CN115828120A - 船舶交通行为模式自适应识别方法、系统及计算机设备 - Google Patents
船舶交通行为模式自适应识别方法、系统及计算机设备 Download PDFInfo
- Publication number
- CN115828120A CN115828120A CN202310125490.7A CN202310125490A CN115828120A CN 115828120 A CN115828120 A CN 115828120A CN 202310125490 A CN202310125490 A CN 202310125490A CN 115828120 A CN115828120 A CN 115828120A
- Authority
- CN
- China
- Prior art keywords
- ship
- algorithm
- track
- ais data
- traffic behavior
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 133
- 239000011159 matrix material Substances 0.000 claims abstract description 23
- 238000005452 bending Methods 0.000 claims abstract description 18
- 230000006399 behavior Effects 0.000 claims description 99
- 238000013144 data compression Methods 0.000 claims description 26
- 230000003044 adaptive effect Effects 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 14
- 238000007906 compression Methods 0.000 claims description 10
- 230000006835 compression Effects 0.000 claims description 9
- 230000001808 coupling effect Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000003909 pattern recognition Methods 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 101100177269 Arabidopsis thaliana HCAR gene Proteins 0.000 claims 6
- 230000008878 coupling Effects 0.000 abstract description 5
- 238000010168 coupling process Methods 0.000 abstract description 5
- 238000005859 coupling reaction Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000010845 search algorithm Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 102000002274 Matrix Metalloproteinases Human genes 0.000 description 1
- 108010000684 Matrix Metalloproteinases Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明属于船舶交通信息识别技术领域，公开了船舶交通行为模式自适应识别方法、系统及计算机设备。该方法包括：对获得的清洁可用的船舶AIS数据进行压缩；基于压缩后的船舶AIS数据，采用多维动态时间弯曲距离算法对空间特征与运动特征的相似性进行度量；基于轨迹间相似性矩阵，采用改进的和声搜索差分进化算法寻找DBSCAN算法的最优参数，确定DBSCAN算法的最优参数后，利用DBSCAN算法对船舶交通行为模式进行识别。本发明可以在船舶交通行为识别中充分考虑船舶空间特征与运动特征的耦合性并根据交通数据集的特点自适应确定参数，从而提高算法的自适应性，降低对参数设置的依赖性。
Description
技术领域
本发明属于船舶交通信息识别技术领域，尤其涉及船舶交通行为模式自适应识别方法、系统及计算机设备。
背景技术
DBSCAN算法作为基于密度的聚类算法，能够识别不同形状的簇以及噪音，适用于船舶交通行为模式的识别。Zhao等人提出了基于Douglas-Peucker(DP)的船舶交通行为识别方法，该方法首先使用DP算法对通航船舶的空间特征进行压缩，基于压缩的AIS数据，利用单维动态事件弯曲距离对通航船舶的空间特征相似性进行度量，而后采用DBSCAN算法进行聚类，并利用通航船舶的空间统计特征，利用高斯分布，通过确定DBSCAN参数中的一个参数估算另一个参数，从而确定DBSCAN算法的最优参数。
通过上述分析，现有技术存在的问题及缺陷为：
（1）现有技术上述方法虽然采用了数据压缩的方法降低了数据规模，但是在压缩过程中仅考虑了通航船舶的空间特征，未考虑通航船舶的运动特征。同时在船舶交通行为模式也只考虑了通航船舶的空间特征，未能考虑通航船舶的空间特征与运动特征对船舶交通行为的耦合影响。
（2）DBSCAN算法作为基于密度的聚类算法，能够识别不同形状的簇以及噪音，适用于船舶交通行为模式的识别，但DBSCAN算法对参数设置依赖度较高，上述实现方案提出了一种基于通航船舶空间统计特征的参数确定方法，虽然降低了算法对参数的依赖性，但算法的复杂度高，未能考虑参数间的相互影响，因而自适应性较弱，有待进一步提升算法的自适应性，因此在船舶交通行为数据识别精度低，不能为安全运行提供保障。
发明内容
为克服相关技术中存在的问题，本发明公开实施例提供了船舶交通行为模式自适应识别方法、系统及计算机设备，涉及海事管理、海上交通，交通行为识别领域，具体涉及一种基于海量AIS数据的船舶交通行为模式自适应识别方法。
所述技术方案如下：基于海量AIS数据的船舶交通行为模式自适应识别方法包括以下步骤：
S101，采集海量的船舶AIS数据，利用牛顿运动定律进行噪声点的检测和剔除，并对数据进行内插从而获得等时间间隔且清洁可用的船舶AIS数据；
S102，采用基于船舶航行行为的AIS数据压缩方法对船舶AIS数据压缩；
S103，基于压缩后的船舶AIS数据，采用多维动态时间弯曲距离算法对空间特征与运动特征的相似性进行度量；根据相似性的度量结果构建轨迹间相似性矩阵，采用改进的和声搜索差分进化算法寻找DBSCAN算法的最优参数，确定DBSCAN算法的最优参数后，利用DBSCAN算法对船舶交通行为模式进行识别。
在步骤S102中，采用基于船舶航行行为的AIS数据压缩方法对船舶AIS数据压缩，具体包括：
采用DP算法对轨迹的空间特征进行压缩，采用滑动窗口算法对位于窗口内的轨迹运动特征进行压缩，将航迹向、航速介于阈值区间内的轨迹点保留，反之则剔除；对于运动特征的压缩阈值区间的确定，是通过对航迹向、航速的统计，并假设航迹向、航速服从高斯分布，利用参数估计确定高斯分布的统计特征，根据航迹向、航速所具有的统计特征最终确定压缩阈值区间；
将通过DP算法获得的压缩轨迹集合与滑动窗口算法获得的压缩轨迹集合进行合并，得到压缩后的基于船舶航行行为的船舶AIS数据。
步骤S103中，基于压缩后的船舶AIS数据，采用多维动态时间弯曲距离算法对空间特征与运动特征的相似性进行度量，具体包括：
利用式（1）、式（2），对经过基于船舶航行行为的AIS数据压缩方法压缩处理过的船舶AIS数据，利用多维动态时间弯曲距离算法从空间特征与运动特征进行相似性度量，实现在船舶交通行为识别中对轨迹空间特征和运动特征耦合作用影响的度量；
其中，
表示轨迹
中第i个点与轨迹
中第j个点间的距离，
表示轨迹
中第i个点的第k维值；
其中，
为轨迹
与轨迹
的多维动态时间弯曲距离，
为轨迹
的轨迹点个数，
为轨迹
的轨迹点个数。
步骤S103中，利用DBSCAN算法对船舶交通行为模式进行识别具体包括：
通过改善初始种群，采用双差分算子以及两种更新策略结构改进和声搜索差分进化算法，并利用改进的和声搜索差分算法优化DBSCAN算法的参数聚类半径Eps和最小近邻数MinPts。
步骤S103中，改进的和声搜索差分进化算法包括以下步骤：
第一步，初始种群的优化：采用K-平均最近邻算法优化Eps与MinPts的初始种群并运用分段随机挑选的方式来确定初始种群，获得质量较优的参数备选集；
第二步，利用和声记忆率HMCR，音节调整率bw，音调调节率PAR参数，设计双差分更新算子进行更新；
第三步，在rand<HMCR的情况下，采用两种更新策略结构进行寻优。
在第一步中，初始种群的优化具体包括：
（a）计算距离矩阵：计算数据集中任意两条轨迹的多维动态时间弯曲距离，获得距离矩阵
；
（b）排序：对实对称距离矩阵
中的每一行进行升序排序，再计算排序后矩阵的每列元素的算数平均值，所有的平均值构成Eps平均值列表；
（c）获得初始Eps种群：将Eps平均值列表分为n等份，从每份数据组中随机抽取一个数据，构成初始Eps种群列表
；
（d）获得初始MinPts种群：利用数学期望法根据初始Eps种群列表
中的备选值获得MinPts初始种群，公式如下：
式中，
为第l个对象的Eps邻域对象数量，N为数据集中的样本总数；获得初始MinPts种群列表
。
在第二步中，设计双差分更新算子进行更新具体步骤包括：
①当rand<HMCR时，若
，通过式（5）生成
；若
，则
通过式（6）生成；
其中，HMCR为和声记忆率；PAR为音调调节概率取值0.9；式（5）、式（6）中
为新生成的和声变量，rand为区间（0，1）内的一个随机数；
为在最优和声向量中随机选取的第i维变量；
为种群的第i维中随机挑选的和声变量；bw为音节调整率；
②当rand>HMCR时，新的和声向量中所有维度的变量通过全局搜索获取，如式（7）：
设定HMCR随着迭代次数增加而逐渐增大，如式（8）：
其中，
=0.3，
=0.9，gn为当前迭代次数，NI最大迭代次数。
在第三步中，采用两种更新策略结构进行寻优包括：
策略1：当迭代次数与最大迭代次数比
时，通过式（5）和式（6）生成
；
策略2：当
时，通过式（9）与式（10）减少式（5）与式（6）中bw的搜索范围；其中：
式（9）为当
表示最优和声变量为Eps时，
的取值范围，式（10）为当
表示最优和声变量为MinPts时
的取值范围；其中
，为种群内的个体总数，SDR和LDR分别表示距离矩阵
中的最小值和最大值，K为设定簇的数量，D为数据的维度。
本发明的另一目的在于提供一种实现所述基于海量AIS数据的船舶交通行为模式自适应识别方法的基于海量AIS数据的船舶交通行为模式自适应识别系统，该基于海量AIS数据的船舶交通行为模式自适应识别系统包括：
AIS数据清洗模块，对海量的船舶AIS数据进行清洗获得清洁可用的船舶AIS数据；
AIS数据压缩模块，采用基于船舶航行行为的AIS数据压缩方法对船舶AIS数据压缩；
船舶交通行为模式识别模块，基于压缩后的船舶AIS数据，采用多维动态时间弯曲距离算法对空间特征与运动特征的相似性进行度量；根据度量结果构建轨迹间相似性矩阵；基于轨迹间相似性矩阵，采用改进的和声搜索差分进化算法寻找DBSCAN算法的最优参数，确定DBSCAN算法的最优参数后，利用DBSCAN算法对船舶交通行为模式进行识别。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述的基于海量AIS数据的船舶交通行为模式自适应识别方法。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决技术问题，以及解决问题之后带来的一些具备创造性的技术效果，具体描述如下：
本发明针对海量AIS数据的船舶交通行为识别问题中，存在数据规模较大，未能考虑通航船舶空间特征与运动特征耦合作用，无法有效识别船舶交通行为以及识别算法的参数自适应性差的问题，设计基于船舶航行行为的AIS数据压缩方法，在保留主要空间特征与运动特征的同时科学有效地降低数据规模。在此基础上，采用多维动态时间弯曲距离算法度量轨迹间的相似性，以便在船舶交通行为识别中同时考虑空间特征与运动特征的耦合影响。而后改进和声搜索差分进化算法，利用改进的和声搜索差分进化算法优化DBSCAN算法参数，确保设计的船舶交通行为识别算法可以根据交通数据集的特点自适应确定参数，从而提高算法的自适应性，降低对参数设置的依赖性。
第二、把技术方案看作一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
本发明提供的基于航行行为的AIS数据压缩方法，在保留主要通航船舶空间特征与运动特征的同时科学有效地降低了数据规模，便于后期船舶交通行为模式的识别。
本发明提供的基于多维动态时间弯曲距离算法的相似性度量方法，可以保证在船舶交通行为模式识别中考虑通航船舶空间特征与运动特征的耦合影响，提高识别的效果。
本发明提供的基于DBSCAN与改进和声搜索的船舶交通行为模式识别方法，可以根据数据集的特点自适应确定识别算法的最佳参数，提高识别的自适应性，降低了对参数设置的依赖性。
第三、作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：
（1）本发明转化后可以为海事主管机关提供船舶交通行为的挖掘方法，有利于海事主管机关及时了解主管海域的船舶交通行为制定相应的通航安全管理措施，提高海事通航安全管理水平。同时本发明的转化也将促进和带动交通管理、通信设备、智能船载设备等相关产业或产品的快速发展，其潜在的经济效益是不言而喻的。
（2）本发明一方面是解决了海量AIS数据的船舶交通行为识别的问题。另一方面是在船舶交通行为识别中考虑了船舶运动特征与空间特征的耦合作用。
（3）本发明解决了在船舶交通行为识别中由于AIS数据量过大难以有效识别、识别中未能考虑船舶空间特征与运动特征耦合作用的影响、识别算法自适应性差的技术难题。
（4）本发明克服了船舶交通行为识别中AIS数据量过大难以有效识别的技术偏见、船舶交通行为识别仅考虑船舶空间特征的技术偏见以及识别算法自适应性差的技术偏见。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理；
图1是本发明实施例提供的基于海量AIS数据的船舶交通行为模式自适应识别方法流程图；
图2是本发明实施例提供的基于航行行为的AIS压缩算法原理图；
图3是本发明实施例提供的改进和声搜索差分进化算法的实现框架原理图；
图4是本发明实施例提供的基于海量AIS数据的船舶交通行为模式自适应识别算法实现框架原理图；
图5是本发明实施例提供的基于海量AIS数据的船舶交通行为模式自适应识别系统示意图；
图中：1、AIS数据清洗模块；2、AIS数据压缩模块；3、船舶交通行为模式识别模块。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
一、解释说明实施例：
如图1所示，本发明实施例提供的基于海量AIS数据的船舶交通行为模式自适应识别方法包括：
S101，对海量的船舶AIS数据，利用牛顿运动定律进行噪声点的检测和剔除并对数据进行内插从而获得等时间间隔且清洁可用的船舶AIS数据；
S102，采用基于船舶航行行为的AIS数据压缩方法对船舶AIS数据压缩；
S103，基于压缩后的船舶AIS数据，采用多维动态时间弯曲距离算法对空间特征与运动特征的相似性进行度量；根据相似性的度量结果构建轨迹间相似性矩阵，采用改进的和声搜索差分进化算法寻找DBSCAN算法的最优参数，确定DBSCAN算法的最优参数后，利用DBSCAN算法对船舶交通行为模式进行识别。
示例性的，本发明实施例提供一种AIS数据压缩方法，考虑船舶航行行为的影响，对通航船舶的空间特征（船位）和运动特征（航速、航迹向）进行压缩，在最大程度保留通航行为特征的前提下，降低数据规模。
示例性的，本发明实施例采用多维动态时间弯曲距离算法从轨迹的空间特征和运动特征两方面进行相似性度量，确保船舶交通行为模式识别中考虑通航船舶空间特征与运动特征的耦合作用。
示例性的，本发明实施例提供一种基于和声搜索算法的船舶交通行为模式自适应识别算法，提升船舶交通行为识别的自适应性，降低参数依赖性。提出的船舶交通行为自适应性识别算法，以DBSCAN算法为基础，通过改善初始种群、设计双差分算子以及两种更新策略改进和声搜索差分进化算法，利用改进的和声搜索差分进化算法优化DBSCAN参数，从而可以使提出的算法根据数据集的特点自适应确定参数，提高算法的自适应性，降低对参数设置的依赖性。
实施例1
本发明实施例提供的基于海量AIS数据的船舶交通行为模式自适应识别方法首先设计基于航行行为的船舶自动识别系统数据压缩方法（AIS trajectory simplificationalgorithm considering ship behaviours），对数据进行压缩后，设计基于DBSCAN与和声搜索的船舶交通行为自适应识别算法（和声搜索差分进化算法）。
具体的技术方案如下：
步骤1，设计基于航行行为的AIS数据压缩方法：
设计的基于船舶航行行为的AIS数据压缩方法的核心技术为采用发展成熟的Douglas-Peucker（DP）算法对轨迹的空间特征进行压缩，采用滑动窗口算法对位于窗口内的轨迹运动特征（航迹向、航速）进行压缩，即航迹向、航速位于阈值区间内的轨迹点保留反之则剔除，而对于运动特征的压缩阈值区间则通过对航迹向、航速的统计，利用高斯分布和参数估计合理确定。最后，将船舶空间特征压缩结果与运动特征的压缩结果进行融合，实现基于船舶航行行为的AIS数据压缩方法如图2所示。
示例性的，基于船舶航行行为的AIS数据压缩算法包括：
（1）利用Douglas-Peucker算法对轨迹的空间特征进行压缩，获得压缩后的轨迹集合。
（2）采用滑动窗口算法对轨迹的运动特征进行压缩。假设船舶运动特征服从高斯分布，利用参数估计确定高斯分布的统计特征，根据统计特征确定压缩阈值区间。利用滑动窗口算法对位于阈值区间内的轨迹点进行剔除，反之则保留，从而获得压缩后的轨迹集合。
（3）将Douglas-Peucker算法压缩获得的轨迹集合与滑动窗口算法压缩获得的轨迹集合进行合并，从而获得基于航行行为的AIS数据压缩结果。
步骤2，采用多维动态时间弯曲距离算法，计算轨迹间的相似性，从而在船舶交通行为模式识别中同时考虑船舶空间特征与运动特征的耦合影响。
首先，为在船舶交通行为模式识别中同时考虑轨迹空间特征和运动特征的耦合作用，算法采用寻找一条最短弯曲路径作为序列之间最短距离的多维动态时间弯曲距离算法为相似性度量手段。如式（1）、（2）所示，对经过本发明提出的压缩算法压缩处理过的AIS数据从空间特征与运动特征两个方便进行相似性度量，从而在相似性度量中降低计算复杂度的同时兼顾轨迹的空间特征和运动特征的耦合作用。
其中，
表示轨迹
中第i个点与轨迹
中第j个点间的距离，
表示轨迹
中第i个点的第k维值；
其中，
为轨迹
与轨迹的多维动态时间弯曲距离，
为轨迹
的轨迹点个数，
为轨迹
的轨迹点个数。
步骤3，设计基于DBSCAN与和声搜索的船舶交通行为模式识别算法：
为提高DBSCAN算法的自适应性，降低对参数的依赖，改进和声搜索差分进化算法，优化DBSCAN参数Eps和MinPts。对和声搜索差分进化算法的改进包括三部分，分别为初始种群的优化、设计双差分更新算子、采用两种更新策略结构。
具体实现如下：
第一步，初始种群的优化。算法采用K-平均最近邻算法来优化Eps与MinPts的初始种群，获得质量较优的参数备选集。此外，为了提高算法运行速度，运用分段随机挑选的方式来确定初始种群，具体实现方法如下：
（a）计算距离矩阵：计算数据集中任意两条轨迹的多维动态时间弯曲距离，获得距离矩阵
；
（b）排序：对实对称距离矩阵中
的每一行进行升序排序，再计算排序后矩阵的每列元素的算数平均值，所有的平均值构成Eps平均值列表；
（c）获得初始Eps种群：将Eps平均值列表分为n等份，从每份数据组中随机抽取一个数据，构成初始Eps种群列表
；
（d）获得初始MinPts种群：利用数学期望法根据初始Eps种群列表中的备选值获得MinPts初始种群
，公式如下：
式中，
为第l个对象的Eps邻域对象数量，N为数据集中的样本总数；获得初始MinPts种群列表
。
第二步，设计双差分更新算子：
提出算法的更新算子主要由三个参数来控制，分别为和声记忆率（HMCR），音节调整率（bw），音调调节率（PAR）。更新算子的实现步骤如下：
①当rand<HMCR时，若
，通过式（5）生成
；若
，则
通过式（6）生成；
其中，HMCR为和声记忆率；PAR为音调调节概率取值0.9；式（5）、式（6）中
为新生成的和声变量，rand为区间（0，1）内的一个随机数；
为在最优和声向量中随机选取的第i维变量；
为种群的第i维中随机挑选的和声变量；bw为音节调整率；
②当rand>HMCR时，新的和声向量中所有维度的变量通过全局搜索获取，如式（7）：
设定HMCR随着迭代次数增加而逐渐增大，如式（8）：
其中，
=0.3，
=0.9，gn为当前迭代次数，NI最大迭代次数。
第三步，采用两种更新策略结构：
为避免算法早熟问题并提升算法的寻优能力，在rand<HMCR的情况下设计采用了两种更新策略结构。
策略1：当迭代次数与最大迭代次数比
时，通过式（5）和式（6）生成
；
策略2：当
时，通过式（9）与式（10）减少式（5）与式（6）中bw的搜索范围；其中：
式（9）为当
表示最优和声变量为Eps时，
的取值范围，式（10）为当
表示最优和声变量为MinPts时
的取值范围；其中，
为种群内的个体总数，SDR和LDR分别表示距离矩阵
中的最小值和最大值，K为设定簇的数量，D为数据的维度。
实施例2
在本发明实施例中，改进的和声搜索差分进化算法的实现框架如图3所示。
示例性的，改进的和声搜索差分进化算法包括：
1）采用K-平均最近邻算法形成初始种群备选集，采用分段随机挑选的方式确定初始和声记忆库（HM）：
2）获取最优和声向量与最差和声向量：将种群中的向量代入适应度函数，获取适应度函数最优的向量与最差向量；
3）更新和声向量：若rand<HMCR，随机挑选最优和声向量中的Eps或MinPts，通过两种更新策生成新的和声向量。若rand>HMCR，则通过全局搜索式生成新的和声向量；
4）更新和声记忆库（HM）：将生成的和声向量代入DBSCAN算法根据适应度函数进行种群的更新，形成新的种群备选集；
5）算法停止：重复步骤上述步骤到满足标准或者达到规定迭代次数，算法停止。
实施例3
在本发明实施例中，根据交通数据集利用上述改进的和声搜索差分进化算法来优化DBSCAN算法的参数Eps和MinPts，确定基于密度的噪声应用空间聚类（Density-BasedSpatial Clustering of Applications with Noise，DBSCAN）算法的最优参数，并利用DBSCAN算法对船舶交通行为模式进行识别，实现的具体流程如下4所示。
示例性的，利用DBSCAN算法对船舶交通行为模式进行识别包括：
（1）采用牛顿运动定律检测并剔除噪声点，同时利用内插法获得等时间间隔且清洁可用的AIS数据。
（2）采用基于航行行为的AIS数据压缩算法对AIS数据进行压缩，获得清洁可用的AIS数据。
（3）采用多维动态时间弯曲距离算法对压缩后的轨迹从空间特征和运动特征两方面度量其相似性，并根据度量的结果构建相似性矩阵。
（4）采用K-平均近邻算法优化初始种群，并设计双差分算子与两种更新策略结构改进和声搜索算法。基于相似性度量矩阵并利用改进的和声搜索算法寻找DBSCAN算的最优参数。
（5）基于确定的最优参数，采用DBSCAN算法对船舶交通行为模式进行识别。
实施例4
如图5所示，本发明实施例提供的基于海量AIS数据的船舶交通行为模式自适应识别系统包括：
AIS数据清洗模块1，用于对AIS数据进行清洗获得清洁可用的AIS数据；
AIS数据压缩模块2，用于采用基于船舶航行行为的AIS数据压缩方法对船舶AIS数据压缩，从而降低数据规模；
船舶交通行为模式识别模块3，用于基于降低规模的AIS数据，采用动态时间弯曲距离算法对空间特征与运动特征的相似性进行度量，基于轨迹间相似性矩阵，采用改进和声搜索差分进化算法寻找DBSCAN算法的最优参数，确定DBSCAN算法的最优参数后，利用DBSCAN算法对船舶交通行为模式进行识别。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
上述装置/单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程。
二、应用实施例：
应用例
本发明实施例还提供了一种计算机设备，该计算机设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本发明实施例还提供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有计算机程序，所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
本发明实施例还提供了一种信息数据处理终端，所述信息数据处理终端用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤，所述信息数据处理终端不限于手机、电脑、交换机。
本发明实施例还提供了一种服务器，所述服务器用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤。
本发明实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时可实现上述各个方法实施例中的步骤。
所述集成的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，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于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，所述计算机程序包括计算机程序代码，所述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。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random AccessMemory，RAM）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
三、实施例相关效果的证据：本发明专利的优势在于首先通过数据压缩的方法有效降低数据规模，从而为海量AIS数据的船舶交通行为识别提供了有效途径。其次，在船舶交通行为识别中考虑了船舶空间特征与运动特征的耦合作用，克服了现有识别算法仅考虑轨迹的空间特征的缺陷，能够大大提高识别的效果。最后，采用改进和声搜索算法并利用改进的算法优化DBSCAN算法参数，能够保障算法根据数据集合的特点自适应确定最佳参数，从而提升了识别算法的自适应性。
以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于海量AIS数据的船舶交通行为模式自适应识别方法，其特征在于，该方法包括以下步骤：
S101，采集海量的船舶AIS数据，利用牛顿运动定律进行噪声点的检测和剔除，并对数据进行内插从而获得等时间间隔且清洁可用的船舶AIS数据；
S102，采用基于船舶航行行为的AIS数据压缩方法对船舶AIS数据压缩；
S103，基于压缩后的船舶AIS数据，采用多维动态时间弯曲距离算法对空间特征与运动特征的相似性进行度量；根据相似性的度量结果构建轨迹间相似性矩阵，采用改进的和声搜索差分进化算法寻找DBSCAN算法的最优参数，确定DBSCAN算法的最优参数后，利用DBSCAN算法对船舶交通行为模式进行识别。
2.根据权利要求1所述的基于海量AIS数据的船舶交通行为模式自适应识别方法，其特征在于，在步骤S102中，采用基于船舶航行行为的AIS数据压缩方法对船舶AIS数据压缩，具体包括：
采用DP算法对轨迹的空间特征进行压缩，采用滑动窗口算法对位于窗口内的轨迹运动特征进行压缩，将航迹向、航速介于阈值区间内的轨迹点保留，反之则剔除；对于运动特征的压缩阈值区间的确定，是通过对航迹向、航速的统计，并假设航迹向、航速服从高斯分布，利用参数估计确定高斯分布的统计特征，根据航迹向、航速所具有的统计特征最终确定压缩阈值区间；
将通过DP算法获得的压缩轨迹集合与滑动窗口算法获得的压缩轨迹集合进行合并，得到压缩后的基于船舶航行行为的船舶AIS数据。
3.根据权利要求1所述的基于海量AIS数据的船舶交通行为模式自适应识别方法，其特征在于，步骤S103中，基于压缩后的船舶AIS数据，采用多维动态时间弯曲距离算法对空间特征与运动特征的相似性进行度量，具体包括：
利用式（1）、式（2），对经过基于船舶航行行为的AIS数据压缩方法压缩处理过的船舶AIS数据，利用多维动态时间弯曲距离算法从空间特征与运动特征进行相似性度量，实现在船舶交通行为识别中对轨迹空间特征和运动特征耦合作用影响的度量；
其中，
表示轨迹
中第i个点与轨迹
中第j个点间的距离，
表示轨迹
中第i个点的第k维值；
其中，
为轨迹
与轨迹
的多维动态时间弯曲距离，
为轨迹
的轨迹点个数，
为轨迹
的轨迹点个数。
4.根据权利要求1所述的基于海量AIS数据的船舶交通行为模式自适应识别方法，其特征在于，步骤S103中，利用DBSCAN算法对船舶交通行为模式进行识别具体包括：
通过改善初始种群，采用双差分算子以及两种更新策略结构改进和声搜索差分进化算法，并利用改进的和声搜索差分算法优化DBSCAN算法的参数聚类半径Eps和最小近邻数MinPts。
5.根据权利要求1所述的基于海量AIS数据的船舶交通行为模式自适应识别方法，其特征在于，步骤S103中，改进的和声搜索差分进化算法包括以下步骤：
第一步，初始种群的优化：采用K-平均最近邻算法优化Eps与MinPts的初始种群并运用分段随机挑选的方式来确定初始种群，获得质量较优的参数备选集；
第二步，利用和声记忆率HMCR，音节调整率bw，音调调节率PAR参数，设计双差分更新算子进行更新；
第三步，在rand<HMCR的情况下，采用两种更新策略结构进行寻优。
6.根据权利要求5所述的基于海量AIS数据的船舶交通行为模式自适应识别方法，其特征在于，在第一步中，初始种群的优化具体包括：
（a）计算距离矩阵：计算数据集中任意两条轨迹的多维动态时间弯曲距离，获得距离矩阵
；
为第m个轨迹到第l个轨迹间的多维动态时间弯曲距离，
为轨迹m的轨迹点个数，为轨迹l的轨迹点个数，N为数据集样本总数；
（b）排序：对实对称距离矩阵
中的每一行进行升序排序，再计算排序后矩阵的每列元素的算数平均值，所有的平均值构成Eps平均值列表；
（c）获得初始Eps种群：将Eps平均值列表分为n等份，从每份数据组中随机抽取一个数据，构成初始Eps种群列表；
（d）获得初始MinPts种群：利用数学期望法根据初始Eps种群列表
中的备选值获得MinPts初始种群，公式如下：
式中，
为第l个对象的Eps邻域对象数量，N为数据集中的样本总数；获得初始MinPts种群列表
。
7.根据权利要求5所述的基于海量AIS数据的船舶交通行为模式自适应识别方法，其特征在于，在第二步中，设计双差分更新算子进行更新具体步骤包括：
①当rand<HMCR时，若
，通过式（5）生成
；若
，则
通过式（6）生成；
其中，HMCR为和声记忆率；PAR为音调调节概率取值0.9；式（5）、式（6）中
为新生成的和声变量，rand为区间（0，1）内的一个随机数；
为在最优和声向量中随机选取的第i维变量；
为种群的第i维中随机挑选的和声变量；bw为音节调整率；
②当rand>HMCR时，新的和声向量中所有维度的变量通过全局搜索获取，如式（7）：
设定HMCR随着迭代次数增加而逐渐增大，如式（8）：
其中，
=0.3，
=0.9，gn为当前迭代次数，NI最大迭代次数。
8.根据权利要求5所述的基于海量AIS数据的船舶交通行为模式自适应识别方法，其特征在于，在第三步中，采用两种更新策略结构进行寻优包括：
策略1：当迭代次数与最大迭代次数比
时，通过式（5）和式（6）生成
；
策略2：当
时，通过式（9）与式（10）减少式（5）与式（6）中bw的搜索范围；其中：
式（9）为当
表示最优和声变量为Eps时，
的取值范围，式（10）为当
表示最优和声变量为MinPts时
的取值范围；其中，
为种群内的个体总数，SDR和LDR分别表示距离矩阵
中的最小值和最大值，K为设定簇的数量，D为数据的维度。
9.一种实现如权利要求1-8任意一项所述基于海量AIS数据的船舶交通行为模式自适应识别方法的基于海量AIS数据的船舶交通行为模式自适应识别系统，其特征在于，该基于海量AIS数据的船舶交通行为模式自适应识别系统包括：
AIS数据清洗模块（1），对海量的船舶AIS数据进行清洗获得清洁可用的船舶AIS数据；AIS数据压缩模块（2），采用基于船舶航行行为的AIS数据压缩方法对船舶AIS数据压缩；
船舶交通行为模式识别模块（3），基于压缩后的船舶AIS数据，采用多维动态时间弯曲距离算法对空间特征与运动特征的相似性进行度量；根据度量结果构建轨迹间相似性矩阵；基于轨迹间相似性矩阵，采用改进的和声搜索差分进化算法寻找DBSCAN算法的最优参数，确定DBSCAN算法的最优参数后，利用DBSCAN算法对船舶交通行为模式进行识别。
10.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1-8任意一项所述的基于海量AIS数据的船舶交通行为模式自适应识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310125490.7A CN115828120B (zh) | 2023-02-17 | 2023-02-17 | 船舶交通行为模式自适应识别方法、系统及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310125490.7A CN115828120B (zh) | 2023-02-17 | 2023-02-17 | 船舶交通行为模式自适应识别方法、系统及计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115828120A true CN115828120A (zh) | 2023-03-21 |
| CN115828120B CN115828120B (zh) | 2023-05-16 |
Family
ID=85521617
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310125490.7A Active CN115828120B (zh) | 2023-02-17 | 2023-02-17 | 船舶交通行为模式自适应识别方法、系统及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115828120B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190141113A1 (en) * | 2017-11-03 | 2019-05-09 | Salesforce.Com, Inc. | Simultaneous optimization of multiple tcp parameters to improve download outcomes for network-based mobile applications |
| CN110309383A (zh) * | 2019-06-17 | 2019-10-08 | 武汉科技大学 | 基于改进的dbscan算法的船舶轨迹聚类分析方法 |
| AU2020103826A4 (en) * | 2020-12-01 | 2021-02-11 | Dalian University | Whale dna sequence optimization method based on harmony search (hs) |
| CN112487116A (zh) * | 2020-11-19 | 2021-03-12 | 江苏锐天信息科技有限公司 | 一种基于ais大数据的船舶航迹分析方法 |
| CN112906830A (zh) * | 2021-04-14 | 2021-06-04 | 武汉理工大学 | 一种基于ais大数据的船舶最优航线自动生成方法 |
| CN113032378A (zh) * | 2021-03-05 | 2021-06-25 | 北京工业大学 | 一种基于聚类算法和模式挖掘的船舶行为模式挖掘方法 |
| CN114139642A (zh) * | 2021-12-06 | 2022-03-04 | 中国矿业大学 | 联合船舶行程语义对象与图论理论的船舶航线提取方法 |
| CN115690476A (zh) * | 2022-11-16 | 2023-02-03 | 山东交通学院 | 一种基于改进和声搜索算法的数据自动聚类方法 |
-
2023
- 2023-02-17 CN CN202310125490.7A patent/CN115828120B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190141113A1 (en) * | 2017-11-03 | 2019-05-09 | Salesforce.Com, Inc. | Simultaneous optimization of multiple tcp parameters to improve download outcomes for network-based mobile applications |
| CN110309383A (zh) * | 2019-06-17 | 2019-10-08 | 武汉科技大学 | 基于改进的dbscan算法的船舶轨迹聚类分析方法 |
| CN112487116A (zh) * | 2020-11-19 | 2021-03-12 | 江苏锐天信息科技有限公司 | 一种基于ais大数据的船舶航迹分析方法 |
| AU2020103826A4 (en) * | 2020-12-01 | 2021-02-11 | Dalian University | Whale dna sequence optimization method based on harmony search (hs) |
| CN113032378A (zh) * | 2021-03-05 | 2021-06-25 | 北京工业大学 | 一种基于聚类算法和模式挖掘的船舶行为模式挖掘方法 |
| CN112906830A (zh) * | 2021-04-14 | 2021-06-04 | 武汉理工大学 | 一种基于ais大数据的船舶最优航线自动生成方法 |
| CN114139642A (zh) * | 2021-12-06 | 2022-03-04 | 中国矿业大学 | 联合船舶行程语义对象与图论理论的船舶航线提取方法 |
| CN115690476A (zh) * | 2022-11-16 | 2023-02-03 | 山东交通学院 | 一种基于改进和声搜索算法的数据自动聚类方法 |
Non-Patent Citations (3)
| Title |
|---|
| ZHAOKUN WEI,XINLIAN XIE,WENHONG LV: "Self-adaption vessel traffic behaviour recognition algorithm based on multi-attribute trajectory characteristics" * |
| ZHAOKUN WEI，XINLIAN XIE，XIAOJU ZHANG: "Maritime anomaly detection based on a support vector machine" * |
| 魏照坤;周康;魏明;史国友;: "基于AIS数据的船舶运动模式识别与应用" * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115828120B (zh) | 2023-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110070141B (zh) | 一种网络入侵检测方法 | |
| US6128410A (en) | Pattern matching apparatus and method that considers distance and direction | |
| CN111709299B (zh) | 一种基于加权支持向量机的水声目标识别方法 | |
| CN114565124A (zh) | 一种基于改进图卷积神经网络的船舶交通流预测方法 | |
| CN110224771B (zh) | 基于bp神经网络与信息几何的频谱感知方法及装置 | |
| CN113364751A (zh) | 网络攻击预测方法、计算机可读存储介质及电子设备 | |
| CN112612820A (zh) | 数据处理方法及装置、计算机可读存储介质及处理器 | |
| CN111564179A (zh) | 一种基于三元组神经网络的物种生物学分类方法及系统 | |
| CN115063664A (zh) | 用于工业视觉检测的模型学习方法、训练方法及系统 | |
| CN115114484A (zh) | 异常事件检测方法、装置、计算机设备和存储介质 | |
| CN116980824B (zh) | 一种轻量化的加权集成学习室内csi定位方法 | |
| CN117150402A (zh) | 基于生成式对抗网络的电力数据异常检测方法及模型 | |
| CN111950635A (zh) | 一种基于分层特征对齐的鲁棒特征学习方法 | |
| CN111626098A (zh) | 模型的参数值更新方法、装置、设备及介质 | |
| CN115828120A (zh) | 船舶交通行为模式自适应识别方法、系统及计算机设备 | |
| CN116628524A (zh) | 一种基于自适应图注意力编码器的社区发现方法 | |
| CN116051924A (zh) | 一种图像对抗样本的分治防御方法 | |
| CN115577773A (zh) | 一种参数推荐方法、装置、计算机设备及存储介质 | |
| Tuba et al. | Modified seeker optimization algorithm for image segmentation by multilevel thresholding | |
| Perez et al. | Face Patches Designed through Neuroevolution for Face Recognition with Large Pose Variation | |
| Cai et al. | Fuzzy criteria in multi-objective feature selection for unsupervised learning | |
| CN112738724A (zh) | 一种区域目标人群的精准识别方法、装置、设备和介质 | |
| JP2022088341A (ja) | 機器学習装置及び方法 | |
| Chuang et al. | Chaotic binary particle swarm optimization for feature selection using logistic map | |
| CN105894029B (zh) | 一种基于费马点求解的自适应运动轨迹数据去噪方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |