CN115310682A - 复杂水域船舶交通划分方法、装置、设备和介质 - Google Patents

复杂水域船舶交通划分方法、装置、设备和介质 Download PDF

Info

Publication number
CN115310682A
CN115310682A CN202210879444.1A CN202210879444A CN115310682A CN 115310682 A CN115310682 A CN 115310682A CN 202210879444 A CN202210879444 A CN 202210879444A CN 115310682 A CN115310682 A CN 115310682A
Authority
CN
China
Prior art keywords
traffic
similarity
ship
cluster
conflict
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
CN202210879444.1A
Other languages
English (en)
Inventor
刘克中
辛旭日
陈默子
袁志涛
王伟强
吴晓烈
刘炯炯
王晶尧
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 CN202210879444.1A priority Critical patent/CN115310682A/zh
Publication of CN115310682A publication Critical patent/CN115310682A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开一种复杂水域船舶交通划分方法、装置、设备及介质，将区域交通划分为冲突关联和空间紧凑的集群，以降低交通模式理解和风险管理的难度。首先设计了一个综合冲突严重度和空间距离的复合相似性度量模型，其中，通过概率冲突检测方法量化船舶对之间的冲突关系，并基于海事知识学习构建的海上交通路线网络对船舶之间的空间紧凑关系进行度量。随后，利用基于图论的聚类框架生成具有高的簇内相似度和低的簇间相似度的均衡交通簇。最后，利用宁波舟山港的AIS航迹数据，对该机制进行了综合论证和测试。实验结果表明，该机制1)能够很好地分解区域交通，2)能够识别高风险/紧凑的交通集群，3)对复杂地理水域中的各种交通场景具有鲁棒性。

Description

复杂水域船舶交通划分方法、装置、设备和介质
技术领域
本发明属于交通运输安全技术领域，具体为一种复杂水域船舶交通划分方法、装置、设备和介质。
背景技术
海上交通安全管理对人类生命安全、经济发展和海洋环境保护起着至关重要的作用。基于现代智能交通技术的主动式海上监控是海上交通安全管理不可或缺的组成部分之一。为了加强海上监视，多种系统被开发和应用，例如船舶交通服务(VTS)系统、自动识别系统(AIS)、陆地雷达和远程识别与跟踪(LRIT)系统。这些系统具有不同的技术规格和功能，能够从不同方面实现海上交通监控和海上态势感知。然而，监视区域的广泛性和船舶运动的多样性(如航行、靠泊、锚泊和加油)给其实际应用带来了巨大的潜在挑战。特别是在经济全球化、交通需求增加和大型船舶出现的背景下，海上交通情况变得更加错综复杂，阻碍了这些系统的有效实施。因此，迫切需要更先进的技术和工具来帮助海事运营机构更好地监督和管理海上交通安全。
根据加强繁忙水域监测的需求，各种技术和方法已经被提出来进行碰撞风险侦测和评估。这些方法有助于发布早期碰撞警告和支持决策，为海上监管提供了定量基础。随着AIS的快速发展和大量船舶运动信息(即AIS数据)可获取性的增加，准确的碰撞风险评估和海上交通特征描述已成为可能，近年来进一步得到了广泛关注。除了用于海上碰撞分析外，AIS数据在解决其他问题方面的高级应用也得到了开发，如海上交通模式提取、海上异常检测、港口性能评估和船舶路径优化。虽然AIS数据的应用有助于精确分析和建模船舶运动行为，但与多船交互相关的复杂交通场景以及不断增长的船舶时空运动不确定性，使研究人员面临着开发更可靠的模型以支持智能交通态势感知的挑战。更具体地说，海上交通状况的评估和感知需要持续考虑海洋地理特征、船舶运动时空动态和不确定性、以及多船之间干扰。因此，在考虑模型对繁忙水域中复杂交通局面的实用性和适用性时，开发有效的交通态势感知模型仍然是一项具有挑战性的任务。与此同时，如何将给定繁忙水域中的整个海上交通自适应地划分为几个子集群，以降低态势感知的难度，并进一步捕获潜在的高风险交通集群，在很大程度上尚未探索。这些表明进一步加强新的先进技术开发以强化交通态势的解释和理解是有必要的。
发明内容
为克服上述现有技术的不足，本发明提供一种复杂水域船舶交通划分方法、装置、设备和介质，用以解决上述至少一个技术问题。
一方面，本发明提供一种复杂水域船舶交通划分方法，包括：构建综合冲突严重度和空间距离的复合相似性度量模型；将相似性度量结果嵌入图论聚类方法中，利用基于图论的聚类框架生成具有高的簇内相似度和低的簇间相似度的均衡交通簇。
上述技术方案考虑到冲突严重度度量融合了动态水域中船舶运动的不确定性特征，而空间紧凑性度量利用海上轨迹知识挖掘的海上交通路线网络提取了两船之间的最短路径，将这两个指标集成到一个复合相似性度量模型中；然后将相似性度量结果进一步嵌入到图论聚类方法中，生成保证簇内的相似度最大、簇间的相似度最小，且大小均衡的交通簇，达到将区域海上交通划分为几个紧凑的、可扩展的和可解释的交通集群的目的。
作为进一步的技术方案，所述方法进一步包括：利用核密度估计算法获得可航区域与不可航区域的概率分布结果；基于概率分布结果，将整个水域转换为二值图像，利用图像处理技术提取图像骨架，构建船舶交通路线网络；利用船舶交通路线网络识别船舶对之间的真实空间距离。
在复杂和受限的水域中，空间相邻的两艘船舶可能无法彼此可达，传统的线性距离度量不适用于描述存在受限地理特征水域中交通场景的空间紧凑性，因此，在交通知识提取的基础上构建船舶交通路线网络，然后在路线网络上搜索船舶对之间的最短距离作为其实际空间距离。
作为进一步的技术方案，利用船舶交通路线网络识别船舶对之间的真实空间距离，进一步包括：在两艘船舶位置之间的连接线上均匀取样若干个点，并确定它们是否属于可航区域；如果所有这些点都位于可航区域，则根据欧几里德距离计算船舶对之间的实际空间距离。
作为进一步的技术方案，只要有一个点在不可航区域，则在交通路线网络上搜索与每艘船舶距离最近的两个相邻点，然后应用Dijkstra算法计算这两点之间的最短路径距离。
作为进一步的技术方案，所述方法通过线性组合方法将冲突连接相似度度量和空间紧凑相似度度量两个度量指标组合在一起；其中冲突连接相似度度量定义为等于船舶之间的冲突严重度，空间紧凑相似度度量定义为：
Figure BDA0003763678560000021
其中，distij表示两船之间的真实空间距离，β是一个缩放参数，D1和D2是两个将空间紧凑关系分成三类的参数。
作为进一步的技术方案，构建的复合相似性度量模型为：
Figure BDA0003763678560000031
其中，Wij定义了两船的相似度，α是一个权衡参数，
Figure BDA0003763678560000032
表示空间紧凑相似度度量，
Figure BDA0003763678560000033
表示冲突连接相似度度量。
作为进一步的技术方案，所述方法进一步包括：
采用Ncut目标函数生成具有高内部相似性和低外部相似性的簇：
Figure BDA0003763678560000034
其中，
Figure BDA0003763678560000035
W(u，v)代表样本u和v之间的相似度，Ai代表第i个簇的子集，
Figure BDA0003763678560000036
代表Ai的补集；
通过采用正态化相似度矩阵
Figure BDA0003763678560000037
替代
Figure BDA0003763678560000038
上述目标函数转化为Frobenius范数最小化形式；
给定用正态化相似度矩阵
Figure BDA0003763678560000039
簇的数量k，非负性约束
Figure BDA00037636785600000310
基于SNMF图聚类优化问题转化成如下形式：
Figure BDA00037636785600000311
SNMF的目的是通过最小化上式中的Frobenius范数，搜索对称非负低阶近似H，根据H中每行中的最大值来直接识别数据样本的聚类分配。
一方面，本发明提供一种复杂水域船舶交通划分装置，包括：相似性度量构建模块，用于构建综合冲突严重度和空间距离的复合相似性度量模型；交通簇划分模块，用于将相似性度量结果嵌入图论聚类方法中，利用基于图论的聚类框架生成具有高的簇内相似度和低的簇间相似度的均衡交通簇。
进一步地相似性度量构建模块还包括：冲突连接相似度度量模块和空间紧凑相似度度量模块。通过这两个度量指标的线性组合，得到复合相似度度量结果。
一方面，本发明提供一种计算机设备，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现所述的复杂水域船舶交通划分方法的步骤。
一方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现所述的复杂水域船舶交通划分方法的步骤。
与现有技术相比，本发明的有益效果在于：
(1)本发明考虑了交通划分过程中多船之间的多属性相互关系(即冲突连接性和空间紧凑性)，与其他只关注交通密度的交通集群侦测方法相比，该方法更加可靠和实用，因为它不仅有助于识别交通冲突模式，而且使交通管理策略的应用变得可行。
(2)本发明利用历史AIS数据生成海上交通路线网络。它通过使用路线网络上船舶对的最短路径长度帮助捕获具有真实空间紧凑性的交通集群，确保适应受限地理水域中的交通场景。
(3)本发明将一种扩展的基于图论的聚类框架，即对称非负矩阵分解(SNMF)，被用于生成大小均衡的理想交通簇。通过优化图论的聚类目标，它可以灵活且可扩展地处理各种船舶交通会遇场景。
附图说明
图1为根据本发明实施例的复杂水域船舶交通划分方法流程图。
图2为根据本发明实施例基于核密度估计的不可航区域识别和基于图像处理技术的船舶交通路线网络提取示意图。
图3为根据本发明实施例基于交通路线网络的实际空间距离计算示意图。
图4为根据本发明实施例的船舶交通划分结果示意图，其中，(a)表示船舶交通网络可视化；(b)表示不同数量的簇对应的f1和f2；(c)-(f)表示当簇数量为11、14、17和20时对应的交通簇划分结果。
图5(a)为根据本发明实施例的图4(d)中每个簇的特征统计信息示意图。
图5(b)为根据本发明实施例的图4(f)中每个簇的特征统计信息示意图。
图6(a)-(b)为根据本发明实施例所提出算法与谱聚类算法在不同船舶数和聚类数下的性能比较示意图。
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。
本发明旨在将区域海上交通划分为几个紧凑的、可扩展的和可解释的交通集群。划分区域船舶交通的最大挑战是解释其模式复杂性和船舶之间的相互干扰。受道路交通领域中城市交通网络划分工作的启发，一种基于图论的交通划分机制被设计以生成保证冲突连接性和空间紧凑性的交通集群。冲突严重度度量融合了动态水域中船舶运动的不确定性特征，而空间紧凑性度量利用海上轨迹知识挖掘的海上交通路线网络提取两船之间的最短路径。通过线性组合的方式将这两个指标集成到一个复合相似性度量模型中。最后，将相似性度量结果进一步嵌入到图论聚类方法中，生成保证簇内的相似度最大、簇间的相似度最小，且大小均衡的交通簇。此外，一些指标被用来评估和测试所提出的交通划分方法的性能。
本发明的主要目的是通过捕获复杂受限水域中的实时高风险交通集群，降低区域交通风险感知的难度。更具体地说，我们寻求开发一种机制，将整个船舶交通划分为几个集群，以实现以下目标：1)提取具有高冲突关系的交通集群，以检测真实的交通冲突模式；2)生成空间紧凑的交通集群，以便于交通管理策略的设计和实施。
基于这两个目标，本发明构建了一个无向图用于船舶交通划分，其中每艘船舶被建模为一个节点，并根据船舶之间冲突关系和空间距离建立其相邻关系(即边)。这样做可以将交通划分问题转化为图切割问题。它致力于将网络划分为几个子图。提出的交通划分机制包括以下主要步骤。首先，一种同时考虑冲突连接性和空间紧凑性的复合相似模型被提出。其中，采用概率冲突侦测方法对冲突关系进行量化，该方法可以在船舶时空运动不确定性存在的情况下准确估计船舶之间的冲突严重度综合。另一方面，基于海上交通知识提取技术测量船舶之间空间紧凑关系。它从构建的船舶交通路线网络中提取船舶对之间的真实空间距离。在所构建的复合相似模型的基础上，进一步利用图聚类的数学框架将具有高冲突连接性和空间紧凑性的船舶分组到具有均衡大小的集群中。此外，还采用了一些指标来评估和测试所提出的交通划分框架的性能。具体流程如图1所示。
图划分的关键问题是如何定义相似度/邻接度来描述每对节点之间的连接。本发明致力于开发一个相似性模型，该模型允许同时考虑船舶对的冲突关系和空间距离。相似性模型包括以下模块：1)反映冲突关系的概率冲突评估模型，2)提出了一个真实的空间距离识别模型来定义空间关系，3)描述了设计的复合相似性模型。
碰撞风险量化是冲突交通簇识别的一个组成部分。此处，以概率方式衡量船舶之间的冲突关系，以确保适应具有时空运动不确定性的交通场景。
通常，冲突被定义为在有限的预测时间范围内，两艘船之间的最小安全间距被侵犯的情况。在本发明中，采用了一个适用于受限水域的经典船舶域模型来描述船舶之间的冲突。如果以下不等式在冲突侦测时间范围内成立，则视为两船发生冲突：
DistAB(t)≤SDA(t)+SDB(t) (1)
其中，DistAB表示两船之间的距离，SDA和SDB表示每艘船到他们领域边界的距离。考虑到船舶运动不确定性对冲突侦测的影响，不等式(1)是否成立是一个概率事件。因此，通过使用以下表达式来表示给定时刻t船舶之间的冲突概率：
Figure BDA0003763678560000061
其中，fL(t)表示两艘船之间最小安全间距损失的概率密度函数，L(t)＝Dist(t)-SDA(t)-SDB(t)。
式(2)表示未来某个时间冲突的瞬时发生概率，因此，通过考虑最大PC(t)和及其相应的发生时刻表示冲突严重度。第一个指标反映了潜在冲突的最高强度，而第二个指标则反映了需要立即解决冲突的紧迫性。这里使用指数函数进行融合，如下所示：
Figure BDA0003763678560000062
其中，MPC表示在侦测时间范围内的最大冲突概率，tMPC表示最大冲突概率的发生时刻。
从概率风险的角度定义冲突严重度度量模型后，可以进一步实现概率冲突侦测。概率冲突侦测方法包括两个重要元素：一是不确定轨迹预测，这是潜在碰撞侦测和评估的前提；另一个是冲突概率计算，它涉及到技术和方法的开发和使用，通过这些技术和方法可以准确有效地估计实际冲突的严重度。不确定轨迹预测是通过将船舶运动建模为与船舶航行计划相关的确定性运动，再加上由各种扰动给出的随机分量来确定。在冲突概率计算方面，采用了两阶段蒙特卡罗模拟算法，以实现对冲突严重度的快速准确估计。
海上交通划分要求保证所产生的交通集群的空间紧凑性，以便于碰撞风险管理策略的实施。传统的空间紧凑性度量是根据一个集群中船舶之间的欧氏距离(或称为线性距离)确定的。然而，在复杂和受限的水域中，空间相邻的两艘船舶可能无法彼此可达。例如，船与船之间经常存在一些障碍物来阻挡它们。因此，传统的线性距离度量不适用于描述存在受限地理特征水域中交通场景的空间紧凑性。
解决这一问题的一种有效的方法是在交通知识提取的基础上构建船舶交通路线网络，然后在路线网络上搜索船舶对之间的最短距离作为其实际空间距离。本发明拟采用一种图像预处理技术来解决这一问题。它将通航水域的主要骨架作为交通路线网络。
首先，应用核密度估计来区分可航水域和不可航水域。它基于AIS数据，使用以下公式估计船舶交通的空间概率分布：
Figure BDA0003763678560000071
其中，φh表示满足φh(x)＞0和∫φh(x)dx＝1的核函数，h表示大于0的带宽参数，K'表示带宽h内的样本数。对于每个区域点，如果其概率分布值大于预定义阈值，则表示可航行区域，否则视为不可航水域。
利用核密度获得的概率分布结果，可以将整个水域转换为一个二值图像，其中单元1表示可航区域，0表示不可航区域。将图像处理操作应用于二值图像以提取图像骨架。通过一系列操作，可以构建一个提供紧凑、结构化和精确交通路线描述的网络框架。
在完成海上交通路线网络结构的离线训练后，可进一步利用其识别船舶对之间的真实空间距离。程序实施包括以下步骤。首先，在两艘船舶位置之间的连接线上均匀取样几个点(如10个)，并确定它们是否属于可航区域。如果所有这些点都位于可航区域，则根据欧几里德距离计算船舶对之间的实际空间距离。否则，将在交通路线网络上搜索每艘船舶相邻的最近点，然后应用Dijkstra算法计算这两点之间的最短路径距离。通过这种方式，该程序提供了支持生成真实空间紧凑性交通簇的潜力。
基于以上两种关系度量指标，可以进一步合并它们以同时满足空间紧凑性和冲突连接性要求。在本发明中，通过线性组合方法将两个度量指标组合在一起。这是描述船舶对之间关联关系的一种简单而有力的方法，但要求两个指标具有相同的取值范围。由于船舶之间冲突严重度的取值范围为[0，1]，因此船舶之间的冲突连接关系的相似度度量被定义为等于其冲突严重度。然而，船舶之间的实际空间距离可能非常远(例如，几十海里)。因此，空间紧凑关系相似度度量如下所示以保证其值在0-1之间：
Figure BDA0003763678560000081
其中，distij表示两船之间的真实空间距离，β是一个缩放参数，D1和D2是两个将空间紧凑关系分成三类的参数。如果空间距离小于D1，两船被视为高紧凑性并且
Figure BDA0003763678560000082
如果空间距离在D1和D2之间，紧凑相似度随着空间距离基于指数表达式单调下降；如果空间距离大于D2，两船之间的空间紧凑关系可以忽略。
进一步，一个复合相似度度量模型被设计，并通过线性组合的方式给
Figure BDA0003763678560000083
和
Figure BDA0003763678560000084
赋予不同的权重，如下：
Figure BDA0003763678560000085
其中，Wij定义了两船的相似度，α是一个权衡参数。该模型明确考虑了上述两种相似性度量，有助于系统地描述整个水域中船舶之间的多重相互关系。
谱聚类是一类广泛应用于解决图划分问题的聚类算法。与专注于数据集本身的其他类别的聚类算法(例如，基于原型和基于密度的聚类)不同，谱聚类根据每对数据样本之间的相似性将数据样本分配到适当的簇中，并且不对聚类数据集的形式进行假设。然而，谱聚类的成功应用在很大程度上依赖于拉普拉斯矩阵(L＝D-W)的主要特征值和特征向量的性质，其中W表示相似矩阵，D定义一个对角矩阵
Figure BDA0003763678560000091
当矩阵L的第k个和(k+1)个最大特征值之间的差距不够大时，谱聚类的应用可能会由于L的前k个特征向量所扫描的k维子空间不稳定而失败。
为了解决这个问题，一种更具竞争力的扩展数学公式被提出，即SNMF。它通过对图相似性矩阵执行非负低秩近似来区分不同的簇。理论上，根据图聚类目标，SNMF和谱聚类是两种高度相关的方法，但采用了根本不同的方法来优化目标。本发明采用SNMF。为了将海上船舶交通划分为大小相似的簇，采用称为归一化切割(Ncut)的常用目标函数以生成具有高内部相似性和低外部相似性的簇，其定义如下：
Figure BDA0003763678560000092
其中，
Figure BDA0003763678560000093
W(u，v)代表样本u和v之间的相似度，Ai代表第i个簇的子集，
Figure BDA0003763678560000094
代表Ai的补集。通过采用正态化相似度矩阵
Figure BDA0003763678560000095
替代
Figure BDA0003763678560000096
公式(7)可以转化为Frobenius范数最小化形式。因此，给定用正态化相似度矩阵
Figure BDA0003763678560000097
簇的数量k，非负性约束
Figure BDA0003763678560000098
基于SNMF图聚类优化问题可以转化成如下形式：
Figure BDA0003763678560000099
SNMF的目的是通过最小化公式(8)中的Frobenius范数，搜索对称非负低阶近似H。对于最优的矩阵H，每一列都可以看作是聚类样本属于一个簇的隶属度。因此，可以根据H中每行中的最大值来直接识别数据样本的聚类分配。注意可以考虑采用不同的优化方法来解决等式(8)中所述的最小化问题。在本发明中，通过类牛顿算法直接解决优化问题。由于对H的初始化敏感，它可能会遇到局部最小解。关于这个问题，用随机抽样的初始化H多次执行类牛顿算法(例如10次)，以找到全局最小解或至少保证接近全局最小值。
模型表现评估对于确保提出方法的有效性至关重要。因此，引入了一些度量指标来评估交通划分结果。
第一个采用的指标是“NCUT轮廓”(NS)，其如下表示：
Figure BDA0003763678560000101
其中，Ai和Aj表示两个簇集，k表示簇的数量，W(u，v)表示两个样本之间的相似度，
Figure BDA0003763678560000102
表示Ai中样本的数量。NSk(Ai，Aj)计算簇Ai和Aj之间的平均二次相异度。在此基础上，使用以下指标衡量一个簇中的船舶是否被正确分组：
Figure BDA0003763678560000103
其中，NSNk(Ai，Aj)＝min{NSk(Ai，AK)|AK∈A，AK≠Ai}，A表示整个簇集合，Aj定义为与Ai最相似的簇。显然，NSk(Ai)＜1表示簇Ai被合理的切割。进一步，可以根据所有簇的平均NSK来评估交通划分结果的总体性能，如下所示：
Figure BDA0003763678560000104
较小的NSK值意味着整个交通场景是被有效分割的。
值得注意的是上述综合指标高度依赖于设计的相似性模型。由于相似模型中的超参数的影响，他们无法直接检查簇划分结果的空间紧性和冲突连接性。因此，进一步提出了与这两个标准相关的两个具体指标。关于冲突连接性，可以根据冲突船舶对被划分到不同集群的程度进行评估，如下所示：
Figure BDA0003763678560000111
其中，Nvc表示被分配在不同簇中的冲突船舶对的数量，C(γ)i表示船舶对i的冲突严重度。较小的f1值表明更多的冲突船舶对有效地分配在相同的簇中。关于空间紧凑性，NSk仍然可以通过使用实际空间距离来替代等式(9)中的相异度来应用，被称为f2。f2值越小，簇内的空间距离越小，而簇间的空间距离越大，这意味着很好地实现了簇划分的空间紧凑性。
本实施例中，图2显示了基于AIS历史数据的进行知识挖掘确定的不可航区域和船舶交通路线网络。根据该图，灰色区域表示无法通航的区域，而曲线表示交通路线网络。研究发现，曲线有效地描述了可航区域的骨架，显示了其拟合优度。更重要的是，这种海洋行为模式的精确和结构化表示允许用于测量船舶对之间的真实空间距离。为了说明如何使用网络进行实际空间距离计算，图3给出了基于创建的拓扑识别船舶对之间空间距离关系的示例。在图中，船舶B和C与A被障碍物隔开。船舶A与B之间基于交通网络的实际空间距离(RSD)和线性空间距离(LSD)分别为6.43kn和4.51kn。很明显，由于船舶对之间存在障碍物，因此应更合理地通过其在路线网络上的最短路径长度来测量船舶对之间的距离，而不是使用物理距离。也就是说，路线网络有助于识别复杂水域中的真实空间距离，这是识别真实空间紧凑交通集群的第一步。
图4给出了某一时刻交通场景的船舶交通划分结果。图4(a)中显示了船舶交通关系的图形表示的可视化。红色点表示船舶，细线表示船舶对之间的相似性，粗线表示船舶对之间存在冲突关系。图4(b)中给出了在使用不同簇数量执行交通划分后的f1和f2的值。根据图4(b)中虚线的多个波谷，展示了几个交通划分结果(见图4(c-f))。从这些图中可以明显看出，生成的交通集群在空间上是紧凑的，而同时大多数冲突的船舶对被分配到相同的簇中，这说明了我们模型的良好特性。此外，还发现船舶之间存在复杂的冲突关系(如图4(e)中的簇2和簇3)，因此应注意多艘船舶的时空相互作用，而不是关注船舶对之间的相互作用。此外，对于不同的输入簇数量，聚类质量是稳健的，并且随着聚类数量的增加，会过滤出更多的异常值(即，生成的具有一艘船的簇，其可以视为安全的船只)。这意味着，人们可以选择不同的簇数量研究交通场景的簇划分结果，以进行多视角分析。总体而言，该方法在将区域船舶交通划分为几个高度空间紧凑和冲突连接的集群方面表现良好。
此外，图4(d)和(f)中生成的簇的特征被分析。此处未标记数量小于3艘船舶的簇。图5显示了每个簇的交通密度和冲突严重度之和。如这些图所示，可以很容易地找到具有高密度/冲突严重性的簇，例如，图5(a)中的簇3和图5(b)中的簇9。这表明有必要分解区域交通复杂性，而不是从全局角度直接实施态势感知。关于所提出方法的实际应用，可以检查交通簇的风险指数是否超过预定义的阈值，以帮助监控操作员更加关注关键交通簇。通过这种方式，提出的交通划分机制有助于降低态势感知的难度，并识别高风险/密度区域。
图4(d)和(f)中每个簇的特征统计信息，包括交通密度和冲突严重程度之和。
模型比较和验证对于建模方法的实际应用至关重要。因此，首先将所提出的方法与广泛使用的图聚类算法(即谱聚类)进行比较，以显示SNMF框架的优越性。
表1.SNMF与谱聚类之间的综合比较
Figure BDA0003763678560000121
表1给出了所提出的机制和谱聚类算法之间的综合比较。如表所示，就多个评估指标对比而言，所提出的方法的总体性能明显优于谱聚类。这主要是因为SNMF框架的良好特性以及正交性约束对其没有影响。请注意，其他类别的聚类算法(如基于原型和基于密度的聚类)没有考虑进行比较，因为它们关注每个数据样本的特征。例如，k-means算法基于聚类中心进行聚类，当船舶之间的空间距离是由其在路线网络上的最短路径长度而不是欧几里德距离来衡量时，这是没有意义的。DBSCAN算法需要识别核心样本，并且难以处理密度不同的数据集。因此，这些模型很难基于船舶之间的相互作用/相似性实现有效的交通簇划分。为了进一步评估所提出机制的泛化能力，对两种方法在不同簇数量和船舶数量下进行了比较。如图6所示，在所有情况下，所提出的方法基于平均NS都优于谱聚类算法。这些结果证实了SNMF框架的稳定性和可扩展性。
开发先进的交通态势感知技术和工具是新兴智能港口的重要组成部分之一。在本发明中，提出了一种基于图的交通划分机制，该机制允许捕获冲突连接和空间紧凑的交通集群，以降低全局态势感知的难度，并降低交通管理策略的设计和实施难度。该机制具有以下特点：1)考虑了船舶之间的多属性相互关系，包括冲突关系和空间距离；2)该方法基于海上交通知识提取识别准确的空间距离，使该机制能够适应复杂的地理水域；3)该研究采用更具竞争力的图聚类模型来支持鲁棒性的交通簇划分。实验基于AIS数据进行了相关分析，以验证该研究的实用性和优越性。实验结果表明，该方法对支持海上智能监控和促进海上交通安全管理具有重要意义。
本实施例提供一种复杂水域船舶交通划分装置，包括：相似性度量构建模块，用于构建综合冲突严重度和空间距离的复合相似性度量模型；交通簇划分模块，用于将相似性度量结果嵌入图论聚类方法中，利用基于图论的聚类框架生成具有高的簇内相似度和低的簇间相似度的均衡交通簇。
进一步地相似性度量构建模块还包括：冲突连接相似度度量模块和空间紧凑相似度度量模块。通过这两个度量指标的线性组合，得到复合相似度度量结果。
上述实施例提供的装置可以实现为一种计算机程序的形式，该计算机程序可以在计算机设备上运行。
该计算机设备可以包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括非易失性存储介质和内存储器。非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种复杂水域船舶交通划分的方法。
处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种复杂水域船舶交通划分的方法。
该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，前述结构仅仅是与本申请方案相关的部分结构的示意，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(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。其中，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。
其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
构建综合冲突严重度和空间距离的复合相似性度量模型；
将相似性度量结果嵌入图论聚类方法中，利用基于图论的聚类框架生成具有高的簇内相似度和低的簇间相似度的均衡交通簇。
本实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序中包括程序指令，所述程序指令被执行时所实现的方法可参照本申请的各个实施例。
其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMediaCard，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
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 (10)

1.复杂水域船舶交通划分方法，其特征在于，包括：构建综合冲突严重度和空间距离的复合相似性度量模型；将相似性度量结果嵌入图论聚类方法中，利用基于图论的聚类框架生成具有高的簇内相似度和低的簇间相似度的均衡交通簇。
2.根据权利要求1所述复杂水域船舶交通划分方法，其特征在于，所述方法进一步包括：利用核密度估计算法获得可航区域与不可航区域的概率分布结果；基于概率分布结果，将整个水域转换为二值图像，利用图像处理技术提取图像骨架，构建船舶交通路线网络；利用船舶交通路线网络识别船舶对之间的真实空间距离。
3.根据权利要求2所述复杂水域船舶交通划分方法，其特征在于，利用船舶交通路线网络识别船舶对之间的真实空间距离，进一步包括：在两艘船舶位置之间的连接线上均匀取样若干个点，并确定它们是否属于可航区域；如果所有这些点都位于可航区域，则根据欧几里德距离计算船舶对之间的实际空间距离。
4.根据权利要求3所述复杂水域船舶交通划分方法，其特征在于，只要有一个点在不可航区域，则在交通路线网络上搜索与每艘船舶距离最近的两个相邻点，然后应用Dijkstra算法计算这两点之间的最短路径距离。
5.根据权利要求1所述复杂水域船舶交通划分方法，其特征在于，所述方法通过线性组合方法将冲突连接相似度度量和空间紧凑相似度度量两个度量指标组合在一起；其中冲突连接相似度度量定义为等于船舶之间的冲突严重度，空间紧凑相似度度量定义为：
Figure FDA0003763678550000011
其中，distij表示两船之间的真实空间距离，β是一个缩放参数，D1和D2是两个将空间紧凑关系分成三类的参数。
6.根据权利要求5所述复杂水域船舶交通划分方法，其特征在于，构建的复合相似性度量模型为：
Figure FDA0003763678550000012
其中，Wij定义了两船的相似度，α是一个权衡参数，
Figure FDA0003763678550000013
表示空间紧凑相似度度量，
Figure FDA0003763678550000014
表示冲突连接相似度度量。
7.根据权利要求1所述复杂水域船舶交通划分方法，其特征在于，所述方法进一步包括：
采用Ncut目标函数生成具有高内部相似性和低外部相似性的簇：
Figure FDA0003763678550000021
其中，
Figure FDA0003763678550000022
W(u，v)代表样本u和v之间的相似度，Ai代表第i个簇的子集，
Figure FDA0003763678550000029
代表Ai的补集；
通过采用正态化相似度矩阵
Figure FDA0003763678550000024
替代
Figure FDA0003763678550000025
上述目标函数转化为Frobenius范数最小化形式；
给定用正态化相似度矩阵
Figure FDA0003763678550000026
簇的数量k，非负性约束
Figure FDA0003763678550000027
基于SNMF图聚类优化问题转化成如下形式：
Figure FDA0003763678550000028
SNMF的目的是通过最小化上式中的Frobenius范数，搜索对称非负低阶近似H，根据H中每行中的最大值来直接识别数据样本的聚类分配。
8.复杂水域船舶交通划分装置，其特征在于，包括：相似性度量构建模块，用于构建综合冲突严重度和空间距离的复合相似性度量模型；交通簇划分模块，用于将相似性度量结果嵌入图论聚类方法中，利用基于图论的聚类框架生成具有高的簇内相似度和低的簇间相似度的均衡交通簇。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如权利要求1至7中任一项所述的复杂水域船舶交通划分方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如权利要求1至7中任一项所述的复杂水域船舶交通划分方法的步骤。
CN202210879444.1A 2022-07-25 2022-07-25 复杂水域船舶交通划分方法、装置、设备和介质 Pending CN115310682A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210879444.1A CN115310682A (zh) 2022-07-25 2022-07-25 复杂水域船舶交通划分方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210879444.1A CN115310682A (zh) 2022-07-25 2022-07-25 复杂水域船舶交通划分方法、装置、设备和介质

Publications (1)

Publication Number Publication Date
CN115310682A true CN115310682A (zh) 2022-11-08

Family

ID=83859427

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210879444.1A Pending CN115310682A (zh) 2022-07-25 2022-07-25 复杂水域船舶交通划分方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN115310682A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117316293A (zh) * 2023-11-30 2023-12-29 北京师范大学 基于神经影像的脑网络结构与功能耦合方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117316293A (zh) * 2023-11-30 2023-12-29 北京师范大学 基于神经影像的脑网络结构与功能耦合方法及装置
CN117316293B (zh) * 2023-11-30 2024-04-19 北京师范大学 基于神经影像的脑网络结构与功能耦合方法及装置

Similar Documents

Publication Publication Date Title
Zhang et al. A predictive analytics method for maritime traffic flow complexity estimation in inland waterways
Gao et al. Ship-handling behavior pattern recognition using AIS sub-trajectory clustering analysis based on the T-SNE and spectral clustering algorithms
Zhao et al. Maritime anomaly detection using density-based clustering and recurrent neural network
Liu et al. STMGCN: Mobile edge computing-empowered vessel trajectory prediction using spatio-temporal multigraph convolutional network
Xiao et al. Maritime traffic probabilistic forecasting based on vessels’ waterway patterns and motion behaviors
Sun et al. Iterative robust graph for unsupervised change detection of heterogeneous remote sensing images
Xin et al. A probabilistic risk approach for the collision detection of multi-ships under spatiotemporal movement uncertainty
Kontopoulos et al. A distributed framework for extracting maritime traffic patterns
Shirowzhan et al. Data mining for recognition of spatial distribution patterns of building heights using airborne lidar data
CN111582380A (zh) 一种基于时空特征的船舶轨迹密度聚类方法及装置
Cao et al. PCA-based hierarchical clustering of AIS trajectories with automatic extraction of clusters
Yang et al. Maritime traffic flow clustering analysis by density based trajectory clustering with noise
Forti et al. Unsupervised extraction of maritime patterns of life from Automatic Identification System data
Xin et al. Graph-based ship traffic partitioning for intelligent maritime surveillance in complex port waters
Xin et al. Multi-scale collision risk estimation for maritime traffic in complex port waters
Huang et al. A maritime traffic route extraction method based on density-based spatial clustering of applications with noise for multi-dimensional data
CN115310682A (zh) 复杂水域船舶交通划分方法、装置、设备和介质
CN113626929B (zh) 多阶段多拓扑的船舶交通复杂度度量方法及系统
Lu et al. Shape-based vessel trajectory similarity computing and clustering: A brief review
Zhang et al. Automatic Traffic Anomaly Detection on the Road Network with Spatial‐Temporal Graph Neural Network Representation Learning
Fan et al. Adaptive crowd segmentation based on coherent motion detection
Ji et al. A dynamic adaptive grating algorithm for AIS-based ship trajectory compression
CN114862095A (zh) 识别复杂水域船舶交通冲突热点的区域交通划分方法
Widyantara et al. Automatic identification system-based trajectory clustering framework to identify vessel movement pattern
Tong et al. Identifying influential ships in multi-ship encounter situation complex network based on improved WVoteRank approach

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