CN116592894B - 一种航线规划方法、装置及存储介质 - Google Patents
一种航线规划方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116592894B CN116592894B CN202310840299.0A CN202310840299A CN116592894B CN 116592894 B CN116592894 B CN 116592894B CN 202310840299 A CN202310840299 A CN 202310840299A CN 116592894 B CN116592894 B CN 116592894B
- Authority
- CN
- China
- Prior art keywords
- cluster
- track
- tracks
- clusters
- historical
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000002776 aggregation Effects 0.000 claims description 14
- 238000004220 aggregation Methods 0.000 claims description 14
- 238000000926 separation method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000009833 condensation Methods 0.000 description 3
- 230000005494 condensation Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003064 k means clustering 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
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/203—Specially adapted for sailing ships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种航线规划方法、装置及存储介质,包括根据历史航迹数据集生成历史航迹之间的欧氏距离矩阵;将所述历史航迹数据集分为若干聚类簇,根据所述欧式距离矩阵获取每个聚类簇内的典型航迹。本申请无需人工干预和实验调参即可完成对历史航迹的自动聚类和各聚类簇内的典型航线提取,实现了航线的自动规划。
Description
技术领域
本申请涉及航线规划领域,尤其是涉及一种航线规划方法、装置及存储介质。
背景技术
随着世界经济增长和贸易的发展,航运发展日益繁荣。海上交通运输业快速发展,船舶数量在不断的增多,船舶航线优化设计技术对海上运输的安全性和经济性具有非常重要的意义。
目前关于航迹的聚类应用主要停留在对历史的轨迹的关键点、关键区域的判断,例如事先根据经验划定若干个区域,然后判断一条轨迹是否经过这些区域,标记轨迹经过的区域。用户需要的时候,可以根据区域筛选符合对应条件的航迹。此种方式一方面需要人工干预,另一方面针对世界不同的海域进行关键区域标记的标注成本较高。
发明内容
针对上述问题,本发明的目的是提供一种航线规划方法、装置及存储介质,无须人工干预,能够实现船舶航迹的自动规划。
为实现上述目的,本发明采取以下技术方案:
一种航线规划方法,包括以下步骤:
根据历史航迹数据集生成历史航迹之间的欧氏距离矩阵;
将所述历史航迹数据集分为若干聚类簇,根据所述欧式距离矩阵获取每个聚类簇内的典型航迹。
进一步地,上述将所述历史航迹数据集分为若干聚类簇包括:
设定候选的聚类簇数量的集合;
通过凝聚层次聚类遍历所述聚类簇数量的集合,得到若干个凝聚层次聚类结果;
通过平均轮廓系数评价若干个所述凝聚层次聚类结果,得到最佳聚类簇数量;
根据最佳聚类簇数量将所述历史航迹数据集分为若干聚类簇。
进一步地,上述欧式距离矩阵的生成方法包括:
将历史航迹数据集中每条历史航迹的AIS数据点进行排序;
通过动态时间规整算法遍历历史航迹之间的最佳对齐方式;
生成历史航迹之间的最佳对齐方式下的欧氏距离矩阵。
进一步地,上述凝聚层次聚类具体包括以下步骤:
步骤S1:将每条所述历史航迹初始化为一个聚类簇;
步骤S2:通过欧氏距离矩阵得到距离最近的两个聚类簇,将距离最近的两个聚类簇合并为一个聚类簇,所述聚类簇之间的距离为两个聚类簇之间平均距离最小的两条历史航迹之间的平均距离;
步骤S3:计算合并后的新聚类簇与其它聚类簇之间的平均距离,将距离最近的两个聚类簇合并为一个聚类簇;
步骤S4:重复步骤S2-S3,直到聚类簇的数量达到目标聚类簇数量。
进一步地,上述平均轮廓系数为每条历史航迹的轮廓系数的平均值,历史航迹p的轮廓系数s(p)的计算公式为:
;
其中,b(p)为历史航迹p与其它聚类簇之间的分离度,a(p)为历史航迹p与所在聚类簇内其它历史航迹之间的内聚度。
进一步地,当所述聚类簇内的历史航迹的内聚度小于预设的内聚度阈值,且相邻所述聚类簇之间的分离度大于预设的分离度阈值时,选取对应平均轮廓值最大的聚类簇数量作为最佳聚类簇数量。
进一步地,上述根据所述欧式距离矩阵获取每个聚类簇内的典型航迹包括:
通过欧氏距离矩阵,分别计算每个历史航迹与所在聚类簇内其它所有航迹之间各自的平均距离;
计算所述历史航迹与所在聚类簇内其它所有航迹之间的平均距离的平均值,记为航迹均值;
选取每个聚类簇内航迹均值最小的历史航迹作为典型航迹。
为实现上述目的,本申请另一方面还提供一种航线规划装置,包括:
数据采集模块,用于采集历史航迹数据并转换为标准航迹数据集;
数据处理模块,用于生成历史航迹之间的欧氏距离矩阵;
聚类模块,用于根据欧氏距离矩阵和预设的聚类簇数量的集合,获取最佳聚类簇数;
航迹生成模块,用于提取每个聚类簇内的典型航迹作为规划的航迹。
为实现上述目的,本申请另一方面还提供一种计算设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述方法。
为实现上述目的,本申请另一方面还提供一种计算机可读存储介质,存储有能够被处理器加载并执行如上述方法的计算机程序。
本发明由于采取以上技术方案,其具有以下优点:
本发明提供的一种航线规划方法、装置及存储介质,首先需要获取出发地与目的地之间的历史航迹数据集,然后将形状相似的历史航迹划分为同一簇,这样就可以得到几个聚类簇,也就是几种不同的航线,然后就可以结合欧几里得距离计算每个聚类簇内历史航迹间的距离矩阵,进而求出与其他历史航迹之间的平均距离最小的典型航迹作为航行路线,无需人工干预和实验调参即可完成对历史航迹的自动聚类和各聚类簇内的典型航线提取,实现了航线的自动规划。
附图说明
图1是本发明实施方式中一种航线规划方法流程示意图。
图2是本发明实施方式中另一种航线规划方法流程示意图。
图3是本发明实施方式中历史航迹对齐方法示意图。
图4是本发明实施方式中历史航迹曲线示意图。
图5是本发明实施方式中平均轮廓系数关于聚类簇数的变化曲线示意图。
图6是本发明实施方式中最佳聚类簇数下航迹分类情况示意图(a)。
图7是本发明实施方式中最佳聚类簇数下航迹分类情况示意图(b)。
图8是本发明实施方式中不同聚类簇的典型航迹提取示意图(a)。
图9是本发明实施方式中不同聚类簇的典型航迹提取示意图(b)。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本发明的示例性实施方式,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
如图1所示,本申请针对现有的航迹聚类应用无法避开需要人工干预选取历史轨迹的关键点或者关键区域的问题,提出了一种航线规划方法,首先基于动态时间规整算法计算航迹间的相似度;然后,利用凝聚层次聚类算法对历史航迹进行聚类组合;采用平均轮廓系数作为评价指标,搜索最佳聚类簇数;最后,基于簇内平均距离最小原则提取各类航迹簇的典型航迹,如图2所示,具体包括以下步骤:
S101:设定起始港口和目的港口,搜索并下载起始港口到目的港口之间的历史航迹并转换为历史航迹数据集;
在本实施方式中,历史航迹数据集包括各条历史航迹的基本情况,如航次任务开始时间,任务时间跨度,航迹点总个数,经纬度位置信息等,更进一步的,还可以包括气象信息,季节信息等,用户可以根据自身需求,选择需要的参数形成特定的历史航迹数据集;
S102:根据历史航迹数据集生成历史航迹之间的欧氏距离矩阵;
在本实施方式中,欧式距离矩阵的生成方法包括将历史航迹数据集中每条历史航迹的AIS数据点进行排序;
通过动态时间规整算法(即DTW算法)遍历历史航迹之间的最佳对齐方式;
生成历史航迹之间的最佳对齐方式下的欧氏距离矩阵。
如图3所示,在本实施方式中,利用DTW算法进行不同航迹间AIS数据点匹配时,每个航迹中的数据点不需要严格按位置进行对齐比较,依据历史航迹中AIS数据点的排序,搜寻两条航迹间数据点的最佳对齐方式,进而求出航迹之间的最小欧式距离。轨迹1和轨迹2之间存在时间维度下的局部轨迹缩放重合。如果按照“一对一”点匹配原则,两条轨迹的相似性并不明显;但是如果按照“一对多”点匹配原则,轨迹1和轨迹2具有一定的相似性。运用动态规划的思想,搜寻两条轨迹的最优规整路径,计算轨迹间的累计距离作为航迹间的距离。
基于DTW算法计算航迹间的距离矩阵可以包括:基于AIS的船舶航行的历史轨迹集合表示为,i代表历史航迹的顺序号;n为所有航迹的总个数;ti为第i个船舶历史航迹。以航迹m和n的欧式距离计算为例,航迹m和航迹n的欧式距离定义为dmn。基于DTW算法计算所有航迹间的欧式距离矩阵为D,公式定义为:
其中,欧式距离矩阵对角线上的值为0,代表航迹自身之间没有距离。
在本申请的其中一个实施方式中,计算历史航迹之间的相似度还可以使用欧式距离法、动态时间扭曲(DTW)法、编辑距离(ERP)法,欧式距离法、动态时间扭曲(DTW)法、编辑距离(ERP)法及本申请使用的动态时间规整法均可以实线历史航迹相似度度量的全局匹配,而基于实际情况,也可以通过其它方法将进行航迹的局部匹配,例如最长公共子序列(LCSS)法、K最佳连接路径(K-BCT)法、弗雷歇距离法、基于临近点的轨迹互补(CATS)法等算法实线,如果是基于轨迹段的相似度匹配,也可以使用最小边界矩形(MBR)法、单项距离(OWD)法、豪斯多夫距离法、最近点匹配法等等,此处不再赘述。
S103:基于欧式距离矩阵对历史航迹数据集进行层次聚类;
在本实施方式中,对历史航迹数据集进行层次聚类是指将观测到的航迹集合按一定的规则划分为不同的类别或簇,形状相似的航迹被划分为同一类,不相似的被划分为其他类。层次聚类包括自底向上的凝聚层次聚类和自顶向下的分裂层次聚类。本申请利用凝聚层次聚类实现航迹的聚类过程,以单个航迹为起始簇,按照航迹间的距离逐步聚合距离最近的簇,直到满足一定的聚类条件终止聚合过程。
在本申请的一种实施方式中,聚类方法还可以使谱聚类、k-means聚类、DBSCAN聚类等。
在本实施方式中,假定聚类的航迹总个数为n,基于DTW距离矩阵的大小为,基于最小DTW距离的航迹凝聚层次聚类可以包括以下步骤:
步骤S1:将每条所述历史航迹初始化为一个聚类簇;
步骤S2:通过欧氏距离矩阵得到距离最近的两个聚类簇,将距离最近的两个聚类簇合并为一个聚类簇,所述聚类簇之间的距离为两个聚类簇之间平均距离最小的两条历史航迹之间的平均距离;
步骤S3:计算合并后的新聚类簇与其它聚类簇之间的平均距离,将距离最近的两个聚类簇合并为一个聚类簇;
步骤S4:重复步骤S2-S3,直到聚类簇的数量达到目标聚类簇数量。
步骤S104:通过平均轮廓系数评价若干个所述凝聚层次聚类结果,得到最佳聚类簇数量;
在本实施方式中,采用轮廓系数(Silhouette Coefficient, SC)评价层次聚类的结果,以此确定最佳的航迹聚类簇数。轮廓系数综合考虑了簇内聚度和簇间分离度两方面因素影响,取值范围在[-1,1]之间。取值越接近1,说明航迹簇的聚类效果越好;取值越接近-1,代表航迹簇的聚类效果越糟糕。
将一条航迹p的轮廓系数s(p),则
其中,b(p)为历史航迹p与其它聚类簇之间的分离度,a(p)为历史航迹p与所在聚类簇内其它历史航迹之间的内聚度。内聚度即航迹p与其簇内其他航迹之间的平均距离记为a(p),a(p)越大代表航迹p与簇内其他航迹越不相似,a(p)越小代表航迹p与簇内其他航迹越相似。因此,a(p)代表航迹p的簇内的内聚度。航迹p与其余簇内所有航迹的平均距离记为bpq,代表航迹p与航迹簇cq的不相似度值。航迹p的簇间不相似度度记为b(p),。为了更全面地评价所有航迹的聚类情况,实际应用中采用平均轮廓系数Savg确定最佳聚类簇数,定义如下:
其中,实验中观测到的所有航迹的总个数记为n。直观上,增加聚类的簇数能够进一步提高平均轮廓系数,但实际应用中不会单纯地追求Savg最大作为最佳聚类簇数,而是将其作为聚类效果的量化评价指标,不断提高聚类质量,即当聚类簇内的历史航迹的内聚度小于预设的内聚度阈值,且相邻所述聚类簇之间的分离度大于预设的分离度阈值时,选取对应平均轮廓值最大的聚类簇数量作为最佳聚类簇数量。
S105:根据所述欧式距离矩阵获取每个聚类簇内的典型航迹。
在本实施方式中,层次聚类后的一簇历史观测航迹中,最能代表本簇航迹的一条航行轨迹叫做该簇的典型航迹。基于DTW距离矩阵的典型航迹,意味着此条航迹与本簇内的其他航迹的相似度最高,即与其他航迹间的平均距离最小。假定某类航迹簇为ψ,包含M条观测到历史航迹数据集合:;Ti为属于航迹簇ψ的一条历史航迹。基于DTW算法计算任意两条航迹间的空间相似性,计算得到任意两条航迹间的DTW距离D(Ti,Tj )。对航迹簇ψ内所有航迹进行DTW的距离计算,生成一个M×M的DTW距离矩阵。基于DTW距离矩阵,计算每个航迹与簇内其他航迹间的平均距离,选择与其他航迹间平均距离最小的TAvgMin作为航迹簇ψ的典型航迹。
本申请另一方面还提供一种航线规划装置,包括:
数据采集模块,用于采集历史航迹数据并转换为标准航迹数据集;
数据处理模块,用于生成历史航迹之间的欧氏距离矩阵;
聚类模块,用于根据欧氏距离矩阵和预设的聚类簇数量的集合,获取最佳聚类簇数;
航迹生成模块,用于提取每个聚类簇内的典型航迹作为规划的航迹。
本实施方式中提供的装置是用于执行上述方法实施例的,具体流程和详细内容参考上述实施例,此处不再赘述。
本申请实施例还公开一种计算机设备。
计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上述的xx方法。
本申请实施例还公开一种计算机可读存储介质。
计算机可读存储介质,存储有能够被处理器加载并执行如上述的xx方法中任一种方法的计算机程序。
其中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用;计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
由上可见,本申请提供的技术方案可以根据出发港口和目的港口自动搜集相关历史航迹数据并进行标准化处理,然后基于动态时间规整算法,运用动态规划的思想,搜寻两条轨迹的最优规整路径,计算轨迹间的累计距离作为航迹间的距离,可以准确判断出船舶航行轨迹的相似性,从而避免了人工干预的针对世界不同海域、不同气象状况下的标记,从提取关键点连线为规划航线,转变为提取历史航迹并进行聚类处理,且在这个过程中引入了轮廓系数,能够对聚类结果做出理想的评价,最终给出可行性较高的航线路径,完成航线路径的自动规划。可以预见的,本申请提出的技术方案可以归纳为一个新的技术模型,通过采集历史数据,对历史数据进行聚类处理,然后采用轮廓系数对聚类结果进行评价,得到较为理想的聚类方案,然后从聚类中提取或整合为输出的结果,不仅可以应用于船舶航线的规划和预测,也可以应用于飞机航线、公共交通、打车、外送等技术领域,实现路径的自动规划,只需要简单的调整相应的距离矩阵算法及评价系数,就可以极大的提高业务处理的效率和输出结果的准确性。
实施例一:如图2所示,一种航线规划实例,包括以下步骤:
用户登录航线规划软件,设定起始港口为澳大利亚黑德兰港,目的港口设定为中国日照港,点击搜索,然后下载搜索到的14条历史航迹数据的Excel文件,作为航线聚类的原始轨迹数据。
通过软件的Python解析程序,从14个航迹数据Excel文件中提取船位报告时间、经度、维度等信息。组合以上14组数据并添加列名到DataFrame中,作为历史航迹数据集。
14条历史航迹数据包括航次任务开始时间、轨迹点的位置信息(包括:经度、纬度)。表1从四个维度展示14条历史航迹的基本情况:航次任务开始时间、航迹点总个数、经纬度范围。航次任务开始时间,最早开始于2020年1月12日,最晚开始于2022年6月14日,时间跨度约为2年半。干散货船舶满载货物从澳大利亚黑德兰港口到中国日照港口的平均航行时间约为13天左右,航海里程约为3520海里。航迹点总个数,最少点数为201,最多点数为1177。由于客观环境及卫星AIS报告的实际情况,AIS船位报告时间间隔几分钟到几小时不等。最少点数的航迹平均每天上报约15个AIS船位信息,最多点数的航迹平均每天上报约91个AIS船位信息。历史航迹曲线的位置信息分布情况如下表1所示:
表1
航迹序号 | 开始时间 | 航迹点个数 | 经度范围 | 纬度范围 |
1 | 2020/5/10 12:38 | 307 | [118.41989,127.24997] | [-1.719182,8.816234] |
2 | 2022/1/5 12:26 | 456 | [116.674298,124.03055] | [-0.385453,9.827922] |
3 | 2021/10/20 2:30 | 550 | [116.612465,123.92642] | [-1.263672,8.787982] |
4 | 2022/5/8 1:28 | 1177 | [118.418333,127.745] | [-0.023333,9.956667] |
5 | 2020/6/12 12:31 | 216 | [115.75602,124.11596] | [-0.111997,35.35934] |
6 | 2020/8/7 23:48 | 260 | [115.546906,124.24964] | [-0.150585,35.35918] |
7 | 2020/1/12 10:09 | 354 | [118.41773,127.24897] | [-10.041379,7.022353] |
8 | 2022/6/14 9:37 | 1002 | [115.706667,123.938513] | [-0.000252,9.938333] |
9 | 2021/11/18 0:48 | 608 | [118.420817,127.890767] | [-0.012533,9.8541] |
10 | 2021/2/6 3:14 | 309 | [116.65026,124.012535] | [-19.942696,35.359085] |
11 | 2021/3/29 21:53 | 201 | [115.71826,124.07897] | [-0.76683,35.35573] |
12 | 2020/2/11 9:41 | 252 | [118.42009,127.83705] | [-10.008362,4.398686] |
13 | 2021/11/4 20:02 | 667 | [115.703967,123.91185] | [-0.125483,9.412183] |
14 | 2020/2/7 6:48 | 343 | [118.41704,127.393456] | [-10.202784,7.631146] |
如图4所示,从黑德兰港港口到日照港口的航线呈现一定分布规律,但不是简单的一种航行路线,因此需要对两条明显存在区别的航线进行聚类,利用DTW距离矩阵分析航迹间的相似性,对14条历史航迹进行聚类,共计包含6702个轨迹点。
根据平均轮廓系数确定最佳聚类簇数。平均轮廓系数Savg越接近1聚类效果越佳。如图5所示,随着聚类簇数的增加,平均轮廓系数整体呈现先下降后上升的变化趋势。总体来看,增加聚类簇数有利于提高平均轮廓系数,当分类数与航迹总数相同时达到最大值1,分类数为4时平均轮廓系数最小,约为0.5567。实际应用中会综合考虑平均轮廓系数和聚类数目,并非一味追求高平均轮廓值。当聚类簇数设定为2时,平均轮廓系数约为0.8049。随后继续增大聚类簇数,当聚类簇数增加至11时,平均轮廓系数才会大于0.8049。按照聚类数应能展示航迹的分布规律和平均轮廓系数尽可能大的原则,本申请设定最佳聚类簇数为2,即将所有航迹划分为2类。如图6和图7所示,基于平均轮廓系数确定的最佳聚类簇数后,应用凝聚层次聚类算法对所有航迹进行分类的结果,其中第一类航迹簇包含6条历史航迹,第二类航迹簇包含8条历史航迹。采用本申请提出的基于DTW距离矩阵的凝聚层次聚类算法,能够将航行路线相似的历史轨迹归并为同一类,两类航迹簇均较为稠密,航迹簇内具有较高的内聚度,航迹簇间具有较大的分离度。
完成航迹簇的分类后,需要基于航迹簇内的DTW距离矩阵提取典型航迹。结合平均轮廓系数确定的航迹分类结果,对两类航迹簇分别计算簇内所有航迹间的DTW距离矩阵。基于簇内DTW距离矩阵,生成每条航迹与簇内其他航迹间的平均距离数组。两类航迹簇中各个航迹的簇内DTW平均距离如下表2所示,选取各类航迹簇中平均距离最小的航迹作为典型航迹。
表2
航迹分类 | 航迹顺序号 | 簇内航迹平均距离 |
1 | 1 | 50124.88193 |
1 | 4 | 81911.48898 |
1 | 9 | 55556.34577 |
1 | 12 | 46834.20421 |
1 | 14 | 36124.3379 |
1 | 2 | 29861.10942 |
2 | 3 | 34135.90664 |
2 | 5 | 46558.20512 |
2 | 6 | 42728.40634 |
2 | 7 | 33910.99683 |
2 | 8 | 64036.42387 |
2 | 10 | 38502.43632 |
2 | 11 | 33172.9678 |
2 | 13 | 48629.28933 |
如图8和图9所示,第一类航迹簇和第二类航迹簇中提取到的典型航迹为实线,其余航迹用虚线表示,典型航迹与同类航迹簇中的其他航迹最为相似,较好地反映了此类航迹簇的空间特点和航行规律,较有代表性地展示了两类航迹簇整体的变化趋势。
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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分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各实施例技术方案的精神和范围。
Claims (4)
1.一种航线规划方法,其特征在于,包括以下步骤:
根据历史航迹数据集生成历史航迹之间的欧氏距离矩阵;
将所述历史航迹数据集分为若干聚类簇,根据所述欧氏距离矩阵获取每个聚类簇内的典型航迹;
所述将所述历史航迹数据集分为若干聚类簇包括:
设定候选的聚类簇数量的集合;
通过凝聚层次聚类遍历所述聚类簇数量的集合,得到若干个凝聚层次聚类结果;
通过平均轮廓系数评价若干个所述凝聚层次聚类结果,得到最佳聚类簇数量;
根据最佳聚类簇数量将所述历史航迹数据集分为若干聚类簇;
所述欧氏距离矩阵的生成方法包括:
将历史航迹数据集中每条历史航迹的AIS数据点进行排序;
通过动态时间规整算法遍历历史航迹之间的最佳对齐方式,其中,利用动态时间规整算法进行不同航迹间AIS数据点匹配时,依据历史航迹中AIS数据点的排序,搜寻两条航迹间数据点的最佳对齐方式;生成历史航迹之间的最佳对齐方式下的欧氏距离矩阵;
所述凝聚层次聚类具体包括以下步骤:
步骤S1:将每条所述历史航迹初始化为一个聚类簇;
步骤S2:通过欧氏距离矩阵得到距离最近的两个聚类簇,将距离最近的两个聚类簇合并为一个聚类簇,所述聚类簇之间的距离为两个聚类簇之间平均距离最小的两条历史航迹之间的平均距离;
步骤S3:计算合并后的新聚类簇与其它聚类簇之间的平均距离,将距离最近的两个聚类簇合并为一个聚类簇;
步骤S4:重复步骤S2-S3,直到聚类簇的数量达到目标聚类簇数量;
所述根据所述欧氏距离矩阵获取每个聚类簇内的典型航迹包括:
通过欧氏距离矩阵,分别计算每个历史航迹与所在聚类簇内其它所有航迹之间各自的平均距离;
计算所述历史航迹与所在聚类簇内其它所有航迹之间的平均距离的平均值,记为航迹均值;选取每个聚类簇内航迹均值最小的历史航迹作为典型航迹;所述平均轮廓系数为每条历史航迹的轮廓系数的平均值,历史航迹p的轮廓系数s(p)的计算公式为:
其中,b(p)为历史航迹p与其它聚类簇之间的分离度,a(p)为历史航迹p与所在聚类簇内其它历史航迹之间的内聚度;
当所述聚类簇内的历史航迹的内聚度小于预设的内聚度阈值,且相邻所述聚类簇之间的分离度大于预设的分离度阈值时,选取对应平均轮廓值最大的聚类簇数量作为最佳聚类簇数量。
2.一种航线规划装置,应用权利要求1中所述的航线规划方法,其特征在于,包括:
数据采集模块,用于采集历史航迹数据并转换为标准航迹数据集;
数据处理模块,用于生成历史航迹之间的欧氏距离矩阵;
聚类模块,用于根据欧氏距离矩阵和预设的聚类簇数量的集合,获取最佳聚类簇数;
航迹生成模块,用于提取每个聚类簇内的典型航迹作为规划的航迹。
3.一种计算设备,其特征在于:包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1所述方法。
4.一种计算机可读存储介质,其特征在于:存储有能够被处理器加载并执行如权利要求1所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310840299.0A CN116592894B (zh) | 2023-07-11 | 2023-07-11 | 一种航线规划方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310840299.0A CN116592894B (zh) | 2023-07-11 | 2023-07-11 | 一种航线规划方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116592894A CN116592894A (zh) | 2023-08-15 |
CN116592894B true CN116592894B (zh) | 2023-12-26 |
Family
ID=87601165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310840299.0A Active CN116592894B (zh) | 2023-07-11 | 2023-07-11 | 一种航线规划方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116592894B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104931934A (zh) * | 2015-06-25 | 2015-09-23 | 中国船舶重工集团公司第七二四研究所 | 一种基于pam聚类分析的雷达点迹凝聚方法 |
CN106710312A (zh) * | 2016-12-30 | 2017-05-24 | 广州发展集团股份有限公司 | 一种用于内河船舶航迹监控的方法及系统 |
CN110188803A (zh) * | 2019-05-16 | 2019-08-30 | 南京图申图信息科技有限公司 | 基于出租车轨迹数据的出行时空模式识别方法与系统 |
CN112307286A (zh) * | 2020-11-09 | 2021-02-02 | 西南大学 | 一种基于并行st-agnes算法的车辆轨迹聚类方法 |
CN114373365A (zh) * | 2022-02-28 | 2022-04-19 | 西安富沃德光电科技有限公司 | 一种警用无人机的培训系统 |
CN114936332A (zh) * | 2022-05-31 | 2022-08-23 | 集美大学 | 一种风电场水域船舶交通流分析的方法、装置和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9568335B2 (en) * | 2015-01-30 | 2017-02-14 | Nissan North America, Inc. | Associating parking areas with destinations based on automatically identified associations between vehicle operating information and non-vehicle operating information |
-
2023
- 2023-07-11 CN CN202310840299.0A patent/CN116592894B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104931934A (zh) * | 2015-06-25 | 2015-09-23 | 中国船舶重工集团公司第七二四研究所 | 一种基于pam聚类分析的雷达点迹凝聚方法 |
CN106710312A (zh) * | 2016-12-30 | 2017-05-24 | 广州发展集团股份有限公司 | 一种用于内河船舶航迹监控的方法及系统 |
CN110188803A (zh) * | 2019-05-16 | 2019-08-30 | 南京图申图信息科技有限公司 | 基于出租车轨迹数据的出行时空模式识别方法与系统 |
CN112307286A (zh) * | 2020-11-09 | 2021-02-02 | 西南大学 | 一种基于并行st-agnes算法的车辆轨迹聚类方法 |
CN114373365A (zh) * | 2022-02-28 | 2022-04-19 | 西安富沃德光电科技有限公司 | 一种警用无人机的培训系统 |
CN114936332A (zh) * | 2022-05-31 | 2022-08-23 | 集美大学 | 一种风电场水域船舶交通流分析的方法、装置和存储介质 |
Non-Patent Citations (1)
Title |
---|
西藏县域交通可达性的时空压缩效应格局研究;余天玥,等;地域研究与开发;第41卷(第6期);26-30、43 * |
Also Published As
Publication number | Publication date |
---|---|
CN116592894A (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101551809B (zh) | 基于高斯混合模型分类的sar图像检索方法 | |
CN111192284A (zh) | 一种车载激光点云分割方法及系统 | |
CN110188093A (zh) | 一种基于大数据平台针对ais信息源的数据挖掘系统 | |
CN111104398B (zh) | 针对智能船舶近似重复记录的检测方法、消除方法 | |
KR20170058263A (ko) | 화물을 검사하는 방법 및 그 시스템 | |
CN116148808B (zh) | 一种基于点云描述符的自动驾驶激光重定位方法和系统 | |
CN111091095B (zh) | 一种遥感图像中船只目标的检测方法 | |
Zhang et al. | TARDIS: Distributed indexing framework for big time series data | |
CN107122439A (zh) | 一种视频片段查询方法及装置 | |
CN114067118A (zh) | 一种航空摄影测量数据的处理方法 | |
CN117725448A (zh) | 气象导航信号特征的聚类分析方法 | |
CN116310849A (zh) | 基于三维形态特征的树木点云单体化提取方法 | |
CN111860359A (zh) | 一种基于改进随机森林算法的点云分类方法 | |
CN116592894B (zh) | 一种航线规划方法、装置及存储介质 | |
CN116304213B (zh) | 基于图神经网络的rdf图数据库子图匹配查询优化方法 | |
Rabcan et al. | Classification by fuzzy decision trees inducted based on Cumulative Mutual Information | |
CN116244391A (zh) | 一种海量航迹目标典型阵位提取方法 | |
Maboudi et al. | Drone-based container crane inspection: concept, challenges and preliminary results | |
CN117235587A (zh) | 一种基于lightGBM的气象目标分类方法 | |
CN115719453A (zh) | 一种基于深度学习的水稻种植结构遥感提取方法 | |
Wu et al. | Classification of quickbird image with maximal mutual information feature selection and support vector machine | |
CN114020948B (zh) | 基于排序聚类序列辨别选择的草图图像检索方法及系统 | |
Yin et al. | Fuel efficiency modeling and prediction for automotive vehicles: A data-driven approach | |
CN113554072B (zh) | 一种飞行动作划分方法、计算机可读存储介质及终端设备 | |
CN110175656B (zh) | 基于城市群白货流量的提高列车编组效率的城市聚类模型 |
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 |