CN116384597A - 基于地理信息系统的渔港船舶进出港动态预测方法及系统 - Google Patents

Abstract

本发明公开了一种基于地理信息系统的渔港船舶进出港动态预测方法及系统，通过获取渔船实时位置数据、第一、第二环境数据和渔港地理位置；构建数据处理模块，利用该模块对渔船实时位置数据和渔港地理位置进行处理和分析，以获取渔船的运动信息和与渔港的关联信息；构建进出港预测模型，将渔船的运动信息、渔船与渔港的关联信息以及第一、第二环境数据导入进出港预测模型；对当前渔船的进出港进行动态预测，得到预测结果；根据预测结果生成动态预测报告。通过本发明，能够实现渔船进出港的预测，提前做好渔船进出港安排，提高渔港的管理效率。

Description

基于地理信息系统的渔港船舶进出港动态预测方法及系统

技术领域

本发明涉及地理信息系统领域，特别涉及基于地理信息系统的渔港船舶进出港动态预测方法及系统。

背景技术

地理信息系统（Geographic Information System，简称GIS）是一种用于捕捉、存储、分析、管理和展示地理数据的系统。它结合了地理学、地图学、遥感技术和数据库技术，可以有效地处理地理空间数据，并提供可视化、空间分析和决策支持的功能，将渔港船舶管理与地理信息系统结合，实现渔港的高效运转。

渔港是一个重要的渔业资源和航运基地，船舶进出港的动态预测对渔港管理和航运业务具有重要意义。然而，由于渔港船舶进出港受多种因素的影响，如天气条件、航道状况、船舶状态，其动态性和复杂性给预测和管理带来了挑战，因此，现在亟需一种基于地理信息系统的渔港船舶进出港动态预测方法。

发明内容

为了解决上述至少一个技术问题，本发明提出了基于地理信息系统的渔港船舶进出港动态预测方法及系统。

本发明第一方面提供了基于地理信息系统的渔港船舶进出港动态预测方法，包括：

获取渔船实时位置数据、第一、第二环境数据和渔港地理位置；

基于地理信息系统构建数据处理模块，利用数据处理模块对所述渔船实时位置数据和渔港地理位置进行处理和分析，得到渔船的运动信息、渔船与渔港的关联信息；

构建基于机器学习算法的进出港预测模型，所述进出港预测模型包括进港预测模型和出港预测模型；

将所述渔船的运动信息、渔船与渔港的关联信息、第一、第二环境数据导入所述进出港预测模型对当前渔船的进出港进行动态预测，得到预测结果；

根据所述预测结果，生成动态预测报告。

本方案中，所述获取渔船实时位置数据、第一、第二环境数据和渔港地理位置，具体为：

通过卫星定位系统和渔船自身设备实时监测和更新渔船的位置，并获取渔船实时位置数据；

通过传感器获取已出港渔船所在位置的第一环境数据和在港渔船需要出港捕捞区域的第二环境数据，所述第一、第二环境数据包括潮汐、洋流、风速、天气情况；

通过卫星定位系统获取渔港地理位置。

本方案中，所述基于地理信息系统构建数据处理模块，利用数据处理模块对所述渔船实时位置数据和渔港地理位置进行处理和分析，得到渔船的运动信息、渔船与渔港的关联信息，具体为：

基于地理信息系统，构建数据处理模块；

对获取到的所述渔船实时位置数据和渔港地理位置导入所述数据处理模块，进行去除异常值和错误数据；

将渔船连续的实时位置数据导入数据处理模块中进行分析，得出渔船的运动信息，所述运动信息包括航行轨迹、航行速度以及航向，根据运动信息分析出渔船的行为模式和趋势；

基于数据处理模块，将渔船实时位置数据与渔港的地理位置进行关联分析，得出渔船与渔港的关联信息，并计算出渔船与渔港的水上航行距离，所述关联信息包括渔船与渔港的相对位置。

本方案中，所述构建基于机器学习算法的进出港预测模型，所述进出港预测模型包括进港预测模型和出港预测模型，具体为：

获取历史渔船进港信息和出港信息、历史第一、第二环境数据，所述历史渔船进港信息和出港信息包括进出港时间、船舶名称、船舶；

将历史渔船进港信息、历史第一环境数据进行整合，构建完整的第一训练数据集；

将历史渔船出港信息、历史第二环境数据进行整合，构建完整的第二训练数据集；

利用机器学习算法，构建进出港预测模型，将所述第一训练数据集导入进港预测模型中进行训练，将所述第二训练数据集导入出港预测模型中进行训练。

本方案中，所述将所述渔船的运动信息、渔船与渔港的关联信息、第一、第二环境数据导入所述进出港预测模型对当前渔船的进出港进行动态预测，得到预测结果，具体为：

将渔船的运动信息、渔船与渔港的关联信息、渔船的行为模式和趋势导入进港预测模型，若渔船航行轨迹、航向在预设航行区域内和预设航向范围内，预测为进港渔船；

实时获取第一环境数据，将第一环境数据导入进港预测模型中，将第一环境数据与预设环境数据进行对比，预测渔船是否需要进港，并根据航行速度和渔船与渔港的水上距离预测进港时间；

实时获取第二环境数据，将第二环境数据导入出港预测模型中，将第二环境数据与预设环境数据进行对比，预测渔船是否需要出港，并预测出港时间。

本方案中，所述根据所述预测结果，生成动态预测报告，具体为：

利用灯塔观测系统，识别进出港渔船，进而得到船舶名称，实时监测渔港内的渔船动态变化，监测渔港内的泊位变化；

根据渔船的进出港时间、泊位变化和船舶类型制定最优进出港路线、最优泊位、最优进出港时间；

根据船舶名称，将最优进出港路线、最优泊位、最优进出港时间发送至渔船自身设备中；

根据预测结果，生成进出港预测报告，所述预测报告包括进港预测信息、出港预测信息、航线选择建议、风险评估；

通过地图形式和图表形式将预测结果以可视化方式展示。

本发明第二方面还提供了一种基于地理信息系统的渔港船舶进出港动态预测系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于地理信息系统的渔港船舶进出港动态预测程序，所述基于地理信息系统的渔港船舶进出港动态预测程序被所述处理器执行时实现如下步骤：

获取渔船实时位置数据、第一、第二环境数据和渔港地理位置；

基于地理信息系统构建数据处理模块，利用数据处理模块对所述渔船实时位置数据和渔港地理位置进行处理和分析，得到渔船的运动信息、渔船与渔港的关联信息；

构建基于机器学习算法的进出港预测模型，所述进出港预测模型包括进港预测模型和出港预测模型；

将所述渔船的运动信息、渔船与渔港的关联信息、第一、第二环境数据导入所述进出港预测模型对当前渔船的进出港进行动态预测，得到预测结果；

根据所述预测结果，生成动态预测报告。

本方案中，所述基于地理信息系统构建数据处理模块，利用数据处理模块对所述渔船实时位置数据和渔港地理位置进行处理和分析，得到渔船的运动信息、渔船与渔港的关联信息，具体为：

基于地理信息系统，构建数据处理模块；

对获取到的所述渔船实时位置数据和渔港地理位置导入所述数据处理模块，进行去除异常值和错误数据；

将渔船连续的实时位置数据导入数据处理模块中进行分析，得出渔船的运动信息，所述运动信息包括航行轨迹、航行速度以及航向，根据运动信息分析出渔船的行为模式和趋势；

基于数据处理模块，将渔船实时位置数据与渔港的地理位置进行关联分析，得出渔船与渔港的关联信息，并计算出渔船与渔港的水上航行距离，所述关联信息包括渔船与渔港的相对位置。

本方案中，所述构建基于机器学习算法的进出港预测模型，所述进出港预测模型包括进港预测模型和出港预测模型，具体为：

获取历史渔船进港信息和出港信息、历史第一、第二环境数据，所述历史渔船进港信息和出港信息包括进出港时间、船舶名称、船舶类型；

将历史渔船进港信息、历史第一环境数据进行整合，构建完整的第一训练数据集；

将历史渔船出港信息、历史第二环境数据进行整合，构建完整的第二训练数据集；

利用机器学习算法，构建进出港预测模型，将所述第一训练数据集导入进港预测模型中进行训练，将所述第二训练数据集导入出港预测模型中进行训练。

本方案中，所述根据所述预测结果，生成动态预测报告，具体为：

利用灯塔观测系统，识别进出港渔船，进而得到船舶名称，实时监测渔港内的渔船动态变化，监测渔港内的泊位变化；

根据渔船的进出港时间、泊位变化和船舶类型制定最优进出港路线、最优泊位、最优进出港时间；

根据船舶名称，将最优进出港路线、最优泊位、最优进出港时间发送至渔船自身设备中；

根据预测结果，生成进出港预测报告，所述预测报告包括进港预测信息、出港预测信息、航线选择建议、风险评估；

通过地图形式和图表形式将预测结果以可视化方式展示。

本发明公开了一种基于地理信息系统的渔港船舶进出港动态预测方法及系统，通过获取渔船实时位置数据、第一、第二环境数据和渔港地理位置；构建数据处理模块，利用该模块对渔船实时位置数据和渔港地理位置进行处理和分析，以获取渔船的运动信息和与渔港的关联信息；构建进出港预测模型，将渔船的运动信息、渔船与渔港的关联信息以及第一、第二环境数据导入进出港预测模型；对当前渔船的进出港进行动态预测，得到预测结果；根据预测结果生成动态预测报告。通过本发明，能够实现渔船进出港的预测，提前做好渔船进出港安排，提高渔港的管理效率。

附图说明

图1示出了本发明一种基于地理信息系统的渔港船舶进出港动态预测方法的流程图；

图2示出了本发明得出渔船进出港预测结果流程图；

图3示出了本发明生成动态预测报告的流程图；

图4示出了一种基于地理信息系统的渔港船舶进出港动态预测系统的框图；

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

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，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

图1示出了本发明一种基于地理信息系统的渔港船舶进出港动态预测方法的流程图。

如图1所示，本发明第一方面提供了一种基于地理信息系统的渔港船舶进出港动态预测方法，包括：

S102，获取渔船实时位置数据、第一、第二环境数据和渔港地理位置；

S104，基于地理信息系统构建数据处理模块，利用数据处理模块对所述渔船实时位置数据和渔港地理位置进行处理和分析，得到渔船的运动信息、渔船与渔港的关联信息；

S106，构建基于机器学习算法的进出港预测模型，所述进出港预测模型包括进港预测模型和出港预测模型；

S108，将所述渔船的运动信息、渔船与渔港的关联信息、第一、第二环境数据导入所述进出港预测模型对当前渔船的进出港进行动态预测，得到预测结果；

S110，根据所述预测结果，生成动态预测报告。

根据本发明实施例，所述获取渔船实时位置数据、第一、第二环境数据和渔港地理位置，具体为：

通过卫星定位系统和渔船自身设备实时监测和更新渔船的位置，并获取渔船实时位置数据；

通过传感器获取已出港渔船所在位置的第一环境数据和在港渔船需要出港捕捞区域的第二环境数据，所述第一、第二环境数据包括潮汐、洋流、风速、天气情况；

通过卫星定位系统获取渔港地理位置。

需要说明的是，所述渔船自身设备包括全球卫星导航系统、雷达系统、自动识别系统；所述传感器包括风速传感器、气温传感器、雨量传感器；本发明实施例中，将分为两部分进行采集环境数据，第一部分是采集已出港渔船所在位置的环境数据，构成第一环境数据；第二部分是采集在渔港内的渔船将要出海捕捞区域的环境数据，构成第二环境数据；第一、第二环境数据将被用来后续的预测，通过环境数据预测渔船是否需要进出港；所述实时位置数据是通过预设时间段采集的连续位置信息。

根据本发明实施例，所述基于地理信息系统构建数据处理模块，利用数据处理模块对所述渔船实时位置数据和渔港地理位置进行处理和分析，得到渔船的运动信息、渔船与渔港的关联信息，具体为：

基于地理信息系统，构建数据处理模块；

对获取到的所述渔船实时位置数据和渔港地理位置导入所述数据处理模块，进行去除异常值和错误数据；

将渔船连续的实时位置数据导入数据处理模块中进行分析，得出渔船的运动信息，所述运动信息包括航行轨迹、航行速度以及航向，根据运动信息分析出渔船的行为模式和趋势；

基于数据处理模块，将渔船实时位置数据与渔港的地理位置进行关联分析，得出渔船与渔港的关联信息，并计算出渔船与渔港的水上航行距离，所述关联信息包括渔船与渔港的相对位置。

需要说明的是，所述基于地理信息系统，构建数据处理模块，目的是有效地处理和分析渔船的位置数据和渔港的地理位置；所述去除异常值和错误数据能够确保数据的准确性和可靠性；接下来，将连续的渔船实时位置数据导入数据处理模块中进行分析。通过对这些数据进行处理和分析，得到渔船的运动信息，通过分析这些运动信息，能够识别出渔船的行为模式和趋势，从而更好地了解渔船的活动情况；所述水上航行距离是指与渔船从所在位置行驶到渔港的航线距离。

根据本发明实施例，所述构建基于机器学习算法的进出港预测模型，所述构建基于机器学习算法的进出港预测模型，所述进出港预测模型包括进港预测模型和出港预测模型，具体为：

获取历史渔船进港信息和出港信息、历史第一、第二环境数据，所述历史渔船进港信息和出港信息包括进出港时间、船舶名称、船舶类型；

将历史渔船进港信息、历史第一环境数据进行整合，构建完整的第一训练数据集；

将历史渔船出港信息、历史第二环境数据进行整合，构建完整的第二训练数据集；

利用机器学习算法，构建进出港预测模型，将所述第一训练数据集导入进港预测模型中进行训练，将所述第二训练数据集导入出港预测模型中进行训练。

需要说明的是，所述渔船的行为模式和趋势包括驶向渔港、远离渔港、静止状态、捕捞状态；所述机器学习算法包括关联规则学习算法、SARSA算法、卷积神经网络；所述构建的进港预测模型和出港预测模型将被分别用来预测渔船的进港和出港；所述将第一、第二训练数据集导入进出港模型中进行训练，能够很好的提高预测模型的准确率。

图2示出了本发明得出渔船进出港预测结果流程图。

根据本发明实施例，所述将所述渔船的运动信息、渔船与渔港的关联信息、第一、第二环境数据导入所述进出港预测模型对当前渔船的进出港进行动态预测，得到预测结果，具体为：

S202，将渔船的运动信息、渔船与渔港的关联信息、渔船的行为模式和趋势导入进港预测模型，若渔船航行轨迹、航向在预设航行区域内和预设航向范围内，预测为进港渔船；

S204，实时获取第一环境数据，将第一环境数据导入进港预测模型中，将第一环境数据与预设环境数据进行对比，预测渔船是否需要进港，并根据航行速度和渔船与渔港的水上距离预测进港时间；

S206，实时获取第二环境数据，将第二环境数据导入出港预测模型中，将第二环境数据与预设环境数据进行对比，预测渔船是否需要出港，并预测出港时间。

需要说明的是，所述预设航行区域为渔船回港时需要行驶的水上路线区域，所述预设航向为渔船回港的行驶方向，若渔船航行轨迹、航向均在预设航行区域内和预设航向范围内，便可预测为该渔船是进港渔船；所述预设环境数据为适宜渔船捕捞的环境数据范围，具体为：潮汐流速在2M/S以下、洋流在2M/S以下、风速在6级以下、天气情况包括晴朗、多云、小雨，若第一环境数据在所述环境数据范围内，预测已出港渔船是否需要进港，提醒渔船进港避险；若第二环境数据在所述环境数据范围内，预测渔船是否需要出港进行捕捞作业，并给需要出港的渔船提供航线，辅助渔船安全到达捕捞区域。

图3示出了本发明生成动态预测报告的流程图。

根据本发明实施例，所述根据所述预测结果，生成动态预测报告，具体为：

S302，利用灯塔观测系统，识别进出港渔船，进而得到船舶名称，实时监测渔港内的渔船动态变化，监测渔港内的泊位变化；

S304，根据渔船的进出港时间、泊位变化和船舶类型制定最优进出港路线、最优泊位、最优进出港时间；

S306，根据船舶名称，将最优进出港路线、最优泊位、最优进出港时间发送至渔船自身设备中；

S308，根据预测结果，生成进出港预测报告，所述预测报告包括进港预测信息、出港预测信息、航线选择建议、风险评估；

S310，通过地图形式和图表形式将预测结果以可视化方式展示。

需要说明的是，所述利用灯塔观测系统，所述灯塔观测系统包括高清摄像设备，识别进出港渔船，进而得到船舶名称，具体为：利用高清摄像设备拍摄进出港渔船图像信息；基于目标检测算法构建船舶识别模型；将渔船图像信息导入船舶识别模型中，提取渔船图像特征信息，所述特征信息包括船头方向、船舶类型、船舶颜色；根据特征信息，识别出进出港渔船，进而得到船舶名称；所述渔船自身设备包括渔船预设显示器、GPRS接收及发送信息设备、船员自身通信设备，将所述最优进出港路线发送至渔船自身设备中，提醒船员执行最优进出港路线；所述进出港预测信息包括包括进出港概率、进出港时间，生成进出港预测报告以便渔港管理人员协调渔船的进出港工作和确保渔船的安全进出港；所述地图形式用来显示渔船的位置和行驶轨迹，所述图表形式用来显示进出港概率，通过地图形式和图表形式将预测结果以可视化方式展示使渔港管理人员更直观地了解渔船的动态变化和预测结果，快速理解和分析数据，并做出相应的决策。

根据本发明实施例，还包括：

构建渔船信息数据库，所述数据库包括渔船名称、渔船轮廓信息、颜色信息；

基于预设图像识别算法构建渔船识别模型；

采集渔港中渔船的图像信息；

根据所述图像信息判断渔船是否存在遮挡；

若渔船存在遮挡，则根据所述渔船的图像信息进行特征提取，得到渔船的轮廓特征信息、颜色特征信息；

基于边缘检测算法，根据所述轮廓特征信息、颜色特征信息，通过计算像素点周围像素值的梯度变化来检测图像边缘，得到渔船被遮挡的部分轮廓信息、部分颜色信息；

将渔船的轮廓特征信息、颜色特征信息与部分轮廓信息、部分颜色信息进行整合，得到渔船完整的轮廓信息、完整颜色信息；

将渔船完整的轮廓信息、完整颜色信息导入渔船识别模型中，与数据库中的渔船轮廓信息、颜色信息进行对比，得到渔船名称。

需要说明的是，本发明实施例可用于在渔港中，大量渔船同时进出港时，渔船出现被遮挡的情况下，灯塔观测系统无法识别出被遮挡的渔船，此时可利用本实施例；在渔船被遮挡的情况下，提取渔船未被遮挡的轮廓信息、颜色信息、尺寸信息与数据库中的渔船信息进行匹配和联想，得到渔船识别结果，所述渔船识别结果包括渔船名称，大大提高了识别准确性和识别效率；所述尺寸信息包括渔船的高度、长度、宽度；所述边缘检测算法包括Canny边缘检测。

根据本发明实施例，还包括：

构建航线偏离预警系统；

实时获取所有进出港渔船的进出港航线、渔船地理位置信息、航行速度、航行轨迹、航向；

将获取的所述所有进出港渔船的进出港航线、航行轨迹、导入航线偏离预警系统中，根据渔船地理位置与进出港航线进行对比，判断渔船航行路线是否在进出港航线上；

若渔船地理位置偏离进出港航线，将该渔船标记为偏航渔船，发出偏离预警，并提供航线修正方案；

根据偏航渔船的航行轨迹和其他渔船进出港航线判断偏航渔船是否在其他正常行驶渔船航线上；

若偏航渔船在正常行驶渔船航线上，且未做出修正航线操作，获取其他正常行驶渔船航线、偏航渔船和正常行驶渔船的航向和航行速度、偏航渔船与其他正常行驶渔船的相对位置；

利用航海规则和避碰规则，结合偏航渔船与其他正常行驶渔船的相对位置、航向和航行速度，计算得出最优避让航线；

提醒正常行驶渔船进行避让操作，发送避让信息，所述避让信息包括最优避让航线。

需要说明的是，所述正常行驶渔船指未偏离进出港航线的渔船；在偏航渔船偏离最优进出港路线时，需要判断偏航渔船是否行驶到了正常行驶渔船航线上，根据偏航渔船和正常行驶渔船的航向和航行速度，判断两船是否存在碰撞风险；若存在碰撞风险，提醒偏航渔船回到最优进出港航线上，并发送航线修正方案，所述修正方案包括航行速度和航向；若偏航渔船未做出修正航线操作，提醒正常行驶渔船进行避让操作，发送避让信息，所述避让信息包括最优避让航线，且该避让航线不会阻碍其他进出港渔船行驶。

图4示出了一种基于地理信息系统的渔港船舶进出港动态预测系统的框图

本发明第二方面还提供了一种基于地理信息系统的渔港船舶进出港动态预测系统4，该系统包括：存储器41、处理器42，所述存储器中包括基于地理信息系统的渔港船舶进出港动态预测方法程序，所述基于地理信息系统的渔港船舶进出港动态预测方法程序被所述处理器执行时，实现如下步骤：

获取渔船实时位置数据、第一、第二环境数据和渔港地理位置；

基于地理信息系统构建数据处理模块，利用数据处理模块对所述渔船实时位置数据和渔港地理位置进行处理和分析，得到渔船的运动信息、渔船与渔港的关联信息；

构建基于机器学习算法的进出港预测模型，所述进出港预测模型包括进港预测模型和出港预测模型；

将所述渔船的运动信息、渔船与渔港的关联信息、第一、第二环境数据导入所述进出港预测模型对当前渔船的进出港进行动态预测，得到预测结果；

根据所述预测结果，生成动态预测报告。

根据本发明实施例，所述获取渔船实时位置数据、第一、第二环境数据和渔港地理位置，具体为：

通过卫星定位系统和渔船自身设备实时监测和更新渔船的位置，并获取渔船实时位置数据；

通过传感器获取已出港渔船所在位置的第一环境数据和在港渔船需要出港捕捞区域的第二环境数据，所述第一、第二环境数据包括潮汐、洋流、风速、天气情况；

通过卫星定位系统获取渔港地理位置。

需要说明的是，所述渔船自身设备包括全球卫星导航系统、雷达系统、自动识别系统；所述传感器包括风速传感器、气温传感器、雨量传感器；本发明实施例中，将分为两部分进行采集环境数据，第一部分是采集已出港渔船所在位置的环境数据，构成第一环境数据；第二部分是采集在渔港内的渔船将要出海捕捞区域的环境数据，构成第二环境数据；第一、第二环境数据将被用来后续的预测，通过环境数据预测渔船是否需要进出港；所述实时位置数据是通过预设时间段采集的连续位置信息。

根据本发明实施例，所述基于地理信息系统构建数据处理模块，利用数据处理模块对所述渔船实时位置数据和渔港地理位置进行处理和分析，得到渔船的运动信息、渔船与渔港的关联信息，具体为：

基于地理信息系统，构建数据处理模块；

对获取到的所述渔船实时位置数据和渔港地理位置导入所述数据处理模块，进行去除异常值和错误数据；

将渔船连续的实时位置数据导入数据处理模块中进行分析，得出渔船的运动信息，所述运动信息包括航行轨迹、航行速度以及航向，根据运动信息分析出渔船的行为模式和趋势；

基于数据处理模块，将渔船实时位置数据与渔港的地理位置进行关联分析，得出渔船与渔港的关联信息，并计算出渔船与渔港的水上航行距离，所述关联信息包括渔船与渔港的相对位置。

需要说明的是，所述基于地理信息系统，构建数据处理模块，目的是有效地处理和分析渔船的位置数据和渔港的地理位置；所述去除异常值和错误数据能够确保数据的准确性和可靠性；接下来，将连续的渔船实时位置数据导入数据处理模块中进行分析。通过对这些数据进行处理和分析，得到渔船的运动信息，通过分析这些运动信息，能够识别出渔船的行为模式和趋势，从而更好地了解渔船的活动情况；所述水上航行距离是指与渔船从所在位置行驶到渔港的航线距离。

根据本发明实施例，所述构建基于机器学习算法的进出港预测模型，所述构建基于机器学习算法的进出港预测模型，所述进出港预测模型包括进港预测模型和出港预测模型，具体为：

获取历史渔船进港信息和出港信息、历史第一、第二环境数据，所述历史渔船进港信息和出港信息包括进出港时间、船舶名称、船舶类型；

将历史渔船进港信息、历史第一环境数据进行整合，构建完整的第一训练数据集；

将历史渔船出港信息、历史第二环境数据进行整合，构建完整的第二训练数据集；

利用机器学习算法，构建进出港预测模型，将所述第一训练数据集导入进港预测模型中进行训练，将所述第二训练数据集导入出港预测模型中进行训练。

需要说明的是，所述渔船的行为模式和趋势包括驶向渔港、远离渔港、静止状态、捕捞状态；所述机器学习算法包括关联规则学习算法、SARSA算法、卷积神经网络；所述构建的进港预测模型和出港预测模型将被分别用来预测渔船的进港和出港；所述将第一、第二训练数据集导入进出港模型中进行训练，能够很好的提高预测模型的准确率。

根据本发明实施例，所述将所述渔船的运动信息、渔船与渔港的关联信息、第一、第二环境数据导入所述进出港预测模型对当前渔船的进出港进行动态预测，得到预测结果，具体为：

将渔船的运动信息、渔船与渔港的关联信息、渔船的行为模式和趋势导入进港预测模型，若渔船航行轨迹、航向在预设航行区域内和预设航向范围内，预测为进港渔船；

实时获取第一环境数据，将第一环境数据导入进港预测模型中，将第一环境数据与预设环境数据进行对比，预测渔船是否需要进港，并根据航行速度和渔船与渔港的水上距离预测进港时间；

实时获取第二环境数据，将第二环境数据导入出港预测模型中，将第二环境数据与预设环境数据进行对比，预测渔船是否需要出港，并预测出港时间。

需要说明的是，所述预设航行区域为渔船回港时需要行驶的水上路线区域，所述预设航向为渔船回港的行驶方向，若渔船航行轨迹、航向均在预设航行区域内和预设航向范围内，便可预测为该渔船是进港渔船；所述预设环境数据为适宜渔船捕捞的环境数据范围，具体为：潮汐流速在2M/S以下、洋流在2M/S以下、风速在6级以下、天气情况包括晴朗、多云、小雨，若第一环境数据在所述环境数据范围内，预测已出港渔船是否需要进港，提醒渔船进港避险；若第二环境数据在所述环境数据范围内，预测渔船是否需要出港进行捕捞作业，并给需要出港的渔船提供航线，辅助渔船安全到达捕捞区域。

根据本发明实施例，所述根据所述预测结果，生成动态预测报告，具体为：

利用灯塔观测系统，识别进出港渔船，进而得到船舶名称，实时监测渔港内的渔船动态变化，监测渔港内的泊位变化；

根据渔船的进出港时间、泊位变化和船舶类型制定最优进出港路线、最优泊位、最优进出港时间；

根据船舶名称，将最优进出港路线、最优泊位、最优进出港时间发送至渔船自身设备中；

根据预测结果，生成进出港预测报告，所述预测报告包括进港预测信息、出港预测信息、航线选择建议、风险评估；

通过地图形式和图表形式将预测结果以可视化方式展示。

需要说明的是，所述利用灯塔观测系统，所述灯塔观测系统包括高清摄像设备，识别进出港渔船，进而得到船舶名称，具体为：利用高清摄像设备拍摄进出港渔船图像信息；基于目标检测算法构建船舶识别模型；将渔船图像信息导入船舶识别模型中，提取渔船图像特征信息，所述特征信息包括船头方向、船舶类型、船舶颜色；根据特征信息，识别出进出港渔船，进而得到船舶名称；所述渔船自身设备包括渔船预设显示器、GPRS接收及发送信息设备、船员自身通信设备，将所述最优进出港路线发送至渔船自身设备中，提醒船员执行最优进出港路线；所述进出港预测信息包括包括进出港概率、进出港时间，生成进出港预测报告以便渔港管理人员协调渔船的进出港工作和确保渔船的安全进出港；所述地图形式用来显示渔船的位置和行驶轨迹，所述图表形式用来显示进出港概率，通过地图形式和图表形式将预测结果以可视化方式展示使渔港管理人员更直观地了解渔船的动态变化和预测结果，快速理解和分析数据，并做出相应的决策。

根据本发明实施例，还包括：

构建渔船信息数据库，所述数据库包括渔船名称、渔船轮廓信息、颜色信息；

基于预设图像识别算法构建渔船识别模型；

采集渔港中渔船的图像信息；

根据所述图像信息判断渔船是否存在遮挡；

若渔船存在遮挡，则根据所述渔船的图像信息进行特征提取，得到渔船的轮廓特征信息、颜色特征信息；

基于边缘检测算法，根据所述轮廓特征信息、颜色特征信息，通过计算像素点周围像素值的梯度变化来检测图像边缘，得到渔船被遮挡的部分轮廓信息、部分颜色信息；

将渔船的轮廓特征信息、颜色特征信息与部分轮廓信息、部分颜色信息进行整合，得到渔船完整的轮廓信息、完整颜色信息；

将渔船完整的轮廓信息、完整颜色信息导入渔船识别模型中，与数据库中的渔船轮廓信息、颜色信息进行对比，得到渔船名称。

需要说明的是，本发明实施例可用于在渔港中，大量渔船同时进出港是，渔船出现被遮挡的情况下，灯塔观测系统无法识别出被遮挡的渔船，此时可利用本实施例；在渔船被遮挡的情况下，提取渔船未被遮挡的轮廓信息、颜色信息、尺寸信息与数据库中的渔船信息进行匹配和联想，得到渔船识别结果，大大提高了识别准确性和识别效率；所述尺寸信息包括渔船的高度、长度、宽度；所述边缘检测算法包括Canny边缘检测。

根据本发明实施例，还包括：

构建航线偏离预警系统；

实时获取所有进出港渔船的进出港航线、渔船地理位置信息、航行速度、航行轨迹、航向；

将获取的所述所有进出港渔船的进出港航线、航行轨迹、导入航线偏离预警系统中，根据渔船地理位置与进出港航线进行对比，判断渔船航行路线是否在进出港航线上；

若渔船地理位置偏离进出港航线，将该渔船标记为偏航渔船，发出偏离预警，并提供航线修正方案；

根据偏航渔船的航行轨迹和其他渔船进出港航线判断偏航渔船是否在其他正常行驶渔船航线上；

若偏航渔船在正常行驶渔船航线上，且未做出修正航线操作，获取其他正常行驶渔船航线、偏航渔船和正常行驶渔船的航向和航行速度、偏航渔船与其他正常行驶渔船的相对位置；

利用航海规则和避碰规则，结合偏航渔船与其他正常行驶渔船的相对位置、航向和航行速度，计算得出最优避让航线；

提醒正常行驶渔船进行避让操作，发送避让信息，所述避让信息包括最优避让航线。

需要说明的是，所述正常行驶渔船指未偏离进出港航线的渔船；在偏航渔船偏离最优进出港路线时，需要判断偏航渔船是否行驶到了正常行驶渔船航线上，根据偏航渔船和正常行驶渔船的航向和航行速度，判断两船是否存在碰撞风险；若存在碰撞风险，提醒偏航渔船回到最优进出港航线上，并发送航线修正方案，所述修正方案包括航行速度和航向；若偏航渔船未做出修正航线操作，提醒正常行驶渔船进行避让操作，发送避让信息，所述避让信息包括最优避让航线，且该避让航线不会阻碍其他进出港渔船行驶。

本发明公开了一种基于地理信息系统的渔港船舶进出港动态预测方法及系统，通过获取渔船实时位置数据、第一、第二环境数据和渔港地理位置；构建数据处理模块，利用该模块对渔船实时位置数据和渔港地理位置进行处理和分析，以获取渔船的运动信息和与渔港的关联信息；构建进出港预测模型，将渔船的运动信息、渔船与渔港的关联信息以及第一、第二环境数据导入进出港预测模型；对当前渔船的进出港进行动态预测，得到预测结果；根据预测结果生成动态预测报告。通过本发明，能够实现渔船进出港的预测，提前做好渔船进出港安排，提高渔港的管理效率。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于地理信息系统的渔港船舶进出港动态预测方法，其特征在于，包括以下步骤：

获取渔船实时位置数据、第一、第二环境数据和渔港地理位置；

基于地理信息系统构建数据处理模块，利用数据处理模块对所述渔船实时位置数据和渔港地理位置进行处理和分析，得到渔船的运动信息、渔船与渔港的关联信息；

构建基于机器学习算法的进出港预测模型，所述进出港预测模型包括进港预测模型和出港预测模型；

将所述渔船的运动信息、渔船与渔港的关联信息、第一、第二环境数据导入所述进出港预测模型对当前渔船的进出港进行动态预测，得到预测结果；

根据所述预测结果，生成动态预测报告。

2.根据权利要求1所述的一种基于地理信息系统的渔港船舶进出港动态预测方法，其特征在于，所述获取渔船实时位置数据、第一、第二环境数据和渔港地理位置，具体为：

通过卫星定位系统和渔船自身设备实时监测和更新渔船的位置，并获取渔船实时位置数据；

通过传感器获取已出港渔船所在位置的第一环境数据和在港渔船需要出港捕捞区域的第二环境数据，所述第一、第二环境数据包括潮汐、洋流、风速、天气情况；

通过卫星定位系统获取渔港地理位置。

3.根据权利要求1所述的一种基于地理信息系统的渔港船舶进出港动态预测方法，其特征在于，所述基于地理信息系统构建数据处理模块，利用数据处理模块对所述渔船实时位置数据和渔港地理位置进行处理和分析，得到渔船的运动信息、渔船与渔港的关联信息，具体为：

基于地理信息系统，构建数据处理模块；

对获取到的所述渔船实时位置数据和渔港地理位置导入所述数据处理模块，进行去除异常值和错误数据；

将渔船连续的实时位置数据导入数据处理模块中进行分析，得出渔船的运动信息，所述运动信息包括航行轨迹、航行速度以及航向，根据运动信息分析出渔船的行为模式和趋势；

基于数据处理模块，将渔船实时位置数据与渔港的地理位置进行关联分析，得出渔船与渔港的关联信息，并计算出渔船与渔港的水上航行距离，所述关联信息包括渔船与渔港的相对位置。

4.根据权利要求1所述的一种基于地理信息系统的渔港船舶进出港动态预测方法，其特征在于，所述构建基于机器学习算法的进出港预测模型，所述进出港预测模型包括进港预测模型和出港预测模型，具体为：

获取历史渔船进港信息和出港信息、历史第一、第二环境数据，所述历史渔船进港信息和出港信息包括进出港时间、船舶名称、船舶类型；

将历史渔船进港信息、历史第一环境数据进行整合，构建完整的第一训练数据集；

将历史渔船出港信息、历史第二环境数据进行整合，构建完整的第二训练数据集；

利用机器学习算法，构建进出港预测模型，将所述第一训练数据集导入进港预测模型中进行训练，将所述第二训练数据集导入出港预测模型中进行训练。

5.根据权利要求1所述的一种基于地理信息系统的渔港船舶进出港动态预测方法，其特征在于，所述将所述渔船的运动信息、渔船与渔港的关联信息、第一、第二环境数据导入所述进出港预测模型对当前渔船的进出港进行动态预测，得到预测结果，具体为：

将渔船的运动信息、渔船与渔港的关联信息、渔船的行为模式和趋势导入进港预测模型，若渔船航行轨迹、航向在预设航行区域内和预设航向范围内，预测为进港渔船；

实时获取第一环境数据，将第一环境数据导入进港预测模型中，将第一环境数据与预设环境数据进行对比，预测渔船是否需要进港，并根据航行速度和渔船与渔港的水上距离预测进港时间；

实时获取第二环境数据，将第二环境数据导入出港预测模型中，将第二环境数据与预设环境数据进行对比，预测渔船是否需要出港，并预测出港时间。

6.根据权利要求1所述的一种基于地理信息系统的渔港船舶进出港动态预测方法，其特征在于，所述根据所述预测结果，生成动态预测报告，具体为：

利用灯塔观测系统，识别进出港渔船，进而得到船舶名称，实时监测渔港内的渔船动态变化，监测渔港内的泊位变化；

根据渔船的进出港时间、泊位变化和船舶类型制定最优进出港路线、最优泊位、最优进出港时间；

根据船舶名称，将最优进出港路线、最优泊位、最优进出港时间发送至渔船自身设备中；

根据预测结果，生成进出港预测报告，所述预测报告包括进港预测信息、出港预测信息、航线选择建议、风险评估；

通过地图形式和图表形式将预测结果以可视化方式展示。

7.一种基于地理信息系统的渔港船舶进出港动态预测系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于地理信息系统的渔港船舶进出港动态预测程序，所述基于地理信息系统的渔港船舶进出港动态预测程序被所述处理器执行时实现如下步骤：

获取渔船实时位置数据、第一、第二环境数据和渔港地理位置；

基于地理信息系统构建数据处理模块，利用数据处理模块对所述渔船实时位置数据和渔港地理位置进行处理和分析，得到渔船的运动信息、渔船与渔港的关联信息；

构建基于机器学习算法的进出港预测模型，所述进出港预测模型包括进港预测模型和出港预测模型；

将所述渔船的运动信息、渔船与渔港的关联信息、第一、第二环境数据导入所述进出港预测模型对当前渔船的进出港进行动态预测，得到预测结果；

根据所述预测结果，生成动态预测报告。

8.根据权利要求7所述的一种基于地理信息系统的渔港船舶进出港动态预测系统，其特征在于，所述基于地理信息系统构建数据处理模块，利用数据处理模块对所述渔船实时位置数据和渔港地理位置进行处理和分析，得到渔船的运动信息、渔船与渔港的关联信息，具体为：

基于地理信息系统，构建数据处理模块；

对获取到的所述渔船实时位置数据和渔港地理位置导入所述数据处理模块，进行去除异常值和错误数据；

将渔船连续的实时位置数据导入数据处理模块中进行分析，得出渔船的运动信息，所述运动信息包括航行轨迹、航行速度以及航向，根据运动信息分析出渔船的行为模式和趋势；

基于数据处理模块，将渔船实时位置数据与渔港的地理位置进行关联分析，得出渔船与渔港的关联信息，并计算出渔船与渔港的水上航行距离，所述关联信息包括渔船与渔港的相对位置。

9.根据权利要求7所述的一种基于地理信息系统的渔港船舶进出港动态预测系统，其特征在于，所述构建基于机器学习算法的进出港预测模型，所述进出港预测模型包括进港预测模型和出港预测模型，具体为：

获取历史渔船进港信息和出港信息、历史第一、第二环境数据，所述历史渔船进港信息和出港信息包括进出港时间、船舶名称、船舶类型；

将历史渔船进港信息、历史第一环境数据进行整合，构建完整的第一训练数据集；

将历史渔船出港信息、历史第二环境数据进行整合，构建完整的第二训练数据集；

利用机器学习算法，构建进出港预测模型，将所述第一训练数据集导入进港预测模型中进行训练，将所述第二训练数据集导入出港预测模型中进行训练。

10.根据权利要求7所述的一种基于地理信息系统的渔港船舶进出港动态预测系统，其特征在于，所述根据所述预测结果，生成动态预测报告，具体为：

利用灯塔观测系统，识别进出港渔船，进而得到船舶名称，实时监测渔港内的渔船动态变化，监测渔港内的泊位变化；

根据渔船的进出港时间、泊位变化和船舶类型制定最优进出港路线、最优泊位、最优进出港时间；

根据船舶名称，将最优进出港路线、最优泊位、最优进出港时间发送至渔船自身设备中；

根据预测结果，生成进出港预测报告，所述预测报告包括进港预测信息、出港预测信息、航线选择建议、风险评估；

通过地图形式和图表形式将预测结果以可视化方式展示。

Images