CN117592787A - 海上船舶安全风险预测方法、电子设备 - Google Patents
海上船舶安全风险预测方法、电子设备 Download PDFInfo
- Publication number
- CN117592787A CN117592787A CN202410056358.XA CN202410056358A CN117592787A CN 117592787 A CN117592787 A CN 117592787A CN 202410056358 A CN202410056358 A CN 202410056358A CN 117592787 A CN117592787 A CN 117592787A
- Authority
- CN
- China
- Prior art keywords
- time
- monitored
- space
- ship
- key
- 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 30
- 239000013598 vector Substances 0.000 claims abstract description 94
- 238000002372 labelling Methods 0.000 claims abstract description 25
- 230000003993 interaction Effects 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 16
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 3
- 101150080778 INPP5D gene Proteins 0.000 description 125
- 230000006399 behavior Effects 0.000 description 40
- 238000012544 monitoring process Methods 0.000 description 10
- 230000008676 import Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012502 risk assessment 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
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种海上船舶安全风险预测方法、电子设备,方法包括:针对目标海域上任一待监控船舶构建路径序列向量,所述路径序列向量包括若干个键值对,每个键值对的键为时刻,每个键值对的值为所述时刻时所述待监控船舶的航行特征值;基于时刻的相邻性,从所述路径序列向量依次确定出对应的两个键值对;基于每两个键值对对应时刻的覆盖时长以及每两个所述键值对的值,预测所述待监控船舶的时空预估矢量;基于所述时空预估矢量,构建所述任一待监控船舶的时空标注集合;基于所述目标海域上每两个待监控船舶对应的时空标注集合是否交叠,确定该两个待监控船舶碰撞的概率,从而整体上实现了对船舶碰撞风险的全面评估。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种海上船舶安全风险预测方法、电子设备。
背景技术
海上船舶安全风险预测方法可以应用于船舶交通密集的海域,如航道交叉口、港口附近等区域。在这些区域,船舶的航行轨迹交叉、交汇,存在碰撞风险。预测方法可以帮助船舶管理部门、船舶船东等相关方对船舶碰撞风险进行预测和评估,从而采取相应的措施降低碰撞风险。
现有技术通常只能提供船舶的位置和航行状态等基本信息,缺乏综合评估方法来预测碰撞风险,无法有效地对船舶碰撞风险进行全面评估。
发明内容
本申请的目的在于提出一种海上船舶安全风险预测方法、电子设备,用于解决或者缓解现有技术中存在的技术问题。
本申请实施例提供的技术方案如下:
一种海上船舶安全风险预测方法,其包括:
针对目标海域上任一待监控船舶构建路径序列向量,所述路径序列向量包括若干个键值对,每个键值对的键为时刻,每个键值对的值为所述时刻时所述待监控船舶的航行特征值;
基于时刻的相邻性,从所述路径序列向量依次确定出对应的两个键值对;
基于每两个键值对对应时刻的覆盖时长以及每两个所述键值对的值,预测所述待监控船舶的时空预估矢量;
基于所述时空预估矢量,构建所述任一待监控船舶的时空标注集合;
基于所述目标海域上每两个待监控船舶对应的时空标注集合是否交叠,确定该两个待监控船舶碰撞的概率。
一种电子设备,其包括:
一个或多个处理器;
计算机可读介质,配置为存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本申请任意实施例所述的方法。
本申请实施例中,通过针对目标海域上任一待监控船舶构建路径序列向量,所述路径序列向量包括若干个键值对,每个键值对的键为时刻,每个键值对的值为所述时刻时所述待监控船舶的航行特征值;基于时刻的相邻性,从所述路径序列向量依次确定出对应的两个键值对;基于每两个键值对对应时刻的覆盖时长以及每两个所述键值对的值,预测所述待监控船舶的时空预估矢量;基于所述时空预估矢量,构建所述任一待监控船舶的时空标注集合;基于所述目标海域上每两个待监控船舶对应的时空标注集合是否交叠,确定该两个待监控船舶碰撞的概率,构建路径序列向量:通过构建路径序列向量,包括航行特征值和时刻的键值对,可以全面记录船舶在不同时刻的航行状态和特征,而不仅仅是位置信息,从而更全面地了解船舶的航行情况。为此,基于路径序列向量,通过考虑时刻的相邻性和覆盖时长,预测船舶的时空预估矢量,使得预测考虑了船舶航行的动态变化,能够更准确地估计船舶的未来位置和状态。另外,基于时空预估矢量,构建待监控船舶的时空标注集合,进一步综合考虑船舶的航行特征和时空变化,可以更全面地描述船舶的航行情况。再者,通过对目标海域上每两个待监控船舶对应的时空标注集合是否交叠进行分析,可以确定两个待监控船舶碰撞的概率,综合考虑了船舶的航行轨迹、时空变化和碰撞风险,能够更准确地评估船舶碰撞的风险,从而整体上实现了对船舶碰撞风险的全面评估。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本申请实施例的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解,这些附图未必是按比例绘制的。附图中:
图1为本申请实施例一种海上船舶安全风险预测方法的流程示意图。
图2为本申请实施例一种海上船舶安全风险预测装置的结构示意图。
图3为本实施例电子设备的结构示意图。
图4为本实施例电子设备的硬件结构。
具体实施方式
为了使本领域的人员更好地理解本申请实施例中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,本领域普通技术人员所获得的所有其他实施例,都应当属于本申请实施例保护的范围。
图1为本申请实施例一种海上船舶安全风险预测方法的流程示意图。如图1所示,其包括:
S101、针对目标海域上任一待监控船舶构建路径序列向量。
本实施例中,所述路径序列向量包括若干个键值对,每个键值对的键为时刻,每个键值对的值为所述时刻时所述待监控船舶的航行特征值;
S102、基于时刻的相邻性,从所述路径序列向量依次确定出对应的两个键值对;
S103、基于每两个键值对对应时刻的覆盖时长以及每两个所述键值对的值,预测所述待监控船舶的时空预估矢量;
S104、基于所述时空预估矢量,构建所述任一待监控船舶的时空标注集合;
S105、基于所述目标海域上每两个待监控船舶对应的时空标注集合是否交叠,确定该两个待监控船舶碰撞的概率。
S106、基于该两个待监控船舶碰撞的概率,对该两个待监控船舶安全风险进行预测。
本申请实施例中,通过针对目标海域上任一待监控船舶构建路径序列向量,所述路径序列向量包括若干个键值对,每个键值对的键为时刻,每个键值对的值为所述时刻时所述待监控船舶的航行特征值;基于时刻的相邻性,从所述路径序列向量依次确定出对应的两个键值对;基于每两个键值对对应时刻的覆盖时长以及每两个所述键值对的值,预测所述待监控船舶的时空预估矢量;基于所述时空预估矢量,构建所述任一待监控船舶的时空标注集合;基于所述目标海域上每两个待监控船舶对应的时空标注集合是否交叠,确定该两个待监控船舶碰撞的概率,构建路径序列向量:通过构建路径序列向量,包括航行特征值和时刻的键值对,可以全面记录船舶在不同时刻的航行状态和特征,而不仅仅是位置信息,从而更全面地了解船舶的航行情况。为此,基于路径序列向量,通过考虑时刻的相邻性和覆盖时长,预测船舶的时空预估矢量,使得预测考虑了船舶航行的动态变化,能够更准确地估计船舶的未来位置和状态。另外,基于时空预估矢量,构建待监控船舶的时空标注集合,进一步综合考虑船舶的航行特征和时空变化,可以更全面地描述船舶的航行情况。再者,通过对目标海域上每两个待监控船舶对应的时空标注集合是否交叠进行分析,可以确定两个待监控船舶碰撞的概率,综合考虑了船舶的航行轨迹、时空变化和碰撞风险,能够更准确地评估船舶碰撞的风险,从而整体上实现了对船舶碰撞风险的全面评估。
可选地,所述针对目标海域上任一待监控船舶构建路径序列向量,包括:
获取所述待监控船舶的轨迹数据,并基于时间滑动窗从中提取所述航行特征值以及对应的时刻;
将所述航行特征值以及对应的时刻映射为键值对,以使得所述键值对的键为时刻,键值对的值为所述时刻时所述待监控船舶对应的航行特征值;
基于时刻的先后顺序,对所有的键值对进行拼接以构建路径序列向量。
在一具体应用场景中,针对目标海域上任一待监控船舶构建路径序列向量的示例性代码如下:
import numpy as np
import pandas as pd
# 假设已有了一个DataFrame,其中包含待监控船舶的轨迹数据
# 轨迹数据示例:时间戳、经度、纬度
# 轨迹数据示例:2023-03-15 08:00:00, 116.4083, 39.9042
# 轨迹数据示例:2023-03-15 08:10:00, 116.4111, 39.9033
# ...
trajectory_data = pd.DataFrame({
'timestamp': ['2023-03-15 08:00:00', '2023-03-15 08:10:00', '2023-03-15 08:20:00'],
'longitude': [116.4083, 116.4111, 116.4139],
'latitude': [39.9042, 39.9033, 39.9024]
})
# 基于时间滑动窗提取航行特征值(这里以速度为例)
def extract_features(trajectory_data, window_size):
features = []
for i in range(len(trajectory_data) - window_size + 1):
window = trajectory_data[i:(i + window_size)]
speed = (window['longitude'].diff() + window['latitude'].diff()) /window['timestamp'].diff().dt.total_seconds()
features.append((window['timestamp'].iloc[-1], speed)) # 使用滑动窗口的最后一个时间戳作为键值对的键
return features
# 提取航行特征值
window_size = 10 # 时间滑动窗的大小,可根据实际需求进行调整
features = extract_features(trajectory_data, window_size)
# 将航行特征值以及对应的时刻映射为键值对
feature_dict = {}
for feature in features:
timestamp, speed = feature
feature_dict[timestamp] =speed
# 基于时刻的先后顺序,对所有的键值对进行拼接以构建路径序列向量
path_sequence = []
current_timestamp = None
for timestamp in sorted(feature_dict.keys()):
if current_timestamp is not None:
path_sequence.append((current_timestamp, feature_dict[timestamp])) # 使用前一个时间戳作为路径序列向量的前一个元素
current_timestamp = timestamp
path_sequence = np.array(path_sequence) # 将路径序列向量转换为NumPy数组,以便进行后续计算和分析。
本实施例中,由于采用了时间滑动窗和路径序列向量,从而有效地提取待监控船舶的航行特征值,并将其映射为键值对形式,方便后续的路径序列向量构建。另外,通过时间滑动窗,可以在保证数据连续性的前提下,提取出更加精细的航行特征值,提高了监控效果。而路径序列向量将船舶的轨迹数据转化为向量形式,便于后续的机器学习等算法处理。
可选地,所述基于时刻的相邻性,从所述路径序列向量依次确定出对应的两个键值对,包括:
基于固定大小的时间窗口,在所述路径序列向量上滑动,并依次确定每个时间窗口内的相邻键值对;
如果位于同一时间窗内的两个键值对的时刻间隔小于等于时间窗口的大小,则判定该两个键值对是基于时刻相邻的键值对。
本实施例中,通过有效地对时间窗口内的相邻键值对进行识别和判定,从而实现对时间序列数据的有效处理和分析。通过使用固定大小的时间窗口,并在路径序列向量上进行滑动,确保对整个时间序列的覆盖和分析,同时能够准确捕捉相邻键值对的时刻间隔,从而有助于识别时间序列中密集的相邻事件,从而为后续的数据分析和挖掘提供了更为准确和可靠的基础。
可选地,所述基于每两个键值对对应时刻的覆盖时长以及每两个所述键值对的值,预测所述待监控船舶的时空预估矢量,包括:
确定每两个键值对对应时刻的覆盖时长内所述待监控船舶的最大速度以及最大加速度;
基于每两个键值对中的值,根据所述待监控船舶的最大速度以及最大加速度,预测所述待监控船舶的时空预估矢量。
可选地,所述基于每两个键值对中的值,根据所述待监控船舶的最大速度以及最大加速度,预测所述待监控船舶的时空预估矢量,包括:
对所述两个键值对中的值分别进行解析,以获取所述待监控船舶在所述两个键值对对应时刻分别具有的坐标位置、航行速度、航行方向;
基于所述待监控船舶的最大速度以及最大加速度,根据所述待监控船舶在所述两个键值对对应时刻分别具有的坐标位置、航行速度、航行方向进行航行行为的非线性拟合,以确定每两个键值对对应时刻的覆盖时长内任意一锚点与述待监控船舶在所述两个键值对对应时刻对应的航行特征值之间的非线性关系;
基于所述非线性关系,预测所述待监控船舶的时空预估矢量。
在一具体应用场景中,提供了一种如下的示例性代码以实现基于每两个键值对中的值,根据所述待监控船舶的最大速度以及最大加速度,预测所述待监控船舶的时空预估矢量:
import numpy as np
from scipy.optimize import curve_fit
# 假设已经从键值对中解析出了待监控船舶的坐标位置、航行速度、航行方向
# 示例数据:时刻、经度、纬度、速度、方向
data = {
'timestamp': ['2023-03-15 08:00:00', '2023-03-15 08:10:00'],
'longitude': [116.4083, 116.4111],
'latitude': [39.9042, 39.9033],
'speed': [5.0, 5.2],
'direction': [270, 271] # 方向转换为度数
}
# 非线性拟合函数,这里以速度和方向为例
def non_linear_fit(t, v, d):
return v * np.exp(-d / t) # 仅为示例,实际函数需要根据实际情况确定
# 对每个键值对进行非线性拟合
for i in range(len(data['timestamp']) -1):
t = data['timestamp'][i]
v = data['speed'][i]
d = data['direction'][i]
t_next = data['timestamp'][i+ 1]
v_next = data['speed'][i +1]
d_next = data['direction'][i+ 1]
# 计算覆盖时长内任意一锚点与待监控船舶在两个键值对对应时刻的航行特征值之间的非线性关系
x0 = (v, d) # 初始参数值,根据实际情况进行调整
popt, pcov = curve_fit(non_linear_fit,t, (v, d), p0=x0)
v_predicted = non_linear_fit(t_next, popt[0], d_next) # 使用拟合得到的参数预测下一个时刻的速度
d_predicted = d + (t_next - t) * np.tan(popt[1]) # 使用拟合得到的参数预测下一个时刻的方向
# 将预测结果存储到数据结构中,以便后续分析
data['speed'].append(v_predicted)
data['direction'].append(d_predicted)
本实施例中,通过对待监控船舶的航行数据进行非线性拟合和关系分析,从而实现对船舶的时空预估,以更准确地预测船舶的行为和位置,提高监控的效率和准确性。同时,通过对船舶的航行特征进行非线性拟合,可以更好地理解船舶的航行规律和趋势,为船舶管理和监控提供更多有用的信息。
可选地,所述基于所述时空预估矢量,构建所述任一待监控船舶的时空标注集合,包括:
对所述时空预估矢量进行离散化,并映射到一时空域上,以构建所述任一待监控船舶的时空标注集合。
可选地,所述对所述时空预估矢量进行离散化,并映射到一时空域上,以构建所述任一待监控船舶的时空标注集合,包括:
基于设定的空间分辨率对所述时空预估矢量进行离散化得到离散网格块;
在所述时空域上,对所述离散网格块进行归一化处理得到归一化范数向量;
基于所述归一化范数向量,构建所述任一待监控船舶的时空标注集合。
本实施例中,空间分辨率设定能够根据具体需求对时空预估矢量进行离散化,使得对船舶运动轨迹的监控更加精确和准确。再通过归一化处理能够将离散网格块进行统一处理,消除了不同尺度和单位的影响,使得对船舶运动轨迹的监控更加客观和可比较。进一步,构建时空标注集合能够基于归一化范数向量,对待监控船舶的运动轨迹进行标注,便于后续的分析和处理。
本实施例中,空间分辨率是指在空间领域中对数据进行处理时所能达到的精细程度,以实现对时空预估矢量进行离散化,即将连续的时空数据划分成离散的网格块,以便进行后续的处理和分析。具体的空间分辨率大小可以根据具体的应用场景和需求来设定。一般来说,空间分辨率越高,表示所能观测到的空间细节越丰富,但也会导致数据量增加和计算复杂度提高。相反,空间分辨率越低,则观测到的空间细节越少,但计算量和存储量会减少。因此,空间分辨率的大小需要根据具体的应用需求来进行合理的设定,以平衡数据精度、计算复杂度和存储需求之间的关系。例如,在船舶监控领域,可以根据需要监测的船舶数量、监测精度要求、计算资源等因素来确定合适的空间分辨率大小。
可选地,所述基于所述归一化范数向量,构建所述任一待监控船舶的时空标注集合,包括:
将所述归一化范数向量投影到船舶航向域上,以得到时空多面体;
基于所述时空多面体,构建所述任一待监控船舶的时空标注集合。
本实施例中,通过投影到船舶航向域上能够更加直观地表示船舶的运动轨迹,便于后续的分析和处理。进一步,基于时空多面体能够将归一化范数向量在船舶航向域上进行投影,从而形成一个多面体,表示船舶在时空域内的运动范围。这种表示方式能够更加全面地反映船舶的运动状态,便于后续的监控和分析。最后,基于时空多面体,构建时空标注集合能够更加全面地描述待监控船舶的运动轨迹和状态,便于后续的分析和处理。
可选地,所述基于所述时空多面体,构建所述任一待监控船舶的时空标注集合,包括:
基于所述时空多面体,对所述待监控船舶的航行行为进行标注得到多个航行行为标签;
对多个所述航行行为标签进行聚类,以得到所述待监控船舶的时空标注集合。
为此,综合考虑了船舶在时空域内的运动轨迹和状态,能够更加全面地描述船舶的航行行为,包括停泊、航行、停靠等多种行为。再通过聚类分析航行行为标签,可以将相似的航行行为归为一类,从而识别出不同类型的航行行为模式,有助于对船舶行为进行更深入的理解和分析。最后,基于聚类结果构建时空标注集合,能够为待监控船舶的航行行为提供更加清晰和全面的描述,有助于后续的船舶监控、预测。
可选地,所述对多个所述航行行为标签进行聚类,以得到所述待监控船舶的时空标注集合,包括:
获取初始聚类中心;
确定所述初始聚类中心与任一所述航行行为标签之间的密度可达距离;
基于所述密度可达距离,对多个所述航行行为标签进行密度可达处理,以得到所述待监控船舶的时空标注集合。
本实施例中,通过获取初始聚类中心并确定与航行行为标签之间的密度可达距离,能够更加准确地刻画不同航行行为之间的相似度和差异度,有助于提高聚类的准确性。另外,基于密度可达距离对航行行为标签进行处理,能够更好地发现航行行为标签之间的关联性和相似性,有助于识别出不同的航行行为模式。进一步基于通过密度可达处理,可以更好地理解船舶的航行行为,提高了船舶监控的精度和准确度。
本实施例中,通过密度可达距离来衡量数据点之间的密度可达关系,准确地发现航行行为标签之间的密度可达关系,从而实现聚类分析。密度可达距离比如可以是指从一个航行行为标签到初始聚类中心的可达距离,可达距离是指通过一系列相邻的航行行为标签所达到的距离。进一步基于密度可达距离的处理方法,可以通过计算航行行为标签之间的密度可达距离,发现航行行为标签之间的密度关系,从而实现聚类分析,从而更好地发现航行行为标签之间的聚类结构,识别出不同的时空标注集合。
在一具体应用场景中,提供了一种示例性代码以实现待监控船舶的时空标注集合的生成:
import numpy as np
from sklearn.cluster import KMeans
from sklearn.neighbors import NearestNeighbors
# 1. 将归一化向量投影到航向域,得到时空多面体X
X = ...
# 2. Kmeans聚类,得到航行行为标签
kmeans = KMeans(n_clusters=5).fit(X)
labels = kmeans.labels_
# 3. 获取初始聚类中心
centers = kmeans.cluster_centers_
# 4. 确定中心到标签的密度可达距离
neigh = NearestNeighbors(n_neighbors=2).fit(centers)
distances, indices = neigh.kneighbors(X)
# 5. 根据距离进行密度可达处理
reachable_labels = np.zeros_like(labels)
for i in range(len(labels)):
if distances[labels[i],1]<0.5:
reachable_labels[i]= labels[indices[i,1]]
else:
reachable_labels[i]= labels[i]
# 输出结果
print(reachable_labels)
可选地,所述的方法,还包括:
将每两个待监控船舶对应的时空标注集合分别抽象成一个空间对象;
基于每个空间对象,对对应的待监控船舶进行航行行为预测得到航行行为模式特征集;
对两个航行行为模式特征集进行相似性分析得到行为模式相似度,以判断该两个待监控船舶对应的时空标注集合是否交叠并进行重叠度估计。
在一具体应用场景中,提供了一种示例性代码以实现上述基于空间对象进行交叠判断的方案:
import numpy as np
from sklearn.metrics.pairwise import cosine_similarity
# 假设船舶1和船舶2的航行行为模式特征集
ship1_behavior_features = np.array([[0.2, 0.3, 0.5, 0.1], [0.1, 0.5,0.4, 0.2]])
ship2_behavior_features = np.array([[0.3, 0.2, 0.4, 0.1], [0.2, 0.4,0.3, 0.1]])
# 计算船舶1和船舶2的航行行为模式特征集的相似性
similarity_matrix = cosine_similarity(ship1_behavior_features, ship2_behavior_features)
# 计算平均相似度
average_similarity = np.mean(similarity_matrix)
# 输出结果
print("船舶1和船舶2的平均相似度为:", average_similarity)
本实施例中,通过把待监控船舶的时空标注集合抽象成空间对象,可以更好地描述船舶的运动状态和行为特征,提高了对船舶行为的理解和分析能力。另外,基于每个空间对象,对待监控船舶进行航行行为预测,可以更好地识别和预测船舶的行为模式,提高了对船舶行为的预测精度和准确性。最后,再对两个航行行为模式特征集进行相似性分析,可以更好地判断两个待监控船舶的时空标注集合是否交叠,并进行重叠度估计,提高了对船舶碰撞风险的评估和预测能力。
可选地,所述基于所述目标海域上每两个待监控船舶对应的时空标注集合是否交叠,确定该两个待监控船舶碰撞的概率,包括:
将所述重叠度估计转换为体素交互表达;
对所述体素交互表达进行量化交互,以确定该两个待监控船舶碰撞的概率。
本实施例中,通过将重叠度估计转换为体素交互表达,可以更直观地表示出待监控船舶的时空标注集合之间的交互情况,提高了对碰撞风险的理解和分析能力。进一步,通过对体素交互表达进行量化交互,可以更准确地确定待监控船舶碰撞的概率,提高了对碰撞风险的评估和预测能力,提高了海上交通的安全性和效率。通过对碰撞概率的量化分析,可以更好地指导船舶的航行规划和风险管理,提高了对船舶碰撞风险的控制能力。
可选地,所述将所述重叠度估计转换为体素交互表达,包括:
将所述重叠度估计投射到体素中两个节点上,并使得节点之间的连接表示体素之间的交互关系,并使用重叠度估计的幅值大小表示两个节点之间的连接强度,所述体素交互表达包括所述交互关系以及所述连接强度。
本实施例中,通过将重叠度估计投射到体素中两个节点上,可以更好地表示待监控船舶的时空标注集合之间的交互关系,提高了对碰撞风险的理解和分析能力。再进一步,通过使用重叠度估计的幅值大小表示两个节点之间的连接强度,可以更准确地表示体素之间的交互程度,提高了对碰撞风险的评估和预测能力。最后,通过形成一个体素交互表达,可以更好地描述待监控船舶之间的交互情况,提高了对碰撞风险的掌控能力。
可选地,所述对所述体素交互表达进行量化交互,以确定该两个待监控船舶碰撞的概率,包括:
对所述体素交互表达进行量化交互,得到两个待监控船舶在同一时间域和空间域的交叉体;
确定所述两个待监控船舶分别在所述交叉体中出现的联合概率,以作为该两个待监控船舶碰撞的概率。
本实施例中,可精确地确定待监控船舶在时间域和空间域的交叉情况,从而提高了对碰撞风险的分析和预测能力。再通过计算待监控船舶在交叉体中出现的联合概率,可以更准确地评估碰撞的可能性,为船舶交通管理机构和船舶船东提供更可靠的碰撞风险预测,从而帮助提前发现潜在的碰撞风险,有助于采取相应的措施来避免船舶碰撞事故,提高了海上交通的安全性。再者,通过量化交互并计算联合概率,可以更好地指导船舶的航行规划和风险管理,提高了对船舶碰撞风险的控制能力。
可选地,所述对所述体素交互表达进行量化交互,得到两个待监控船舶在同一时间域和空间域的交叉体,包括:统计所述体素交互表达的持续时间,以对所述体素交互表达进行时间重叠量化交互,得到两个待监控船舶在同一时间域下在空间域之间的交叉体。
本实施例中,通过统计体素交互表达的持续时间可以帮助确定船舶交互的时间跨度,从而更好地理解船舶之间的交互模式和持续时间,提高对碰撞风险的分析和预测能力。再者,通过对体素交互表达进行时间重叠量化交互,可以更准确地确定两个待监控船舶在同一时间域下在空间域之间的交叉情况,为碰撞风险的评估提供更精细的数据支持,帮助船舶交通管理机构和船舶船东采取相应的措施来避免碰撞事故,提高了海上交通的安全性。
可选地,所述确定所述两个待监控船舶分别在所述交叉体中出现的联合概率,以作为该两个待监控船舶碰撞的概率,包括:
根据所述两个待监控船舶单独在交叉体中出现的概率密度以及共同出现在交叉体中的概率,确定所述两个待监控船舶分别在所述交叉体中出现的联合概率,以作为该两个待监控船舶碰撞的概率。
本实施例中,通过概率密度的计算和联合概率的确定,可以更准确地评估船舶碰撞的可能性,为船舶交通管理和安全决策提供科学依据。再者,通过分析两个待监控船舶单独在交叉体中出现的概率密度以及共同出现在交叉体中的概率,可以更全面地理解船舶交互的情况,有助于提前发现潜在的碰撞风险,从而有助于船舶交通管理机构和船舶船东制定有效的碰撞预防措施,提高了海上交通的安全性和效率。
图2为本申请实施例一种海上船舶安全风险预测装置的结构示意图。如图2所示,其包括:
向量构建单元201,用于针对目标海域上任一待监控船舶构建路径序列向量。
本实施例中,所述路径序列向量包括若干个键值对,每个键值对的键为时刻,每个键值对的值为所述时刻时所述待监控船舶的航行特征值;
键值对确定单元202,用于基于时刻的相邻性,从所述路径序列向量依次确定出对应的两个键值对;
矢量预测单元203,用于基于每两个键值对对应时刻的覆盖时长以及每两个所述键值对的值,预测所述待监控船舶的时空预估矢量;
时空标注集合构建单元204,用于基于所述时空预估矢量,构建所述任一待监控船舶的时空标注集合;
碰撞概率计算单元205,用于基于所述目标海域上每两个待监控船舶对应的时空标注集合是否交叠,确定该两个待监控船舶碰撞的概率。
风险预测单元206,用于基于该两个待监控船舶碰撞的概率,对该两个待监控船舶安全风险进行预测。
上述图2实施例中,各个功能单元的示例性解释可参见上述图1实施例的记载。
图3为本实施例电子设备的结构示意图;该电子设备可以包括:
一个或多个处理器301;
计算机可读介质302,可以配置为存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述实施例所述的方法。
图4为本实施例电子设备的硬件结构;如图4所示,该电子设备的硬件结构可以包括:处理器401,通信接口402,计算机可读介质403和通信总线404;
其中处理器401、通信接口402、计算机可读介质403通过通信总线404完成相互间的通信;
可选地,通信接口402可以为通信模块的接口,如GSM模块的接口;
其中,处理器401具体可以配置为当所述一个或多个程序被执行,使得所述处理器实现如上述实施例所述的方法。
处理器401可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
计算机可读介质403可以是,但不限于,随机存取存储介质(Random AccessMemory,RAM),只读存储介质(ReadOnly Memory,ROM),可编程只读存储介质(ProgrammableRead-Only Memory,PROM),可擦除只读存储介质(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储介质(ElectricErasable Programmable Read-OnlyMemory,EEPROM)等。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含配置为执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读介质例如可以但不限于是电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储介质(RAM)、只读存储介质(ROM)、可擦式可编程只读存储介质(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储介质(CD-ROM)、光存储介质件、磁存储介质件、或者上述的任意合适的组合。在本申请中,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。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输配置为由指令执行系统、装置或者器件使用或者与其结合使用的程序。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。
可以以一种或多种程序设计语言或其组合来编写配置为执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络:包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个配置为实现规定的逻辑功能的可执行指令。上述具体实施例中有特定先后关系,但这些先后关系只是示例性的,在具体实现的时候,这些步骤可能会更少、更多或执行顺序有调整。即在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
作为另一方面,本申请还提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例所描述的方法。
在本公开的各种实施方式中所使用的表述“第一”、“第二”、“所述第一”或“所述第二”可修饰各种部件而与顺序和/或重要性无关,但是这些表述不限制相应部件。以上表述仅配置为将元件与其它元件区分开的目的。例如,第一用户设备和第二用户设备表示不同的用户设备,虽然两者均是用户设备。例如,在不背离本公开的范围的前提下,第一元件可称作第二元件,类似地,第二元件可称作第一元件。
当一个元件(例如,第一元件)称为与另一元件(例如,第二元件)“(可操作地或可通信地)联接”或“(可操作地或可通信地)联接至”另一元件(例如,第二元件)或“连接至”另一元件(例如,第二元件)时,应理解为该一个元件直接连接至该另一元件或者该一个元件经由又一个元件(例如,第三元件)间接连接至该另一个元件。相反,可理解,当元件(例如,第一元件)称为“直接连接”或“直接联接”至另一元件(第二元件)时,则没有元件(例如,第三元件)插入在这两者之间。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种海上船舶安全风险预测方法,其特征在于,包括:
针对目标海域上任一待监控船舶构建路径序列向量,所述路径序列向量包括若干个键值对,每个键值对的键为时刻,每个键值对的值为所述时刻时所述待监控船舶的航行特征值;
基于时刻的相邻性,从所述路径序列向量依次确定出对应的两个键值对;
基于每两个键值对对应时刻的覆盖时长以及每两个所述键值对的值,预测所述待监控船舶的时空预估矢量;
基于所述时空预估矢量,构建所述任一待监控船舶的时空标注集合;
基于所述目标海域上每两个待监控船舶对应的时空标注集合是否交叠,确定该两个待监控船舶碰撞的概率。
2.根据权利要求1所述的方法,其特征在于,所述针对目标海域上任一待监控船舶构建路径序列向量,包括:
获取所述待监控船舶的轨迹数据,并基于时间滑动窗从中提取所述航行特征值以及对应的时刻;
将所述航行特征值以及对应的时刻映射为键值对,以使得所述键值对的键为时刻,键值对的值为所述时刻时所述待监控船舶对应的航行特征值;
基于时刻的先后顺序,对所有的键值对进行拼接以构建路径序列向量。
3.根据权利要求1所述的方法,其特征在于,所述基于时刻的相邻性,从所述路径序列向量依次确定出对应的两个键值对,包括:
基于固定大小的时间窗口,在所述路径序列向量上滑动,并依次确定每个时间窗口内的相邻键值对;
如果位于同一时间窗内的两个键值对的时刻间隔小于等于时间窗口的大小,则判定该两个键值对是基于时刻相邻的键值对。
4.根据权利要求1所述的方法,其特征在于,所述基于每两个键值对对应时刻的覆盖时长以及每两个所述键值对的值,预测所述待监控船舶的时空预估矢量,包括:
确定每两个键值对对应时刻的覆盖时长内所述待监控船舶的最大速度以及最大加速度;
基于每两个键值对中的值,根据所述待监控船舶的最大速度以及最大加速度,预测所述待监控船舶的时空预估矢量。
5.根据权利要求1所述的方法,其特征在于,所述基于所述时空预估矢量,构建所述任一待监控船舶的时空标注集合,包括:
对所述时空预估矢量进行离散化,并映射到一时空域上,以构建所述任一待监控船舶的时空标注集合。
6.根据权利要求5所述的方法,其特征在于,所述对所述时空预估矢量进行离散化,并映射到一时空域上,以构建所述任一待监控船舶的时空标注集合,包括:
基于设定的空间分辨率对所述时空预估矢量进行离散化得到离散网格块;
在所述时空域上,对所述离散网格块进行归一化处理得到归一化范数向量;
基于所述归一化范数向量,构建所述任一待监控船舶的时空标注集合。
7.根据权利要求1所述的方法,其特征在于,所述的方法,还包括:
将每两个待监控船舶对应的时空标注集合分别抽象成一个空间对象;
基于每个空间对象,对对应的待监控船舶进行航行行为预测得到航行行为模式特征集;
对两个航行行为模式特征集进行相似性分析得到行为模式相似度,以判断该两个待监控船舶对应的时空标注集合是否交叠并进行重叠度估计。
8.根据权利要求7所述的方法,其特征在于,所述基于所述目标海域上每两个待监控船舶对应的时空标注集合是否交叠,确定该两个待监控船舶碰撞的概率,包括:
将所述重叠度估计转换为体素交互表达;
对所述体素交互表达进行量化交互,以确定该两个待监控船舶碰撞的概率。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
计算机可读介质,配置为存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任意一项权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410056358.XA CN117592787B (zh) | 2024-01-16 | 2024-01-16 | 海上船舶安全风险预测方法、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410056358.XA CN117592787B (zh) | 2024-01-16 | 2024-01-16 | 海上船舶安全风险预测方法、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117592787A true CN117592787A (zh) | 2024-02-23 |
CN117592787B CN117592787B (zh) | 2024-04-02 |
Family
ID=89920383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410056358.XA Active CN117592787B (zh) | 2024-01-16 | 2024-01-16 | 海上船舶安全风险预测方法、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117592787B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020253028A1 (zh) * | 2019-06-18 | 2020-12-24 | 华南理工大学 | 一种基于航迹重规划的水面无人艇动态避碰方法 |
CN112885151A (zh) * | 2021-03-23 | 2021-06-01 | 武汉理工大学 | 一种融合几何解析与数据挖掘的船舶碰撞风险预警方法 |
CN114880842A (zh) * | 2022-04-21 | 2022-08-09 | 北京智行者科技有限公司 | 轨迹预测模型的自动化迭代方法、电子设备和存储介质 |
CN115331486A (zh) * | 2022-08-12 | 2022-11-11 | 河海大学 | 一种船舶碰撞风险评估与预测方法及装置 |
CN115390120A (zh) * | 2022-08-10 | 2022-11-25 | 中国船舶重工集团公司七五0试验场 | 一种海上平台与船舶避碰预警方法及存储介质 |
CN116913134A (zh) * | 2023-09-13 | 2023-10-20 | 交通运输部水运科学研究所 | 监控海上风电场与船舶之间距离的方法、电子设备 |
CN116993821A (zh) * | 2023-06-25 | 2023-11-03 | 哈尔滨理工大学 | 一种基于Transformer-AdaRNN模型的船舶姿态实时预测方法 |
-
2024
- 2024-01-16 CN CN202410056358.XA patent/CN117592787B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020253028A1 (zh) * | 2019-06-18 | 2020-12-24 | 华南理工大学 | 一种基于航迹重规划的水面无人艇动态避碰方法 |
CN112885151A (zh) * | 2021-03-23 | 2021-06-01 | 武汉理工大学 | 一种融合几何解析与数据挖掘的船舶碰撞风险预警方法 |
CN114880842A (zh) * | 2022-04-21 | 2022-08-09 | 北京智行者科技有限公司 | 轨迹预测模型的自动化迭代方法、电子设备和存储介质 |
CN115390120A (zh) * | 2022-08-10 | 2022-11-25 | 中国船舶重工集团公司七五0试验场 | 一种海上平台与船舶避碰预警方法及存储介质 |
CN115331486A (zh) * | 2022-08-12 | 2022-11-11 | 河海大学 | 一种船舶碰撞风险评估与预测方法及装置 |
CN116993821A (zh) * | 2023-06-25 | 2023-11-03 | 哈尔滨理工大学 | 一种基于Transformer-AdaRNN模型的船舶姿态实时预测方法 |
CN116913134A (zh) * | 2023-09-13 | 2023-10-20 | 交通运输部水运科学研究所 | 监控海上风电场与船舶之间距离的方法、电子设备 |
Non-Patent Citations (2)
Title |
---|
张金水;王群朋;: "船舶冲突时空特征分析", 上海海事大学学报, no. 01, 26 March 2020 (2020-03-26), pages 54 - 59 * |
程志友;刘清;何德涛;李志特;: "基于综合距离指标的单船穿越冲突测量研究", 西南交通大学学报, no. 05, 15 October 2012 (2012-10-15), pages 187 - 192 * |
Also Published As
Publication number | Publication date |
---|---|
CN117592787B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiao et al. | Maritime traffic probabilistic forecasting based on vessels’ waterway patterns and motion behaviors | |
Gao et al. | Ship-handling behavior pattern recognition using AIS sub-trajectory clustering analysis based on the T-SNE and spectral clustering algorithms | |
Zhang et al. | A predictive analytics method for maritime traffic flow complexity estimation in inland waterways | |
Liang et al. | Rapid nuclide identification algorithm based on convolutional neural network | |
Xin et al. | A probabilistic risk approach for the collision detection of multi-ships under spatiotemporal movement uncertainty | |
Guo et al. | Trajectory prediction for ocean vessels base on K-order multivariate Markov chain | |
US11195412B2 (en) | Predicting short-term traffic flow congestion on urban motorway networks | |
Ma et al. | A data-driven approach for collision risk early warning in vessel encounter situations using attention-BiLSTM | |
CN116309696B (zh) | 一种基于改进广义交并比的多类别多目标跟踪方法及装置 | |
CN113744310A (zh) | 目标跟踪方法、装置、电子设备及可读存储介质 | |
CN113986674A (zh) | 时序数据的异常检测方法、装置和电子设备 | |
Ribeiro et al. | AIS-based maritime anomaly traffic detection: A review | |
Huang et al. | Tripleconvtransformer: A deep learning vessel trajectory prediction method fusing discretized meteorological data | |
CN113222040B (zh) | 海上固定目标识别方法、装置、计算机设备和存储介质 | |
KR102352954B1 (ko) | 예측 자동 회귀 기반 실시간 기업정보시스템 사용자 이상행위 탐지 시스템 및 방법 | |
CN117592787B (zh) | 海上船舶安全风险预测方法、电子设备 | |
CN117058630A (zh) | 海岸船舶识别方法、系统、设备及存储介质 | |
Al-Yarimi | Enhancing road safety through advanced predictive analytics in V2X communication networks | |
Chen et al. | The unsupervised method of vessel movement trajectory prediction | |
Newaliya et al. | A review of maritime spatio-temporal data analytics | |
CN115310682A (zh) | 复杂水域船舶交通划分方法、装置、设备和介质 | |
Moso et al. | Anomaly detection on roads using C-ITS messages | |
Wang et al. | Prediction-based reachability analysis for collision risk assessment on highways | |
Eljabu et al. | Destination port detection for vessels: An analytic tool for optimizing port authorities resources | |
Canepa et al. | A dual model/artificial neural network framework for privacy analysis in traffic monitoring systems |
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 |