CN114999231A - 一种基于ais数据的多船会遇场景侦测方法、系统及平台 - Google Patents
一种基于ais数据的多船会遇场景侦测方法、系统及平台 Download PDFInfo
- Publication number
- CN114999231A CN114999231A CN202210585219.7A CN202210585219A CN114999231A CN 114999231 A CN114999231 A CN 114999231A CN 202210585219 A CN202210585219 A CN 202210585219A CN 114999231 A CN114999231 A CN 114999231A
- Authority
- CN
- China
- Prior art keywords
- ship
- meeting
- data
- scene
- ships
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 65
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 52
- QZXCCPZJCKEPSA-UHFFFAOYSA-N chlorfenac Chemical compound OC(=O)CC1=C(Cl)C=CC(Cl)=C1Cl QZXCCPZJCKEPSA-UHFFFAOYSA-N 0.000 claims description 37
- LFULEKSKNZEWOE-UHFFFAOYSA-N propanil Chemical compound CCC(=O)NC1=CC=C(Cl)C(Cl)=C1 LFULEKSKNZEWOE-UHFFFAOYSA-N 0.000 claims description 36
- 238000011160 research Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 20
- 238000012216 screening Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000013459 approach Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000010410 layer Substances 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 5
- 239000002346 layers by function Substances 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 6
- 230000003068 static effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 206010027339 Menstruation irregular Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Radar, Positioning & Navigation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Remote Sensing (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Ocean & Marine Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种基于AIS数据的多船会遇场景侦测方法、系统及平台，方法包括：对获取的原始AIS数据进行预处理，得到时间同步的船舶轨迹数据；构建判断两船会遇的时空约束条件；基于时空约束条件，从船舶轨迹数据中提取出两船会遇场景；基于提取出的两船会遇场景，利用滑动时间窗口进行多船会遇场景侦测。本发明首先对原始的AIS数据进行预处理；然后利用统计分析等方法、结合航海专家经验来构建判断两船会遇的时空约束条件，并基于已经处理好的AIS数据实现两船会遇场景的提取；随后，基于两船会遇场景提取结果，利用滑动时间窗口方法逐一匹配两船会遇场景从而实现对于多船会遇场景的侦测。
Description
技术领域
本发明涉及多船会遇技术领域，具体为一种基于AIS数据的多船会遇场景侦测方法、系统及平台。
背景技术
各类水上事故的发生使海上运输的安全性面临挑战，根据各国海上事故统计和分类结果，船舶碰撞事故通常占据最高的发生比例，由于碰撞事故往往伴随的巨大生命财产损失和环境污染，该类事故已成为船舶航行安全的最大威胁之一。因此，船舶碰撞风险辨识及航行水域内碰撞风险分析等相关理论和方法的研究对于保障船舶航行安全、提高水运交通安全管理水平等具有重要意义。
由于碰撞事故发生的频率相对较低，仅仅利用船舶碰撞事故的历史记录数据对水域内的船舶碰撞风险进行分析是存在困难的，且分析结果往往也并不准确。因此，船舶会遇作为碰撞的前提条件，由于其频繁出现于船船之间，而成为碰撞风险分析的一种有效途径。在船舶交通领域中，会遇往往被定义为一个过程，即当船舶之间有相互驶近的趋势，并且彼此之间存在碰撞的风险，那么这些船舶之间就构成了一个会遇场景。目前，随着船舶自动识别系统(AIS)的普及，利用大数据分析的理论与方法开展船舶会遇研究已经成为水上交通风险分析研究领域的一个热点。
到目前为止，已有一系列的船舶会遇提取方法被提出，这些方法总体而言可以分为三类，分别为基于指标的方法、基于领域的方法和基于速度障碍的方法。由于后两者的计算成本较高，而且随着参与会遇的船舶数量的增加，这种计算成本也将大大增加，所以他们在多船会遇场景的侦测中并不占优势，尤其是当船舶会遇场景十分复杂时，这种劣势将体现的更加明显，所以这里主要针对第一种方法进行阐述。
基于指标的方法的核心思想是利用一系列船舶运动参数来构建风险评价模型，进而来判断船舶之间的会遇关系，常常用到的船舶运动参数包括船长、船舶之间的相对速度、相对距离、最近会遇距离(DCPA)和最近会遇时间(TCPA)等。但这种方法往往是在每个时间切片上对船舶之间的会遇关系进行判断，其只考虑了船舶之间瞬时的会遇关系，而没有考虑船舶之间的时序演化特征，即没有从整个船舶会遇过程来判断船舶之间的会遇情况，所以常常会造成会遇情况的误判。例如图1中所示的场景，如果按照时间切片来判断两条船舶轨迹的会遇关系，那么在t1时刻两船将被判断成会遇关系，但是在t2时刻的时候两船又不构成会遇关系了，所以就造成了判断上的不一致；而如果我们从整个过程，即从t1～t4这整个时间段来分析，则会发现这两条船舶并没有构成会遇关系，因为他们两者的最近会遇距离一直保持在一个较大的值。因此，现在这种基于时间切片对船舶会遇场景进行判断的方法是并不可靠的。
另外，这种基于指标的方法通常主要针对两船之间的会遇关系进行判断，对于多船会遇侦测的研究还较少，已经存在的一些针对多船会遇场景侦测的研究往往是通过设定一个距离阈值来辨识多船会遇场景，即如果某些船舶之间的相对距离小于某个数值，那么就认为这些船舶构成一个多船会遇场景。但这种判断方法没有考虑船舶之间的冲突关系，通常会把不存在碰撞风险的船舶也辨识成一个多船会遇场景，从而使最终的多船会遇辨识结果并不准确。例如图2中所示的场景，按照现在的方法设置船舶周围距离r为一个阈值来判断船舶会遇情况，那么可以侦测出两个多船会遇场景，在多船会遇场景1中共包括4条船，在多船会遇场景2中共包括3条船，然而实际上在场景1中的ship1和ship2两条船的航速航向完全相同，所以两条船之间其实并没有碰撞危险，同样的情况也存在于场景2中的ship5和ship6当中。因此，当前这种利用距离阈值来侦测多船会遇场景的方法并不能准确的对船舶之间的会遇关系进行刻画。
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数据的多船会遇场景侦测方法、系统及平台，用以解决上述至少一个技术问题。
根据本发明说明书的一方面，提供一种基于AIS数据的多船会遇场景侦测方法，包括：
对获取的原始AIS数据进行预处理，得到时间同步的船舶轨迹数据；
构建判断两船会遇的时空约束条件；
基于时空约束条件，从船舶轨迹数据中提取出两船会遇场景；
基于提取出的两船会遇场景，利用滑动时间窗口进行多船会遇场景侦测。
上述技术方案首先对原始的AIS数据进行预处理；然后利用统计分析等方法、结合航海专家经验来构建判断两船会遇的时空约束条件，并基于已经处理好的AIS数据实现两船会遇场景的提取；随后，基于两船会遇场景提取结果，利用滑动时间窗口方法逐一匹配两船会遇场景从而实现对于多船会遇场景的侦测。
上述技术方案从船舶会遇的整个过程出发，对船船之间的会遇关系进行判断，即从一个时间序列的角度对船舶之间的会遇关系进行判断，降低了会遇场景的误判率；而且在对多船会遇关系进行侦测时，充分考虑了船船之间的冲突关系，也避免了将不存在碰撞危险的船舶划分到一个场景中这种情况的发生，提高了侦测的准确率。
作为进一步的技术方案，对获取的原始AIS数据进行预处理进一步包括：对原始AIS数据进行数据解析；对解析后的AIS数据进行数据清洗和插值处理，得到时间同步的船舶轨迹数据，形成船舶轨迹集。
AIS数据中包含船舶的动态信息、静态信息，动态信息包括船舶的经纬度位置信息、对地航速(Speed Over Ground,SOG)、对地航向(Course Over Ground,COG)等运动参数信息，静态信息包括船舶的尺寸、吃水、船舶类型等信息。由于原始的AIS信息是带有时间戳的未解码报文信息，不能直接用于船舶会遇的研究，因此需要对AIS数据进行解析和预处理。
作为进一步的技术方案，判断两船会遇的时空约束条件构建为：
条件1：会遇的船舶轨迹均位于研究水域当中；
条件2：两船舶轨迹在研究水域中存在共现的时间区段；
条件3：两船舶在较近的距离上驶过，且在两船接近到最近会遇点前存在一段时间使两船的DCPA和TCPA一直维持在较小的取值范围，且TCPA取值大于0。
作为进一步的技术方案，基于时空约束条件，从船舶轨迹数据中提取出两船会遇场景进一步包括：
基于预处理后的船舶轨迹集，对研究水域中共现时间超过时间阈值的轨迹对进行筛选；
计算筛选出的轨迹对之间的最近会遇距离，在轨迹对的最近会遇距离小于设定的距离阈值时，根据船舶动态数据计算船舶间相对运动参数，获取轨迹对之间DCPA和TCPA的变化趋势；
判断轨迹对在接近到最近会遇点之前是否存在一段时间内两轨迹间DCPA和TCPA持续维持于规定阈值以内，对轨迹对进一步进行筛选；
将最近会遇距离、DCPA和TCPA均满足阈值限定的轨迹对识别为两船会遇，并保存会遇信息到两船会遇场景集合。
作为进一步的技术方案，基于提取出的两船会遇场景，利用滑动时间窗口进行多船会遇场景侦测，进一步包括：基于提取出的两船会遇场景，利用滑动时间窗口方法，对两船会遇场景集合中的轨迹进行筛选，若某条轨迹同时与其他两条及以上的轨迹形成会遇，则保存这些轨迹到多船会遇场景集合，形成多船会遇场景的侦测结果。
根据本发明说明书的一方面，提供一种基于AIS数据的多船会遇场景侦测系统，包括：
数据处理模块，用于对获取的原始AIS数据进行预处理，得到时间同步的船舶轨迹数据，以及构建判断两船会遇的时空约束条件；
场景侦测模块，用于基于时空约束条件，从船舶轨迹数据中提取出两船会遇场景；并基于提取出的两船会遇场景，利用滑动时间窗口进行多船会遇场景侦测。
上述技术方案通过数据处理模块对原始的AIS数据进行数据解析、清洗、插值等预处理，并利用统计分析等方法、结合航海专家经验构建时空约束条件；通过场景侦测模块先从预处理后的AIS数据中提取出两船会遇场景集合，然后从两船会遇场景集合中侦测中多船会遇场景，该技术方案在对多船会遇关系进行侦测时，充分考虑了船船之间的冲突关系，避免了将不存在碰撞危险的船舶划分到一个场景中这种情况的发生，提高了侦测的准确率。
上述系统通过组合数据处理与场景侦测两个模块的相应算法构建了船舶会遇场景辨识系统，实现了船舶会遇场景精准辨识与多维信息展示。
作为进一步的技术方案，所述场景侦测模块进一步包括：
两船会遇提取模块，用于基于预处理后的船舶轨迹集，对研究水域中共现时间超过时间阈值的轨迹对进行筛选；然后计算筛选出的轨迹对之间的最近会遇距离，在轨迹对的最近会遇距离小于设定的距离阈值时，根据船舶动态数据计算船舶间相对运动参数，获取轨迹对之间DCPA和TCPA的变化趋势；随后判断轨迹对在接近到最近会遇点之前是否存在一段时间内两轨迹间DCPA和TCPA持续维持于规定阈值以内，对轨迹对进一步进行筛选；最后将最近会遇距离、DCPA和TCPA均满足阈值限定的轨迹对识别为两船会遇，并保存会遇信息到两船会遇场景集合；
多船会遇侦测模块，用于基于提取出的两船会遇场景，利用滑动时间窗口方法，对两船会遇场景集合中的轨迹进行筛选，并在某条轨迹同时与其他两条及以上的轨迹形成会遇时，选择并保存这些轨迹到多船会遇场景集合，形成多船会遇场景的侦测结果。
根据本发明说明书的一方面，提供一种基于AIS数据的多船会遇场景侦测平台，包括：数据层，用于输入船舶AIS数据、航道信息数据、地理信息数据和通航管理数据；算法层，用于数据解析、数据清洗、数据插值、两船会遇提取计算和多船会遇侦测计算；功能层，用于AIS数据导出、海图实时查看及会遇场景提示；应用层，用于为具体应用提供支持。
与现有技术相比，本发明的有益效果在于：
(1)本发明提供一种方法，该方法首先基于船舶历史AIS数据，通过使用数据清洗、数据插值等预处理方法获得了时间同步的船舶轨迹数据；然后通过设置时空约束条件，设计了一种考虑船舶会遇过程和轨迹时空关联特性的会遇轨迹对辨识方法，并在此基础上利用滑动时间窗口方法提出一种多船会遇场景的侦测算法，实现了海量AIS数据中多船会遇场景的精准提取。
(2)本发明从一个时间序列的角度对船舶之间的会遇关系进行的判断，降低了会遇场景的误判率；而且在对多船会遇关系进行侦测时，充分考虑了船船之间的冲突关系，避免了将不存在碰撞危险的船舶划分到一个场景中这种情况的发生，提高了侦测的准确率。
附图说明
图1为船舶会遇判断示意图。
图2为现存的多船会遇场景辨识方法示意图。
图3为根据本发明实施例的多船会遇场景侦测方法的流程示意图。
图4为根据本发明实施例的空间位置数据漂移示意图。
图5(a)为根据本发明实施例的插值处理前的船舶轨迹图。
图5(b)为根据本发明实施例的插值处理后的船舶轨迹图。
图6为根据本发明实施例的两条船舶轨迹会遇示意图。
图7为根据本发明实施例的多船会遇场景示意图。
图8为根据本发明实施例的船舶会遇场景侦测算法伪代码示意图。
图9为根据本发明实施例的多船会遇场景侦测系统的示意图。
图10为根据本发明实施例的多船会遇场景侦测平台的架构图。
图11为根据本发明实施例的实验水域位置示意图。
图12(a)为根据本发明实施例从历史数据中侦测的两船会遇场景。
图12(b)为根据本发明实施例从历史数据中侦测的三船会遇场景。
图12(c)为根据本发明实施例从历史数据中侦测的四船会遇场景。
图12(d)为根据本发明实施例从历史数据中侦测的五船会遇场景。
图13为根据本发明实施例的12条船舶参与的复杂多船会遇场景。
图14为根据本发明实施例的存在会遇关系的船舶轨迹分布图。
图15(a)-(k)为根据本发明实施例的本船与周围来船的实际航向轨迹打印示意图。
图16为根据本发明实施例的多船会遇场景侦测系统的界面示意图。
图17为根据本发明实施例的船舶会遇场景辨识系统AIS服务器输入界面。
图18为根据本发明实施例的船舶会遇场景辨识系统AIS数据解析及轨迹呈现界面。
图19为根据本发明实施例的某多船会遇场景的部分船舶会遇信息。
图20为根据本发明实施例的船舶会遇场景辨识系统助航预警界面。
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数据的多船会遇场景侦测方法，该方法可以从海量的AIS数据中侦测出多船会遇场景，并将这些场景单独提取出来作为研究样本供相关研究使用。本发明所提出的多船会遇场景侦测方法将从船舶会遇的整个过程出发，对船船之间的会遇关系进行判断。在会遇场景提取过程中，首先需要对原始的AIS数据进行清洗、插值等预处理；然后，利用统计分析等方法、结合航海专家经验来构建判断两船会遇的时空约束条件，并基于已经处理好的AIS数据实现两船会遇场景的提取；随后，基于两船会遇场景提取结果，利用滑动时间窗口方法逐一匹配两船会遇场景从而实现对于多船会遇场景的侦测。本发明的侦测方法因为是从一个时间序列的角度对船舶之间的会遇关系进行的判断，所以降低了会遇场景的误判率；而且该方法在对多船会遇关系进行侦测时，充分考虑了船船之间的冲突关系，也避免了将不存在碰撞危险的船舶划分到一个场景中这种情况的发生，提高了侦测的准确率。最后，在完成多船会遇场景侦测算法设计和调试基础上，通过融合数据处理及场景侦测算法，进一步设计了针对复杂水域的船舶会遇场景辨识系统。
如图3所示，根据本发明说明书的一方面，提供一种基于AIS数据的多船会遇场景侦测方法，包括：
步骤1，对获取的原始AIS数据进行预处理，得到时间同步的船舶轨迹数据。
AIS的主要功能是将船舶的标识信息、位置信息、运动参数和航行状态等与船舶航行安全有关的重要信息，通过VHF数据链路，广播给周围的船舶，从而实现对本海区船舶的识别和监视。AIS数据中包含船舶的动态信息、静态信息，动态信息包括船舶的经纬度位置信息、对地航速(Speed Over Ground,SOG)、对地航向(Course Over Ground,COG)等运动参数信息，静态信息包括船舶的尺寸、吃水、船舶类型等信息。原始的AIS信息是带有时间戳的未解码报文信息，不能直接用于船舶会遇的研究，所以需要对AIS数据进行解析和预处理。
表1为原始AIS数据形式。通过调用AIS Decoder解码工具，可以实现对于原始AIS数据的批量解析。由于船舶会遇场景提取过程中所需要利用的船舶信息主要包括时间信息、船舶编号(MMSI)信息、船舶位置信息、航速信息(SOG)及航向信息(COG)，因此其他无关的信息可以剔除，解析处理以后的数据格式如表2所示。
表1.AIS原始码文及格式
表2.解析处理后AIS信息
解析后的AIS数据已经能够直接进行读取和识别，但由于各类船载终端性能不一、船员操作不尽规范等原因，解析处理后的AIS数据中往往存在着大量的无效及错误信息。因此，还需要对已解析的AIS数据进行清洗，使其成为可以正常使用的数据信息。一般而言，解析后的AIS数据中共包含两类需要处理的信息，分别为数据错误与数据漂移。
数据错误是指特定属性值超过科学范围，在处理过程中可通过设置相关属性阈值的方式来剔除科学范围以外的数据信息，具体如公式1。
其中，test表示需要异常处理的AIS数据，包括经纬度位置信息、航速和航向信息等，range表示特定属性对应的科学取值范围，当满足条件时，保留数据，当超出范围，则舍弃数据。
数据漂移是指连续数据中有个别点的信息与前后信息偏差较大的现象，如图4中的p1、p2、p3三个点均为数据漂移现象而造成的异常值。这种异常信息出现的原因主要分为两种，其一为AIS设备内的定位系统可能由于信号接收问题导致定位信息偶尔出现较大误差，致使最终的船舶轨迹位置有较大的跳跃点；另外在数据获取或者解析过程中，由于设备传输、解码程序等步骤发生错误也会导致这种偏差的出现。
针对该类异常信息一般通过判断船舶状态序列单位时间变化幅度的大小来对数据进行清洗，具体如公式2所示。
其中，(xt+1，yt+1，vt+1，ct+1)和(xt，yt，vt，ct)分别为船舶在t+1时刻和t时刻的经度信息、纬度信息、航速信息和航向信息，(w1，w2，w3)分别对应经纬度位置信息、航向、航速变化率的阈值。
由于AIS发射机发布信息的周期并不规律，同时加之信息传输及接收时可能造成的数据丢失等原因，解析处理后各条船舶轨迹的AlS数据可能存在数据缺失现象，且每条轨迹数据的时间戳信息也并不同步，从而限制了后续船舶会遇场景提取研究的使用。因此需要利用数据插值方法对解析后的AIS数据进行插值处理，以实现船舶轨迹数据的信息补全和时间同步。考虑到AIS数据发报间隔周期并不固定，如果将整段数据点放入插值算法，容易降低插值精度。为保证局部插值最优，本发明将使用分段三次hermite插值完成对轨迹数据的补全。
分段三次hermite插值算法类似于线性插值算法，即通过选取节点，利用这些节点形成子区段，通过构建子区段的插值函数
使其尽量逼近于原始函数f(x)。假设插值区间为[a，b]，那么
需要满足的条件为
对应的分段三次hermite插值多项式可表达如公式3所示。在具体实现过程中可以利用matlab中的插值工具箱完成。
H3(x)＝aα0(x)+bα1(x)+f′(a)β0(x)+f(b)β1(x) (3)
其中，α0(x)、α1(x)、β0(x)、β1(x)可通过公式4-公式7确定：
其中，x为时间戳，利用分段三次hermite插值多项式H3(x)计算获得的属性值为船舶轨迹所对应的各特征值，包括如经度、纬度、航速及航向等。通过以上插值处理，即可实现船舶轨迹数据的补全和时间同步。如表3所示为插值处理后的一条船舶轨迹数据的部分信息，图5(a)所示为插值前的轨迹图，图5(b)所示为插值后的轨迹图，可见经过插值处理后，船舶轨迹信息完整且分布均匀。
表3.插值后的部分船舶轨迹信息
步骤2，构建判断两船会遇的时空约束条件。
时空关系是船舶会遇侦测的关键。船舶会遇发生的前提是两船或多船在同一时间段出现在相同的水域范围内，需要通过设置空间和时间约束条件进行船舶筛选。从会遇的原理出发，通过设置时空约束条件，可以筛选出每两条船舶为单位的配对轨迹信息，同时排除绝大多数明显无会遇场景发生的数据。一般而言，对于研究水域中共现时间超过时间阈值的轨迹对，若轨迹对之间的最近会遇距离小于距离阈值，且两条轨迹在接近到最近会遇点之前存在一段时间内两轨迹间DCPA和TCPA持续维持于规定阈值以内，根据航海经验即可将两条轨迹辨识为形成会遇关系。
两条船舶轨迹在某区域内的会遇示意图可以表示为图6，假设两条船舶A、B，(A≠B)分别驶入该区域，对时空约束条件分析如下：
(1)两条船舶轨迹的经纬度信息需要同时满足x∈[x1，x2]和y∈[y1，y2]，即确保船舶轨迹位于研究区域当中，其中(x1，x2)和(y1，y2)分别是研究水域的左上角和右下角经纬度坐标。
(2)两条船舶轨迹需在研究水域中存在共现的时间区段，基于该条件两船才有可能发生会遇，设船舶A和船舶B驶入研究水域过程中，更晚进入研究水域船舶的初始时刻早于更早进入研究水域船舶的离开时刻，即两船在此水域内有时间交集，量化条件的数学表达可表示为：t1＝max(tA1，tB1)，t2＝min(tA2，tB2)，当t1≤t2且t2-t1≥tthr时，则两条船舶轨迹在研究区域中存在会遇的可能。其中tA1为船舶A刚进入研究水域的初始时刻，tA2为船舶A离开该水域的时刻，tB1为船舶B刚进入研究水域的初始时刻，tB2为船舶B离开该水域的时刻，tthr为设定的共现时间阈值。
(3)两条船舶轨迹需要保持较近的通过距离，且彼此之间有相互驶近的趋势，即相互之间构成碰撞风险。具体的条件可以设置为，两船舶轨迹的最近通过距离小于某阈值，数学形式表示为DABmin≤Dthr；且两条轨迹在接近到最近会遇点前的一段时间t内，DCPA需要持续维持在一个较小的值(确保两船不采取任何避让动作时会在较近的距离上会遇)，即DCPAt≤DCPAthr；另外，在这段相互接近的时间内，两船之间的TCPA也应该维持在一个较小的范围(保证两船会在较短的时间内到达最近会遇点)，且应该是一个正值(保证两船是在相互接近的)，即0≤TCPAt≤TCPAthr。其中：DABmin是两条轨迹的最近会遇距离，Dthr为设定的距离阈值，DCPAt为在时刻t时两船之间的DCPA，DCPAthr为设定的DCPA阈值，TCPAthr为设定的TCPA阈值。DCPA和TCPA的计算可参考公式8和公式9。
结合以上分析，船舶会遇侦测的时空约束条件可以设置为：
条件1：会遇的船舶轨迹需要都位于研究水域当中，该条件可在船舶轨迹数据筛选时通过设定区域参数来确定，所以在会遇侦测算法设计时需重点针对下面的两个条件进行思考；
条件2：两船舶轨迹在研究水域中需存在共现的时间区段，即t2-t1≥tthr；
条件3：两船舶需要在较近的距离上驶过，即DABmin≤Dthr，且在两船接近到最近会遇点前存在一段时间t使两船的DCPA和TCPA一直维持在较小的取值范围，且TCPA取值大于0，即DCPAt≤DCPAthr、0≤TCPAt≤TCPAthr。
其中，DABt为t时刻A船与B船的距离，vABt为t时刻A船与B船的相对航速，cos(θABt)为两船连线与相对航速夹角的余弦值。这些参数可参考公式10至14进行计算。
Xt＝(xBt-xAt)·(vBt·sinαBt-vAt·sinαAt) (13)
Yt＝(yBt-yAt)·(vBt·cosαBt-vAt·cosαAt) (14)
其中，xAt和yAt表示船舶A在t时刻的经纬度，αAt和vAt表示船舶A在t时刻的航向和航速。
步骤3，基于时空约束条件，从船舶轨迹数据中提取出两船会遇场景；基于提取出的两船会遇场景，利用滑动时间窗口进行多船会遇场景侦测。
根据以上所设置的时空约束条件，可以实现对于两条船舶轨迹会遇情况的辨识，若在某限定水域中，一条轨迹同时与两条或多条轨迹存在以上量化关系，那么这些轨迹即构成一个多船会遇场景，其示意图如图7所示。
在实际航行场景中，船舶之间的会遇关系十分复杂，所设置的时空约束条件主要是从两船会遇的角度进行了量化度量，而多船会遇场景中的船间关系相对于两船会遇要更为复杂。本发明将以上述两船会遇场景的分析为基础对多船会遇场景进行侦测，即将多船会遇场景视作了若干两船会遇场景的组合。
作为一种实施方式，从AIS数据中侦测多船会遇场景的具体流程可设置如下：
(1)选择特定的研究水域，提取相应研究时段内的船舶AIS数据，并对原始的AIS数据进行解析和预处理。
(2)基于预处理后的AIS数据，对研究水域中共现时间超过时间阈值的轨迹对进行筛选。
(3)计算步骤一筛选出的轨迹对之间的最近会遇距离，若轨迹对的最近会遇距离小于设定的距离阈值，则根据船舶动态数据计算船舶间相对运动参数来进一步分析轨迹对之间DCPA和TCPA的变化趋势。
(4)通过判断轨迹对在接近到最近会遇点之前是否存在一段时间内两轨迹间DCPA(最近会遇距离)和TCPA(最近会遇时间)持续维持于规定阈值以内，对轨迹对进一步进行筛选。
(5)将最近会遇距离、DCPA和TCPA均满足阈值限定的轨迹对识别为两船会遇，并保存会遇信息到两船会遇场景集合。
(6)基于两船会遇提取结果，结合滑动时间窗口方法，对两船会遇场景集合中的轨迹进行筛选，若某条轨迹同时与其他两条及以上的轨迹形成会遇，则保存这些轨迹到多船会遇场景集合，从而实现多船会遇场景的侦测和提取。
船舶会遇场景侦测算法的伪代码如图8所示。
根据本发明说明书的一方面，还提供一种基于AIS数据的多船会遇场景侦测系统，如图9所示，包括：
数据处理模块，用于对获取的原始AIS数据进行预处理，得到时间同步的船舶轨迹数据，以及构建判断两船会遇的时空约束条件；
场景侦测模块，用于基于时空约束条件，从船舶轨迹数据中提取出两船会遇场景；并基于提取出的两船会遇场景，利用滑动时间窗口进行多船会遇场景侦测。
所述场景侦测模块进一步包括：
两船会遇提取模块，用于基于预处理后的船舶轨迹集，对研究水域中共现时间超过时间阈值的轨迹对进行筛选；然后计算筛选出的轨迹对之间的最近会遇距离，在轨迹对的最近会遇距离小于设定的距离阈值时，根据船舶动态数据计算船舶间相对运动参数，获取轨迹对之间DCPA和TCPA的变化趋势；随后判断轨迹对在接近到最近会遇点之前是否存在一段时间内两轨迹间DCPA和TCPA持续维持于规定阈值以内，对轨迹对进一步进行筛选；最后将最近会遇距离、DCPA和TCPA均满足阈值限定的轨迹对识别为两船会遇，并保存会遇信息到两船会遇场景集合；
多船会遇侦测模块，用于基于提取出的两船会遇场景，利用滑动时间窗口方法，对两船会遇场景集合中的轨迹进行筛选，并在某条轨迹同时与其他两条及以上的轨迹形成会遇时，选择并保存这些轨迹到多船会遇场景集合，形成多船会遇场景的侦测结果。
根据本发明说明书的一方面，提供一种基于AIS数据的多船会遇场景侦测平台，如图10所示，该平台的输入数据源包括船舶AIS数据、航道信息数据及相关地理信息数据等；后端嵌入的模型算法包括：AIS数据解析、清洗模块及船舶会遇场景侦测算法；该平台可实现AIS数据的导出，海图的实时查看，会遇场景提示和预警等功能；平台可为船舶航行风险预警、辅助避碰决策、水域风险热点辨识等提供支持。
作为一种实施方式，选择宁波舟山港港外连接水域为实验水域，该水域位于东经122°18E-122°50E与北纬29°35N-29°52N之间，如图11所示。该水域连接了宁波舟山港核心港区和外海水域，而且中国沿海南北习惯航路也穿过该水域，该水域内的船舶交通流基本覆盖了整个水域，船舶会遇情况十分复杂，从如此复杂的船舶交通流分布形式下准确的侦测出船舶会遇场景是一项困难的工作。
在实验过程中，共采集了该水域从2018年10月21日到2018年10月22日两天的船舶AIS数据来用于实验，通过利用之前介绍的AIS预处理方法，最终共获得1408条完整的船舶轨迹数据。
为了验证所提出会遇侦测算法的有效性，图12(a)-(d)展示了四个具代表型的会遇场景，分别为两船会遇、三船会遇、四船会遇及五船会遇。每个会遇场景由四个子图进行描述，其中第一个子图展示了船舶会遇过程中的轨迹图，其他三个子图分别展示了在ship1视角之下与周围各条船舶之间的相对距离、DCPA、TCPA三个会遇特征参数的变化趋势。可以看出，这些参数在会遇过程中都满足预先设定的阈值。其中，相对距离经历了一个先减小后增大的过程，TCPA由正值逐渐转变为负值，DCPA则一直维持在相对较低的值，这些参数的变化特征符合实际航海经验的判断，因此所提出的会遇侦测方法是有效的。图13还展示了算法对于极复杂会遇场景的提取效果，在这个会遇场景当中共包括12条船舶，根据统计的相对距离、DCPA、TCPA变化趋势可知，算法对于场景的判断是有效的。
本发明提出的船舶会遇场景侦测方法不仅可以对会遇场景进行识别，还可以就某条船舶在水域中航行时与周围船舶会遇关系的演化过程进行辨识，例如图14、15展示的是利用本发明方法所侦测获得的2018年10月21日MMSI编号为100900001的船舶(后续用“本船”表示)在实验水域航行过程中与其他船舶的会遇情况。图14中所展示的是本船轨迹与所有存在会遇关系的船舶轨迹在实验水域中的一张总体分布概况图，每艘船舶的MMSI编号如表4所示，由于每条船舶均有与之对应的唯一的MMSI编号，因此可以实现对会遇轨迹的准确提取，由此可见本船在实验水域航行过程中先后共与6艘来船形成过会遇关系。表5中细致的描述了基于本发明方法对本船与以上6条船舶的会遇关系的侦测情况。根据图15(a)-(k)的实际轨迹打印结果可知，侦测结果是可信的。
表4.形成会遇关系的各条船舶MMSI编号
表5.本船与其他来船的会遇情况
通过整合数据处理及场景侦测两个模块的功能，构建船舶会遇场景辨识系统。该系统可打包为可执行文件，双击程序文件即可出现系统界面，如图16所示。系统共包括数据实时连接、场景辨识、助航预警、系统设置和帮助五个功能项，下方工具栏包括软件打开、添加位置点、保存、放大与缩小、拖放手势、屏幕大小控制、经纬度显示等。
通过点击“实时连接”功能按钮可以进入AIS服务器输入界面，如图17所示，输入AIS服务器的IP地址后点击运行，下方的数据显示区可实时显示解码后的AIS数据信息，上方的图像显示区域可以显示AIS数据所对应的船舶轨迹图，如图18所示。
通过点击“场景辨识”功能按钮，系统软件会实时捕捉当前屏幕所示海域内的船舶会遇场景，并将这些会遇场景的会遇信息进行保存，图19中所呈现的为船舶会遇场景中的信息，具体包括参与会遇的船舶数量、会遇船舶的编号、会遇时间等。
通过点击“助航预警”功能按钮，系统可以实时监测当前辨识的会遇场景，并将不同的会遇场景用矩形框标示出来，同时在框侧用感叹号提示，如图20所示。
通过点击“系统设置”功能按钮可定义一些系统的基本参数例如会遇船舶的数量，标示框的颜色等。
本发明实现的功能是从海量的AIS数据中提取出存在会遇关系的各类船舶会遇场景，而提取出来的会遇场景可以作为样本供相关研究使用。例如，研究者可以进一步挖掘所提取出来的会遇场景的会遇特征，并对不同的场景进行分类，从而构建若干个会遇场景库，那么这些会遇场景库中包含的船舶会遇场景便具有类似的会遇特点，那么他们也对应有统一适用的最优避让方案，当船舶在实际航行中遇到相同的会遇场景时便可以采用该场景所对应的避让策略进行避碰，所以本发明可以对船舶的智能避碰研究提供支持。另外，还可以利用该发明对特定水域中的船舶会遇情况进行分析，基于该水域的历史AIS数据，利用该发明成果可以辨识出水域中会遇产生频率最高的水域，以便于水上交通管理部门对这些水域加强管理，所以该发明也可以为提高水域安全管理水平提供支撑。因此，基于历史AIS数据对船舶会遇场景进行准确的辨识是具有重要的现实意义的。
在本说明书的描述中，参考术语“一个实施方式”、“某些实施方式”、“示意性实施方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合所述实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
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 (8)
1.一种基于AIS数据的多船会遇场景侦测方法，其特征在于，包括：
对获取的原始AIS数据进行预处理，得到时间同步的船舶轨迹数据；
构建判断两船会遇的时空约束条件；
基于时空约束条件，从船舶轨迹数据中提取出两船会遇场景；
基于提取出的两船会遇场景，利用滑动时间窗口进行多船会遇场景侦测。
2.根据权利要求1所述一种基于AIS数据的多船会遇场景侦测方法，其特征在于，对获取的原始AIS数据进行预处理进一步包括：对原始AIS数据进行数据解析；对解析后的AIS数据进行数据清洗和插值处理，得到时间同步的船舶轨迹数据，形成船舶轨迹集。
3.根据权利要求2所述一种基于AIS数据的多船会遇场景侦测方法，其特征在于，判断两船会遇的时空约束条件构建为：
条件1：会遇的船舶轨迹均位于研究水域当中；
条件2：两船舶轨迹在研究水域中存在共现的时间区段；
条件3：两船舶在较近的距离上驶过，且在两船接近到最近会遇点前存在一段时间使两船的DCPA和TCPA一直维持在较小的取值范围，且TCPA取值大于0。
4.根据权利要求3所述一种基于AIS数据的多船会遇场景侦测方法，其特征在于，基于时空约束条件，从船舶轨迹数据中提取出两船会遇场景进一步包括：
基于预处理后的船舶轨迹集，对研究水域中共现时间超过时间阈值的轨迹对进行筛选；
计算筛选出的轨迹对之间的最近会遇距离，在轨迹对的最近会遇距离小于设定的距离阈值时，根据船舶动态数据计算船舶间相对运动参数，获取轨迹对之间DCPA和TCPA的变化趋势；
判断轨迹对在接近到最近会遇点之前是否存在一段时间内两轨迹间DCPA和TCPA持续维持于规定阈值以内，对轨迹对进一步进行筛选；
将最近会遇距离、DCPA和TCPA均满足阈值限定的轨迹对识别为两船会遇，并保存会遇信息到两船会遇场景集合。
5.根据权利要求4所述一种基于AIS数据的多船会遇场景侦测方法，其特征在于，基于提取出的两船会遇场景，利用滑动时间窗口进行多船会遇场景侦测，进一步包括：基于提取出的两船会遇场景，利用滑动时间窗口方法，对两船会遇场景集合中的轨迹进行筛选，若某条轨迹同时与其他两条及以上的轨迹形成会遇，则保存这些轨迹到多船会遇场景集合，形成多船会遇场景的侦测结果。
6.一种基于AIS数据的多船会遇场景侦测系统，其特征在于，包括：
数据处理模块，用于对获取的原始AIS数据进行预处理，得到时间同步的船舶轨迹数据，以及构建判断两船会遇的时空约束条件；
场景侦测模块，用于基于时空约束条件，从船舶轨迹数据中提取出两船会遇场景；并基于提取出的两船会遇场景，利用滑动时间窗口进行多船会遇场景侦测。
7.根据权利要求6所述一种基于AIS数据的多船会遇场景侦测系统，其特征在于，所述场景侦测模块进一步包括：
两船会遇提取模块，用于基于预处理后的船舶轨迹集，对研究水域中共现时间超过时间阈值的轨迹对进行筛选；然后计算筛选出的轨迹对之间的最近会遇距离，在轨迹对的最近会遇距离小于设定的距离阈值时，根据船舶动态数据计算船舶间相对运动参数，获取轨迹对之间DCPA和TCPA的变化趋势；随后判断轨迹对在接近到最近会遇点之前是否存在一段时间内两轨迹间DCPA和TCPA持续维持于规定阈值以内，对轨迹对进一步进行筛选；最后将最近会遇距离、DCPA和TCPA均满足阈值限定的轨迹对识别为两船会遇，并保存会遇信息到两船会遇场景集合；
多船会遇侦测模块，用于基于提取出的两船会遇场景，利用滑动时间窗口方法，对两船会遇场景集合中的轨迹进行筛选，并在某条轨迹同时与其他两条及以上的轨迹形成会遇时，选择并保存这些轨迹到多船会遇场景集合，形成多船会遇场景的侦测结果。
8.一种基于AIS数据的多船会遇场景侦测平台，其特征在于，包括：数据层，用于输入船舶AIS数据、航道信息数据、地理信息数据和通航管理数据；算法层，用于数据解析、数据清洗、数据插值、两船会遇提取计算和多船会遇侦测计算；功能层，用于AIS数据导出、海图实时查看及会遇场景提示；应用层，用于为具体应用提供支持。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210585219.7A CN114999231A (zh) | 2022-05-27 | 2022-05-27 | 一种基于ais数据的多船会遇场景侦测方法、系统及平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210585219.7A CN114999231A (zh) | 2022-05-27 | 2022-05-27 | 一种基于ais数据的多船会遇场景侦测方法、系统及平台 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114999231A true CN114999231A (zh) | 2022-09-02 |
Family
ID=83028499
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210585219.7A Pending CN114999231A (zh) | 2022-05-27 | 2022-05-27 | 一种基于ais数据的多船会遇场景侦测方法、系统及平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114999231A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104802797A (zh) * | 2014-01-23 | 2015-07-29 | 宝马股份公司 | 用于汽车的距离信息系统 |
| CN110322731A (zh) * | 2019-06-20 | 2019-10-11 | 武汉理工大学 | 一种船舶会遇助航预警方法 |
| AU2020101965A4 (en) * | 2020-08-25 | 2020-10-01 | Wuhan University Of Technology | A method of navigational early warming for ship encounter, and system thereof |
| CN111899489A (zh) * | 2020-06-01 | 2020-11-06 | 武汉理工大学 | 一种船舶会遇意图辨识方法 |
| CN112820150A (zh) * | 2020-12-29 | 2021-05-18 | 大连海事大学 | 一种基于ais的船舶避碰决策方法 |
| CN112967527A (zh) * | 2021-02-05 | 2021-06-15 | 武汉理工大学 | 一种渡船碰撞风险评估方法、系统、装置及介质 |
| CN113536544A (zh) * | 2021-06-21 | 2021-10-22 | 武汉理工大学 | 一种基于最小安全距离模型的船舶概率冲突检测方法 |
| CN113830082A (zh) * | 2021-09-30 | 2021-12-24 | 中汽创智科技有限公司 | 一种跟车距离自动警示方法及装置 |
-
2022
- 2022-05-27 CN CN202210585219.7A patent/CN114999231A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104802797A (zh) * | 2014-01-23 | 2015-07-29 | 宝马股份公司 | 用于汽车的距离信息系统 |
| CN110322731A (zh) * | 2019-06-20 | 2019-10-11 | 武汉理工大学 | 一种船舶会遇助航预警方法 |
| CN111899489A (zh) * | 2020-06-01 | 2020-11-06 | 武汉理工大学 | 一种船舶会遇意图辨识方法 |
| AU2020101965A4 (en) * | 2020-08-25 | 2020-10-01 | Wuhan University Of Technology | A method of navigational early warming for ship encounter, and system thereof |
| CN112820150A (zh) * | 2020-12-29 | 2021-05-18 | 大连海事大学 | 一种基于ais的船舶避碰决策方法 |
| CN112967527A (zh) * | 2021-02-05 | 2021-06-15 | 武汉理工大学 | 一种渡船碰撞风险评估方法、系统、装置及介质 |
| CN113536544A (zh) * | 2021-06-21 | 2021-10-22 | 武汉理工大学 | 一种基于最小安全距离模型的船舶概率冲突检测方法 |
| CN113830082A (zh) * | 2021-09-30 | 2021-12-24 | 中汽创智科技有限公司 | 一种跟车距离自动警示方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| 刘琪: "交汇水域船舶会遇意图辨识方法及助航应用", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, no. 9, pages 12 - 47 * |
| 李啸雨;许劲松;杨荣武;: "多船会遇自主避碰算法", 船舶工程, no. 09 * |
| 郑道昌: "船舶会遇危险度的评价", 大连海事大学学报, no. 02 * |
| 魏晓阳;吴兵;黄金辉;汪洋;: "船舶碰撞事故取证中的操纵意图分析", 中国科技论文, no. 19 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110309383B (zh) | 基于改进的dbscan算法的船舶轨迹聚类分析方法 | |
| CN109190636B (zh) | 一种遥感图像舰船目标信息提取方法 | |
| Zissis et al. | A distributed spatial method for modeling maritime routes | |
| EP3633615A1 (en) | Deep learning network and average drift-based automatic vessel tracking method and system | |
| CN109817023B (zh) | 一种海缆水域ais目标检测方法 | |
| CN113536544B (zh) | 一种基于最小安全距离模型的船舶概率冲突检测方法 | |
| CN103927758B (zh) | 一种基于对比度与角点最小凸包的显著性检测方法 | |
| CN108366227A (zh) | 一种海事智能化巡航中无人机的应用平台 | |
| Tang et al. | Detection of abnormal vessel behaviour based on probabilistic directed graph model | |
| CN113887418A (zh) | 车辆违规行驶的检测方法、装置、电子设备及存储介质 | |
| Liu et al. | A data mining method to extract traffic network for maritime transport management | |
| CN102749034B (zh) | 基于图像处理的铁路道岔缺口偏移量检测方法 | |
| CN114998744B (zh) | 基于运动与视觉双特征融合的农机轨迹田路分割方法及装置 | |
| Chang et al. | Vessel traffic analysis for maritime intelligent transportation system | |
| 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 | |
| CN114550498B (zh) | 一种海量ais数据驱动的船舶偏离航道智能预警系统 | |
| CN105809108B (zh) | 基于分布式视觉的行人定位方法和系统 | |
| Carlini et al. | Uncovering vessel movement patterns from AIS data with graph evolution analysis. | |
| Wu et al. | A new multi-sensor fusion approach for integrated ship motion perception in inland waterways | |
| Jie et al. | A novel estimation algorithm for interpolating ship motion | |
| Lei et al. | Trajectory data restoring: A way of visual analysis of vessel identity base on optics | |
| CN114596536A (zh) | 无人船沿岸巡检方法、装置、计算机设备及存储介质 | |
| CN114999231A (zh) | 一种基于ais数据的多船会遇场景侦测方法、系统及平台 | |
| CN116612461A (zh) | 一种基于目标检测的指针式仪表全过程自动读数方法 | |
| Wang et al. | Optimized faster R-CNN for oil wells detection from high-resolution remote sensing images |
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 |