CN117688498B - 基于船岸协同的船舶综合安全状态监控系统 - Google Patents
基于船岸协同的船舶综合安全状态监控系统 Download PDFInfo
- Publication number
- CN117688498B CN117688498B CN202410122842.8A CN202410122842A CN117688498B CN 117688498 B CN117688498 B CN 117688498B CN 202410122842 A CN202410122842 A CN 202410122842A CN 117688498 B CN117688498 B CN 117688498B
- Authority
- CN
- China
- Prior art keywords
- ship
- ith
- monitoring data
- ships
- acquisition
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 232
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000004590 computer program Methods 0.000 claims abstract description 3
- 238000011156 evaluation Methods 0.000 claims description 26
- 230000002776 aggregation Effects 0.000 claims description 20
- 238000004220 aggregation Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 7
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及电数字处理技术领域,具体涉及基于船岸协同的船舶综合安全状态监控系统。该系统包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现如下步骤:获取不同船舶每个采集时刻的监测数据;根据每个船舶每个采集时刻的监测数据与其他船舶监测数据的差异、监测数据与船岸所测数据之间的差异,得到对应的相关度;根据每个船舶与其他船舶在每个采集时刻对应的相关度的相似情况,对所有船舶的监测数据进行聚类获得各聚类簇;根据每个船舶每个采集时刻所在的聚类簇内所有采集时刻对应的相关度,筛选目标监测数据,进而对船舶综合安全状态进行监控。本发明提高了船舶综合安全状态监控结果的准确度。
Description
技术领域
本发明涉及电数字处理技术领域,具体涉及基于船岸协同的船舶综合安全状态监控系统。
背景技术
船岸协同指的是船侧与岸侧多种类监测信息的交互,是保障船舶在靠岸海域航行安全性的重要方法之一。然而由于不同规格船舶采集的监测数据的监测精度不同,且用于船舶航行姿态控制的交互信息粒度不同,会影响海域上船舶综合安全状态监测的精确度,因此需要从历史监测数据中分析出精度控制模式,以提升协同控制精确度,实现高精度船岸协同的船舶综合安全状态监控。
利用连通图分裂聚类算法对船舶监测数据进行分析处理,可以有效分析出历史监测数据中的异常数据,以获取精度控制模式,提升协同控制精确度,实现高精度船岸协同的船舶综合安全状态监控;但利用连通图分裂聚类算法对船舶监测数据进行处理的过程中,存在部分船舶监测数据不具有参考性,表现为航线上监测位置的异常状况,因此会导致船舶综合安全状态监控结果的准确度较低。
发明内容
为了解决现有方法在对船舶监测数据进行处理的过程中存在部分船舶监测数据不具有参考性,导致船舶综合安全状态监控结果的准确度较低的问题,本发明的目的在于提供一种基于船岸协同的船舶综合安全状态监控系统,所采用的技术方案具体如下:
本发明提供了一种基于船岸协同的船舶综合安全状态监控系统,包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现如下步骤:
在船岸协同监测数据库中获取不同船舶在当前时间段内每个采集时刻的不同监测数据;
根据每个船舶每个采集时刻的监测数据与其他船舶在对应采集时刻的监测数据之间的差异情况、监测数据与船岸所测数据之间的差异,得到每个船舶在每个采集时刻对应的相关度;
根据每个船舶与其他船舶在每个采集时刻对应的相关度之间的相似情况,得到每个采集时刻每个船舶与其他船舶之间的相似度;基于所述相似度对所有船舶的采集时刻的监测数据进行聚类获得各聚类簇;根据每个船舶每个采集时刻所在的聚类簇内所有采集时刻对应的相关度,得到每个船舶的监测数据的参考必要指标;
基于所述参考必要指标筛选目标监测数据,基于所述目标监测数据对船舶综合安全状态进行监控。
优选的,所述根据每个船舶每个采集时刻的监测数据与其他船舶在对应采集时刻的监测数据之间的差异情况、监测数据与船岸所测数据之间的差异,得到每个船舶在每个采集时刻对应的相关度,包括:
根据第i个船舶在每个采集时刻的所有监测数据构成的序列与其他船舶在相同采集时刻的所有监测数据构成的序列之间的差异,获得第i个船舶所有监测数据的分布聚集程度;
对于第i个船舶的第r个采集时刻:分别将第i个船舶的第r个采集时刻的每个监测数据与船岸所测的同类监测数据之间的差值的绝对值的归一化结果,作为第i个船舶的第r个采集时刻的每个监测数据对应的第二差异;根据第i个船舶在每个采集时刻的所有监测数据构成的序列、所述第二差异和所述分布聚集程度,得到第i个船舶在第r个采集时刻对应的相关度。
优选的,所述根据第i个船舶在每个采集时刻的所有监测数据构成的序列与其他船舶在相同采集时刻的所有监测数据构成的序列之间的差异,获得第i个船舶所有监测数据的分布聚集程度,包括:
对于第r个采集时刻:计算第i个船舶在第r个采集时刻的所有监测数据构成的序列与除第i个船舶外的第j个船舶在第r个采集时刻的所有监测数据构成的序列之间的DTW距离,记为第i个船舶在第r个采集时刻对应的第一差异;
计算第i个船舶在所有采集时刻对应的第一差异的平均值;将所述平均值的负相关归一化结果确定为第i个船舶所有监测数据的分布聚集程度。
优选的,采用如下公式计算第i个船舶在第r个采集时刻对应的相关度:
其中,表示第i个船舶在第r个采集时刻对应的相关度,/>表示第i个船舶所有监测数据的分布聚集程度,J表示船舶的数量,R表示当前时间段内采集时刻的数量,/>表示第i个船舶在第r个采集时刻的所有监测数据构成的序列与除第i个船舶外的第j个船舶在第r个采集时刻的所有监测数据构成的序列之间的DTW距离,/>表示第i个船舶在第r个采集时刻所有监测数据对应的第二差异的平均值,norm( )为归一化函数,/>表示取绝对值符号,/>为预设第一调整参数,/>大于0。
优选的,所述根据每个船舶与其他船舶在每个采集时刻对应的相关度之间的相似情况,得到每个采集时刻每个船舶与其他船舶之间的相似度,包括:
对于第i个船舶和除第i个船舶外的第j个船舶:
对于第r个采集时刻:将第i个船舶在第r个采集时刻对应的相关度与第j个船舶在第r个采集时刻对应的相关度之间的差异,记为第i个船舶与除第i个船舶外的第j个船舶的相关度差异;
将第i个船舶与除第i个船舶外的所有船舶的相关度差异的均值,记为第一均值;将第i个船舶与除第i个船舶外的第j个船舶的相关度差异和所述第一均值的比值,记为第一占比;
基于每个船舶的载重量采用k均值聚类算法对所有船舶进行聚类获得两个类别;将第i个船舶所在的类别中船舶的数量与除第i个船舶外的第j个船舶所在的类别中船舶的数量之间的比值,作为第i个船舶与除第i个船舶外的第j个船舶之间的归属度;
基于所述第一占比和所述归属度,获得第i个船舶和除第i个船舶外的第j个船舶之间的相似度。
优选的,所述基于所述相似度对所有船舶的采集时刻的监测数据进行聚类获得各聚类簇,包括:
基于每个采集时刻每个船舶与其他船舶之间的相似度,采用连通图分裂聚类算法对所有船舶的采集时刻的监测数据进行聚类,获得若干个聚类簇,其中,同一船舶在同一时刻的所有监测数据位于同一个聚类簇内。
优选的,所述根据每个船舶每个采集时刻所在的聚类簇内所有采集时刻对应的相关度,得到每个船舶的监测数据的参考必要指标,包括:
对于第i个船舶:
对于第a个聚类簇:将第i个船舶在第a个聚类簇内所有采集时刻对应的相关度的均值,作为第i个船舶在第a个聚类簇的评价值;
获取第i个船舶在所有聚类簇的最大评价值;分别将第i个船舶在每个聚类簇的评价值与所述最大评价值之间的比值,作为第i个船舶在每个聚类簇的评价占比;
根据第i个船舶在每个聚类簇的评价占比,得到第i个船舶的监测数据的参考必要指标。
优选的,所述根据第i个船舶在每个聚类簇的评价占比,得到第i个船舶的监测数据的参考必要指标,包括:
分别将常数1与第i个船舶在每个聚类簇的评价占比之间的差值,作为第i个船舶在每个聚类簇对应的第一差值;
将第i个船舶在所有聚类簇对应的第一差值的均值作为第i个船舶的监测数据的参考必要指标。
优选的,所述基于所述参考必要指标筛选目标监测数据,包括:
将参考必要指标大于预设必要指标阈值的船舶的所有监测数据,确定为目标监测数据。
优选的,所述基于所述目标监测数据对船舶综合安全状态进行监控,包括:
将所述目标监测数据输入到ARIMA时序预测模型中获得预测数据;基于所述预测数据判断船舶的综合安全状态。
本发明至少具有如下有益效果:
本发明对单个船舶每个采集时刻船侧监测数据与岸侧的协同数据的差异进行分析,并结合每个采集时刻的监测数据与其他船舶在对应采集时刻的监测数据之间的综合差异水平,获得了每个船舶在每个采集时刻对应的相关度,也即根据单个船舶监测数据的分布聚集程度与监测精度的变化一致性特征,获得了对应的相关度;又对每个船舶与其他船舶在每个采集时刻对应的相关度之间的相似情况进行评价,得到了每个采集时刻每个船舶与其他船舶之间的相似度,通过评估不同船舶监测数据的分布特征,并分析监测数据精度与分布结构上波动程度的相关性,实现聚类算法上每个采集时刻不同船舶间的相似度度量指标的调整,获取准确的聚类结果,使聚类算法的处理结果能够实现对参考必要性较低的监测数据的有效区分,进一步地根据每个船舶每个采集时刻所在的聚类簇内所有采集时刻对应的相关度,确定了每个船舶的监测数据的参考必要指标,筛选了目标监测数据,用于对船舶的综合安全状态进行监控,有效提升了协同控制精确度,提高了船舶综合安全状态监控结果的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明实施例所提供的一种基于船岸协同的船舶综合安全状态监控系统的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于船岸协同的船舶综合安全状态监控系统进行详细说明如下。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于船岸协同的船舶综合安全状态监控系统的具体方案。
基于船岸协同的船舶综合安全状态监控系统实施例:
本实施例所针对的具体场景为:采用连通图分裂聚类算法对船舶监测数据进行分析处理,可以有效分析出历史监测数据中的异常数据,实现高精度船岸协同的船舶综合安全状态监控;但利用连通图分裂聚类算法对船舶监测数据进行处理的过程中,存在部分船舶监测数据不具有参考性,表现为航线上监测位置的异常状况,因此本实施例将对每个船舶每个采集时刻的监测数据与其他船舶在对应采集时刻的监测数据之间的差异情况以及监测数据与船岸所测数据之间的差异进行分析,得到了每个船舶在每个采集时刻对应的相关度,根据每个船舶与其他船舶在每个采集时刻对应的相关度之间的相似情况,对监测数据进行聚类,并根据聚类簇的结构形态特征确定控制精度,以提升协同控制精确度,实现高精度船岸协同的船舶综合安全状态监控。
本实施例提出了基于船岸协同的船舶综合安全状态监控系统,该系统以实现如图1所示的步骤,具体步骤如下:
步骤S1,在船岸协同监测数据库中获取不同船舶在当前时间段内每个采集时刻的不同监测数据。
本实施例首先在船岸协同监测数据库中获取不同船舶在当前时间段内的监测数据,本实施例中的监测数据包括监测位置信息、监测位置的船舶航向、航速等航行指标信息,在具体应用中,实施者可根据具体情况进行设置。其中,当前时间段为与当前时刻之间的时间间隔小于或等于预设时长的所有时刻构成的集合,本实施例中的预设时长为24小时,每秒采集一次监测数据,也即在当前时间段内每个采集时刻均采集了每个船舶不同种类的监测数据,在具体应用中,实施者可根据具体情况进行设置。
至此,获取了不同船舶在当前时间段内每个采集时刻的不同监测数据。
步骤S2,根据每个船舶每个采集时刻的监测数据与其他船舶在对应采集时刻的监测数据之间的差异情况、监测数据与船岸所测数据之间的差异以及所述分布聚集程度,得到每个船舶在每个采集时刻对应的相关度。
近岸海域的航行环境情况较为复杂,当同种类型不同规格的船舶在海域内航道航行时,存在类似的航行轨迹,但会存在不同程度的轨迹偏移,且与船舶规格等监测信息相关。
由于获取到的监测数据存在获取精度上的差异以及航道上监测位置的波动性特征,因此本实施例将通过分析不同规格船舶监测数据的分布结构特征,并分析监测数据精度与分布结构上波动程度的相关性,实现连通图分裂聚类算法上不同节点间的相似度度量指标的调整,获取准确聚类结果,便于后续分析出精度控制模式,以提升协同控制精确度。对于不同的船舶而言其监测数据的精度各不相同,其主要由于船舶的航行控制精度需求不同,规格较大的船舶在海底情况越复杂区域的控制精度要求更高,而规格较小的船舶的控制精度限制更小,因此在近海的航道上的航行轨迹存在不同的分布特征,但总体上会由于航道规划呈现聚集状分布,偶然性航行偏移则不具有数据参考性,例如发生事故等特殊情况下的监测数据应当予以异常分析。由此可根据历史监测数据的精度与采样点的分布结构上的波动特征,获取数据点的相关度。
具体地,对于第r个采集时刻:计算第i个船舶在第r个采集时刻的所有监测数据构成的序列与除第i个船舶外的第j个船舶在第r个采集时刻的所有监测数据构成的序列之间的DTW距离,记为第i个船舶在第r个采集时刻对应的第一差异;计算第i个船舶在所有采集时刻对应的第一差异的平均值;将所述平均值的负相关归一化结果确定为第i个船舶所有监测数据的分布聚集程度。对于第i个船舶的第r个采集时刻:分别将第i个船舶的第r个采集时刻的每个监测数据与船岸所测的同类监测数据之间的差值的绝对值的归一化结果,作为第i个船舶的第r个采集时刻的每个监测数据对应的第二差异;根据第i个船舶在每个采集时刻的所有监测数据构成的序列、所述第二差异和所述分别聚集程度,得到第i个船舶在第r个采集时刻对应的相关度。第i个船舶所有监测数据的分布聚集程度以及第i个船舶在第r个采集时刻对应的相关度的具体计算公式分别为:
其中,表示第i个船舶在所有采集时刻对应的第一差异的平均值,exp( )表示以自然常数为底数的指数函数,/>表示第i个船舶在第r个采集时刻对应的相关度,/>表示第i个船舶所有监测数据的分布聚集程度,J表示船舶的数量,R表示当前时间段内采集时刻的数量,/>表示第i个船舶在第r个采集时刻的所有监测数据构成的序列与除第i个船舶外的第j个船舶在第r个采集时刻的所有监测数据构成的序列之间的DTW距离,/>表示第i个船舶在第r个采集时刻所有监测数据对应的第二差异的平均值,norm( )为归一化函数,/>表示取绝对值符号,/>为预设第一调整参数,/>大于0。
本实施例在分布聚集程度的计算公式中引入预设第一调整参数是为了防止分母为0,在具体应用中,实施者可根据具体情况进行设置。表示第i个船舶在第r个采集时刻对应的第一差异。当第i个船舶在每个采集时刻对应的第一差异与所有采集时刻 对应的第一差异的平均值之间的差异越小,说明第i个船舶监测数据的分布越聚集,即第i个船舶所有监测数据的分布聚集程度越大。/>用于反映第i个船舶在第r个采集时刻的监测数据对应的相关度权重。当第i个船舶所有监测数据的分布聚集程度越大、第i个船舶在第r个采集时刻的监测数据对应的相关度权重越大、第i个船舶在第r个采集时刻所有监测数据对应的第二差异的平均值越小时,表明该船舶的实际控制精度需求较大,需要波动较小的航线轨迹以应对船岸协同控制的复杂情况,监测数据的精度越高,船岸协同的调控越稳定,当前控制精度与实际控制需求越一致,其对应的数据用于后续精度控制模式分析的必要性越大,即第i个船舶在第r个采集时刻对应的相关度越大。
采用上述方法,能够获得每个船舶在每个采集时刻对应的相关度。
步骤S3,根据每个船舶与其他船舶在每个采集时刻对应的相关度之间的相似情况,得到每个采集时刻每个船舶与其他船舶之间的相似度;基于所述相似度对所有船舶的采集时刻的监测数据进行聚类获得各聚类簇;根据每个船舶每个采集时刻所在的聚类簇内所有采集时刻对应的相关度,得到每个船舶的监测数据的参考必要指标。
本实施例对每个船舶每个采集时刻的监测数据与其他船舶在对应采集时刻的监测数据之间的差异情况进行了分析,确定了每个船舶在每个采集时刻对应的相关度,该相关度是从单个船舶每个采集时刻的监测数据的变化特征进行分析,但在利用连通图分裂聚类算法构建连通图的过程中,由于不同采集时刻的监测数据可能不同,因此不同采集时刻的监测数据的关联性分析不能仅以样本空间上的节点位置关系进行获取,可通过每个船舶与其他船舶之间的相似情况确定每个船舶与其他船舶之间的相似度,进而进行聚类获得准确聚类结果。
具体地,对于第i个船舶和除第i个船舶外的第j个船舶:
对于第r个采集时刻:将第i个船舶在第r个采集时刻对应的相关度与第j个船舶在第r个采集时刻对应的相关度之间的差异,记为第i个船舶与除第i个船舶外的第j个船舶的相关度差异。将第i个船舶与除第i个船舶外的所有船舶的相关度差异的均值,记为第一均值;将第i个船舶与除第i个船舶外的第j个船舶的相关度差异和所述第一均值的比值,记为第一占比。基于每个船舶的载重量采用k均值聚类算法对所有船舶进行聚类获得两个类别;k均值聚类算法为现有技术,此处不再过多赘述。将第i个船舶所在的类别中船舶的数量与除第i个船舶外的第j个船舶所在的类别中船舶的数量之间的比值,作为第i个船舶与除第i个船舶外的第j个船舶之间的归属度。基于所述第一占比和所述归属度,获得第i个船舶和除第i个船舶外的第j个船舶之间的相似度。第i个船舶和除第i个船舶外的第j个船舶之间的相似度的具体计算公式为:
其中,表示第r个采集时刻第i个船舶和除第i个船舶外的第j个船舶之间的相似度,/>表示第i个船舶在第r个采集时刻对应的相关度,/>表示除第i个船舶外的第j个船舶在第r个采集时刻对应的相关度,/>表示第i个船舶与除第i个船舶外的所有船舶的相关度差异的均值,/>表示第i个船舶与除第i个船舶外的第j个船舶之间的归属度,/>表示取绝对值符号,/>表示预设权值。
本实施例中的预设权值为0.71,在具体应用中,实施者可根据具体情况进行设置。表示第i个船舶与除第i个船舶外的第j个船舶的相关度差异,反映第i个船舶与除第i个船舶外的第j个船舶各自表现的相关度的区分度差异。/>用于反映第i个船舶与除第i个船舶外的第j个船舶的归属度关系。当第i个船舶与除第i个船舶外的第j个船舶的相关度差异越大、第i个船舶与除第i个船舶外的第j个船舶之间的归属度越大时,第r个采集时刻第i个船舶和除第i个船舶外的第j个船舶之间的相似度越大。
采用上述方法,能够获得每两个船舶之间的相似度,接下来本实施例基于每个采集时刻每个船舶与其他船舶之间的相似度,对每个船舶与其他船舶之间的欧氏距离进行调整,采用连通图分裂聚类算法对所有船舶的采集时刻的监测数据进行聚类,获得多个聚类簇,也即获得了准确的聚类结果,其中,同一船舶在同一时刻的所有监测数据位于同一个聚类簇内。连通图分裂聚类算法为现有技术,此处不再过多赘述。
聚类结果是通过对船舶航线位置经过监测数据相关性进行分析所获得的聚集特征,反映船岸协同下的船舶控制航行线路的参考价值,本实施例将根据每个船舶每个采集时刻所在的聚类簇内所有采集时刻对应的相关度,对每个船舶的监测数据的参考必要性进行评价,得到每个船舶的监测数据的参考必要指标。
具体地,对于第i个船舶:
对于第a个聚类簇:将第i个船舶在第a个聚类簇内所有采集时刻对应的相关度的均值,作为第i个船舶在第a个聚类簇的评价值。获取第i个船舶在所有聚类簇的最大评价值。分别将第i个船舶在每个聚类簇的评价值与所述最大评价值之间的比值,作为第i个船舶在每个聚类簇的评价占比。分别将常数1与第i个船舶在每个聚类簇的评价占比之间的差值,作为第i个船舶在每个聚类簇对应的第一差值;将第i个船舶在所有聚类簇对应的第一差值的均值作为第i个船舶的监测数据的参考必要指标。第i个船舶的监测数据的参考必要指标的具体计算公式为:
其中,表示第i个船舶的监测数据的参考必要指标,A表示聚类簇的数量,/>表示第i个船舶在第a个聚类簇的评价值,/>表示第i个船舶在所有聚类簇的最大评价值。
表示第i个船舶在每个聚类簇的评价占比;/>表示第i个船舶在每个聚类簇对应的第一差值。当第i个船舶在每个聚类簇的评价占比越小时,第i个船舶的监测数据的参考必要性越大,即第i个船舶的监测数据的参考必要指标越大。
采用上述方法,能够获得每个船舶的监测数据的参考必要指标。
步骤S4,基于所述参考必要指标筛选目标监测数据,基于所述目标监测数据对船舶综合安全状态进行监控。
本实施例在步骤S3中获得了每个船舶的监测数据的参考必要指标,接下来将基于参考必要指标从所有监测数据中筛选目标监测数据,并基于目标监测数据对船舶进行综合安全状态监控。
具体地,参考必要指标越大,说明对应船舶的监测数据的参考价值越大,因此本实施例将参考必要指标大于预设必要指标阈值的船舶的所有监测数据,确定为目标监测数据,目标监测数据用于后续精度控制模式的提取,实现高精度船岸协同下的船舶综合安全状态监控。本实施例中预设必要指标阈值为0.87,在具体应用中,实施者可根据具体情况进行设置。
将目标监测数据输入到ARIMA时序预测模型中获得预测数据,也即通过监测数据可参考性对ARIMA模型的自回归阶数与移动平均阶数进行了调整,获取了精准的预测模型。以提升协同控制精确度,实现高精度船岸协同的船舶综合安全状态监控。基于所述预测数据判断船舶的综合安全状态。需要说明的是:本实施例可以通过预测数据与标准数据进行对比,进而对船舶的综合安全状态进行判断,不同种类的监测数据所对应的标准数据不同,在具体应用中,实施者可根据具体情况进行设置。
本实施例对单个船舶每个采集时刻船侧监测数据与岸侧的协同数据的差异进行分析,并结合每个采集时刻的监测数据与其他船舶在对应采集时刻的监测数据之间的综合差异水平,获得了每个船舶在每个采集时刻对应的相关度,也即根据单个船舶监测数据的分布聚集程度与监测精度的变化一致性特征,获得了对应的相关度;又对每个船舶与其他船舶在每个采集时刻对应的相关度之间的相似情况进行评价,得到了每个采集时刻每个船舶与其他船舶之间的相似度,通过评估不同船舶监测数据的分布特征,并分析监测数据精度与分布结构上波动程度的相关性,实现聚类算法上每个采集时刻不同船舶间的相似度度量指标的调整,获取准确的聚类结果,使聚类算法的处理结果能够实现对参考必要性较低的监测数据的有效区分,进一步地根据每个船舶每个采集时刻所在的聚类簇内所有采集时刻对应的相关度,确定了每个船舶的监测数据的参考必要指标,筛选了目标监测数据,用于对船舶的综合安全状态进行监控,有效提升了协同控制精确度,提高了船舶综合安全状态监控结果的准确度。
需要说明的是:以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于船岸协同的船舶综合安全状态监控系统,包括存储器和处理器,其特征在于,所述处理器执行所述存储器存储的计算机程序,以实现如下步骤:
在船岸协同监测数据库中获取不同船舶在当前时间段内每个采集时刻的不同监测数据;
根据每个船舶每个采集时刻的监测数据与其他船舶在对应采集时刻的监测数据之间的差异情况、监测数据与船岸所测数据之间的差异,得到每个船舶在每个采集时刻对应的相关度;
根据每个船舶与其他船舶在每个采集时刻对应的相关度之间的相似情况,得到每个采集时刻每个船舶与其他船舶之间的相似度;基于所述相似度对所有船舶的采集时刻的监测数据进行聚类获得各聚类簇;根据每个船舶每个采集时刻所在的聚类簇内所有采集时刻对应的相关度,得到每个船舶的监测数据的参考必要指标;
基于所述参考必要指标筛选目标监测数据,基于所述目标监测数据对船舶综合安全状态进行监控;
所述根据每个船舶每个采集时刻的监测数据与其他船舶在对应采集时刻的监测数据之间的差异情况、监测数据与船岸所测数据之间的差异,得到每个船舶在每个采集时刻对应的相关度,包括:
根据第i个船舶在每个采集时刻的所有监测数据构成的序列与其他船舶在相同采集时刻的所有监测数据构成的序列之间的差异,获得第i个船舶所有监测数据的分布聚集程度;
对于第i个船舶的第r个采集时刻:分别将第i个船舶的第r个采集时刻的每个监测数据与船岸所测的同类监测数据之间的差值的绝对值的归一化结果,作为第i个船舶的第r个采集时刻的每个监测数据对应的第二差异;根据第i个船舶在每个采集时刻的所有监测数据构成的序列、所述第二差异和所述分布聚集程度,得到第i个船舶在第r个采集时刻对应的相关度;
所述根据第i个船舶在每个采集时刻的所有监测数据构成的序列与其他船舶在相同采集时刻的所有监测数据构成的序列之间的差异,获得第i个船舶所有监测数据的分布聚集程度,包括:
对于第r个采集时刻:计算第i个船舶在第r个采集时刻的所有监测数据构成的序列与除第i个船舶外的第j个船舶在第r个采集时刻的所有监测数据构成的序列之间的DTW距离,记为第i个船舶在第r个采集时刻对应的第一差异;
计算第i个船舶在所有采集时刻对应的第一差异的平均值;将所述平均值的负相关归一化结果确定为第i个船舶所有监测数据的分布聚集程度;
采用如下公式计算第i个船舶在第r个采集时刻对应的相关度:
其中,表示第i个船舶在第r个采集时刻对应的相关度,/>表示第i个船舶所有监测数据的分布聚集程度,J表示船舶的数量,R表示当前时间段内采集时刻的数量,/>表示第i个船舶在第r个采集时刻的所有监测数据构成的序列与除第i个船舶外的第j个船舶在第r个采集时刻的所有监测数据构成的序列之间的DTW距离,/>表示第i个船舶在第r个采集时刻所有监测数据对应的第二差异的平均值,norm( )为归一化函数,/>表示取绝对值符号,/>为预设第一调整参数,/>大于0。
2.根据权利要求1所述的基于船岸协同的船舶综合安全状态监控系统,其特征在于,所述根据每个船舶与其他船舶在每个采集时刻对应的相关度之间的相似情况,得到每个采集时刻每个船舶与其他船舶之间的相似度,包括:
对于第i个船舶和除第i个船舶外的第j个船舶:
对于第r个采集时刻:将第i个船舶在第r个采集时刻对应的相关度与第j个船舶在第r个采集时刻对应的相关度之间的差异,记为第i个船舶与除第i个船舶外的第j个船舶的相关度差异;
将第i个船舶与除第i个船舶外的所有船舶的相关度差异的均值,记为第一均值;将第i个船舶与除第i个船舶外的第j个船舶的相关度差异和所述第一均值的比值,记为第一占比;
基于每个船舶的载重量采用k均值聚类算法对所有船舶进行聚类获得两个类别;将第i个船舶所在的类别中船舶的数量与除第i个船舶外的第j个船舶所在的类别中船舶的数量之间的比值,作为第i个船舶与除第i个船舶外的第j个船舶之间的归属度;
基于所述第一占比和所述归属度,获得第i个船舶和除第i个船舶外的第j个船舶之间的相似度。
3.根据权利要求1所述的基于船岸协同的船舶综合安全状态监控系统,其特征在于,所述基于所述相似度对所有船舶的采集时刻的监测数据进行聚类获得各聚类簇,包括:
基于每个采集时刻每个船舶与其他船舶之间的相似度,采用连通图分裂聚类算法对所有船舶的采集时刻的监测数据进行聚类,获得若干个聚类簇,其中,同一船舶在同一时刻的所有监测数据位于同一个聚类簇内。
4.根据权利要求1所述的基于船岸协同的船舶综合安全状态监控系统,其特征在于,所述根据每个船舶每个采集时刻所在的聚类簇内所有采集时刻对应的相关度,得到每个船舶的监测数据的参考必要指标,包括:
对于第i个船舶:
对于第a个聚类簇:将第i个船舶在第a个聚类簇内所有采集时刻对应的相关度的均值,作为第i个船舶在第a个聚类簇的评价值;
获取第i个船舶在所有聚类簇的最大评价值;分别将第i个船舶在每个聚类簇的评价值与所述最大评价值之间的比值,作为第i个船舶在每个聚类簇的评价占比;
根据第i个船舶在每个聚类簇的评价占比,得到第i个船舶的监测数据的参考必要指标。
5.根据权利要求4所述的基于船岸协同的船舶综合安全状态监控系统,其特征在于,所述根据第i个船舶在每个聚类簇的评价占比,得到第i个船舶的监测数据的参考必要指标,包括:
分别将常数1与第i个船舶在每个聚类簇的评价占比之间的差值,作为第i个船舶在每个聚类簇对应的第一差值;
将第i个船舶在所有聚类簇对应的第一差值的均值作为第i个船舶的监测数据的参考必要指标。
6.根据权利要求1所述的基于船岸协同的船舶综合安全状态监控系统,其特征在于,所述基于所述参考必要指标筛选目标监测数据,包括:
将参考必要指标大于预设必要指标阈值的船舶的所有监测数据,确定为目标监测数据。
7.根据权利要求1所述的基于船岸协同的船舶综合安全状态监控系统,其特征在于,所述基于所述目标监测数据对船舶综合安全状态进行监控,包括:
将所述目标监测数据输入到ARIMA时序预测模型中获得预测数据;基于所述预测数据判断船舶的综合安全状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410122842.8A CN117688498B (zh) | 2024-01-30 | 2024-01-30 | 基于船岸协同的船舶综合安全状态监控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410122842.8A CN117688498B (zh) | 2024-01-30 | 2024-01-30 | 基于船岸协同的船舶综合安全状态监控系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117688498A CN117688498A (zh) | 2024-03-12 |
CN117688498B true CN117688498B (zh) | 2024-05-03 |
Family
ID=90135548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410122842.8A Active CN117688498B (zh) | 2024-01-30 | 2024-01-30 | 基于船岸协同的船舶综合安全状态监控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117688498B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243779A (zh) * | 2015-09-28 | 2016-01-13 | 南京晶云船舶配件有限公司 | 一种船舶控制室监控系统 |
WO2019101220A1 (zh) * | 2017-12-11 | 2019-05-31 | 珠海大横琴科技发展有限公司 | 基于深度学习网络和均值漂移的船只自动跟踪方法及系统 |
CH712516B1 (de) * | 2015-04-14 | 2020-09-30 | Nippon Yusen Kk | Server, Computerprogrammprodukt und Speichermedium zum Bestimmen eines Zeitpunktes der Instandhaltungsarbeit für ein an einem Schiff montiertes Gerät. |
CN115294804A (zh) * | 2022-10-09 | 2022-11-04 | 国网浙江省电力有限公司舟山供电公司 | 一种基于船舶状态监测的海缆安全预警方法及系统 |
WO2023225973A1 (zh) * | 2022-05-26 | 2023-11-30 | 广东逸动科技有限公司 | 数据处理方法、装置、系统、安全终端、船舶及监控装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101703906B1 (ko) * | 2015-01-22 | 2017-02-08 | 한국전자통신연구원 | 선박 관제 시스템 및 그것의 선박 관제 방법 |
-
2024
- 2024-01-30 CN CN202410122842.8A patent/CN117688498B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CH712516B1 (de) * | 2015-04-14 | 2020-09-30 | Nippon Yusen Kk | Server, Computerprogrammprodukt und Speichermedium zum Bestimmen eines Zeitpunktes der Instandhaltungsarbeit für ein an einem Schiff montiertes Gerät. |
CN105243779A (zh) * | 2015-09-28 | 2016-01-13 | 南京晶云船舶配件有限公司 | 一种船舶控制室监控系统 |
WO2019101220A1 (zh) * | 2017-12-11 | 2019-05-31 | 珠海大横琴科技发展有限公司 | 基于深度学习网络和均值漂移的船只自动跟踪方法及系统 |
WO2023225973A1 (zh) * | 2022-05-26 | 2023-11-30 | 广东逸动科技有限公司 | 数据处理方法、装置、系统、安全终端、船舶及监控装置 |
CN115294804A (zh) * | 2022-10-09 | 2022-11-04 | 国网浙江省电力有限公司舟山供电公司 | 一种基于船舶状态监测的海缆安全预警方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于熵权的船舶主机状态监控及评价模型;宋立国 等;大连海事大学学报;20111115(第04期);第47-49页 * |
船舶远程监控和数据交换系统应用;范成林;《中国新通信》;20190120;第21卷(第02期);第93-94页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117688498A (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110033051B (zh) | 一种基于多步聚类的拖网渔船行为判别方法 | |
CN113537386B (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 | |
CN115861011B (zh) | 一种基于多源数据融合的智慧城市优化管理方法和系统 | |
CN111104398B (zh) | 针对智能船舶近似重复记录的检测方法、消除方法 | |
CN110569890A (zh) | 一种基于相似性度量的水文数据异常模式检测方法 | |
CN117498735B (zh) | 一种步进电机动态平稳驱动方法及系统 | |
CN115933787A (zh) | 基于室内环境监测的室内多末端智能控制系统 | |
CN112380992B (zh) | 一种加工过程监控数据准确性评估与优化方法及装置 | |
CN112395382A (zh) | 基于变分自编码器的船舶异常航迹数据检测方法和装置 | |
CN115877363B (zh) | 一种机器人避障评估方法 | |
CN116804668B (zh) | 一种食盐碘含量检测数据标识方法及系统 | |
CN115876258A (zh) | 基于多源数据的畜禽养殖环境异常监测及报警系统 | |
CN117314016A (zh) | 基于bim技术的水利工程在线监控方法 | |
CN117036993A (zh) | 一种基于无人机的船舶水尺远程测量方法 | |
CN117272216A (zh) | 一种自动流量监测站和人工水尺观测站的数据分析方法 | |
CN117688498B (zh) | 基于船岸协同的船舶综合安全状态监控系统 | |
CN117150244B (zh) | 基于电参数分析的智能配电柜状态监测方法及系统 | |
CN116257651B (zh) | 一种贯通道渡板异响智能监测系统 | |
CN117473351A (zh) | 基于物联网的电源信息远程传输系统 | |
CN114047508B (zh) | 一种对海雷达探测范围统计评估方法及系统 | |
CN114925731B (zh) | 检测柔性测斜仪监测数据异常值的方法 | |
CN113554079B (zh) | 一种基于二次检测法的电力负荷异常数据检测方法及系统 | |
CN116955945A (zh) | 一种基于Transformer_LSTM的船舶异常检测方法 | |
CN114091578A (zh) | 一种基于曲线长度距离的船舶轨迹聚类方法 | |
CN115309948A (zh) | 一种基于运动轨迹自动识别的渔船作业方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |