迹的特征点,包括:起点、终点、航路点;
利用DBSCAN算法对所有轨迹的特征点进行聚类,具有相同特征点簇的轨迹集合被定义为语义航线;
计算每一语义航线的轨迹点集的核密度估计分布,通过观察轨迹点集的核密度估计分布,结合实际应用对边界的需求情况,确定与所述轨迹点集的核密度估计分布相适应的阈值,根据确定的阈值提取语义航线的边界点集;
利用语义航线的边界点集构建航道三角网;
计算三角形的重心坐标,过滤航道外的三角形,提取每个三角形中KDE最大值对应的坐标点,获取最大KDE点集;
按照语义航线的方向有序地将最大KDE点集中的点连接起来,并使用Savitzky-Golay滤波器对获得的路径进行平滑处理,提取最热航线。
上述技术方案中,首先获取目标区域的AIS历史数据,通过起止点聚类、特征点提取及特征点聚类得到目标区域内具有方向性的语义航线;然后对获取的每一语义航线的轨迹点集进行核密度估计分布计算,提取航道边界点集;基于提取的边界点集,构建航道三角网,获取最大KDE点集,即最大核密度分布点集,通过对最大KDE点集中点的有序连接及连接后路径的处理,最终提取目标区域内的最热航线。该技术方案基于AIS历史数据,综合考虑船舶航线模式和每一航线模式下轨迹密度分布,通过语义航线提取、航道边界提取和最热航线提取实现船舶经验航线的提取,实现从复杂的AIS数据中提取高精度的最热航线。
作为进一步的技术方案,使用改进DP压缩算法提取每条船舶AIS轨迹的特征点进一步包括:将船舶的轨迹起止点连接成线,作为初始的基线,然后计算每一个点到基线的距离,找出距离最大的点;其次将起止点与该点连线,形成两条基准线,然后分别计算第一段各点到基准线的距离、第二段各点到基准线的距离,最终分别找出第一段距离最大的点、第二段距离最大的点;如此循环,当距离的最大值小于距离阈值参数Dmax时,循环结束;由此每条船舶AIS轨迹的特征点集。
与现有技术相比,本发明的有益效果在于:
(1)本发明提供一种系统,该系统首先基于AIS历史数据提取航线模式,得到目标区域内的所有语义航线;然后提取每一语义航线的边界点集,基于提取的每一语义航线的边界点集信息构建航道三角网,在构建的航道三角网内提取每一航线模式下的最热航线,实现从AIS历史数据中挖掘船舶经验航线知识、进而确定最热航线的目的;该系统基于AIS历史数据,综合考虑船舶航线模式和每一航线模式下轨迹密度分布,实现从复杂的AIS数据中提取高精度的最热航线,提高了航线提取精度。
(2)本发明提供一种方法,该方法首先获取目标区域的AIS历史数据,通过起止点聚类、特征点提取及特征点聚类得到目标区域内具有方向性的语义航线;然后对获取的每一语义航线的轨迹点集进行核密度估计分布计算,提取航道边界点集;基于提取的边界点集,构建航道三角网,获取最大KDE点集,即最大核密度分布点集,通过对最大KDE点集中点的有序连接及连接后路径的处理,最终提取目标区域内的最热航线。该方法基于AIS历史数据,综合考虑船舶航线模式和每一航线模式下轨迹密度分布,通过语义航线提取、航道边界提取和最热航线提取实现船舶经验航线的提取,实现从复杂的AIS数据中提取高精度的最热航线。
附图说明
图1为根据本发明实施例的系统框图。
图2(a)-(d)为根据本发明实施例的语义航线提取系统的结构框图。
图3为根据本发明实施例的轨迹起始点的DBSCAN聚类示意图。
图4为根据本发明实施例的改进DP算法提取轨迹特征点示意图。
图5为根据本发明实施例的航道边界提取系统的结构框图。
图6为根据本发明实施例的最热航线提取系统的结构框图。
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。
本发明提供一种基于AIS历史数据的船舶经验航线提取系统及方法,其综合考虑船舶航线模式和航道内轨迹密度分布,通过对不同航线进行轨迹密度分布计算,根据轨迹核密度估计分布,合理选择相适应的边界阈值得到航道边界;选择出航线上轨迹点密度最大的点并将其连接得到最热航线,综合可有效得到航运网络模型。
实施例1
本实施例提供一种基于AIS历史数据的船舶经验航线提取系统,如图1,包括语义航线提取系统、航道边界提取系统和最热航线提取系统。
所述语义航线提取系统,通过轨迹起止点聚类、特征点提取及特征点聚类获得区域内的语义航线。
所述航道边界提取系统,为每一种语义航线提取边界信息。
所述最热航线提取系统,利用航线边界点集构建航道三角网,并提取航道内最受欢迎的航线路径,即最热航线。
进一步地,本实施例所提出的语义航线提取系统,其提取步骤如下:
如图2(a)-(d)所示,首先,使用DBSCAN聚类算法对AIS数据的起始点、终止点分别聚类,再采用改进的DP压缩算法提取中间航路点,并最后采用DBSCAN聚类算法对所有特征点聚类,获得活跃的航路点。这些活跃的航路点能够代表研究海域内的港口、出入口、海上平台和转向点等区域,具有相同起始航路点、中间航路点和终止航路点的一簇轨迹集合被定义为语义航线。基于所得航路点,可以对AIS数据集进行分类,获得该海域或区域的语义航线分布。
本实施例所提到的DBSCAN聚类算法是一种基于密度的空间聚类方法,包含有两个参数:距离阈值eps和轨迹点数量阈值min_samples。以轨迹起始点聚类为例,如果存在min_samples个其他的轨迹点与当前轨迹点的距离为eps,我们就认为当前轨迹点为核心点,其他的min_samples个样本被作为这个轨迹点的邻居。一个起始航路点是由一系列的核心点和包含的边界点组成,而其他不包含在簇中的轨迹点被认为是噪声,如图3所示。该算法将具有足够密度的轨迹点划分为簇,可以从大量的轨迹点中发现活跃的航路点。
本实施例所提到的改进Douglas-Peucker(DP)算法,其核心思想是在构成某条轨迹的点集合w={w1,w2,…,wi}中找出具有代表总体特征的点集合w′,包含有一个同步欧式距离(SED)。具体过程为:将轨迹起止点连接成线,作为初始的基线,然后计算每一个点到基线的距离,找出距离最大的点;其次将起止点与该点连线,形成两条基准线,然后分别计算第一段各点到基准线的SED距离、第二段各点到基准线的SED距离,最终分别找出第一段距离最大的点、第二段距离最大的点;如此循环,当距离的最大值小于Dmax时,循环结束。由此获得轨迹的特征点集w′={w2,w4,w5,w6,w11},如图4所示。系统对同一语义航线中所有轨迹的特征点集进行DBSCAN聚类,可以找到该语义航线的特征航路点,这将作为语义航线分解的可靠输入。
Pi=(xi,yi,ti,Si)和Pj=(x′j,y′j,t′j,S′i)的SED可以通过以下公式计算
本实施例所提出的航道边界提取系统,如图5所示,对于每一种语义航线,计算其轨迹点集的核密度估计(KDE)分布,通过设置与轨迹分布密度相适应的阈值来提取语义航线的边界点集,这将作为构建航道三角网的可靠输入。
本实施例所提到的核密度估计(KDE)的核心是利用光滑的峰值函数来拟合数据点,从而模拟真实的概率分布。因此,在轨迹空间分布未知的情况下,AIS数据点集的KDE分布可以很好地描述轨迹的空间分布特征。其计算过程如下:首先将语义航线的轨迹点集转化为网格中相应的点(x1,x2,…,xn),利用下式计算核密度估计分布:
其中,K(x)表示核函数,h表示光滑参数,K(x)符合以下条件:
K(x)≥0(-∞<x<+∞)
K(-x)=K(x)。
本实施例所提出的最热航线提取系统,如图6所示,首先,基于Delaunay三角剖分方法利用语义航线提取的边界点集,构建语义航线的航道三角网,并通过计算三角形的重心坐标过滤航道外的三角形,然后提取每个三角形中KDE最大值对应的坐标点,最终按照语义航线的方向有序地将这些点连接起来,并使用Savitzky-Golay滤波器对获得的路径进行平滑处理,得到语义航线内最受欢迎的航线,即最热航线。
本实施例所提到的Delaunay三角剖分方法包括:将获得的航道边界点作为有限点集,点集中两点连接成的封闭线段作为边,同时,这些边必须满足:不存在相交边;除了端点,边不包含点集中的任何点;使得平面中所有的面都是三角形,且所有三角形的合集是该有限点集的凸包,由此构建航道三角网。该航道三角网是唯一的,且在Delaunay三角网中任意三角形的外接圆范围内不会有其它轨迹点存在。
实施例2
本实施例提供一种基于AIS历史数据的船舶经验航线提取方法,包括:
获取AIS历史数据;
使用DBSCAN聚类算法对AIS数据的起始点、终止点分别聚类;
使用改进DP压缩算法提取每条船舶AIS轨迹的特征点,包括:起点、终点、航路点;
利用DBSCAN算法对所有轨迹的特征点进行聚类,具有相同特征点簇的轨迹集合被定义为语义航线;
计算每一语义航线的轨迹点集的核密度估计分布,通过观察此分布,结合实际应用对边界的需求情况,确定与所述轨迹点集的核密度估计分布相适应的阈值,根据确定的阈值提取语义航线的边界点集;
利用语义航线的边界点集构建航道三角网;
计算三角形的重心坐标,过滤航道外的三角形,提取每个三角形中KDE最大值对应的坐标点,获取最大KDE点集;
按照语义航线的方向有序地将最大KDE点集中的点连接起来,并使用Savitzky-Golay滤波器对获得的路径进行平滑处理,提取最热航线。
上述技术方案中,首先获取目标区域的AIS历史数据,通过起止点聚类、特征点提取及特征点聚类得到目标区域内具有方向性的语义航线;然后对获取的每一语义航线的轨迹点集进行核密度估计分布计算,提取航道边界点集;基于提取的边界点集,构建航道三角网,获取最大KDE点集,即最大核密度分布点集,通过对最大KDE点集中点的有序连接及连接后路径的处理,最终提取目标区域内的最热航线。该技术方案基于AIS历史数据,综合考虑船舶航线模式和每一航线模式下轨迹密度分布,通过语义航线提取、航道边界提取和最热航线提取实现船舶经验航线的提取,实现从复杂的AIS数据中提取高精度的最热航线。
使用改进DP压缩算法提取每条船舶AIS轨迹的特征点进一步包括:将船舶航线的轨迹起止点连接成线,作为初始的基线,然后计算每一个点到基线的距离,找出距离最大的点;其次将起止点与该点连线,形成两条基准线,然后分别计算第一段各点到基准线的距离、第二段各点到基准线的距离,最终分别找出第一段距离最大的点、第二段距离最大的点;如此循环,当距离的最大值小于距离阈值参数Dmax时,循环结束;由此获得每条船舶AIS轨迹的的特征点集。
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 (7)
1.基于AIS历史数据的船舶经验航线提取系统,其特征在于,包括语义航线提取系统、航道边界提取系统和最热航线提取系统;所述语义航线提取系统,用于通过AIS轨迹起止点聚类、特征点提取及特征点聚类获得区域内的语义航线;所述航道边界提取系统,用于为每一种语义航线提取边界信息;所述最热航线提取系统,用于利用航线边界点集构建航道三角网,并提取航道内的最热航线。
2.根据权利要求1所述基于AIS历史数据的船舶经验航线提取系统,其特征在于,所述语义航线提取系统进一步包括:首先使用DBSCAN聚类算法对AIS数据的起始点、终止点分别聚类;然后使用改进DP压缩算法提取每条船舶AIS轨迹的特征点,包括:起点、终点、航路点;最后利用DBSCAN算法对所有轨迹的特征点进行聚类,具有相同特征点簇的轨迹集合被定义为语义航线;
所述的改进DP压缩算法进一步包括:
首先,对每个轨迹点利用如下归一化方法进行归一化,
然后,利用将船舶轨迹首末顶点虚连一条直线,求出其余各顶点到该直线的同步欧式距离(SED),选其最大者与规定的限差相比较,若小于等于限差,则将直线两端间各点全部删去;若大于限差,则离该直线距离最大的顶点保留,并以此为界,把曲线分为两部分,对这两部分重复使用上述方法,直至最终无法作进一步的压缩为止;
Pi=(xi,yi,ti,Si)和Pj=(x′j,y′j,t′j,S′i)的SED可以通过以下公式计算,
3.根据权利要求2所述基于AIS历史数据的船舶经验航线提取系统,其特征在于,所述航道边界提取系统包括核密度估计模块和边界点提取模块;所述核密度估计模块,用于计算每一语义航线的轨迹点集的核密度估计分布;所述边界点提取模块,用于根据设置的阈值提取语义航线的边界点集,其中,所述阈值是通过观察轨迹点集的核密度估计分布,结合实际应用对边界的需求情况,选择适合作为边界点的值设置得到;
其中,所述核密度估计模块进一步包括:
将每一语义航线的轨迹点集转化为网格中相应的点(x1,x2,…,xn),利用下式计算核密度估计分布:
其中,K(x)表示核函数,h表示光滑参数,K(x)符合以下条件:
K(x)≥0(-∞<x<+∞)
K(-x)=K(x)。
4.根据权利要求3所述基于AIS历史数据的船舶经验航线提取系统,其特征在于,所述最热航线提取系统包括航道三角网构建模块和最热航线提取模块;
所述航道三角网构建模块,用于基于Delaunay三角剖分方法利用语义航线提取的边界点集,构建语义航线的航道三角网;
所述最热航线提取模块,用于分别计算航道三角网中每个三角形的重心坐标,过滤航道外的三角形,提取每个三角形中KDE最大值对应的坐标点,按照语义航线的方向有序地将这些点连接起来,并使用Savitzky-Golay滤波器对获得的路径进行平滑处理,得到语义航线内最受欢迎的航线,即最热航线。
5.根据权利要求4所述基于AIS历史数据的船舶经验航线提取系统,其特征在于,基于Delaunay三角剖分方法利用语义航线提取的边界点集,构建语义航线的航道三角网,进一步包括:将提取的边界点集作为有限点集,点集中两点连接成的封闭线段作为边,同时,这些边必须满足:不存在相交边;除了端点,边不包含点集中的任何点;使得平面中所有的面都是三角形,且所有三角形的合集是该有限点集的凸包,由此构建航道三角网。
6.基于AIS历史数据的船舶经验航线提取方法,其特征在于,包括:
获取AIS历史数据;
使用DBSCAN聚类算法对AIS数据的起始点、终止点分别聚类;
使用改进DP压缩算法提取每条船舶AIS轨迹的特征点,包括:起点、终点、航路点;
利用DBSCAN算法对所有轨迹的特征点进行聚类,具有相同特征点簇的轨迹集合被定义为语义航线;
计算每一语义航线的轨迹点集的核密度估计分布,通过观察轨迹点集的核密度估计分布,结合实际应用对边界的需求情况,确定与所述轨迹点集的核密度估计分布相适应的阈值,根据确定的阈值提取语义航线的边界点集;
利用语义航线的边界点集构建航道三角网;
计算三角形的重心坐标,过滤航道外的三角形,提取每个三角形中KDE最大值对应的坐标点,获取最大KDE点集;
按照语义航线的方向有序地将最大KDE点集中的点连接起来,并使用Savitzky-Golay滤波器对获得的路径进行平滑处理,提取最热航线。
7.根据权利要求6所述基于AIS历史数据的船舶经验航线提取方法,其特征在于,使用改进DP压缩算法提取每条船舶AIS轨迹的特征点进一步包括:将船舶的轨迹起止点连接成线,作为初始的基线,然后计算每一个点到基线的距离,找出距离最大的点;其次将起止点与该点连线,形成两条基准线,然后分别计算第一段各点到基准线的距离、第二段各点到基准线的距离,最终分别找出第一段距离最大的点、第二段距离最大的点;如此循环,当距离的最大值小于距离阈值参数Dmax时,循环结束;由此获得每条船舶AIS轨迹的特征点集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210036684.5A CN114564545A (zh) | 2022-01-13 | 2022-01-13 | 一种基于ais历史数据的船舶经验航线提取系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210036684.5A CN114564545A (zh) | 2022-01-13 | 2022-01-13 | 一种基于ais历史数据的船舶经验航线提取系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114564545A true CN114564545A (zh) | 2022-05-31 |
Family
ID=81712168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210036684.5A Pending CN114564545A (zh) | 2022-01-13 | 2022-01-13 | 一种基于ais历史数据的船舶经验航线提取系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114564545A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220146266A1 (en) * | 2019-03-20 | 2022-05-12 | Seavantage Ltd. | Course guidance method for efficient sailing of ship |
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 |
CN115270920A (zh) * | 2022-06-21 | 2022-11-01 | 中国人民解放军91977部队 | 一种基于密度空间聚类的舰船目标经典轨迹生成方法 |
CN115719550A (zh) * | 2023-01-09 | 2023-02-28 | 亿海蓝(北京)数据技术股份公司 | 船舶骨干航路网的构建方法、装置和可读储存介质 |
CN116045975A (zh) * | 2022-12-21 | 2023-05-02 | 共青科技职业学院 | 一种全航陆程物流跟踪方法与系统 |
-
2022
- 2022-01-13 CN CN202210036684.5A patent/CN114564545A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220146266A1 (en) * | 2019-03-20 | 2022-05-12 | Seavantage Ltd. | Course guidance method for efficient sailing of ship |
US11719543B2 (en) * | 2019-03-20 | 2023-08-08 | Seavantage Ltd. | Course guidance method for efficient sailing of ship |
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 |
CN115270920A (zh) * | 2022-06-21 | 2022-11-01 | 中国人民解放军91977部队 | 一种基于密度空间聚类的舰船目标经典轨迹生成方法 |
CN116045975A (zh) * | 2022-12-21 | 2023-05-02 | 共青科技职业学院 | 一种全航陆程物流跟踪方法与系统 |
CN116045975B (zh) * | 2022-12-21 | 2023-09-15 | 共青科技职业学院 | 一种全航陆程物流跟踪方法与系统 |
CN115719550A (zh) * | 2023-01-09 | 2023-02-28 | 亿海蓝(北京)数据技术股份公司 | 船舶骨干航路网的构建方法、装置和可读储存介质 |
CN115719550B (zh) * | 2023-01-09 | 2023-03-31 | 亿海蓝(北京)数据技术股份公司 | 船舶骨干航路网的构建方法、装置和可读储存介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114564545A (zh) | 一种基于ais历史数据的船舶经验航线提取系统及方法 | |
CN107818571B (zh) | 基于深度学习网络和均值漂移的船只自动跟踪方法及系统 | |
CN113780395B (zh) | 海量高维ais轨迹数据聚类方法 | |
CN110033051B (zh) | 一种基于多步聚类的拖网渔船行为判别方法 | |
US11851147B2 (en) | Spatio-temporal DP method based on ship trajectory characteristic point extraction | |
CN112906830A (zh) | 一种基于ais大数据的船舶最优航线自动生成方法 | |
CN109145836B (zh) | 基于深度学习网络和卡尔曼滤波的船只目标视频检测方法 | |
CN109708638B (zh) | 一种船舶轨迹点提取方法 | |
CN110487286B (zh) | 基于点特征投影与激光点云融合的机器人位姿判断方法 | |
CN113593017A (zh) | 露天矿地表三维模型构建方法、装置、设备及存储介质 | |
CN114926726B (zh) | 基于多任务网络的无人船感知方法及相关设备 | |
CN113284144A (zh) | 一种基于无人机的隧道检测方法及装置 | |
Lu et al. | Historical AIS data-driven unsupervised automatic extraction of directional maritime traffic networks | |
CN115017578A (zh) | 一种建筑的智能实测实量方法、装置、ugv及存储介质 | |
Xu et al. | Research on ship trajectory extraction based on multi-attribute DBSCAN optimisation algorithm | |
CN113985406A (zh) | 一种海上雷达目标航迹拼接方法 | |
Zhou et al. | Compressing AIS trajectory data based on the multi-objective peak Douglas–Peucker algorithm | |
Widyantara et al. | Automatic identification system-based trajectory clustering framework to identify vessel movement pattern | |
CN116306790A (zh) | 一种基于cnn-gru和注意力机制的近海船舶轨迹实时预测方法、系统、设备及介质 | |
CN108399413B (zh) | 一种图片拍摄区域识别及地理定位方法及装置 | |
CN104392465A (zh) | 基于d-s证据理论信息融合的多核目标跟踪方法 | |
CN110763223B (zh) | 基于滑动窗口的室内三维立体栅格地图特征点提取方法 | |
CN113836251A (zh) | 一种认知地图构建方法、装置、设备及介质 | |
Li et al. | Advanced mapping using planar features segmented from 3d point clouds | |
CN114842220B (zh) | 基于多源影像匹配的无人机视觉定位方法 |
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 |