CN114936332A - 一种风电场水域船舶交通流分析的方法、装置和存储介质 - Google Patents

一种风电场水域船舶交通流分析的方法、装置和存储介质 Download PDF

Info

Publication number
CN114936332A
CN114936332A CN202210607419.8A CN202210607419A CN114936332A CN 114936332 A CN114936332 A CN 114936332A CN 202210607419 A CN202210607419 A CN 202210607419A CN 114936332 A CN114936332 A CN 114936332A
Authority
CN
China
Prior art keywords
ship
wind power
track
power plant
water area
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
Application number
CN202210607419.8A
Other languages
English (en)
Inventor
余庆
陈国权
林婷婷
刘欣彤
胡雨田
纪惠婷
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.)
Jimei University
Original Assignee
Jimei University
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 Jimei University filed Critical Jimei University
Priority to CN202210607419.8A priority Critical patent/CN114936332A/zh
Publication of CN114936332A publication Critical patent/CN114936332A/zh
Pending legal-status Critical Current

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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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
    • G06F16/906—Clustering; Classification
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Library & Information Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及船舶航行技术领域。本发明公开了一种风电场水域船舶交通流分析的方法，所述方法包括：获取风电场水域预设范围内选定船舶的历史AIS数据；根据船舶的历史AIS数据获得选定船舶的轨迹；对船舶的轨迹中每条轨迹的所有船位点，使用二叉空间分割算法计算当船舶在船位点时与风电场的最小通过距离，并将计算出的最小通过距离中的最小值作为对应轨迹与风电场的最小通过距离，由此获得每条轨迹的最小通过距离。本发明提供的风电场水域船舶交通流分析的方法和装置，能够客观体现海上风电水域船舶交通流特征，通过辨识水域过往船舶典型场景能够客观反映海上风电场对过往船舶交通流影响。

Description

一种风电场水域船舶交通流分析的方法、装置和存储介质
技术领域
本发明涉及船舶航行技术领域，尤其涉及一种风电场水域船舶交通流分析的方法、装置和存储介质。
背景技术
在交通领域研究中，常有成群组活动的运动个体，如车辆、人员、船舶或飞机等在运动过程中呈现连续或间断流动的状态，具有如同水流一般的运动规律，这种明显群组流动特征的现象通常被称作为交通流。在船舶交通运输工程研究中，船舶交通流可以定义为表示一系列具有运动特征的连续通行船舶或其他水上运输工具的运动总体。面向船舶交通流开展的研究一般从宏观及微观两个维度展开分析：宏观尺度的研究主要讨论交通流的时空变化规律，分析特定水域环境内船舶相互作用形成的交通流时空分布特征；微观的船舶交通流研究则通过研究交通流特征参数，包括交通流内船舶种类、数量、尺度、速度等，描述该水域内船舶的航行运动状态和航行行为特征。
开展AIS数据分析是进行船舶交通流特征分析的主要手段之一，相关研究主要从定性分析和定量分析两个方面开展研究。定性分析一般从宏观角度研究水域内船舶交通流的时空分布特征，而定量分析则通过量化统计交通流特征参数，分析船舶交通流特征参数的变化规律，进一步了解特定交通流内船舶的典型特征。因此，综合开展面向海上风电水域的船舶交通流宏、微观分析，能够客观分析海上风电场对周围水域船舶交通流影响，是进行风险评估建模的首要环节。
发明内容
为了克服如上所述的技术问题，本发明提出一种风电场水域船舶交通流分析的方法，用于分析风电场水域的船舶交通流特征，所述方法的技术方案如下：
S1，获取所述风电场水域预设范围内选定船舶的历史AIS数据；
S2，根据所述船舶的历史AIS数据获得所述选定船舶的轨迹；
S3，对所述船舶的轨迹中每条轨迹的所有船位点，使用二叉空间分割算法计算当所述船舶在所述船位点时与所述风电场的最小通过距离，并将计算出的最小通过距离中的最小值作为对应轨迹与所述风电场的最小通过距离，由此获得每条轨迹的最小通过距离；
其中，所述步骤S3中，使用二叉空间分割算法计算当所述船舶在所述船位点时与所述风电场的最小通过距离包括：
S31，获得由所述风电场靠船舶一侧水域边界上包含的u个风机q组成的集合Q，即Q＝{q1，q2，…，qu}，Q中所含风机按照空间分布由左向右或由上向下排列，u为正整数；
S32，对集合Q进行任意分割，将集合Q分为子集合Q1＝{q1，q2，…，qv}与子集合Q2＝{qv+1，qv+2，…，qu}，其中，v为分割位置，满足v＜u且v≠0；
S33，设已知任意风机经纬度坐标分别为Lon.q和Lat.q，计算船舶与所述集合内所包含的各风机的距离pd，并计算两子集合内包含pd之和
Figure BDA0003671953050000021
和
Figure BDA0003671953050000022
Figure BDA0003671953050000023
Figure BDA0003671953050000024
S34，判断最近距离风机qmin隶属的子集合Qmin：
Figure BDA0003671953050000025
S35，对Qmin继续进行分割，并重复步骤S33～S34，直至集合Qmin内仅存在唯一元素qmin，所述唯一元素qmin对应的风机即为当所述船舶在所述船位点时离所述船舶最近的风机；
S36，根据船舶的位置、离船舶最近的风机的位置和风电场一侧风机集合Q确定风电场的边界，并根据所述边界确定出船舶在所述船位点时与所述风电场的最小通过距离MPD。
进一步的，所述步骤S36还包括：
设A和B是所述风电场边界的两个角点，点P是船舶通过水域时与风电场最近距离所在位置，点C为最近通过距离点P在风电场边界AB上的投影，根据点C在边界AB的分布情况得到船舶和风电场的最小通过距离MPD为：
Figure BDA0003671953050000026
其中，参数K为判定系数，
Figure BDA0003671953050000027
Figure BDA0003671953050000028
为点C相对于点A的向量，
Figure BDA0003671953050000029
为点B相对于点A的向量，
Figure BDA00036719530500000210
为向量
Figure BDA00036719530500000211
的长度，
Figure BDA00036719530500000212
为向量
Figure BDA00036719530500000213
的长度，
Figure BDA00036719530500000214
为向量
Figure BDA00036719530500000215
的长度。
进一步的，还包括：对所述船舶的轨迹进行聚类以获得所述风电场水域的航路信息的步骤。
进一步的，对所述船舶的轨迹进行聚类以获得所述风电场水域的航路信息的步骤包括：
根据所述船舶的轨迹中包括的所述轨迹的起点、终点和轨迹特征点，将所述轨迹特征点的所有船位信息按其时序特征进行排列并依次连接以获得所述轨迹的子轨迹；
删除异常船位特征点并对所述轨迹进行平滑处理，将所述船舶的轨迹切分成一个或多个子轨迹段；
采用基于动态时间规整的空间聚类算法计算所述平滑处理后的船舶的轨迹的相似度指标，采用DBSCAN算法对所述相似度指标进行轨迹聚类，得到所述风电场水域的航路信息。
进一步的，还包括：
根据向量运算规则，使用如下公式计算
Figure BDA0003671953050000031
Figure BDA0003671953050000032
使用如下公式计算所述K：
Figure BDA0003671953050000033
进一步的，还包括：将所述历史AIS数据中记录的每个船舶位置根据风电场位置信息使用如下公式进行地理坐标转换：
Figure BDA0003671953050000034
Figure BDA0003671953050000035
Figure BDA0003671953050000036
Figure BDA0003671953050000037
其中，Lon.n、Lat.n分别为第n个船舶位置的经度和纬度，Lon.A、Lon.B分别为A点和B点的经度，Lat.A、Lat.B分别表示A点和B点的纬度。
进一步的，还包括：基于高斯混合分布模型统计所述航路包含的船舶的轨迹的分布信息。
进一步的，还包括：
根据所述船舶的历史AIS数据确认船舶类型，所述船舶类型至少包括普通货船、油船、渔船和运维船舶，统计与所述船舶类型对应的最小通过距离的分布信息；
根据所述船舶的历史AIS数据和所述船舶类型，统计与所述船舶类型对应的船舶数量的分布信息；
根据所述船舶的历史AIS数据和所述船舶类型，统计与所述船舶类型对应的船舶平均速度的分布信息。
本发明还提出一种风电场水域船舶交通流分析的装置，所述风电场水域船舶交通流分析的装置存储计算机指令；所述计算机指令在风电场水域船舶交通流分析的装置执行如上述任一项所述的风电场水域船舶交通流分析的方法。
本发明还提出了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如上述任一项所述的风电场水域船舶交通流分析的方法。
本发明提供的技术方案带来的有益效果是：
本发明的一种风电场水域船舶交通流分析的方法和装置，能够客观体现海上风电水域船舶交通流特征，通过辨识水域过往船舶典型场景能够客观反映海上风电场对过往船舶交通流影响，为开展海上风电水域船舶通航风险评估提供了重要的建模依据和客观数据支撑。
附图说明
图1为本发明实施例的一种风电场水域船舶交通流分析的流程图；
图2为本发明实施例的一种海上风电水域安全区域及船舶数据采集区域的示意图；
图3为本发明实施例的一种轨迹平滑处理和子轨迹段匹配的示意图；
图4为本发明实施例的一种船舶最近风机辨识BSP树的流程图；
图5为本发明实施例的一种船舶通过海上风电场的三种不同情况；
图6为本发明实施例的莆田平海湾海上风电场位置的示意图；
图7为本发明实施例的一种通过风电场水域船舶类型统计；
图8为本发明实施例的一种海上风电场建成前后水域内船舶通过平均速度统计；
图9为本发明实施例的一种海上风电场船舶月、天通过平均速度统计；
图10为本发明实施例的一种海上风电场内船舶不同时刻通过平均速度；
图11为本发明实施例的一种平海湾海上风电场建成前后附近水域船舶交通流分布；
图12为本发明实施例的一种轨迹时序规整；
图13为本发明实施例的一种DTW路径计算；
图14为本发明实施例的一种船舶轨迹相似度计算结果；
图15为本发明实施例的一种船舶轨迹相似度计算结果；
图16为本发明实施例的一种风电场建成前后交通流横向分布统计；
图17为本发明实施例的一种K-S测试残值累积图；
图18为本发明实施例的一种平海湾风电场建成前后南日水道船舶分布情况拟合结果；
图19为本发明实施例的一种船舶通过海上风电场水域最小通过距离点位置分布；
图20为本发明实施例的一种不同类型船舶与海上风电场水域最小通过距离统计；
图21为本发明实施例所涉及的一种风电场水域船舶交通流分析的装置结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例一：
如图1所示为本发明实施例的一种风电场水域船舶交通流分析的流程图，示出了该方法的具体实施步骤，包括：
S1，获取所述风电场水域预设范围内选定船舶的历史AIS数据；
S2，根据所述船舶的历史AIS数据获得所述选定船舶的轨迹；
S3，对所述船舶的轨迹中每条轨迹的所有船位点，使用二叉空间分割算法计算当所述船舶在所述船位点时与所述风电场的最小通过距离，并将计算出的最小通过距离中的最小值作为对应轨迹与所述风电场的最小通过距离，由此获得每条轨迹的最小通过距离。
其中，所述步骤S3中，使用二叉空间分割算法计算当所述船舶在所述船位点时与所述风电场的最小通过距离包括：
S31，获得由所述风电场靠船舶一侧水域边界上包含的u个风机q组成的集合Q，即Q＝{q1，q2，…，qu}，Q中所含风机按照空间分布由左向右或由上向下排列，u为正整数；
S32，对集合Q进行任意分割，将集合Q分为子集合Q1＝{q1，q2，…，qv}与子集合Q2＝{qv+1，qv+2，…，qu}，其中，v为分割位置，满足v＜u且v≠0；
S33，设已知任意风机经纬度坐标分别为Lon.q和Lat.q，计算船舶与所述集合内所包含的各风机的距离pd，并计算两子集合内包含pd之和
Figure BDA0003671953050000051
和
Figure BDA0003671953050000052
Figure BDA0003671953050000053
Figure BDA0003671953050000054
S34，判断最近距离风机qmin隶属的子集合Qmin：
Figure BDA0003671953050000055
S35，对Qmin继续进行分割，并重复步骤S33～S34，直至集合Qmin内仅存在唯一元素qmin，所述唯一元素qmin对应的风机即为当所述船舶在所述船位点时离所述船舶最近的风机；
S36，根据船舶的位置、离船舶最近的风机的位置和风电场一侧风机集合Q确定风电场的边界，并根据所述边界确定出船舶在所述船位点时与所述风电场的最小通过距离MPD。
具体的，所述步骤S36还包括：
设A和B是所述风电场边界的两个角点，点P是船舶通过水域时与风电场最近距离所在位置，点C为最近通过距离点P在风电场边界AB上的投影，根据点C在边界AB的分布情况得到船舶和风电场的最小通过距离MPD为：
Figure BDA0003671953050000061
其中，参数K为判定系数，
Figure BDA0003671953050000062
Figure BDA0003671953050000063
为点C相对于点A的向量，
Figure BDA0003671953050000064
为点B相对于点A的向量，
Figure BDA0003671953050000065
为向量
Figure BDA0003671953050000066
的长度，
Figure BDA0003671953050000067
为向量
Figure BDA0003671953050000068
的长度，
Figure BDA0003671953050000069
为向量
Figure BDA00036719530500000610
的长度。
具体的，还包括：对所述船舶的轨迹进行聚类以获得所述风电场水域的航路信息的步骤。
具体的，对所述船舶的轨迹进行聚类以获得所述风电场水域的航路信息的步骤包括：
根据所述船舶的轨迹中包括的所述轨迹的起点、终点和轨迹特征点，将所述轨迹特征点的所有船位信息按其时序特征进行排列并依次连接以获得所述轨迹的子轨迹；
删除异常船位特征点并对所述轨迹进行平滑处理，将所述船舶的轨迹切分成一个或多个子轨迹段；
采用基于动态时间规整的空间聚类算法计算所述平滑处理后的船舶的轨迹的相似度指标，采用DBSCAN算法对所述相似度指标进行轨迹聚类，得到所述风电场水域的航路信息。
具体的，还包括：
根据向量运算规则，使用如下公式计算
Figure BDA00036719530500000611
Figure BDA00036719530500000612
使用如下公式计算所述K：
Figure BDA00036719530500000613
具体的，还包括：将所述历史AIS数据中记录的每个船舶位置根据风电场位置信息使用如下公式进行地理坐标转换：
Figure BDA00036719530500000614
Figure BDA00036719530500000615
Figure BDA0003671953050000071
Figure BDA0003671953050000072
其中，Lon.n、Lat.n分别为第n个船舶位置的经度和纬度，Lon.A、Lon.B分别为A点和B点的经度，Lat.A、Lat.B分别表示A点和B点的纬度。
具体的，还包括：基于高斯混合分布模型统计所述航路包含的船舶的轨迹的分布信息。
具体的，还包括：
根据所述船舶的历史AIS数据确认船舶类型，所述船舶类型至少包括普通货船、油船、渔船和运维船舶，统计与所述船舶类型对应的最小通过距离的分布信息；
根据所述船舶的历史AIS数据和所述船舶类型，统计与所述船舶类型对应的船舶数量的分布信息；
根据所述船舶的历史AIS数据和所述船舶类型，统计与所述船舶类型对应的船舶平均速度的分布信息。
实施例二：
为研究海上风电建设对船舶航行风险影响，提取船舶动态行为特征相关风险要素，本发明将通过采集风电水域建成前后的船舶AIS历史数据，开展风电水域船舶交通流特征及船舶个体航行行为特征提取，从而辨识与船舶通航相关的风险要素，并在此基础上构建风电水域船舶航行风险特征库。为此，研究将首先基于真实AIS数据，采用IWRAP系统搭建船舶轨迹数据分析平台并进行船舶轨迹时空分布特征挖掘；在此基础上，使用基于动态时间规整的轨迹聚类方法开展水域航路辨识，并采用高斯混合分布建模方法进行交通环境相关风险特征提取；针对单船航行场景，结合提取的船舶轨迹时序特征，提出一种基于二叉空间分割算法的风电水域的船舶最小通过距离计算方法。研究不同类型船舶通过风电水域安全距离差异，并最终构建风电水域船舶航行风险特征库，从而为海上风电水域船机碰撞风险建模和水域船舶通航风险评估提供客观数据支持。
AIS设备是一种广泛用于船上助航定位和船舶识别的航行辅助系统，该系统主要由AIS船载设备和AIS岸基设备组成。AIS设备能够通过VHF设备实现船舶静态及动态信息的自动播发、接收和转发，辅助船舶驾驶人员了解附近水域其他船舶信息。随着卫星通讯技术的发展和在海事领域的应用，目前已有部分船舶安装了卫星AIS设备系统，实现了船舶动态信息的全球化播发。根据国际海事组织(International Maritime Organization)发布的国际海上人命安全公约(International Convention for Safety of Life at Sea，SOLAS)要求，国际航行300总吨以上船舶及非国际航行500总吨以上的船舶均需强制安装AIS设备。
AIS原始报文一般通过ASCII格式进行压缩传输，在数据播发和接收的过程中会受到传输环境的干扰，导致数据内信息缺失，影响数据质量。为确保本研究使用数据信息来源的质量可靠，研究依托海事局信息平台进行了特定风电水域AIS数据的收集工作，并基于Python语言设计了AIS数据过滤与区域数据筛选程序来实现采集AIS数据预处理工作。
设计合理的数据采集区域是确保采集数据合理性的关键考量之一，为降低采集数据规模，避免无关数据干扰，本发明将参考类似研究结论，设定海上风电水域船舶监控距离设置为4海里，进入风电场附近4海里以内的船舶信息将被跟踪和记录。与此同时，海上风电场需要划定安全保护区域来确保场内设施和过往船舶安全，该区域距离的选择通常与风电场边界风机分布位置、船舶交通流密度等参数相关。如图2所示为本发明实施例的一种海上风电水域安全区域及船舶数据采集区域的示意图。
在进行风电水域船舶交通流特征分析过程中，由于水域附近船舶交通流分布错综复杂，首先需要对船舶航路进行辨识，故需要在开展特征分析前对复杂的船舶AIS轨迹进行相应的聚类，提取水域内主要航路。
轨迹聚类的核心思想是通过衡量不同船舶轨迹间相似度，并将满足相似度要求的轨迹聚为同类，从而找出具有相似船舶运动趋势的船舶轨迹簇，并在此基础上识别水域主要航路，进一步开展船舶交通特征和个体船舶行为分析。根据其数据处理方式和应用场景差异，常见的聚类方法分为层次聚类、密度聚类、网格聚类和模型聚类几种。其中，空间聚类算法具有无需指定聚类簇数，无聚类形状要求，可进行离群点检测等优势，因此被广泛用于AIS轨迹数据处理和聚类分析中。但由于传统的空间聚类方法无法考虑船舶轨迹时序性问题，对动态船舶轨迹的适用性不强，因此，本发明借鉴传统方法，采用一套适用于时序轨迹聚类的动态时间规整算法对传统空间聚类方法进行改进，并用于水域轨迹数据处理。
对比传统聚类方法，基于动态时间规整算法(Dynamic Time Warping，DTW)的空间聚类算法更加专注于处理具有明显时序特征的数据，如车辆、船舶轨迹信息等。其核心是在进行数据相似度计算时，通过特定算法将此类数据在时间上进行对齐，从而确保不同时间跨度数据能够在尽可能相同的相对时间上进行比较，从而避免由于时间跨度不同导致的聚类计算误差。该方法主要包括时间规整和相似度计算两个重点，具体按照以下四个步骤进行轨迹计算，具体介绍如下：
1)轨迹特征点提取
在进行轨迹聚类前，需根据船舶运动规律，按照船舶位置信息的时序特征构建该船的子轨迹。接着，还需要对所获取的轨迹数据进行筛选，提取每条轨迹的起点、终点和轨迹特征点，并以此作为唯一标签定义获取数据中的特定船舶轨迹集合。
2)船舶轨迹关联切割
根据提取的特定船舶轨迹特征点组成的船舶子轨迹集合，将特征点集合中的所有船位信息按照其时序特征进行排列，并依次连接获得该条轨迹的子轨迹，其中相邻两个特征点的线段则称为该子轨迹中的子轨迹段，如图3所示为本发明实施例的一种轨迹平滑处理和子轨迹段匹配的示意图。
图3中显示了某船舶轨迹A，经时序排列后可得该轨迹特征点集合为A＝{a1，a2，…，a10}。其中，a7和a8两点为异常船位，则在轨迹关联过程中删除，将其他各点按照时序排列则可获得该船舶轨迹如图3。但由于误差、船位信息存在一定不确定性等问题，导致获得轨迹并不理想，不能直接用于进行轨迹聚类，且过多船位信息还将极大地增加轨迹聚类成本，因此，在进行轨迹聚类之前，还需要对每条船舶轨迹进行平滑处理，如可将图3中轨迹切分为四个子轨迹段，分别为(a1，a2)，(a2，a4)，(a4，a6)和(a6，a10)。
3)轨迹时间规整和相似性计算
设已知两船舶时空轨迹序列为A＝{a1，a2，…，am}，B＝{b1，b2，…，bn}，其中am，bn分别为两轨迹在m和n时刻经纬度坐标，m＞n。计算两轨迹各坐标点的欧氏距离可得两坐标点欧氏距离d(ai，bj)i∈m，j∈n：
Figure BDA0003671953050000091
则可获得两轨迹欧氏距离矩阵如下：
Figure BDA0003671953050000092
根据动态规划理论，该算法需要选取该矩阵中最短路径作为匹配所需最短路径长度。为此，需首先计算设定该欧氏距离矩阵D(A，B)最短路径搜索规则。由于本发明面向船舶轨迹进行相似度匹配，针对每条轨迹必定存在起点a1，b1和轨迹终点am，bn，因此可以定义最短路径搜索逻辑为：假设矩阵左上初始点d(a1，b1)延任意路径到达右下终点，定义所有路径需满足某点到下一点位置只能移动一个单位，且仅能向右、下或右下方移动，即d(ai，bj)→{d(ai+1，bj)or d(ai，bj+1)or d(ai+1，bj+1)}。经过不少于n次位移，即可获得一特定路径。接着，将该路径上所有经过坐标点的欧氏距离进行累加作为该路径长度，则存在h条可能路径，其中第k条路径长度为：
Dh＝∑d(a1，b1)→d(am，bn)，k∈h (3)
在对所有路径进行长度计算后，就可以选取d(a1，b1)至d(am，bn)路径最短距离作为DTW算法中所需路径，该路径长度为Dmin，并以此作为两条路径的相似度指标。
4)船舶轨迹聚类
基于DTW算法，在对两条路径相似度进行计算后，可以进一步推广到水域内所有船舶轨迹的相似度计算。并在获取所有轨迹间DTW长度后，可以使用空间聚类方法对各子轨迹段进行聚类。本发明选取DBSCAN方法进行轨迹聚类计算，其核心是选取任意子轨迹段作为起始聚类样本，给定邻域范围Ψ和最小线段参数τ，逐一比对其他所有子轨迹线段与该轨迹线段的DTW长度。当选定聚类样本满足特定邻域Ψ内包含子轨迹段个数大于设定最小线段参数τ，则认为选定的起始聚类样本满足核心轨迹要求，并于邻域Ψ内所包含其他子轨迹段构成聚类，依次类推完成所有子轨迹段的聚类。
至此，即可以客观定量地辨识水域内存在的船舶航路。
船舶在风电场附近水域航行期间，应该与场内风机设备保持一定间距来避免潜在的碰撞风险，船舶与风电场间距是能够精确衡量船舶是否能够通过风电场水域的重要参数之一，从而为风电水域船舶交通特征提取，单船航行风险评价提供有力支撑。但由于海上风电场分布并不规则，在计算船舶与风电场间距时，需要首先根据AIS数据提供的船舶某时刻船位信息，搜寻风电水域内与船舶距离最近风机，并进行最小间距计算，该问题的本质就是要解决一质点在任意位置时与另一不规则空间形状的最小间距自动求解问题。但目前国内外在该领域尚没有提供合理的解决方法，该问题也成为制约风电水域船舶风险量化的技术瓶颈之一。
为此，本研究参考计算机图形学理论中使用的二叉空间分割(Binary SpacePartition，BSP)思想，进一步结合船舶碰撞几何参数量化方法，提出了一种适用于海上风电水域航行船舶的最小通过距离算法(BSP-Based Minimum Passing Distance Approach，MPDA)，该方法在获得船舶实时船位信息的基础上，通过动态循环分割空间图形来识别与船舶最近风机并构建相应的二叉空间分割树(BSP树)。接着，研究讨论三种风电水域船舶通过潜在情况，并对应给出各种场景下船舶与风机距离的计算方法，从而实现风电水域内过往船舶的最小距离实时计算。具体介绍如下。
根据二叉空间分割思想，任意不规则平面均可以由一直线进行分割，从而形成两个子平面，通过不断对平面进行分割就可以将所有平面切割成最小单元。参考此思想，设定单个风机为最小平面单元，则通过对风电水域内所构成形状进行循环切割，即可以对任意风机进行搜寻，在已知船位的前提下计算该船与任意风机的间隔距离。但在实际操作中，由于风机数量较多，循环计算船舶与所有风机的间隔距离将会增加运算成本，不能满足船舶间距计算的需求；此外，在对过往船舶最小间距计算时，通常只需要考虑船舶与外围风机的最小通过距离，不需要考虑船舶与场内设备的间距。因此，在进行风电水域船舶间距计算时，可以对以上二叉空间分割方法进行简化处理。
定义某一时刻，风电场靠船舶一侧水域边界上包含u个风机q，即Q＝{q1，q2，…，qu}，Q中所含风机需按照空间分布由左向右或由上向下排列。对Q进行任意分割，将集合Q分为两子集合Q1＝{q1，q2，…，qv}与集合Q2＝{qv+1，qv+2，…，qu}，其中v为分割位置，需满足v＜u且v≠0。
设已知任意风机经纬度坐标Lon.q和Lat.q，计算目标船舶与集合内所包含风机各自距离pd，并计算两子集合内包含PD之和
Figure BDA0003671953050000101
和
Figure BDA0003671953050000102
Figure BDA0003671953050000103
判断最近距离风机qmin隶属的子集合Qmin：
Figure BDA0003671953050000111
对Qmin继续进行分割，并重复步骤3～4，直至集合Qmin内仅存在唯一元素qmin。
至此，即可获得在当前船舶位置下，距离该船最近风机编号及船舶与该船间距。如图4所是为本发明实施例的一种船舶最近风机辨识BSP树的流程图。
在此基础上，针对历史轨迹数据的处理需要考虑船舶轨迹线与风电场相对位置关系，计算船舶轨迹与分割后所形成图形间的间隔距离，根据船舶通过海上风电水域的不同场景，在MPDA中，如图5所示为本发明实施例的一种船舶通过海上风电场的三种不同情况：
在图5中，A和B是沿海上风电场边界的两个角点，点P是船舶通过水域时与风电场最近距离所在位置，点C为最近通过距离点P在风电场边界AB上的投影。在不同情况下的最小通过距离(MPD)的计算方法如下：
Figure BDA0003671953050000112
公式6中，参数K为判定系数，
Figure BDA0003671953050000113
当K≥1时表示船舶通过海上风电场右侧水域，即场景(b)；当K＜1且
Figure BDA0003671953050000114
和
Figure BDA0003671953050000115
不同方向时表示船舶通过海上风电场左侧水域，即场景(c)；当K＜1且
Figure BDA0003671953050000116
和
Figure BDA0003671953050000117
相同方向时，则表明船舶平行通过海上风电场水域，即场景(a)。根据向量运算规则，公式中
Figure BDA0003671953050000118
使用公式7可计算求得：
Figure BDA0003671953050000119
K可使用公式8计算获得：
Figure BDA00036719530500001110
由于AIS数据中船舶位置使用经纬度方式进行记录，在使用MPDA算法时，还需要将船舶经纬度坐标转换为对应位置变量。因此，AIS数据中记录的每个船舶位置(纬度和经度)将根据风电场位置信息使用如下公式进行地理坐标转换：
Figure BDA00036719530500001111
Figure BDA00036719530500001112
Figure BDA00036719530500001113
Figure BDA0003671953050000121
其中，Lon.n、Lat.n分别为第n个船舶位置的经度和纬度，Lon.A、Lon.B分别为A点和B点的经度，Lat.A、Lat.B分别表示A点和B点的纬度，角θ基于船舶及风电场所在位置经纬度进行计算。使用以上公式对船舶的所有位置点进行计算后，则可获得该船舶在通过海上风电水域航行时与风电场的间距实时变化情况。进一步计算该历史轨迹所有船位点与风电场的间隔距离，并选取最小值及其船位作为该轨迹最小通过距离和最小通过距离船位，可用如下公式表示：
Figure BDA0003671953050000122
通过使用以上算法对收集AIS数据中每条船舶轨迹进行处理，计算每条通过风电场水域船舶与风电场保持的最小安全距离大小，即可客观反映在风电场影响下，不同船舶基于经验选择的通过距离差异情况，从而为碰撞风险量化中安全距离参数的设置提供参考，此外，该方法还能够实时计算单船与风电场边界最小距离参数，客观反映单船与风电场航行时的碰撞威胁，从而为风险量化工作提供支持。
在现实情况下，船舶航行行为会受到船舶性能、驾驶员习惯和水域环境等多方面因素影响，驾驶员需要综合考虑多方面因素选择合适的航行路线，不同船舶在通过海上风电场时使用的航行路线存在很大差异。因此，使用正态分布进行航路内船舶分布拟合难以准确反映水域内交通流的实际情况。为此，本研究参考道路研究领域相关成果，使用高斯混合分布模型(Gaussian Mixture Model)对船舶在航路中分布情况进行拟合建模。高斯混合分布模型使用多个加权的正态分布描述对象分布情况，在模型中使用的高斯分布数量一般不少于3个，某交通流分布P(x)可使用高斯混合分布模型表示为：
Figure BDA0003671953050000123
其中x为风电场与单船间距，pk(x)为模型中子分布，而wk为对应的子分布权重。pk(x)可通过公式15计算求得：
Figure BDA0003671953050000124
其中σ2为该子分布中方差。在高斯混合分布中，所有子分布pk的权重之和为1，即：
Figure BDA0003671953050000125
接着，研究将使用K-S检验方法对构建的交通流分布模型进行检验。该方法主要通过对比分布预测结果与实际数据之间的差值，如验证分布累计差值小于可接受值P(通常取0.05)，则认为该分布检验通过，反之则不通过。
由于获取的交通流分布模型能够客观地描述水域内特定航路内船舶分布情况，辨识特定航路边际带分布和航路宽度，反映海上风电场建成前后风电场对船舶交通流的实际影响，从而为海上风电水域船舶交通流综合评价提供数据支持。
本发明选择福建莆田平海湾二期海上风电项目(B区)作为研究对象开展数据采集工作。该风电场项目于2016年建成，位于莆田沿海台湾海峡西北部，距海岸约8.3海里，风电场区水深6到14米，设计发电能力50兆瓦，占地面积为24.3平方千米。该风电场水域周围的航行环境比较复杂，存在多条沿岸航路及习惯航路。场区附近存在多个在建海上风电场，分布在该风电水域西北及东南侧。水域西北面为南日岛主岛及浅滩，东北部存在大量暗礁。风电场区西侧有南日水道，是福建水域沿海船舶航行的主要航路之一。但该航路尚未实行分道通航(Traffic Separation Scheme，TSS)，航路内船舶南北向会遇局面频发，航路内船舶种类复杂，近岸小型商船大多沿南日水道行驶。由于风电场建成前该航线部分穿越风电场拟建设水域，故在项目建成后航路受到明显影响。如图6所示为本发明实施例的莆田平海湾海上风电场位置的示意图，示出了风电场及南日水道的具体位置。
本发明使用的AIS数据为该水域2014年和2017年全年的原始AIS数据。AIS数据采集范围为一矩形区域，该矩形的边界点为左上角24°57'55N”、119°5'15”E和右下角25°19'43”N、119°42'42”E。
本发明首先对水域内通过船舶数量在风电场建成前后变化进行统计。统计分析包括通过船舶数量、通过船舶类型、通过船舶平均速度分布等。
首先，根据所获取的AIS数据可以发现，在风电场建成后，水域内主要船舶类型包括：普通货船、油船、渔船和运维船舶。如图7所示为本发明实施例的一种通过风电场水域船舶类型统计；示出了各种船舶通过数量占比情况。其中，普通货船在2014年数量占比为41.69％，2017年数量占比变为24.37％；油船在建成前占比23.31％，2017年风电场建成后占比27.63％；渔船数量占比分别为33％和41％；运维及作业船舶数量占比分比为2％和7％。
对水域内船舶通过平均速度进行统计，如图8所示为本发明实施例的一种海上风电场建成前后水域内船舶通过平均速度统计，在风电场建成前，该航路内船舶平均通过航速为8.53节，船舶速度主要分布在8到10节，其中船舶速度在9节到9.5节之间的数量达到1802条。2017年风电场建成后，该水域内船舶速度发生变化，船舶平均速度为7.96节，主要分布介于6至10节之间，峰值出现在7到7.5节之间，共计1716条。
具体来看，如图9所示为本发明实施例的一种海上风电场船舶月、天通过平均速度统计，在风电场建成后，水域内船舶在全年各月及月内每日的平均通过速度及速度分布标准差如图9所示。
在2017年全年中，可以发现船舶的平均速度基本分布在8节左右，其中四月份的船舶速度最高，11月速度最低。主要原因是由于在渔汛期内，该水域渔船数量较多，这些渔船在进行作业过程中的航速相对较低，降低了该水域船舶的平均航速。同时可以发现，在一个月中每月中旬船舶的速度相对较高。
如图10所示为本发明实施例的一种海上风电场内船舶不同时刻通过平均速度，示出了每天不同时段船舶速度的变化情况。可以发现船舶通过风电水域的平均速度在一天内的波动具有一定的规律性。在白天(早八点至晚六点)，通过船舶的平均航速逐渐上升，并在正午12点时达到最高平均速度，15点后，船舶速度开始发生下降，并在22点时下降至最低平均速度。
根据以上研究可以总结规律如下：与风电水域船舶航行风险相关的交通流特征因素包括流量、速度、通过时间、季节等；风电水域内船舶通航速度受季节影响较为明显，船舶在春季、夏季平均航速高于秋冬两季；此外，能见度与船舶航速具有紧密关联，如水域内船舶在白天航行速度通常要高于夜晚。以上结论将能够作为后续进行水域通航风险评价中因素影响量化的重要支撑。
将船舶AIS信息输入IWRAP系统进行水域船舶轨迹标绘，结果可得到建成前后该海上风电场水域附近船舶轨迹的空间分布情况，如图11所示为本发明实施例的一种平海湾海上风电场建成前后附近水域船舶交通流分布。
根据轨迹标绘的结果可以初步发现，该海上风电场在建设前，水域内存在大量船舶航路，在风电场拟建设场址四面均有分布，尤其以西、西北侧南日水道内存在大量过往船舶。在风电场建成后，水域内船舶交通流更为规整，但在风电场西北侧、东侧和南侧仍然存在船舶航行轨迹。
接着，本发明使用提出的基于动态时间规整的船舶轨迹空间聚类方法对所2017年所获得所有轨迹进行聚类处理，从而辨识该风电水域内可能影响船舶航行的所有船舶航路分布情况。在对所有轨迹进行特征提取后，使用DTW算法对所获得轨迹进行一一比对，从而计算所有船舶轨迹的相似程度(即DTW距离)。如在一段时间内，某两条船舶轨迹T1和T2在该段时间内分别包含13个和15个船位信息，如表1所示。
表1船舶轨迹信息
Figure BDA0003671953050000141
Figure BDA0003671953050000151
可以发现，由于船舶AIS信息播发并非时序一致，因此在单位时间内两船所采集的船位信息数量存在差异。在进行船舶轨迹相似度计算前，需要首先对两船的轨迹时序进行统一，图12为本发明实施例的一种轨迹时序规整。
接着，为使用DTW算法计算以上两条轨迹得相似程度，需先获取以上两条轨迹所构成得使用公式1计算各坐标点间的欧氏距离，并构建两轨迹欧氏距离矩阵。如表1中T1与T2两初始点坐标轨迹可计算为：
Figure BDA0003671953050000152
类似地，使用以上方法即可计算两轨迹中所有船位点间的欧氏距离，并构建矩阵，如图13所示为本发明实施例的一种DTW路径计算。值得注意的是，由于在计算中两船位点间经纬度相差可能较小，从而影响轨迹相似度计算结果精确度，在构建两轨迹的欧氏距离矩阵过程中，需要对所有参数进行归一化处理。
基于动态寻优思想，该矩阵内由左上至右下点最短路径步长为19，路径轨迹为
Figure BDA0003671953050000153
Figure BDA0003671953050000154
累计DTW长度为1.1，即作为以上两条轨迹的相似度指标。
重复以上步骤，研究继续对采集的17444条船舶轨迹进行相似度计算后，如图14所示为本发明实施例的一种船舶轨迹相似度计算结果。
如图14所示，所获得船舶轨迹相似度分布大多介于0到1.5之间，因此本发明选取1.5作为DTW长度删选阈值，即当两轨迹DTW长度大于1.5时，则认为两条轨迹分属不同簇类。基于以上结果，可将所有轨迹按照其相似度结果进行分类，如图15所示为本发明实施例的一种船舶轨迹相似度计算结果。
根据对水域内轨迹聚类结果发现，该风电水域附近存在子轨迹簇共有10个。为了解各轨迹段具体交通流特征情况，本发明进一步对内船舶数量和船舶类型进行统计：子轨迹段1内含有船舶轨迹3744条，子轨迹段2内含有船舶轨迹3503条，子轨迹段3内含有船舶轨迹4043条，子轨迹段4内含有船舶轨迹782条，子轨迹段5内含有船舶轨迹763条，子轨迹段6内含有船舶轨迹651条，子轨迹段7内含有船舶轨迹354条，子轨迹段8内含有船舶轨迹912条，子轨迹段9内含有船舶轨迹558条，子轨迹段10内含有船舶轨迹391条。其中，子轨迹段1、2、3内船舶主要类型为普通货船、油船，总数为7921条，占比约为70.2％；子轨迹段4、5、6、7、8、9、10内主要船舶类型均为渔船，总数达到3818条，占比达到86.6％。基于以上分析结果，以上子轨迹段中1、2、3属于南日水道航路，主要为商船传统航路；子轨迹段4-10均为渔船进出港经验航路。
由航路辨识结果可以发现，研究对象水域西北侧南日水道航路通过船舶数量较大，且航行船舶多为货船、油船等大型船舶，可作为典型航路开展风电场对航路的影响分析。为此，研究选取风电场西侧南日水道中段设立观测门限，并对2014年及2017年船舶在该航路的空间分布情况进行统计，如图16所示为本发明实施例的一种风电场建成前后交通流横向分布统计。
从图16中可以发现，南日水道在风电场建成后(2017年)，航路东侧边间存在明显的向西侧偏移趋势，但由于航路水域西侧沿岸除存在浅滩水域，该航路西侧边间并未发生显著变化。结果证明，该风电场的建设压缩了南日水道内船舶的可航水域。
接着，本发明采用高斯混合分布模型对风电场水域建成前后南日水道内船舶分布情况进行拟合，从而量化分析风电场对该航路影响程度。根据前文介绍的模型方法对门限上不同单位距离过往船舶数量进行统计后，再使用高斯混合分布模型进行分布拟合，得到模型参数结果如表2所示。
表2南日水道内船舶通过拟合混合高斯模型参数
Figure BDA0003671953050000161
为验证该拟合模型的有效性，研究采用K-S检验方法对获得模型进行测试。结果证明该拟合模型测试参数均符合最大差值累计D小于累计阈值Dα，即D＜Dα，见表3。
表3船舶交通流高斯混合模型K-S测试结果
Figure BDA0003671953050000162
Figure BDA0003671953050000171
进一步对构建的高斯混合分布模型进行测试，研究计算了四个模型随着间距x的变化所预测的船舶通过概率与实际情况的差值情况，如图17所示为本发明实施例的一种K-S测试残值累积图。
可以发现，四个高斯混合分布模型预测差值在任意距离x的情况下均小于0.01，故证明拟合的分布模型准确性较高，可以用于描述航路内船舶分布实际情况。
接着，研究假设风电场边界为原点，以100米作为距离间隔，使用获得的分布模型进行船舶通过距离概率进行计算。根据模型计算结果，船舶在海上风电场建成前后，航路内南向与北向船舶以不同距离通过风电场的间的概率结果，如图18所示为本发明实施例的一种平海湾风电场建成前后南日水道船舶分布情况拟合结果。
根据图18可以发现，风电场建成前，该航路中心位置基本与风电场边界重合，航路宽度约为4500米，南向与北向船舶在航道的位置基本一致，集中在-500米到1000米及2000米到3000米之间。在风电场建成后，该航路宽度明显压缩，下降至2500米左右，且在过往船舶中，北向船舶多集中于1000米到3000米左右通过风电场水域，而南向船舶则集中在1100米到3000米，3700米到4200米两个间距通过风电场水域。使用90％航迹带宽度作为该航道宽度，可以发现，该航路内交通流在风电场建成后发生了明显的偏移，水域内船舶保持不低于1000米(北向)和1100米(南向)两个最小距离通过风电场水域。
为辨识水域内船舶在风电场建成前后的个体航行行为变化差异，研究在基于已有风电场建成前后(2014年、2017年)全年AIS数据的基础上，使用提出的船舶最小通过距离计算方法对水域内所有通过风电水域船舶的最小通过距离进行了计算和统计。风电场建成前后该水域内船舶距离风电水域最近位置分布，图19为本发明实施例的一种船舶通过海上风电场水域最小通过距离点位置分布。
可以发现，在风电建成前(如图19a)，过往船舶位置在随机水域各处均有分布，在拟建设风电水域的四面均有船舶驶过。而在风电场建成后(如图19b)，风电场向外保护区域内基本无船舶驶入，其中在西北航路侧船舶均风电场保持0.5海里以上安全距离，仅少部分船舶在风电场南部通过间距小于0.5海里。
进一步对2017年该水域船舶AIS数据包含所有通过风电水域船舶的最小通过距离进行了计算，结果如表4所示。
表4 2017年船舶通过海上风电水域最小通过距离统计结果
Figure BDA0003671953050000172
Figure BDA0003671953050000181
根据表4所示统计结果，在2017年海上风电场建成后，仅有8％船舶在通过海上风电场时的通过距离小于0.5海里，其中有263条船舶闯入海上风电场内部(通过距离小于0)，占比达到2％；18％的船舶以0.5到1海里的距离通过；1到2海里通过的船舶数量达到10713条，占比达到61.4％；船舶以2到3海里通过海上风电场数量为1248条，占比7.2％；超过3海里以上距离的通过海上风电场的船舶数量为965条，占全年通过水域船舶数量的5.5％。
根据以上统计结果可以发现，在研究选取风电水域内，船舶大多至少保持与风电场0.5海里以上距离通过，其中以有61.4％的船舶选择和海上风电场保持1到2海里的距离。但由于该水域内除包括普通货船外，还存在一定数量的油船和渔船，不同类型的船舶在通过风电水域时所选择的安全距离可能存在差异，因此需要进一步讨论在不同船舶类型条件下，水域内通过船舶的最小距离分布情况。
在根据船舶类型将2017年收集AIS数据分为普通货船、油船、渔船和其他运维船舶四类后，使用同样方法对不同类型船舶的通过距离进行了统计，如图20所示为本发明实施例的一种不同类型船舶与海上风电场水域最小通过距离统计。可以发现，该水域内船舶的最小通过距离参数与船舶类型存在紧密关联。具体来看：
普通货船在通过风电水域时，各船舶保持的通过距离出现了两个峰值，分别集中于0.5到1.5海里和3.0到4.0海里两个区间之内，结合上文对该水域航路辨识结果，其主要原因是由于该水域普通货船主要沿南日水道航行，即在航路辨识分析中所辨识的1、2、3子轨迹段(见图15)，其中1航段构成该与风电场边界距离介于3到4海里之间，而2、3航段距离风电场边界约在0.5到1.5海里之间；
油船在通过风电场时大都至少保持1海里的安全距离，其中约有78％的船舶与海上风电场安全间距超过1.5海里。类似于普通货船，该水域油船主要出现在2、3子轨迹段。尽管使用航路相同，但对比来看，油船选择通过水域的安全距离要大于普通货船。
不同于以上两类船舶，对渔船在通过海上风电场时的最小间距统计结果表明多数渔船均以较近的距离通过海上风电场(通过最小距离小于1海里)，根据航路分析结果可知该水域内渔船主要沿轨迹段4、5、6、7、8、9、10形成的航路航行，总数达到3818条，其中4、5、6、8几段航路距离风电场间距均小于1海里，7子轨迹段所在航路距风电场约1.5海里，9、10两轨迹段距离风电场航路约为3.5海里左右。由此可得，渔船比普通货船和油船选择的通过距离更小。
运维船舶及其他船舶，和渔船类似，此类船舶同样选择较低的通过距离(小于1海里)，且小于0.5海里通过的船舶占比高达18％，其主要原因是船舶特殊作业性质，可能需要进入海上风电场进行运维或施工作业。但由于此类船舶在全年统计船舶数量占比较低，对水域内船舶平均通过距离影响不大。
综合以上统计结果，船舶最小通过距离与船舶类型均有显著关联，根据不同类型船舶的最小通过距离大小可以做如下排序：分别为油船、普通货船、渔船、运维和其他船舶。其中，油船的最小通过距离应大于1.5海里，货船通过距离介于0.5到1.5海里，渔船介于0.5到1海里之间，而其他运维船舶则存在进入风电场的情况。
针对风电水域通航环境复杂，水域交通流汇集，船舶航路辨识困难的问题，本发明基于动态时序规整算法进行了风电水域附近的船舶航路辨识；面对单船通过风电水域时船舶动态风险度量问题，研究提出基于船舶与风电最小间距指标计算方法，通过使用空间二叉分割理论解决了非规则空间水域内船舶最小间距计算和最近风机辨识问题；针对风电附近航路内船舶空间分布表征问题，研究使用了混合高斯分布方法描述任意航路内船舶空间分布情况，为风电水域船舶交通流特征研究提供有力的理论和方法支撑。
基于以上方法，研究选取福建莆田平海湾海上风电场所在水域开展典型案例分析，本发明发现与风电场水域船舶航行风险相关的交通流特征参数包括船舶类型、船舶航速、通过数量、空间分布等。研究对象水域中，识别的1、2、3子轨迹段所在航路(南日水道)内主要为普通货船和油船，而水域内其他子轨迹段所在航路中超过86％以上船舶均为渔船或运维作业船舶；在风电场建成后，船舶与风电场一般保持1000米以上通过，但根据船舶类型和尺度不同存在一定差异，不同船舶在选择通过距离时由远至近分别为油船、普通货船、渔船、运维和其他船舶。
实施例三：
本发明还提供一种风电场水域船舶交通流分析的装置，如图21所示，该装置包括处理器2101、存储器2102、总线2103、以及存储在存储器2102中并可在处理器2101上运行的计算机程序，处理器2101包括一个或一个以上处理核心，存储器2102通过总线2103与处理器2101相连，存储器2102用于存储程序指令，处理器执行计算机程序时实现本发明的上述方法实施例中的步骤。
进一步地，作为一个可执行方案，风电场水域船舶交通流分析的装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。系统/电子设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述系统/电子设备的组成结构仅仅是系统/电子设备的示例，并不构成对系统/电子设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件。例如系统/电子设备还可以包括输入输出设备、网络接入设备、总线等，本发明实施例对此不做限定。
进一步地，作为一个可执行方案，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是系统/电子设备的控制中心，利用各种接口和线路连接整个系统/电子设备的各个部分。
存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现系统/电子设备的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例四：
本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
系统/电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一个计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (10)

1.一种风电场水域船舶交通流分析的方法，用于分析风电场水域的船舶交通流特征，其特征在于，包括：
S1，获取所述风电场水域预设范围内选定船舶的历史AIS数据；
S2，根据所述船舶的历史AIS数据获得所述选定船舶的轨迹；
S3，对所述船舶的轨迹中每条轨迹的所有船位点，使用二叉空间分割算法计算当所述船舶在所述船位点时与所述风电场的最小通过距离，并将计算出的最小通过距离中的最小值作为对应轨迹与所述风电场的最小通过距离，由此获得每条轨迹的最小通过距离；
其中，所述步骤S3中，使用二叉空间分割算法计算当所述船舶在所述船位点时与所述风电场的最小通过距离包括：
S31，获得由所述风电场靠船舶一侧水域边界上包含的u个风机q组成的集合Q，即Q＝{q1，q2，…，qu}，Q中所含风机按照空间分布由左向右或由上向下排列，u为正整数；
S32，对集合Q进行任意分割，将集合Q分为子集合Q1＝{q1，q2，…，qv}与子集合Q2＝{qv+1，qv+2，…，qu}，其中，v为分割位置，满足v＜u且v≠0；
S33，设已知任意风机经纬度坐标分别为Lon.q和Lat.q，计算船舶与所述集合内所包含的各风机的距离pd，并计算两子集合内包含pd之和
Figure FDA0003671953040000011
和
Figure FDA0003671953040000012
Figure FDA0003671953040000013
Figure FDA0003671953040000014
S34，判断最近距离风机qmin隶属的子集合Qmin：
Figure FDA0003671953040000015
S35，对Qmin继续进行分割，并重复步骤S33～S34，直至集合Qmin内仅存在唯一元素qmin，所述唯一元素qmin对应的风机即为当所述船舶在所述船位点时离所述船舶最近的风机；
S36，根据船舶的位置、离船舶最近的风机的位置和风电场一侧风机集合Q确定风电场的边界，并根据所述边界确定出船舶在所述船位点时与所述风电场的最小通过距离MPD。
2.根据权利要求1所述的方法，其特征在于，所述步骤S36还包括：
设A和B是所述风电场边界的两个角点，点P是船舶通过水域时与风电场最近距离所在位置，点C为最近通过距离点P在风电场边界AB上的投影，根据点C在边界AB的分布情况得到船舶和风电场的最小通过距离MPD为：
Figure FDA0003671953040000021
其中，参数K为判定系数，
Figure FDA0003671953040000022
Figure FDA0003671953040000023
为点C相对于点A的向量，
Figure FDA0003671953040000024
为点B相对于点A的向量，
Figure FDA0003671953040000025
为向量
Figure FDA0003671953040000026
的长度，
Figure FDA0003671953040000027
为向量
Figure FDA0003671953040000028
的长度，
Figure FDA0003671953040000029
为向量
Figure FDA00036719530400000210
的长度。
3.根据权利要求1所述的方法，其特征在于，还包括：对所述船舶的轨迹进行聚类以获得所述风电场水域的航路信息的步骤。
4.根据权利要求3所述的方法，其特征在于，对所述船舶的轨迹进行聚类以获得所述风电场水域的航路信息的步骤包括：
根据所述船舶的轨迹中包括的所述轨迹的起点、终点和轨迹特征点，将所述轨迹特征点的所有船位信息按其时序特征进行排列并依次连接以获得所述轨迹的子轨迹；
删除异常船位特征点并对所述轨迹进行平滑处理，将所述船舶的轨迹切分成一个或多个子轨迹段；
采用基于动态时间规整的空间聚类算法计算所述平滑处理后的船舶的轨迹的相似度指标，采用DBSCAN算法对所述相似度指标进行轨迹聚类，得到所述风电场水域的航路信息。
5.根据权利要求2所述的方法，其特征在于，还包括：
根据向量运算规则，使用如下公式计算
Figure FDA00036719530400000211
Figure FDA00036719530400000212
使用如下公式计算所述K：
Figure FDA00036719530400000213
6.根据权利要求5所述的方法，其特征在于，还包括：将所述历史AIS数据中记录的每个船舶位置根据风电场位置信息使用如下公式进行地理坐标转换：
Figure FDA00036719530400000214
Figure FDA00036719530400000215
Figure FDA00036719530400000216
Figure FDA00036719530400000217
其中，Lon.n、Lat.n分别为第n个船舶位置的经度和纬度，Lon.A、Lon.B分别为A点和B点的经度，Lat.A、Lat.B分别表示A点和B点的纬度。
7.根据权利要求4所述的方法，其特征在于，还包括：基于高斯混合分布模型统计所述航路包含的船舶的轨迹的分布信息。
8.根据权利要求1所述的方法，其特征在于，还包括：
根据所述船舶的历史AIS数据确认船舶类型，所述船舶类型至少包括普通货船、油船、渔船和运维船舶，统计与所述船舶类型对应的最小通过距离的分布信息；
根据所述船舶的历史AIS数据和所述船舶类型，统计与所述船舶类型对应的船舶数量的分布信息；
根据所述船舶的历史AIS数据和所述船舶类型，统计与所述船舶类型对应的船舶平均速度的分布信息。
9.一种风电场水域船舶交通流分析的装置，其特征在于，包括存储器和处理器，所述存储器存储有至少一段程序，所述至少一段程序由所述处理器执行以实现如权利要求1至8任一所述的风电场水域船舶交通流分析的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一段程序，所述至少一段程序由所述处理器执行以实现如权利要求1至8任一所述的风电场水域船舶交通流分析的方法。
CN202210607419.8A 2022-05-31 2022-05-31 一种风电场水域船舶交通流分析的方法、装置和存储介质 Pending CN114936332A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210607419.8A CN114936332A (zh) 2022-05-31 2022-05-31 一种风电场水域船舶交通流分析的方法、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210607419.8A CN114936332A (zh) 2022-05-31 2022-05-31 一种风电场水域船舶交通流分析的方法、装置和存储介质

Publications (1)

Publication Number Publication Date
CN114936332A true CN114936332A (zh) 2022-08-23

Family

ID=82866636

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210607419.8A Pending CN114936332A (zh) 2022-05-31 2022-05-31 一种风电场水域船舶交通流分析的方法、装置和存储介质

Country Status (1)

Country Link
CN (1) CN114936332A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116562598A (zh) * 2023-07-07 2023-08-08 成都花娃网络科技有限公司 一种分销调度方法、装置及存储介质
CN116592894A (zh) * 2023-07-11 2023-08-15 天津中远海运散运数字科技有限公司 一种航线规划方法、装置及存储介质
CN116913134A (zh) * 2023-09-13 2023-10-20 交通运输部水运科学研究所 监控海上风电场与船舶之间距离的方法、电子设备
CN116978260A (zh) * 2023-07-21 2023-10-31 交通运输部规划研究院 基于ais船舶标准化的海上交通流态势评估方法
CN117251748A (zh) * 2023-10-10 2023-12-19 中国船舶集团有限公司第七〇九研究所 一种基于历史规律挖掘的航迹预测方法、设备及存储介质
CN116978260B (zh) * 2023-07-21 2024-05-10 交通运输部规划研究院 基于ais船舶标准化的海上交通流态势评估方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116562598A (zh) * 2023-07-07 2023-08-08 成都花娃网络科技有限公司 一种分销调度方法、装置及存储介质
CN116562598B (zh) * 2023-07-07 2023-09-19 成都花娃网络科技有限公司 一种分销调度方法、装置及存储介质
CN116592894A (zh) * 2023-07-11 2023-08-15 天津中远海运散运数字科技有限公司 一种航线规划方法、装置及存储介质
CN116592894B (zh) * 2023-07-11 2023-12-26 天津中远海运散运数字科技有限公司 一种航线规划方法、装置及存储介质
CN116978260A (zh) * 2023-07-21 2023-10-31 交通运输部规划研究院 基于ais船舶标准化的海上交通流态势评估方法
CN116978260B (zh) * 2023-07-21 2024-05-10 交通运输部规划研究院 基于ais船舶标准化的海上交通流态势评估方法
CN116913134A (zh) * 2023-09-13 2023-10-20 交通运输部水运科学研究所 监控海上风电场与船舶之间距离的方法、电子设备
CN116913134B (zh) * 2023-09-13 2023-11-14 交通运输部水运科学研究所 监控海上风电场与船舶之间距离的方法、电子设备
CN117251748A (zh) * 2023-10-10 2023-12-19 中国船舶集团有限公司第七〇九研究所 一种基于历史规律挖掘的航迹预测方法、设备及存储介质
CN117251748B (zh) * 2023-10-10 2024-04-19 中国船舶集团有限公司第七〇九研究所 一种基于历史规律挖掘的航迹预测方法、设备及存储介质

Similar Documents

Publication Publication Date Title
Zhang et al. A predictive analytics method for maritime traffic flow complexity estimation in inland waterways
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
Zissis et al. A distributed spatial method for modeling maritime routes
Xin et al. A simulation model for ship navigation in the “Xiazhimen” waterway based on statistical analysis of AIS data
Cheng et al. Using big data to track marine oil transportation along the 21st-century Maritime Silk Road
Chen et al. A quantitative approach for delineating principal fairways of ship passages through a strait
Lee et al. Maritime traffic route detection framework based on statistical density analysis from AIS data using a clustering algorithm
Wang et al. GIS-based analysis on the spatial patterns of global maritime accidents
Zhang et al. An interpretable knowledge-based decision support method for ship collision avoidance using AIS data
Chen et al. Ship trajectory reconstruction from AIS sensory data via data quality control and prediction
CN114742128A (zh) 一种船舶异常行为的识别方法、装置、终端和存储介质
CN110188797A (zh) 一种基于贝叶斯优化的智能汽车快速测试方法
Naus Drafting route plan templates for ships on the basis of AIS historical data
Yang et al. Maritime traffic flow clustering analysis by density based trajectory clustering with noise
Zhao et al. An adaptive hierarchical clustering method for ship trajectory data based on DBSCAN algorithm
Wen et al. Spatio-temporal route mining and visualization for busy waterways
Kim et al. Study on the analysis of near-miss ship collisions using logistic regression
Liu et al. A data mining method to extract traffic network for maritime transport management
Copping et al. Likelihood of a marine vessel accident from wind energy development in the Atlantic
Lu et al. Shape-based vessel trajectory similarity computing and clustering: A brief review
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
Xia Navigational risk analysis based on GIS spatiotemporal trajectory mining: a case study in Nanjing Yangtze River Bridge waters
Bonham et al. Analysing port and shipping operations using big data
Lee et al. Calculation of categorical route width according to maritime traffic flow data in the Republic of Korea
Zhou et al. Vessel classification method based on vessel behavior in the port of Rotterdam

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