CN116312057A - 一种内河航道交通运行状态判别方法 - Google Patents

一种内河航道交通运行状态判别方法 Download PDF

Info

Publication number
CN116312057A
CN116312057A CN202310237496.3A CN202310237496A CN116312057A CN 116312057 A CN116312057 A CN 116312057A CN 202310237496 A CN202310237496 A CN 202310237496A CN 116312057 A CN116312057 A CN 116312057A
Authority
CN
China
Prior art keywords
traffic
flow
ship
inland
inland waterway
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
CN202310237496.3A
Other languages
English (en)
Inventor
廖鹏
姜尚昆
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202310237496.3A priority Critical patent/CN116312057A/zh
Publication of CN116312057A publication Critical patent/CN116312057A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G3/00—Traffic control systems for marine craft

Landscapes

  • Engineering & Computer Science (AREA)
  • Ocean & Marine Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种内河航道交通运行状态判别方法，利用内河船舶跟驰实验和畅通段船舶行驶记录获得较为完整的反映船舶交通流在自由流阶段、非自由流阶段的船舶流量和密度数组；使用二维聚类算法对船舶(流量，密度)数组进行二维聚类，依据轮廓系数判断内河航道交通运行状态的最优分级数；给出流量和密度二维参数的划分建议值作为各状态分级的划分临界域，得到基于航道船舶(流量，密度)的内河航道交通运行状态判别标准。本发明填补了内河航道交通运行状态识别与阈值的空缺，方法简便易懂，结果一目了然，为内河航道交通运行状态判别提供了一种方法，可为航道网运行监测与调度指挥、导航服务等提供基础依据。

Description

一种内河航道交通运行状态判别方法
技术领域
本发明属于水路交通领域，主要涉及一种内河航道交通运行状态判别方法。
背景技术
近年来，我国内河航道尤其是主要通道运量增长迅速，内河运输向高等级航道聚集的效应显著，局部航段和局部时段出现了较为严重的船舶拥挤现象，凸显了局部航道通过能力相对交通需求不足的矛盾。为了通过技术手段来实现对内河航道交通运行状态的监测、分析和预警，精细化和精准化提高内河航道安全和畅通，需要对内河航道的交通运行状态进行科学识别和合理评价。交通运行状态评价一般通过对交通参数的宏观、中观和微观分析，评价和实时显示交通网络的交通运行状况，为交通出行者或调度管理提供参考的同时，以便在一定程度上减轻交通拥堵程度。宏观交通参数主要描述交通网络的网络特性和整体状态演变，中观参数主要指航段交通参数(流量、密度、速度等)；微观参数主要指交通参与者的运行状态与相互关系。
针对航道中船舶交通运行状态划分，目前没有大量可参考借鉴的资料。这是因为以往的实验数据大多是基于AIS的，所得到的数据大多集中在自由流段，较难获得完整的基本图，以至于无法得到交通运行状态的全貌表征。此外，对于划分数据而言，交通中常采用一维的参数(如流量)来判定航道交通状态的依据，但是从交通问题的实际含义出发，仅用流量一个参数不仅会造成单一交通流结果的二义性，同时也没有考虑到交通流参数之间的关系。
发明内容
基于上述问题，本发明专利针对内河航道交通运行状态识别与阈值问题，提出一种内河航道交通运行状态判别方法，通过获取完整的船舶交通流参数，采用流量和密度两个参数对交通运行状态进行二维聚类分析，确定航道交通运行状态判别标准，可为航道网运行监测与调度指挥、导航服务等提供基础依据。
为了达成上述目的，本发明的解决方案是：。
一种内河航道交通运行状态判别方法，包括如下步骤：
步骤(A)，获取完整的内河船舶交通流参数，其中所述交通流参数包括自由流和非自由流阶段的流量和密度；
步骤(B)，对交通流参数进行二维聚类；
步骤(C)，基于步骤(B)的聚类结果，对内河航道交通运行状态进行分级，以判别交通运行状态。
进一步的，所述内河船舶交通流包含自由流段和非自由流段，其中：
所述自由流段的交通流参数通过在内河航道某断面进行船舶行驶统计获取；
所述非自由流段的交通流参数通过船舶跟驰实验获取。
进一步的，所述自由流段的交通流参数的获取方法如下：
在内河航道某断面周期性进行船舶行驶观测和统计，获取船舶通过该断面的时间戳，从而计算出船舶流量、密度等。
进一步的，所述非自由流段的交通流参数的获取方法如下：
使用船舶跟驰实验记录船舶行驶实时的速度和位置数据，计算出船舶交通流参数。
进一步的，所述步骤(B)中使用流量-密度二维参数对交通状态进行聚类分析：
步骤(B-1)，获取聚类数n_clusters；
步骤(B-2)，设定最大的迭代次数t和算法迭代停止条件阈值tol；
步骤(B-3)，同时对流量q和密度k构成的二维数据点(q，k)进行聚类分析，将所有二维数据点按照和每个聚类中心点距离的大小分配到相应的聚类中。
进一步的，所述步骤(B)中使用二维K-Means聚类算法，具体步骤如下：
Step 1：基于轮廓系数选定聚类数n_clusters，初始化聚类中心Ci，i＝1,2,…,n_clusters；
Step 2：将所有满足下式的二维数据点xj分配到聚类i，对于所有的聚类k，k≠i，有：||xj-ci||≤||xj-ck||；
Step 3：计算目标函数的值，如果小于设定收敛域则停止迭代，否则转到Step 4；其中，目标函数为使每个聚类内数据点和聚类中心点距离之和最小；
Step 4：使用式(4)计算新的聚类中心，并返回Step 2进行新一轮的迭代计算。
进一步的，目标函数f(x)的表达式如下：
Figure BDA0004122980550000031
进一步的，所述步骤(C)中基于步骤(B)的聚类结果，对内河航道交通运行状态进行分级，并找出聚类中心值，得出内河航道交通状态判别标准。
本发明还提供一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如上所述的内河航道交通运行状态判别方法。
本发明还提供一种内河航道交通运行状态判别设备，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行如上所述内河航道交通运行状态判别方法的指令。
本发明与现有技术相比，其显著优点是：
1、本发明采用的航道船舶交通流参数完全基于实验数据，其拥堵段和畅通段数据是经过严格的实验设计所获取的结果，其所得出的实验数据符合实际，能够较全面反映船舶交通流在自由流阶段、非自由流阶段的特点，是进行内河航道交通运行状态聚类分析的基础数据；
2、本发明采用二维聚类分析，是在没有可靠有效的历史数据情况下，可以使用聚类分析来实现将类似性质的事物分类为一个类别的目标，符合本发明的背景技术所提到的资料空缺情况，且其方法简便易懂、结果一目了然；
3、本发明填补了内河航道交通运行状态识别与阈值的空缺，为内河航道交通运行状态判别提供了一种方法，可为航道网运行监测与调度指挥、导航服务等提供基础依据。
附图说明
图1为本发明方法的基本流程图；
图2(a)为内河船舶跟驰实验俯视图；
图2(b)为内河船舶跟驰实验定位图；
图3为内河航道完整的流量-密度关系图；
图4为聚类评价图；
图5为流量-密度二维变量聚类结果图。
具体实施方式
下面结合具体实施例对本发明做进一步的详细说明。
本发明提供一种内河航道交通运行状态判别方法，包括如下步骤：
步骤(A)，获取完整的内河船舶交通流流量和密度参数。
完整的内河船舶交通流包含自由流段和非自由流段，其中自由流段对应交通运行状态中的畅通，而非自由流段则既包含拥堵又含有少量的畅通状态。对于以往的AIS数据而言，描述的通常是船舶交通自由流段的数据，而非自由流段特别是拥堵情况下的交通流数据则较为缺乏。
步骤(A-1)，船舶交通自由流段数据的获得。
自由流段的数据较易获得，只需在内河某断面进行船舶行驶观测和统计，获取船舶通过某断面的时间戳，从而计算出船舶流量、密度等数据。研究经验表明，船舶流量远小于道路上的车辆交通流，因此统计时间间隔设置为1h为宜。
步骤(A-2)，船舶交通非自由流段数据的获得。
非自由流段船舶交通流数据的获取是本方法的关键。由于船舶领域的存在，最小船头间距约为1.4倍船长，因此内河中船舶拥堵的情况较为少见。为了获取拥堵段数据，使用船舶跟驰实验记录船舶行驶实时的速度和位置数据，从中计算出船舶交通流基本参数。该方法有效的解决了以往船舶交通流数据中缺少拥堵段数据的问题。
步骤(B)，交通流参数的二维聚类分析。
使用单一的船舶交通流量进行交通运行状态划分具有二义性：考虑到流量和密度的关系，当交通流密度很小时(畅通段)，船舶流量通常很小，这是因为整个航段内基本无船通航；同时，当交通流密度很大时(拥堵段)，此时的船舶流量仍然很小，这是因为由于航道拥堵使得船舶无法通行。两种情况下得到的船舶流量结果均较小，因而无法对船舶交通流各阶段进行相应的对照。相反，若使用流量-密度二维参数对交通运行状态进行聚类分析，则可以得到具体唯一一种航道交通运行状态。
步骤(B-1)，设定聚类类别数n_clusters：
根据国内外道路交通、航道交通运行状态等级划分现状，以及现有电子地图对道路拥挤程度的描述，航道船舶交通流量划分为n_clusters个等级。公路上通常取n_clusters＝4，而对航道而言却没有一个具体的确定标准，因此先使用轮廓系数(Silhouette Coefficient)对最佳聚类类别数进行求解，按照确定的n_clusters对交通状态进行划分。
步骤(B-2)，设定最大的迭代次数t和算法迭代停止条件阈值tol：
同一维聚类算法一样，迭代次数t和算法迭代停止条件阈值tol是一个衡量聚类结果模糊程度的重要参数，影响着聚类算法的收敛性。本研究中最大迭代次数选为300，算法迭代停止条件阈值tol＝e-4。
步骤(B-3)，二维聚类算法：
同时对流量q和密度k参数构成的二维点数据(q，k)进行聚类分析，将所有数据点按照和每个簇心距离的大小分配到相应的类中。统计每个簇的数据点流量-密度值，得出内河航道交通运行状态判别标准。
步骤(C)，内河航道交通运行状态划分结果：
根据二维聚类算法得出的结果，给出基于航道船舶流量和密度的内河航道交通运行状态阈值，并结合实测数据进行检验。
下面结合江苏省干线航道对本发明的实施方式进行描述：
如图1所示的流程：首先分别根据船舶跟驰实验和船舶自由行驶记录获取拥堵段和畅通段船舶交通流数据，构建完整的内河航道船舶交通流参数关系，主要是流量q和密度k的关系；然后使用二维聚类算法对实验数据进行聚类数判断，并在此基础上划分出聚类结果；最后分析内河航道交通运行状态判别标准并给出状态划分区间。
步骤(A)，实验数据获取：
本研究中最关键的问题是完整的内河船舶交通流参数的获取。完整的内河船舶交通流数据包括自由流段和非自由流。
步骤(A-1)，自由流段数据的获取。
自由流段的数据较易获得，只需在内河某断面进行船舶行驶观测和统计，获取船舶通过某断面的时间戳，从而计算出船舶流量、密度等数据。
步骤(A-2)，非自由流段数据的获取。
实践表明，内河航道上的船舶流量远小于道路上的车辆流量，因此船舶拥堵现象在内河航道中较少出现，故船舶非自由流数据不易获得。另外，在以往航道交通运行状态判别的研究中多采用AIS数据，所得到的状态划分结果大多集中在畅通段，较难获得完整的基本图，从而无法得到交通运行状态的全貌表征。基于此，我们进行多次内河船舶跟驰实验，如图2所示，其中(a)和(b)是两次船舶跟驰行驶俯视图。具体而言，要求领航船按照规定自由行驶并且所有跟驰的后船不允许超越前船，除此之外不对跟驰船做任何限制；同时采用GNSS测量仪间隔1秒获取船舶实时行驶速度和间距数据。
实验参数的求解如公式(1)和(2)所示。
Figure BDA0004122980550000061
Figure BDA0004122980550000062
式中，v和s分别表示速度和间距；j表示实验组数；i表示每次实验的船舶数；t表示时间序列；X和Y分别表示GNSS记录仪实时记录的船舶横、纵坐标；Δt表示记录时间间隔(1s)。
交通流基本参数选取船队速度和船队密度作为求解的参数，密度则采用式(3)的方式进行求解。
Figure BDA0004122980550000063
式中，kj表示第j次实验的密度。
图3展示了实验结果的流量-密度分布图，从图中可以看到包含了拥堵段和畅行段的完整船舶交通流流量-密度分布，较全面的反映船舶交通流在自由流阶段、非自由流阶段的完整过程，对航道拥挤条件下的交通状态进行聚类分析，从而得到全面的航道交通状态判别标准。
步骤(B)，进行二维聚类分析：
选取二维聚类分析方法和聚类变量，在此基础上确定类别数。
步骤(B-1)，确定聚类方法：
对于聚类算法而言，其核心原理是依据样本间的距离或相似度，将数据划分到几个不同的区间或簇，使得同一个区间内的样本高度相似(即具有同质性)，而不同区间的样本特征相差较远(即具有异质性)。从类别上讲，聚类方法可分为两大类：部分聚类(partitional clustering)和分层聚类(Hierarchical clustering)。分层聚类需要依据先前的经验构造聚类，并且在此基础上分析预测新的数据，提出其聚类结果；而部分聚类则无需先前的经验，直接参照实验数据一次性确定所有的聚类。因此，对于航道船舶交通而言，在缺少参照标准和数值的前提下，即事先并不知道待划分数据点的类型和范围，使用部分聚类是最优的选择。基于此，本研究选取部分聚类算法中的K-Means算法对航道船舶交通运行流状态进行划分。
K-Means聚类方法的主要思想是：从一个预定数量(n_clusters＝K)的聚类开始，在各聚类之间移动数据点，最终使得每个聚类内部的差异性最小同时聚类间的差异性最大。其中聚类变量和聚类数的选取对于K-Means聚类算法至关重要，直接决定了聚类效果的优度。对于聚类变量的选取而言，应在能够最好的反映出内河航道船舶交通流运行状态的同时，保持实际应用中的可操作性。在以往的交通状态划分研究中，常常使用单一的评价指标(例如流量)，而仅用船舶流量一个参数不仅没有解释单一交通流参数的二义性，同时也没有考虑到交通流参数之间的关系。因此，本方法添加另一个交通参数和流量一起作为二阶判别条件，共同进行船舶交通运行状态的聚类划分。然而对于内河航道而言，船舶速度的选择具有不确定性：在自由流阶段，驾驶员往往追求最高的经济效益而选择驶以经济航速而非最大航速，因此为了避免驾驶员主观选择航速对聚类结果的影响，以本方法采用船舶流量和密度两个参数，即选择(流量，密度)组作为二维聚类变量，使用二维聚类算法对船舶交通流基本参数进行聚类分析。
步骤(B-1)，二维K-Means聚类：
二维K-Means算法与一维一样，目标函数为使每个聚类内数据点和聚类中心点聚类之和最小，本研究中采用欧氏距离度量聚类中的误差值。在每一次迭代中，算法计算所有聚类的中心值及每个数据点到聚类中心的欧氏距离，故目标函数如式(4)所示。
Figure BDA0004122980550000071
式中，f(x)表示目标函数J取最小值时的变量值，用于找出每个聚类中包含的数据点；J表示所有数据点与相应聚类中心点之间的误差和。其余变量的定义如下：
Figure BDA0004122980550000081
Figure BDA0004122980550000082
式中，Gi表示第i(i＝1,2,…,K)个聚类；K和N分别表示聚类数和数据点个数；Qi和Vi分别表示第i个聚类中所有数据点的流量和速度值；ci表示第i个聚类的中心；xj表示聚类i下的二维数据点集j(i＝1,2,…,K；j＝1，2,…,N)；ni表示聚类i下的数据点数量。
步骤(B-3)，确定聚类数：
在使用聚类算法之前，需要确定航道交通运行状态的分级数。对于公路交通流而言，美国道路研究委员会(Transportation Research Board,TRB)2007年颁布的高速公路通行能力手册(Highway Capacity Manual,HCM)将高速公路基本路段分为六级服务水平(n_clusters＝6)；我国公路服务水平则分为四级(n_clusters＝4)。但是对于航道而言，目前并没有一个确切的服务水平分类标准规范，因此首先需要确定内河航道船舶交通流运行状态数。选取轮廓系数(Silhouette Coefficient)作为聚类的评判指标，计算公式如(7)所示。对聚类来说，轮廓系数值介于-1和1之间，越接近于1表示聚类效果越好。
Figure BDA0004122980550000083
式中，s表示轮廓系数；a表示某个样本和同簇间其余所有样本的平均距离；b表示某个样本和最邻近的簇间其余所有样本的平均距离。
设置不同聚类数并计算其轮廓系数，结果如图4所示。可以看出当聚类数为4时效果最优，因此本方法将内河航道交通状态分为四个等级(n_clusters＝4)，即：畅通(一级服务水平，Class 1)、缓行(二级服务水平，Class 2)、拥挤(三级服务水平，Class 3)和严重拥堵(四级服务水平，Class 4)。
综上，本研究中二维K-Means聚类算法的计算步骤如下：
Step 1：选择聚类数n_clusters＝4，初始化聚类中心Ci(i＝1，2,3,4)；
Step 2：将所有满足式(8)的数据点xj分配到聚类区间i，对于所有的k(k≠i)；
||xj-ci||≤||xj-ck|| (8)
Step 3：使用式(1)计算目标函数f(x)的值，如果小于设定收敛域(0.01)则停止迭代，否则转到Step 4；
Step 4：使用式(4)计算新的聚类中心，并返回Step 2进行新一轮的迭代计算。
步骤(C)，内河航道交通运行状态划分结果及阈值分布：
使用上述提出的二维聚类算法对图3实验数据进行划分，结果如图5所示。统计各聚类变量数值所在的区间并找出聚类中心值，汇总结果如表1所示，可以用来表示内河航道交通运行状态判别标准。可以看出交通流量的最大值包含在缓行和拥堵的交界状态范围内，说明内河航道交通流在拥挤时达到理论通行能力，这一点与公路交通流相吻合。
结合图5，从表1中可以看出：单凭借流量无法确定船舶交通流状态。例如，当船舶流量为20艘/小时，交通状态可以为畅通、缓行、拥堵中的任何一个，此时就必须结合密度参数进行判断，这也体现出了二维聚类算法的优越性。
表1内河水网地区航道交通运行状态阈值
交通运行状态 畅通 缓行 拥挤 严重拥堵
流量(艘/小时) [0,32) [32,55) [55，66) [66,0]
密度(艘/千米) [0,3) [3,5) [5,9) [9,12)
基于相同的技术方案，本发明还提供一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如上所述的内河航道交通运行状态判别方法。
基于相同的技术方案，本发明还提供一种内河航道交通运行状态判别设备，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行如上所述内河航道交通运行状态判别方法的指令。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (10)

1.一种内河航道交通运行状态判别方法，其特征在于，包括如下步骤：
步骤(A)，获取完整的内河船舶交通流参数，其中所述交通流参数包括自由流和非自由流阶段的流量和密度；
步骤(B)，对交通流参数进行二维聚类；
步骤(C)，基于步骤(B)的聚类结果，对内河航道交通运行状态进行分级，以判别交通运行状态。
2.根据权利要求1所述的一种内河航道交通运行状态判别方法，其特征在于，所述内河船舶交通流包含自由流段和非自由流段，其中：
所述自由流段的交通流参数通过在内河航道某断面进行船舶行驶统计获取；
所述非自由流段的交通流参数通过船舶跟驰实验获取。
3.根据权利要求2所述的一种内河航道交通运行状态判别方法，其特征在于，所述自由流段的交通流参数的获取方法如下：
在内河航道某断面周期性进行船舶行驶观测和统计，获取船舶通过该断面的时间戳，从而计算出船舶流量、密度。
4.根据权利要求2所述的一种内河航道交通运行状态判别方法，其特征在于，所述非自由流段的交通流参数的获取方法如下：
使用船舶跟驰实验记录船舶行驶实时的速度和位置数据，计算出船舶交通流参数。
5.根据权利要求1所述的一种内河航道交通运行状态判别方法，其特征在于，所述步骤(B)中使用流量-密度二维参数对交通状态进行聚类分析：
步骤(B-1)，获取聚类数n_clusters；
步骤(B-2)，设定最大的迭代次数t和算法迭代停止条件阈值tol；
步骤(B-3)，同时对流量q和密度k构成的二维数据点(q，k)进行聚类分析，将所有二维数据点按照和每个聚类中心点距离的大小分配到相应的聚类中。
6.根据权利要求1所述的一种内河航道交通运行状态判别方法，其特征在于，所述步骤(B)中使用二维K-Means聚类算法，具体步骤如下：
Step 1：基于轮廓系数选定聚类数n_clusters，初始化聚类中心Ci，i＝1,2,…,n_clusters；
Step 2：将所有满足下式的二维数据点xj分配到聚类i，对于所有的聚类k，k≠i，有：||xj-ci||≤||xj-ck||；
Step 3：计算目标函数的值，如果小于设定收敛域则停止迭代，否则转到Step 4；其中，目标函数为使每个聚类内数据点和聚类中心点距离之和最小；
Step 4：使用式(4)计算新的聚类中心，并返回Step 2进行新一轮的迭代计算。
7.根据权利要求6所述的一种内河航道交通运行状态判别方法，其特征在于，目标函数f(x)的表达式如下：
f(x)＝argminJ
Figure FDA0004122980540000021
8.根据权利要求1所述的一种内河航道交通运行状态判别方法，其特征在于，所述步骤(C)中基于步骤(B)的聚类结果，对内河航道交通运行状态进行分级，并找出聚类中心值，得出内河航道交通状态判别标准。
9.一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，其特征在于，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1至8中任一所述的方法。
10.一种内河航道交通运行状态判别设备，其特征在于，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1至8中任一所述方法的指令。
CN202310237496.3A 2023-03-13 2023-03-13 一种内河航道交通运行状态判别方法 Pending CN116312057A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310237496.3A CN116312057A (zh) 2023-03-13 2023-03-13 一种内河航道交通运行状态判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310237496.3A CN116312057A (zh) 2023-03-13 2023-03-13 一种内河航道交通运行状态判别方法

Publications (1)

Publication Number Publication Date
CN116312057A true CN116312057A (zh) 2023-06-23

Family

ID=86812674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310237496.3A Pending CN116312057A (zh) 2023-03-13 2023-03-13 一种内河航道交通运行状态判别方法

Country Status (1)

Country Link
CN (1) CN116312057A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118230600A (zh) * 2024-03-12 2024-06-21 东南大学 一种考虑交通外部效应的内河航道船舶交通分配方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6249241B1 (en) * 1995-09-21 2001-06-19 The United States Of America As Represented By The Secretary Of The Navy Marine vessel traffic system
CN101783082A (zh) * 2009-08-04 2010-07-21 上海海事大学 一种基于rfid的内河船舶监管系统的监控方法
CN109887337A (zh) * 2019-03-12 2019-06-14 武汉理工大学 一种基于内河航道拥堵辨识的测试器设置方法
CN110009937A (zh) * 2019-03-21 2019-07-12 武汉理工大学 一种基于ais数据的船舶碰撞风险分析方法
CN111929653A (zh) * 2020-07-21 2020-11-13 上海交通大学 一种基于无人船航海雷达的目标检测、跟踪方法及系统
CN112991819A (zh) * 2021-02-04 2021-06-18 上海海事大学 一种基于水上交通宏观基本图的航道服务水平评价方法
CN114550498A (zh) * 2022-01-13 2022-05-27 武汉理工大学 一种海量ais数据驱动的船舶偏离航道智能预警系统
CN114841518A (zh) * 2022-04-06 2022-08-02 重庆交通大学 一种内河助航标志服役状态评价方法
CN115497340A (zh) * 2022-09-08 2022-12-20 中交上海航道勘察设计研究院有限公司 一种内河航道交通状态全息感知系统和方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6249241B1 (en) * 1995-09-21 2001-06-19 The United States Of America As Represented By The Secretary Of The Navy Marine vessel traffic system
CN101783082A (zh) * 2009-08-04 2010-07-21 上海海事大学 一种基于rfid的内河船舶监管系统的监控方法
CN109887337A (zh) * 2019-03-12 2019-06-14 武汉理工大学 一种基于内河航道拥堵辨识的测试器设置方法
CN110009937A (zh) * 2019-03-21 2019-07-12 武汉理工大学 一种基于ais数据的船舶碰撞风险分析方法
CN111929653A (zh) * 2020-07-21 2020-11-13 上海交通大学 一种基于无人船航海雷达的目标检测、跟踪方法及系统
CN112991819A (zh) * 2021-02-04 2021-06-18 上海海事大学 一种基于水上交通宏观基本图的航道服务水平评价方法
CN114550498A (zh) * 2022-01-13 2022-05-27 武汉理工大学 一种海量ais数据驱动的船舶偏离航道智能预警系统
CN114841518A (zh) * 2022-04-06 2022-08-02 重庆交通大学 一种内河助航标志服役状态评价方法
CN115497340A (zh) * 2022-09-08 2022-12-20 中交上海航道勘察设计研究院有限公司 一种内河航道交通状态全息感知系统和方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
廖鹏 等: "基于GM跟驰模型的内河限制性航道船舶交通流基本图", 东南大学学报, vol. 52, no. 3, pages 603 - 605 *
张博中: "基于船舶大数据的交通状态识别及可视化技术研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, pages 57 - 60 *
李佳: "内河航道交通流速度-密度模型研究与分析", 万方, pages 3 - 4 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118230600A (zh) * 2024-03-12 2024-06-21 东南大学 一种考虑交通外部效应的内河航道船舶交通分配方法

Similar Documents

Publication Publication Date Title
CN111582380B (zh) 一种基于时空特征的船舶轨迹密度聚类方法及装置
CN110705582B (zh) 一种基于改进K-Means聚类算法的船舶过桥行为特征提取方法
CN111581314B (zh) 基于船舶轨迹的泊位识别方法及装置
CN110197588A (zh) 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置
CN112862156B (zh) 一种基于船舶轨迹和蚁群算法的船舶路径规划方法
CN111650581A (zh) 一种基于环境感知的雷达全域目标航迹自动起始方法
CN110929939B (zh) 一种基于聚类-信息量耦合模型下的滑坡灾害易发性空间预测方法
CN113537386A (zh) 一种基于改进K-Medoids聚类的船舶典型运动轨迹自适应挖掘方法
CN110196962A (zh) 一种基于核密度估计的飞机速度异常识别方法
CN112987052B (zh) 基于路网路段分级的快速地图匹配方法
CN110826785B (zh) 一种基于k-medoids聚类和泊松逆高斯的高风险路段识别方法
CN115691120A (zh) 一种基于高速公路流水数据的拥堵识别方法及系统
CN112434636A (zh) 一种机床零部件健康状态监测方法及系统
CN115311858A (zh) 基于交通流韧性的城市路段分级管制方法
CN114971156A (zh) 一种基于大数据危险场景的驾驶风格分析方法
CN114550498B (zh) 一种海量ais数据驱动的船舶偏离航道智能预警系统
CN109147320B (zh) 一种基于卡口数据的路段交通状态判别方法
CN110766940A (zh) 道路信号交叉口运行状况评估方法
CN112948965A (zh) 一种基于机器学习和统计验证的汽车行驶工况的构建方法
Liu et al. Real-time traffic status classification based on Gaussian mixture model
CN112733935A (zh) 一种基于Stacking算法的渔船捕捞方式预测方法
CN114385765B (zh) 一种基于航迹数据的耙吸挖泥船生产时间预估方法
CN117611862B (zh) Ais轨迹聚类方法、装置、电子设备和存储介质
Fang et al. GPSClean: A framework for cleaning and repairing GPS data
CN116312057A (zh) 一种内河航道交通运行状态判别方法

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