CN116701556A - 基于滑动窗口的内河船舶横驶行为语义检测方法及装置 - Google Patents
基于滑动窗口的内河船舶横驶行为语义检测方法及装置 Download PDFInfo
- Publication number
- CN116701556A CN116701556A CN202310584094.0A CN202310584094A CN116701556A CN 116701556 A CN116701556 A CN 116701556A CN 202310584094 A CN202310584094 A CN 202310584094A CN 116701556 A CN116701556 A CN 116701556A
- Authority
- CN
- China
- Prior art keywords
- ship
- track
- behavior
- inland
- data
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000005192 partition Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 4
- 230000006399 behavior Effects 0.000 description 163
- 238000011161 development Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G3/00—Traffic control systems for marine craft
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Ocean & Marine Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于滑动窗口的内河船舶横驶行为语义检测方法及装置，该方法包括：获取航道环境的空间坐标数据；获取内河船舶的AIS轨迹数据并进行预处理；基于航道环境的空间坐标数据以及预处理后的AIS轨迹数据，利用序列滑动窗口遍历船舶轨迹点，根据维数扩展的9交集模型DE‑91M计算船舶轨迹点和轨迹段与航道的空间拓扑关系，得到船舶拓扑行为语义关系集；构建内河船舶横驶行为语义的拓扑行为关系顺序规则，结合船舶拓扑行为语义关系集检测内河船舶横驶行为。本发明不仅从语义层面建立、识别和扩充表达船舶横驶行为语义，更能在数据层面实时的对船舶数据进行语义行为的提取、计算检测并且可视化，对水上交通实时的监管和辅助决策有明显帮助。
Description
技术领域
本发明属于船舶行为识别技术领域，具体涉及一种基于滑动窗口的内河船舶横驶行为语义检测方法及装置。
背景技术
近年来，大数据、人工智能领域逐渐兴起，而ChatGPT更是作为一种现象级的代表出现在AI领域，它作为一种人工智能技术驱动的自然语言处理工具，能够通过学习和理解人类的语言来进行对话，还能根据聊天的上下文进行互动，真正像人类一样来聊天交流，甚至能完成撰写邮件、视频脚本、文案、翻译、代码、写论文等任务。而人工智能化在交通运输研究领域其实早已悄然崛起，在汽车交通领域，比如比亚迪、特斯拉、小鹏等汽车研发的辅助驾驶系统，包括自动泊车、智能巡航、刹车、变道等功能的研究设计，正在逐渐向真正的人类一样驾驶的趋势靠拢。在水上交通领域，想要实现对船舶的辅助驾驶，对船舶行为的分析一直是研究的重点，为了实现像ChatGPT一样的人工智能，早已对船舶行为进行了面向知识的语义建模，继船舶行为语义建模之后，对船舶语义行为进行识别和储存甚至升级为高阶的船舶行为语义成为了当前水上交通领域发展的瓶颈，那如何在实时接收到AIS数据的情况下对船舶的高阶行为语义进行检测是当前船舶行为语义研究领域的一个问题。
船舶横驶行为语义是内河中船舶高阶交通行为语义中最典型的一种行为语义，另外，异常的横驶会反应一些意外或者违法情况，如船舶故障、违章航行等。船舶航行过程中，在地理情况复杂、交通密度大的情况下，每时每刻驾驶人员都需要分析处理大量的数据与事件才能做出相对正确的驾驶决策。然而，在关键的内河航道最容易出现交通复杂的情况，因此对内河船舶横驶行为语义的识别能够为船舶驾驶员加速处理信息的过程，起到辅助决策的作用，对水上监管人员来说更有助于对内河水上交通的监测，所以有必要自顶向下的落地解决这一问题。
目前基于行为语义建模进行识别的方法存在以下不足：第一，基于语义建模的方法主要是对理想情景里船舶行为进行的建模，但是在数据层面的船舶行为识别是存在一定的数据扰动的，需要在不影响后续对知识进行推理的前提下解决数据扰动的问题。第二，船舶拓扑行为语义的识别主要关注船舶本身和船舶与环境对象的关系，但船舶交通行为语义的定义不够全面，需要对每一个具体交通行为语义进行完善与改良来适应真实的航行场景。第三，对船舶交通行为语义的识别检测缺少实时性，只有实现对船舶行为语义的实时分析才能发挥其辅助决策和辅助监管的真正作用。
综上，从数据层面出发，在时间与空间维度上搭建框架，在不影响后续知识推理所需要数据含义的情况下解决数据扰动，对内河船舶横驶行为语义的关键特征含义不断进行完善扩充，建立对应的语义计算规则，设置满足检测内河船舶横驶行为语义条件的变尺度滑动序列窗口，以及实现在线检测交通行为语义功能都是亟待解决的问题。
发明内容
针对现有技术中存在的技术问题，本发明提供一种基于滑动窗口的内河船舶横驶行为语义检测方法及装置，从数据层面出发，将实时数据转化为语义知识，解决内河船舶横驶行为的语义检测问题。
为了实现上述目的，本发明所提供的技术方案为：
一种基于滑动窗口的内河船舶横驶行为语义检测方法，该方法包括以下步骤：
获取航道环境的空间坐标数据；
获取内河船舶的AIS轨迹数据并进行预处理；
基于获取的航道环境的空间坐标数据以及内河船舶预处理后的AIS轨迹数据，利用序列滑动窗口遍历船舶轨迹点，根据维数扩展的9交集模型DE-91M计算船舶轨迹点和轨迹段与航道的空间拓扑关系，得到船舶拓扑行为语义关系集；
构建内河船舶横驶行为语义的拓扑行为关系顺序规则，结合船舶拓扑行为语义关系集检测内河船舶横驶行为。
进一步的，该方法还包括步骤：
对检测出来的船舶内河横驶行为轨迹进行可视化，并标注其语义信息。
进一步的，将内河船舶的AIS轨迹数据采用流式数据的处理方式存入Kafka，利用Spark Streaming消费储存在Kafka中的船舶AIS轨迹数据。
进一步的，流式数据的处理方式是指将内河船舶的AIS轨迹数据消息精确一次的储存在同一主题的同一分区下，并且以船舶的mmsi码作为userid，以供后续消费。
进一步的，内河船舶的AIS轨迹数据包括船舶mmsi码、经纬度、时间、航向以及航速数据。
进一步的，预处理包括时间序列去重、异常值清洗、角度去噪、三点去噪以及去噪后插值；具体为：
对船舶的AIS轨迹数据按时间戳顺序排序，然后根据时间戳对轨迹数据进行去重，接着根据设置的AIS数据播发最小时间间隔、最大航速阈值和航向最大最小阈值进行异常值去除，再根据船舶连续三个轨迹点之间的转头率阈值、航速的加速度差阈值以及连接三个轨迹点判断角度变化与角度阈值进行三点去噪和角度去噪，最后对AIS轨迹数据做线性插值。
进一步的，滑动窗口设置条件包括：
滑动窗口内判断的前后连续轨迹点在时间序列上一定是连续有效的，并且滑动窗口判断的顺序是按照AIS轨迹数据的时间序列进行的；
滑动窗口根据获取的航道环境的空间坐标数据和船舶的AIS轨迹数据，锁定在目标水域范围内的船舶轨迹点和轨迹段与航道产生相应空间拓扑关系的船舶轨迹点来检测内河船舶横驶行为语义；
滑动窗口根据每个满足计算规则的横驶行为的时间和里程，在空间和时间上采用变尺度的方式进行滑动。
进一步的，拓扑行为语义关系是指因为船舶对象与航道对象间的拓扑交互关系不同而产生不同的拓扑行为语义关系，分为点-线关系、点-面关系、线-线关系和线-面关系；
将船舶抽象为点状对象，船舶轨迹抽象为线状对象，航道边界抽象为线状对象，航道区域抽象为面状对象；结合维数扩展的9交集模型DE-91M，计算船舶对象与航道对象间的空间关系矩阵，得到船舶拓扑行为语义关系集；其中：
点-线关系中，分为船舶不在线上(PL1)和船舶在线上(PL2)；
点-面关系中，分为船舶在航道区域内(PA1)、船舶在航道区域外(PA2)和船舶在航道边界线上(PA3)；
线-线关系中，分为船舶横穿航道边界线(LL1)、船舶的开始点和结束点均在航道边界线上(LL2)、船舶轨迹段的开始点在航道边界线上且结束点不在航道边界线上(LL3)、船舶的轨迹与航道边界线没有交集(LL4)和船舶沿着航道边界线行驶(LL5)；
线-面关系中，分为船舶横穿某一航道区域(LA1)、船舶靠着某一航道区域航行且部分轨迹与航道边界相切(LA2)、船舶在航道区域外航行(LA3)、船舶驶进或驶出某一航道区域(LA4)和船舶在某一航道区域内航行(LA5)。
进一步的，首先判断船舶轨迹点i在目标区域内(PA1)或者船舶轨迹点i在目标区域边界线上(PA3)，这是对目标区域内船舶进行横驶行为语义检测的先决条件；
内河船舶横驶行为语义的拓扑行为关系顺序规则包括：
(1)船舶的航迹段i和后续轨迹段i+j与航道的左右边界线依次产生横穿拓扑行为关系(LL1)；
(2)船舶的航迹段i驶入航道区域(LA4)，轨迹段i到轨迹段i+j之间的轨迹点都位于航道区域之内(PA1)，航迹段i+j驶出航道区域(LA4)；
(3)船舶的航迹点依次为：在航道一侧区域(PA1)、在航道区域内或者多个连续航迹点在航道区域内(PA1)和在航道另一侧区域(PA1)；
(4)船舶的航迹段i与航道的两侧边界线同时产生横穿拓扑行为关系(LL1)；
(5)船舶的航迹点直接按顺序在航道一侧区域(PA1)和在航道另一侧区域(PA1)；
(6)船舶的轨迹点在航道一侧区域(PA1)，然后进入航道另一侧区域(LA4)；
(7)船舶的开始点在航道的一侧边界线、结束点不在航道的一侧边界线的轨迹段i(LL3)，并且轨迹段i横穿航道的另一边界线(LL1)；
(8)船舶的轨迹点的开始点在航道一侧边界线(PL2)，结束点在航道另一侧边界线(PL2)，并且轨迹段内的轨迹点全在航道区域内(PA1)。
一种用于实现上述中任意一项所述的基于滑动窗口的内河船舶横驶行为语义检测方法的基于滑动窗口的内河船舶横驶行为语义检测装置，包括电源、AIS数据接口、用户接口、电路板、数据处理模块、语义标签库模块、拓扑行为语义关系识别模块、高阶语义计算模块以及服务端；
电源用于供电，电路板用于安装数据处理模块、语义标签库模块、拓扑行为语义关系识别模块和高阶语义计算模块，AIS数据接口用于引入内河船舶的AIS轨迹数据，数据处理模块用于对内河船舶的AIS轨迹数据进行预处理，语义标签库模块用于储存和调用航道环境的空间坐标数据，拓扑行为语义关系识别模块用于得到船舶拓扑行为语义关系集，高阶语义计算模块用于根据内河船舶横驶行为语义的拓扑行为关系顺序规则检测内河船舶横驶行为，用户接口用于输出内河船舶横驶行为语义，服务端用于调用内河船舶横驶行为并且进行可视化。
本发明与现有技术相比，具有以下优点及有益效果：
本发明不仅从语义层面建立、识别和扩充表达船舶横驶行为语义，更能在数据层面实时的对船舶数据进行语义行为的提取、计算检测并且可视化，对水上交通实时的监管和辅助决策有明显帮助。
附图说明
图1为本发明提供的基于滑动窗口的内河船舶横驶行为语义检测方法流程图；
图2为本发明提供的AIS数据在线处理的流程示意图；
图3为本发明提供的内河船舶横驶行为语义示意图；
图4为本发明提供的内河船舶横驶行为语义检测算法流程图；
图5为本发明提供的内河船舶横驶行为语义在线计算检测的装置示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例一
本实施例的基于滑动窗口的内河船舶横驶行为语义在线检测方法，如图1所示，包括以下步骤：
步骤一、采取中国长江的武汉长江大桥桥区附近作为研究实例，选择长江电子海图，标绘获取武汉长江大桥桥区对象(简称桥区)、航道环境对象(简称地理环境)的空间坐标数据，通过装置实时采集内河船舶对象(简称船舶)的AIS轨迹的流式数据。
步骤二、将待处理的AIS数据存入Kafka开始进行在线解码、写入。
步骤三、利用Spark Streaming消费储存在Kafka中的船舶AIS数据，并且进行对AIS数据的预处理以及后续操作。
步骤四、结合空间坐标点筛选该桥区区域内的AIS轨迹数据，对原始AIS轨迹数据进行去重、异常值清洗、去噪以及去噪后插值预处理。
步骤五、基于预设一定条件下的滑动窗口，对滑动窗口下的连续轨迹点与桥区、航道环境坐标点进行对比获得拓扑行为关系，并储获得的船舶拓扑行为语义关系集。
内河船舶横驶行为语义是由拓扑行为语义组成的。拓扑行为语义是指因为船舶对象与内河航行地理环境对象间的拓扑交互关系不同而产生不同的拓扑行为语义关系；根据船舶对象与内河航行地理环境对象之间的拓扑关系可分为点-线关系、点-面关系、线-线关系、线-面关系。
在本发明中，船舶表示为点对象，航行地理区域对象中的桥区区域对象边界以及桥区内航道对象边界表示为线对象，航行地理区域对象中的桥区区域对象以及航道对象表示为面对象。
结合9交叉模型(DE-91M)，可参考公开号为CN114550497A，名称为一种船舶行为的语义计算方法及装置的专利，提取拓扑行为语义关系包括点-线关系、点-面关系、线-线关系、线-面关系。在实际操作计算中，本实施例以PyCharm作为开发环境，通过引入shaply库计算点、线、面之间的交集矩阵，然后将交集矩阵转化为本发明中的拓扑行为语义：
点-线关系中，分为船舶不在线上(PL1)和在线上(PL2)；
点-面关系中，分为船舶在桥区、航道内(PA1)、船舶在桥区、航道外(PA2)和船舶在桥区、航道区域边界线上(PA3)；
线-线关系中，分为船舶横穿航道边界线(LL1)、船舶的开始点和结束点均在航道边界上(LL2)、船舶轨迹段的开始点在航道边界上，结束点不在航道边界上的线唯一相交的拓扑行为关系(LL3)、船舶的轨迹与航道边界没有交集(LL4)、船舶沿着航道边界行驶(LL5)；
线-面关系中，分为船舶横穿了某一航道区域(LA1)、船舶靠着某一航道区域航行且部分轨迹与航道边界相切(LA2)、船舶在航道区域外航行(LA3)、船舶驶进或驶出某一航道区域(LA4)、船舶在某一航道区域内航行(LA5)。
步骤六、基于预设的内河船舶横驶行为语义计算引擎，对其拓扑行为语义关系集进行计算，判断得到更高阶的内河船舶横驶行为语义并储存在数据库。
船舶的内河横驶行为语义不仅是由拓扑行为语义组成的，更是由特定顺序的拓扑行为语义构建的一种高阶行为语义。根据上述计算提取的拓扑行为语义关系建立拓扑行为语义关系集，首先判断船舶轨迹点i在桥区区域内(PA1)或者船舶轨迹点i在桥区区域对象边界线上(PA3)，这是对指定区域内所有船舶进行横驶行为语义检测的先决条件。
本发明中，满足内河船舶横驶行为语义的拓扑行为关系顺序规则包括：
船舶的航迹段i和后续轨迹段i+j与航道的左右边界线依次产生横穿拓扑行为关系(LL1)；
船舶的航迹段i驶入航道区域(LA4)，轨迹段i到轨迹段i+j之间的轨迹点都位于航道区域之内(PA1)，航迹段i+j驶出航道区域(LA4)；
船舶的航迹点依次为：在航道一侧区域(PA1)、在航道区域内或者多个连续航迹点在航道区域内(PA1)和在航道另一侧区域(PA1)；
船舶的航迹段i与航道的两侧边界线同时产生横穿拓扑行为关系(LL1)；
船舶的航迹点直接按顺序在航道一侧区域(PA1)和航道另一侧区域(PA1)；
船舶的轨迹点在航道一侧区域(PA1)，然后进入航道另一侧区域(LA4)；
船舶的开始点在航道的一侧边界线、结束点不在航道的一侧边界线的轨迹段i(LL3)，并且轨迹段i横穿航道的另一边界线(LL1)；
船舶的轨迹点的开始点在航道一侧边界线(PL2)，结束点在航道另一侧边界线(PL2)，并且轨迹段内的轨迹点全在航道区域内(PA1)。
步骤七、对检测出来的船舶内河横驶行为轨迹进行可视化并标注其语义信息。
将上述识别的内河船舶横驶行为语义规则储存在专业语料库，计算得到的更高阶的内河船舶横驶行为语义后，储存与可视化相应的轨迹段，根据对应AIS数据和空间坐标使用Folium包进行可视化，并且标识出横驶行为语义。
在本实施例中，选择长江电子海图，标绘获取武汉长江大桥桥区、航道环境对象(简称地理环境)的空间坐标数据，装置采集内河船舶对象(简称船舶)的AIS轨迹流式数据，解码获取船舶mmsi码(Maritime Mobile Service Identify，水上移动通信业务标识码)、经纬度、时间、航向、航速数据并存入Kafka；结合空间坐标数据筛选需要的该桥区内的AIS轨迹数据，使用Spark Streaming从Kafka中消费存储的缓存AIS轨迹数据，然后对AIS轨迹数据进行预处理，包括时间序列去重、异常值清洗、角度去噪、三点去噪以及去噪后插值等预处理。
在本实施例中，检测内河船舶横驶行为语义的滑动窗口设置条件：
滑动窗口内判断的前后连续轨迹点在时间序列上也一定是连续有效的，并且滑动窗口判断的顺序是严格按照AIS轨迹数据的时间序列进行的；
滑动窗口根据获取的空间坐标和船舶AIS数据，锁定在该水域范围内的船舶轨迹点和线与航道产生相应拓扑关系的船舶轨迹点来检测内河船舶横驶行为语义；
滑动窗口会根据每个满足计算规则的横驶行为的时间和里程，在空间和时间上采用变尺度的一种方式进行滑动。横驶行为的时间和里程越大，滑动窗口的尺度越大。
所述装置包括电源、AIS数据接口、用户接口、电路板、数据处理模块、语义标签库模块、拓扑行为语义关系识别模块、高阶语义计算模块和服务端，由这三个模块建立船舶内河横驶行为语义计算引擎；
电源用于供电，电路板用于安装各模块，AIS数据接口用于引入外源AIS数据，数据处理模块对输入的AIS数据进行上述写入、消费、预处理，拓扑行为语义关系识别模块将预处理好的船舶AIS轨迹信息和语义标签库中标绘提取的空间语义信息根据9交叉模型(DE-91M)计算得到空间矩阵，并且进一步转换为船舶拓扑行为语义关系，高阶语义计算模块根据上述语义计算规则对获得的船舶拓扑行为语义关系集进行计算，实现内河船舶横驶行为语义的检测，用户接口用于输出内河船舶横驶行为语义，服务端用于调用储存的高阶语义行为并且进行可视化。
实施例二
本实施例的基于滑动窗口的内河船舶横驶行为语义在线检测方法，如图1和图2所示，包括以下步骤：
根据长江电子海图，标绘获取武汉长江大桥桥区、航道环境的空间坐标数据；
根据装置实时采集的内河船舶AIS轨迹数据，采用流式数据的处理方式存入Kafka以供消费计算；
根据时间序列去重、异常值清洗、三点去噪、角度去噪以及去噪后插值等预处理方法，对内河船舶AIS数据进行必要的数据清洗；
根据船舶与地理环境之间的拓扑行为语义关系的特征，结合获取的空间坐标和AIS数据，设置适合的滑动序列窗口依次计算受时间序列约束的拓扑行为语义关系，并且形成拓扑关系行为语义集；
根据更高阶的内河船舶横驶行为语义计算规则，设置船舶内河横驶行为语义计算引擎，通过内河船舶拓扑行为语义关系集计算检测高阶的内河船舶横驶行为语义，并且对内河船舶横驶行为的AIS数据进行储存。
基于已经储存的内河船舶横驶行为AIS数据集，对其进行可视化以及标注。
其中，提取空间坐标是指打开长江电子航道图(http://www.cjienc.cn)，选择武汉汉口区域，对武汉长江大桥上下游约2.5km范围的长江水道岸线以及长江航道、航标做手工标绘，根据获得的空间坐标在Pycharm中储存为语义标签数据库，方便在语义计算时直接根据语义信息进行调用。
对数据进行流式处理是指在使用装置接收长江内河船舶AIS信号时，将AIS数据消息(生产者)精确一次的储存在同一主题(Topic)的同一分区(Partition)下，并且以船舶的mmsi作为userid，以供后续服务端(消费者)进行消费。
对AIS数据进行预处理是指结合航道的地理交通特征，首先对船舶AIS数据根据时间戳进行排序，然后根据时间戳对数据去重，接着根据设置的AIS数据播发最小时间间隔、最大航速阈值、航向最大最小阈值进行异常值去除，再者根据船舶连续三个轨迹点之间的转头率(ROT)阈值、航速的加速度差阈值以及连接三个轨迹点判断角度变化与角度阈值进行三点去噪和角度去噪，最后对AIS数据做线性插值。
采用序列滑动窗口计算船舶拓扑行为语义关系是指在Pycharm开发环境中，引入shaply库，根据9交叉模型(DE-91M)中的空间关系矩阵，根据序列滑动窗口遍历船舶轨迹点，计算船舶轨迹点、段与环境坐标点、线、面的空间拓扑关系，并对应船舶拓扑行为语义关系设置语义标签。
内河船舶横驶行为语义引擎是指，以船舶拓扑行为关系为运算对象，以逻辑符号作为运算符，构建内河船舶的横驶行为语义计算规则，当序列滑动窗口中的船舶拓扑行为语义序列符合上述内河船舶横驶行为语义计算规则时，对其AIS数据进行提取储存和打语义标签。
对内河船舶横驶行为语义可视化是指在Pycharm开发环境中，引入Folium库，对已经储存的符合船舶横驶行为的AIS数据进行突出可视化，并且每隔1秒进行一次刷新。
实施例三
本实施例的内河船舶横驶行为语义的计算方法，如图1和图2所示，包括如下步骤：
步骤S1：接入船舶AIS轨迹数据，将数据动态字段精确一次写入到服务器中同一个主题“data”(Topic)同一分区(partition)中储存；
步骤S2：利用Spark Streaming从Kafka主题中消费并处理消息，用上述的预处理来处理AIS数据，调用语义标签数据库中的空间语义坐标，采用序列滑动窗口计算处理数据，首先得到船舶的拓扑行为语义关系集，然后根据计算规则检测高阶内河船舶横驶行为语义；
步骤S3：Spark Streaming将处理后的数据发送给数据库(database)储存为内河船舶横驶行为语义标签与AIS轨迹数据。
步骤S4：从数据库中调用横驶行为轨迹数据，在Pycharm开发环境中每秒使用一次Folium进行轨迹可视化。
步骤S1中，船舶的AIS轨迹数据的接入由本发明的装置实现，对AIS数据的解码写入、消费、预处理。AIS数据分为静态和动态类型的数据字段，本发明中主要用到AIS数据的动态字段，表1为本发明中AIS数据的动态字段类型说明表。
表1AIS数据的动态字段类型说明表
步骤S2中，预处理包括将数据按时间戳顺序排序，然后根据时间戳对轨迹数据进行去重，接着根据设置的AIS数据播发最小时间间隔、最大航速阈值、航向最大最小阈值进行异常值去除，再者根据船舶连续三个轨迹点之间的转头率(ROT)阈值、航速的加速度差阈值以及连接三个轨迹点判断角度变化与角度阈值进行三点去噪和角度去噪，最后对AIS数据做三次样条插值。
具体的，因为ASI技术标准规定:每分钟划分为2250个时间段。每个时间段可发布一条不长于256比特的信息，长于256比特的信息需增加时间段，所以关于AIS数据播发最小时间间隔没有明确定义，考虑到一般接收AIS数据的实用性，本实施例采取2s作为AIS数据播发最小时间间隔来保证数据的效率。
具体的，根据规定，船舶正常航行时，航速应遵守：
洪水期最高航速不得超过30km/h，枯水期不得超过25km/h。本发明将最大航速阈值设置为洪水期16.2kn，枯水期13.5kn。航向的最大阈值为360°，最小阈值为0°。
航速的加速度差为三点去噪中前后轨迹段i与j的加速度之差，公式为：
上述公式中，diffath为前后轨迹段的加速度差，distancei和distancej表示轨迹段i和j的距离长，t表示轨迹段的时间差。
转头率表示前后轨迹点的航向变化幅度，转头率计算公式为：
ROT＝diff_course/t
上述公式中，ROT为转头率，diff_course为航向差，t为轨迹段的时间差。
本发明综合考虑设定转头率(ROT)阈值为1.5，三点去噪中前后轨迹段加速度之差阈值为0.8。
具体的，空间语义坐标包括通过长江电子航道图标绘获取的桥区、航道各主要区域的顶点经纬度坐标以及航标坐标。
具体的，船舶对象与地理环境对象的关系主要是船舶对象与地理环境之间的拓扑交互关系，即船舶拓扑行为语义关系。结合图3来看，图3为本发明提供的内河船舶横驶行为语义示意图。将船舶抽象为点状对象，船舶轨迹抽象为线状对象，地理环境根据其不同的几何属性抽象为点线面三种，在原有的基于维数拓展的9交叉模型(DE-9IM)的基础上，按照对应的船舶与内河航道的空间拓扑行为关系顺序组成更高阶的内河船舶横驶行为语义。
维数扩展的9交集模型DE-91M的计算矩阵如下：
式中，表示A的内部，A°表示A的边界，A-表示A的外部区域，B同理；
维扩展9交集模型分别计算两个空间实体3个区域之间的交集，得出DIM的值；DIM值为0表示两者相交结果为点，DIM值为1表示两者相交结果为线，DIM值为2表示两者相交结果为面，DIM值为F表示两者相交为空集。每一种矩阵结果对应一种船舶拓扑行为语义关系。
更具体的，逻辑符号使用∩表示，其含义为并且，即两边条件同时满足，该算式才算成立，且得到相应的高级语义行为。
横越行为的示例可表示为：
traji+j，pointi，pointi+1，pointi+j，pointi+j+1
crossing＝{(traji＝Move)∩(RDE-9IM(traji，channel_lineleft)＝LA1)
∩(RDE-9IM(traji，channel_lineright)＝LA1)}
crossing＝{(RDE-9IM(pointi，channel_arealeft)＝PA1)
∩(RDE-9IM(pointi+1，channel_arearight)＝PA1)
∩(RDE-9IM(point_areai，channel)＝PA2)
π(RDE-9IM(pointi+1，channel_area)＝PA2)}
crossing＝{(traji＝Move)π(traji+j＝Move)∩(RDE-9IM(traji，channel_lineleft)＝LL1)
∩(RDE-9IM(traji+j，channel_lineright)＝LL1)}
crossing＝{point
＝pointi+1\pointi+2\...\pointi+j∩(RDE-9IM(traji，channel_area)＝LA4)
∩(RDE-9IM(point，channel_area)＝PA1)
∩(RDE-9IM(traji+j，channel_area)＝LA4)}
crossing＝{point
＝pointi+1\pointi+2\...\pointi+j∩(RDE-9IM(pointi，channel_arealeft)＝PA1)
∩(RDE-9IM(point，channel_area)＝PA1)
∩(RDE-9IM(pointi+j+1，channel_arearight)＝PA1)}
crossing＝{traji
＝Move∩(RDE-9IM(poihti，channel_arealeft)＝PA1)
∩(RDE-9IM(traji，channel_arearight)＝LA4)}
crossing＝{traji
＝Move∩(RDE-9IM(traji，channel_lineleft)＝LL3)
∩(RDE-9IM(traji，channel_lineright)＝LL1)}
crossing＝{point
＝pointi+1\poihti+2\...\poihti+jπ(RDE-9IM(poihti，channel_lineleft)＝PL2)
∩(RDE-9IM(poihti+j，channel_lineright)＝PL2)
∩(RDE-9IM(point，channel_area)＝PA1)}
式中，traji表示船舶开始横驶的轨迹段i，traji+j表示船舶继第i段轨迹后完成横驶的轨迹段i+j，poihti表示船舶开始横驶时仍在航道外的轨迹点i，pointi+1表示开始横驶时船舶在航道内的轨迹点i+1，pointi+j表示船舶完成横驶行为时前一个在航道内的轨迹点i+j，pointi+j+1表示船舶完成横驶行为时在航道外的轨迹点i+j+1。Move表示船舶在移动，而不是停留。
具体的，结合图4来看，图4为本发明提供的基于滑动序列窗口的内河船舶横驶行为语义检测算法流程图。算法中的流程为：
1、导入船舶AIS数据和航道空间语义数据；
2、利用pandas库将船舶AIS数据中的mmsi列提取并用pd.unique()形成船舶id列表；
3、遍历id列表，依次提取每条船的AIS动态数据，并且进行时间戳去重、去除异常值、角度去噪、三点去噪、线性插值等预处理。
4、建立序列滑动窗口，使得序列i＝0，使用while循环保证i不会大于船舶的数据行数，设置j＝i+1，形成序列窗口提取连续且不同序列长度的轨迹段，利用shaply库对提取的轨迹点、段与航道边界线、航道区域进行空间拓扑数学计算，将获得的空间矩阵转化为船舶拓扑行为语义，并且储存为一定顺序的船舶拓扑行为语义关系集。
5、将内河船舶横驶行为语义计算规则导入算法，筛选符合内河船舶横驶行为语义计算规则的船舶拓扑行为语义关系顺序集，并且将对应序列下的船舶AIS动态数据，并将其储存在横驶行为语义标签数据库。
实施例四
本发明还提供了一种基于序列滑动窗口的内河船舶横驶行为语义计算装置，如图5所示，该装置包括电源、AIS数据接口、用户接口、电路板、数据处理模块、语义标签库模块、拓扑行为语义关系识别模块、高阶语义计算模块和服务端，由这三个语义模块建立船舶内河横驶行为语义计算引擎；
AIS数据接口将外源AIS数据接入装置。
电路板上装置数据处理模块、语义标签库模块、拓扑行为语义关系识别模块和高阶语义计算模块。
数据处理模块对输入的AIS数据进行上述写入、消费、预处理工作，包括数据角度去噪，三点去噪，时间序列去重，线性插值等操作。
语义标签库模块用于储存和调用上述标绘获取的空间语义数据信息，包括对后续检测到的内河船舶横驶行为语义数据信息进行储存。
拓扑行为语义关系识别模块将预处理好的船舶AIS轨迹信息和语义标签库中标绘提取的空间语义信息根据9交叉模型(DE-91M)计算得到空间矩阵，并且进一步转换为船舶拓扑行为语义关系。
高阶语义计算模块根据上述语义计算规，以获得的船舶拓扑行为语义关系集为输入，进行计算，实现内河船舶横驶行为语义的检测，输出高阶的内河船舶横驶行为语义。
电源用于为上述装置的各个电路或器件供电。
用户接口用于输出内河船舶的横驶行为语义。
服务端用于调用储存的高阶语义行为并且进行可视化。
综上所述，本发明公开了一种基于滑动窗口的内河船舶横驶行为语义在线检测方法及装置，该方法包括：采取中国长江的武汉长江大桥桥区附近作为研究实例，选择长江电子海图，标绘获取武汉长江大桥桥区对象、航道环境对象的空间坐标数据，通过装置实时采集内河船舶对象的AIS轨迹数据，采用流式数据处理的方式，存入Kafka供Spark Streaming实时计算时消费，结合空间坐标点筛选该桥区区域内的AIS轨迹数据，对原始AIS轨迹数据进行时间序列去重、异常值清洗、三点去噪、角度去噪以及去噪后插值预处理；基于预设一定条件下的滑动窗口，对滑动窗口下的连续轨迹点与桥区、航道环境坐标点进行对比获得拓扑行为关系集，并且基于预设的内河船舶横驶行为语义计算引擎，对其拓扑行为关系集进行计算判断得到更高阶的内河船舶横驶行为语义并在线储存与可视化。本发明不仅从语义层面建立、识别和扩充表达船舶横驶行为语义，更能在数据层面实时的对船舶数据进行语义行为的提取、计算检测并且可视化，对水上交通实时的监管和辅助决策有明显帮助。
需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。
本领域的技术人员容易理解，以上仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于滑动窗口的内河船舶横驶行为语义检测方法，其特征在于，该方法包括以下步骤：
获取航道环境的空间坐标数据；
获取内河船舶的AIS轨迹数据并进行预处理；
基于获取的航道环境的空间坐标数据以及内河船舶预处理后的AIS轨迹数据，利用序列滑动窗口遍历船舶轨迹点，根据维数扩展的9交集模型DE-91M计算船舶轨迹点和轨迹段与航道的空间拓扑关系，得到船舶拓扑行为语义关系集；
构建内河船舶横驶行为语义的拓扑行为关系顺序规则，结合船舶拓扑行为语义关系集检测内河船舶横驶行为。
2.根据权利要求1所述的基于滑动窗口的内河船舶横驶行为语义检测方法，其特征在于，该方法还包括步骤：
对检测出来的船舶内河横驶行为轨迹进行可视化，并标注其语义信息。
3.根据权利要求1所述的基于滑动窗口的内河船舶横驶行为语义检测方法，其特征在于，将内河船舶的AIS轨迹数据采用流式数据的处理方式存入Kafka，利用Spark Streaming消费储存在Kafka中的船舶AIS轨迹数据。
4.根据权利要求3所述的基于滑动窗口的内河船舶横驶行为语义检测方法，其特征在于，流式数据的处理方式是指将内河船舶的AIS轨迹数据消息精确一次的储存在同一主题的同一分区下，并且以船舶的mmsi码作为userid，以供后续消费。
5.根据权利要求1所述的基于滑动窗口的内河船舶横驶行为语义检测方法，其特征在于，内河船舶的AIS轨迹数据包括船舶mmsi码、经纬度、时间、航向以及航速数据。
6.根据权利要求5所述的基于滑动窗口的内河船舶横驶行为语义检测方法，其特征在于，预处理包括时间序列去重、异常值清洗、角度去噪、三点去噪以及去噪后插值；具体为：
对船舶的AIS轨迹数据按时间戳顺序排序，然后根据时间戳对轨迹数据进行去重，接着根据设置的AIS数据播发最小时间间隔、最大航速阈值和航向最大最小阈值进行异常值去除，再根据船舶连续三个轨迹点之间的转头率阈值、航速的加速度差阈值以及连接三个轨迹点判断角度变化与角度阈值进行三点去噪和角度去噪，最后对AIS轨迹数据做线性插值。
7.根据权利要求1所述的基于滑动窗口的内河船舶横驶行为语义检测方法，其特征在于，滑动窗口设置条件包括：
滑动窗口内判断的前后连续轨迹点在时间序列上一定是连续有效的，并且滑动窗口判断的顺序是按照AIS轨迹数据的时间序列进行的；
滑动窗口根据获取的航道环境的空间坐标数据和船舶的AIS轨迹数据，锁定在目标水域范围内的船舶轨迹点和轨迹段与航道产生相应空间拓扑关系的船舶轨迹点来检测内河船舶横驶行为语义；
滑动窗口根据每个满足计算规则的横驶行为的时间和里程，在空间和时间上采用变尺度的方式进行滑动。
8.根据权利要求1所述的基于滑动窗口的内河船舶横驶行为语义检测方法，其特征在于，拓扑行为语义关系是指因为船舶对象与航道对象间的拓扑交互关系不同而产生不同的拓扑行为语义关系，分为点-线关系、点-面关系、线-线关系和线-面关系；
将船舶抽象为点状对象，船舶轨迹抽象为线状对象，航道边界抽象为线状对象，航道区域抽象为面状对象；结合维数扩展的9交集模型DE-91M，计算船舶对象与航道对象间的空间关系矩阵，得到船舶拓扑行为语义关系集；其中：
点-线关系中，分为船舶不在线上(PL1)和船舶在线上(PL2)；
点-面关系中，分为船舶在航道区域内(PA1)、船舶在航道区域外(PA2)和船舶在航道边界线上(PA3)；
线-线关系中，分为船舶横穿航道边界线(LL1)、船舶的开始点和结束点均在航道边界线上(LL2)、船舶轨迹段的开始点在航道边界线上且结束点不在航道边界线上(LL3)、船舶的轨迹与航道边界线没有交集(LL4)和船舶沿着航道边界线行驶(LL5)；
线-面关系中，分为船舶横穿某一航道区域(LA1)、船舶靠着某一航道区域航行且部分轨迹与航道边界相切(LA2)、船舶在航道区域外航行(LA3)、船舶驶进或驶出某一航道区域(LA4)和船舶在某一航道区域内航行(LA5)。
9.根据权利要求8所述的基于滑动窗口的内河船舶横驶行为语义检测方法，其特征在于，首先判断船舶轨迹点i在目标区域内(PA1)或者船舶轨迹点i在目标区域边界线上(PA3)，这是对目标区域内船舶进行横驶行为语义检测的先决条件；
内河船舶横驶行为语义的拓扑行为关系顺序规则包括：
(1)船舶的航迹段i和后续轨迹段i+j与航道的左右边界线依次产生横穿拓扑行为关系(LL1)；
(2)船舶的航迹段i驶入航道区域(LA4)，轨迹段i到轨迹段i+j之间的轨迹点都位于航道区域之内(PA1)，航迹段i+j驶出航道区域(LA4)；
(3)船舶的航迹点依次为：在航道一侧区域(PA1)、在航道区域内或者多个连续航迹点在航道区域内(PA1)和在航道另一侧区域(PA1)；
(4)船舶的航迹段i与航道的两侧边界线同时产生横穿拓扑行为关系(LL1)；
(5)船舶的航迹点直接按顺序在航道一侧区域(PA1)和在航道另一侧区域(PA1)；
(6)船舶的轨迹点在航道一侧区域(PA1)，然后进入航道另一侧区域(LA4)；
(7)船舶的开始点在航道的一侧边界线、结束点不在航道的一侧边界线的轨迹段i(LL3)，并且轨迹段i横穿航道的另一边界线(LL1)；
(8)船舶的轨迹点的开始点在航道一侧边界线(PL2)，结束点在航道另一侧边界线(PL2)，并且轨迹段内的轨迹点全在航道区域内(PA1)。
10.一种用于实现权利要求1至9中任意一项所述的基于滑动窗口的内河船舶横驶行为语义检测方法的基于滑动窗口的内河船舶横驶行为语义检测装置，其特征在于，包括电源、AIS数据接口、用户接口、电路板、数据处理模块、语义标签库模块、拓扑行为语义关系识别模块、高阶语义计算模块以及服务端；
电源用于供电，电路板用于安装数据处理模块、语义标签库模块、拓扑行为语义关系识别模块和高阶语义计算模块，AIS数据接口用于引入内河船舶的AIS轨迹数据，数据处理模块用于对内河船舶的AIS轨迹数据进行预处理，语义标签库模块用于储存和调用航道环境的空间坐标数据，拓扑行为语义关系识别模块用于得到船舶拓扑行为语义关系集，高阶语义计算模块用于根据内河船舶横驶行为语义的拓扑行为关系顺序规则检测内河船舶横驶行为，用户接口用于输出内河船舶横驶行为语义，服务端用于调用内河船舶横驶行为轨迹并且进行可视化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310584094.0A CN116701556A (zh) | 2023-05-19 | 2023-05-19 | 基于滑动窗口的内河船舶横驶行为语义检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310584094.0A CN116701556A (zh) | 2023-05-19 | 2023-05-19 | 基于滑动窗口的内河船舶横驶行为语义检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116701556A true CN116701556A (zh) | 2023-09-05 |
Family
ID=87842490
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310584094.0A Pending CN116701556A (zh) | 2023-05-19 | 2023-05-19 | 基于滑动窗口的内河船舶横驶行为语义检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116701556A (zh) |
-
2023
- 2023-05-19 CN CN202310584094.0A patent/CN116701556A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106816038B (zh) | 一种内河水域异常行为船舶自动识别系统及方法 | |
| CN112906830B (zh) | 一种基于ais大数据的船舶最优航线自动生成方法 | |
| CN113486726A (zh) | 一种基于改进卷积神经网络的轨道交通障碍物检测方法 | |
| CN110363115A (zh) | 基于ais轨迹数据的船舶作业异常半监督实时检测方法 | |
| Liu et al. | An efficient method for high-speed railway dropper fault detection based on depthwise separable convolution | |
| CN113553482B (zh) | 停留点识别和出行链构建系统、算法、设备及存储介质 | |
| CN115131393A (zh) | 轨迹预测方法、碰撞检测方法、装置、电子设备及介质 | |
| CN111062383A (zh) | 一种基于图像的船舶检测深度神经网络算法 | |
| CN112785030A (zh) | 船舶行为识别系统、方法和平台 | |
| CN112464951A (zh) | 一种基于物联网的渔业安全应急处置系统及方法 | |
| CN116257565A (zh) | 船舶异常行为检测方法 | |
| Lei et al. | Trajectory data restoring: A way of visual analysis of vessel identity base on optics | |
| Lu et al. | Historical AIS data-driven unsupervised automatic extraction of directional maritime traffic networks | |
| CN114550498B (zh) | 一种海量ais数据驱动的船舶偏离航道智能预警系统 | |
| CN115730263A (zh) | 一种船舶行为模式侦测方法及装置 | |
| CN111813877B (zh) | 一种航迹提取方法及装置 | |
| Xia et al. | Analysis of vessel anomalous behavior based on Bayesian recurrent neural network | |
| CN116612481B (zh) | 基于知识图谱和多元图像的电力设备缺陷识别方法及系统 | |
| CN116701556A (zh) | 基于滑动窗口的内河船舶横驶行为语义检测方法及装置 | |
| CN112836851A (zh) | 一种航线分级建库方法 | |
| CN117664122A (zh) | 一种船舶轨迹监控方法及系统 | |
| CN116484238A (zh) | 一种历史航迹网络构成识别规划方法及系统 | |
| Gao et al. | Modelling of ship collision avoidance behaviours based on AIS data | |
| CN116204518A (zh) | 一种基于tsh压缩和dbscan聚类的船舶轨迹分析方法 | |
| CN116359909A (zh) | 一种行驶轨迹确定方法 |
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 |