JP2019185785A - Lost track data estimation system of marine vessel using machine learning - Google Patents
Lost track data estimation system of marine vessel using machine learning Download PDFInfo
- Publication number
- JP2019185785A JP2019185785A JP2019075253A JP2019075253A JP2019185785A JP 2019185785 A JP2019185785 A JP 2019185785A JP 2019075253 A JP2019075253 A JP 2019075253A JP 2019075253 A JP2019075253 A JP 2019075253A JP 2019185785 A JP2019185785 A JP 2019185785A
- Authority
- JP
- Japan
- Prior art keywords
- ship
- track
- data
- wake
- unit
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G3/00—Traffic control systems for marine craft
- G08G3/02—Anti-collision systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B49/00—Arrangements of nautical instruments or navigational aids
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Ocean & Marine Engineering (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
Description
本発明は、機械学習を用いた船舶の損失航跡データ推定システムに係り、より詳細には、機械学習方法を用いて既存の航跡データを学習し、これを用いて航跡データを補間し、損失した航跡区間のデータを推定する、機械学習を用いた船舶の損失航跡データ推定システムに関する。 The present invention relates to a ship lost track data estimation system using machine learning, and more specifically, learns existing track data using a machine learning method, interpolates the track data using this, and lost the track data. The present invention relates to a ship lost track data estimation system that uses machine learning to estimate track data.
韓国の船舶設備基準第１０８条の５（国土海洋部告示第２０１３−１７９号）によれば、沿海区域以上を航海する総トン数５０トン以上の浮き船を除くすべての船舶は、船舶自動識別装置（ａｕｔｏｍａｔｉｃ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｓｙｓｔｅｍ、以下「ＡＩＳ」という。）を義務的に搭載しなければならない。 According to Article 108-5 of the Korean Ship Equipment Standards (Ministry of Land, Infrastructure and Maritime Notification No. 2013-179), all ships except for floating ships with a total tonnage of 50 tons or more sailing over coastal areas are an automatic identification system (hereinafter referred to as “AIS”).
ＡＩＳを介して受信した航跡データは、船舶交通管制システム（ＶＴＳ）の船舶モニタリングと海洋事故分析に活用されることもある。主要港湾は、海上交通量の輻輳や危険貨物の増加、潜在的な環境汚染の危険などから港湾の安全または港湾運営の効率性を向上させるために、船舶交通管制サービス（ＶＴＳ、ｖｅｓｓｅｌ ｔｒａｆｆｉｃ ｓｅｒｖｉｃｅ）を提供している。 The wake data received via the AIS may be used for ship monitoring and marine accident analysis of the ship traffic control system (VTS). Major ports will use VTS (vessel traffic service) to improve port safety or port operation efficiency due to congestion of marine traffic, increase of dangerous cargo, and potential environmental pollution. Is provided.
このようなＡＩＳシステムは、ＧＰＳデータに基づいて運営され、ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）が持つ電波的な特性のために陰影区域が発生することもあり、海上交通が輻輳する状況では、ＡＩＳシステムの通信許容容量を超過して基地局からＡＩＳデータを受信しない場合が発生することもある。 Such an AIS system is operated based on GPS data, and shadow areas may occur due to radio wave characteristics of GPS (Global Positioning System). There may be a case where the allowable communication capacity is exceeded and AIS data is not received from the base station.
また、海上事故などの理由で、船内に設置されたＧＰＳ或いはＡＩＳ装備が正常動作しない場合でも、航跡データの受信が不可能であり、最終的に航跡データの損失区間が発生するという問題点がある。 In addition, even if GPS or AIS equipment installed on the ship does not operate normally due to a maritime accident or the like, it is impossible to receive wake data, and there is a problem that a wake data loss section eventually occurs. is there.
時間による船舶の位置や針路、速度情報などで構成される航跡データは、海洋事故の原因分析に非常に重要であり、受信したデータを補間（ｉｎｔｅｒｐｏｌａｔｉｏｎ）し、損失した航跡データを推定する作業が必ず先行されなければならない。よって、航跡データの損失を推定することは非常に重要な作業である。 Track data consisting of ship position, course, speed information, etc. by time is very important for the cause analysis of marine accidents. Interpolation of received data and estimation of lost track data are required. It must be preceded. Therefore, estimating the loss of wake data is a very important task.
そこで、本発明は、前述した従来技術の問題点を解決するためのもので、その目的は、機械学習方法を用いて既存の航跡データを学習し、これを用いて航跡データを補間し、損失した航跡区間のデータを推定する、機械学習を用いた船舶の損失航跡データ推定システムを提供することにある。 Therefore, the present invention is for solving the problems of the prior art described above, and its purpose is to learn existing wake data using a machine learning method, interpolate wake data using this, and perform loss. Another object of the present invention is to provide a ship lost track data estimation system that uses machine learning to estimate the data of a track that has been tracked.
本発明の他の目的は、既存の航跡データを反映して、実際船舶の運動特性が反映された航跡を推定することができるため、実際船舶の運動特性が反映された航跡を推定することができる、機械学習を用いた船舶の損失航跡データ推定システムを提供することにある。 Another object of the present invention is to reflect the existing wake data and to estimate the wake that reflects the actual ship motion characteristics, and therefore to estimate the wake that reflects the actual ship motion characteristics. An object of the present invention is to provide a ship lost track data estimation system using machine learning.
上記目的を達成するための機械学習を用いた船舶の損失航跡データ推定システムは、ＡＩＳを介して受信した当該船舶の航跡データを記録し、前記船舶に対する諸元を含むＡＩＳ航跡データベースと、前記ＡＩＳ航跡データベースに含まれている船舶の諸元から前記船舶の長さ、幅および喫水によって船舶の種類を区分する船舶種類分類部と、前記ＡＩＳ航跡データベースに格納された航跡データと前記船舶種類分類部によって分類された前記船舶の種類に応じて船舶の運動特性を学習する船舶運動特性学習部と、運用者から推定対象区間に対する情報の入力を受ける入力部と、前記船舶の当該推定対象区間が選択されると、前記推定対象区間に対する航跡候補集合を生成し、時系列予測航跡データを生成して前記航跡候補集合と前記時系列予測航跡データとの比較によって誤差を計算することにより最適航跡を決定する船舶航跡データ推定部とを含んで構成される。 The ship loss wake data estimation system using machine learning for achieving the above object records the ship wake data received through the AIS, includes an AIS wake database including specifications for the ship, and the AIS. A ship type classification unit that classifies the type of the ship according to the length, width, and draft of the ship from the specifications of the ship included in the wake database, the wake data stored in the AIS wake database, and the ship type classification unit The ship motion characteristic learning unit that learns the motion characteristic of the ship according to the type of the ship classified by: an input unit that receives input of information on the estimation target section from the operator; and the estimation target section of the ship is selected Then, a wake candidate set for the estimation target section is generated, time series predicted wake data is generated, and the wake candidate set and the time series are generated. Configured to include a ship track data estimator for determining an optimum track by calculating the error by comparing the measured track data.
ＡＩＳ航跡データベースは、当該船舶の船名、船舶の種類、船舶の諸元、ＡＩＳデータの受信時間、時間による船舶の位置情報、時間による船舶の速度情報、および時間による船舶の針路情報を含むように構成できる。 The AIS wake database includes the ship name, ship type, ship specifications, AIS data reception time, ship position information by time, ship speed information by time, and ship course information by time. Can be configured.
前記船舶種類分類部は、船舶の諸元に含まれる船舶の長さ、幅および喫水によって船舶を分類し、クラスタリングアルゴリズムを利用して分類するように構成できる。 The ship type classification unit may be configured to classify a ship based on the length, width, and draft of the ship included in the specifications of the ship, and classify the ship using a clustering algorithm.
船舶運動特性学習部は、船舶の運動特性を学習するために、前記ＡＩＳ航跡データベースから航跡データのシーケンス、航跡データの変化量を入力として受け取り、今後の航跡データ及び航跡データのシーケンスを出力するように構成できる。 The ship motion characteristic learning unit receives the sequence of wake data and the amount of change of wake data from the AIS wake database as input in order to learn the motion characteristics of the ship, and outputs future wake data and wake data sequence. Can be configured.
前記船舶航跡データ推定部は、入力部を介して入力された推定区間に対して前記船舶の船舶運動特性学習部の特性を満足させる開始点と終着点とを連結した線の集合である候補航跡集合を生成する候補集合生成部と、時間によって順次入力される以前の航跡データを学習して前記推定区間に対して航跡予測データを生成する時系列予測航跡データ生成部と、前記候補集合生成部によって生成された候補航跡集合と前記時系列予測航跡データ生成部によって生成された航跡予測データとの誤差値をそれぞれ計算する推定誤差計算部と、前記それぞれの誤差値を比較して、最小誤差を持つ候補航跡集合の中から候補航跡を選択して最適航跡として決定する最適航跡決定部とを含んで構成できる。 The ship wake data estimation unit is a candidate track that is a set of lines connecting start points and end points that satisfy the characteristics of the ship motion characteristic learning unit of the ship with respect to the estimation section input via the input unit. A candidate set generation unit for generating a set, a time-series prediction track data generation unit for generating track prediction data for the estimated section by learning track data previously input sequentially according to time, and the candidate set generation unit An estimated error calculation unit that calculates an error value between the candidate track set generated by the time series predicted track data generation unit and the track prediction data generated by the time-series predicted track data generation unit, and compares the respective error values to determine a minimum error. An optimum track determination unit that selects a candidate track from the set of candidate tracks that it has and determines it as the optimum track can be configured.
前記候補集合生成部は、ベジェ曲線（Ｂｅｚｉｅｒ ｃｕｒｖｅ）方法を用いて、ベジェ曲線の制御点（ｃｏｎｔｒｏｌ ｐｏｉｎｔ）を移動させて前記候補航跡を生成するように構成できる。 The candidate set generation unit may be configured to generate the candidate wake by moving a control point of a Bezier curve using a Bezier curve method.
前記時系列予測航跡データ生成部は、推定区間の開始点と終着点とを連結するにあたり、長短期メモリ（ＬＳＴＭ：Ｌｏｎｇ−Ｓｈｏｒｔ ｔｅｒｍ Ｍｅｍｏｒｙ）方式の再帰型神経網モデルを用いて、前記船舶の予想進路である前記航跡予測データを生成するように構成できる。 The time-series predicted track data generation unit uses a long-short-term memory (LSTM) type recursive neural network model to connect the start point and the end point of the estimated section. The wake prediction data which is an expected course can be generated.
したがって、本発明の機械学習を用いた船舶の損失航跡データ推定システムは、機械学習方法を用いて既存の航跡データを学習し、これを用いて航跡データを補間し、損失した航跡区間のデータを推定することにより、損失した航跡データまたは必要とする航跡データを復元することができるという効果がある。 Therefore, the ship lost track data estimation system using machine learning according to the present invention learns existing track data using a machine learning method, interpolates the track data using this, and uses the lost track section data as a result. By estimating, lost track data or necessary track data can be restored.
また、本発明の機械学習を用いた船舶の損失航跡データ推定システムは、既存の航跡データを反映して、実際船舶の運動特性が反映された航跡を推定することができるので、実際船舶の運動特性が反映された航跡を推定することができるという効果がある。 In addition, the ship loss wake data estimation system using machine learning according to the present invention reflects the existing wake data and can estimate the wake reflecting the motion characteristics of the actual ship. There is an effect that the wake reflecting the characteristics can be estimated.
以下、本発明の実施形態を図面を参照して詳細に説明する。 Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.
図１は本発明の一実施形態に係る機械学習を用いた船舶の損失航跡データ推定システムの構成を示すブロック構成図である。 FIG. 1 is a block diagram showing the configuration of a ship loss track data estimation system using machine learning according to an embodiment of the present invention.
図１を参照すると、本発明の船舶の損失航跡データ推定システムは、ＡＩＳ航跡データベース１００、船舶種類分類部２００、船舶運動特性学習部３００、入力部４００及び船舶航跡データ推定部５００を含んで構成される。
ＡＩＳ航跡データベース１００は、ＡＩＳを介して受信した当該船舶の航跡データを記録し、前記船舶に対する諸元を含む。下記表１は、ＡＩＳ航跡データベース１００に格納された内容の一例を示す表である。
Referring to FIG. 1, the ship loss track data estimation system of the present invention includes an AIS track database 100, a ship type classification unit 200, a ship motion characteristic learning unit 300, an input unit 400, and a ship track data estimation unit 500. Is done.
The AIS wake database 100 records wake data of the ship received via the AIS, and includes specifications for the ship. Table 1 below is a table showing an example of the contents stored in the AIS track database 100.
上記表１を参照すると、ＡＩＳ航跡データベース１００は、該当船舶の船名、船舶の種類、船舶諸元（長さ、幅、喫水）、ＡＩＳデータの受信時間、時間による船舶の位置情報、時間による船舶の速度情報、時間による船舶の針路情報を含んで構成できる。表１には、前述した情報についてのみ説明しているが、周知の如く、船舶の履歴のように他の情報が含まれてもよく追加されてもよい。 Referring to Table 1 above, the AIS wake database 100 is based on the ship name, ship type, ship specifications (length, width, draft), AIS data reception time, ship position information by time, and time. It can be configured including ship speed information and ship course information according to time. Although only the information described above is described in Table 1, as is well known, other information such as a ship history may be included or may be added.
船舶種類分類部２００は、ＡＩＳ航跡データベース１００に含まれている船舶の諸元から前記船舶の長さ、幅、および喫水によって船舶の種類を区分する。これは、船舶の形態によってその運動特性が異なるため、これを分類して学習モデルを生成するのである。すなわち、船舶を分類する基準として船舶の長さ、幅、喫水を使用し、学習データに含まれているすべての船舶諸元情報をＫ−平均アルゴリズム（ｋ−ｍｅａｎｓ）などのクラスタリングアルゴリズムを利用して自動的に分類するように構成した。分類された船舶の種類に応じて学習モデルを構成し、学習を行う。 The ship type classification unit 200 classifies the type of ship according to the length, width, and draft of the ship from the specifications of the ship included in the AIS wake database 100. This is because the motion characteristics differ depending on the form of the ship, and this is classified to generate a learning model. That is, the length, width, and draft of the ship are used as a standard for classifying the ship, and all ship specification information included in the learning data is used using a clustering algorithm such as a K-means algorithm (k-means). It was configured to automatically classify. A learning model is constructed according to the type of classified ship and learning is performed.
船舶運動特性学習部３００は、ＡＩＳ航跡データベース１００に格納された航跡データと、前記船舶種類分類部２００によって分類された前記船舶の種類に応じて船舶の運動特性を学習する。例えば、入力部４００を介して入力された推定対象区間以前の航跡データをＡＩＳ航跡データベース１００から受け取り、船舶の諸元、例えば船舶の長さ、幅、喫水情報を受信して船舶の運動特性をＬＳＴＭを利用して学習する。船舶運動特性学習部３００は、船舶の運動特性を学習するために、前記ＡＩＳ航跡データベース１００から航跡データのシーケンス、航跡データの変化量を入力として受け、今後の航跡データ及び航跡データのシーケンスを出力し、出力された今後の航跡データ及び航跡データのシーケンスは、船舶航跡データ追跡部５００によって航跡を追跡するための情報として活用される。 The ship motion characteristic learning unit 300 learns the ship motion characteristics according to the track data stored in the AIS track database 100 and the type of the ship classified by the ship type classification unit 200. For example, the wake data before the estimation target section input via the input unit 400 is received from the AIS wake database 100, and the ship characteristics such as the ship length, width, and draft information are received to obtain the ship motion characteristics. Learning using LSTM. The ship motion characteristic learning unit 300 receives the wake data sequence and the change amount of the wake data from the AIS wake database 100 and outputs the future wake data and the wake data sequence in order to learn the ship motion characteristics. The outputted future track data and the sequence of the track data are used as information for tracking the track by the ship track data tracking unit 500.
図２は本発明の一実施形態に係る図１の船舶運動特性学習部が機械学習する過程の一例を示す図である。 FIG. 2 is a diagram illustrating an example of a process in which the ship motion characteristic learning unit of FIG. 1 performs machine learning according to an embodiment of the present invention.
入力部４００は、運用者から推定対象区間の情報の入力を受ける。図２に示すように、推定区間対象情報は、開始点がｔ−３であれば、終着点はｔ−１になることができる。 The input unit 400 receives input of information on the estimation target section from the operator. As shown in FIG. 2, if the start point of the estimated section target information is t−3, the end point can be t−1.
船舶航跡データ追跡部５００は、船舶の該当推定対象区間が入力部４００を介して選択されると、前記推定対象区間に対する航跡候補集合を生成し、時系列予測航跡データを生成して前記航跡候補集合と前記時系列予測航跡データとの比較によって誤差を計算することにより、最適航跡を決定する。船舶航跡データ追跡部について、後述する図３を参照してより詳細に説明する。 When a corresponding estimation target section of the ship is selected via the input unit 400, the ship wake data tracking unit 500 generates a wake candidate set for the estimation target section, generates time-series predicted wake data, and generates the wake candidate. The optimum track is determined by calculating an error by comparing the set with the time-series predicted track data. The ship wake data tracking unit will be described in more detail with reference to FIG.
図３は本発明の一実施形態に係る図１の船舶航跡データ推定部の構成を示すブロック構成図である。 FIG. 3 is a block configuration diagram showing the configuration of the ship wake data estimation unit of FIG. 1 according to an embodiment of the present invention.
図３を参照すると、船舶航跡データ推定部５００は、候補集合生成部５１０、時系列予測航跡データ生成部５２０、推定誤差計算部５３０、及び最適航跡決定部５４０を含んで構成される。 Referring to FIG. 3, the ship wake data estimation unit 500 includes a candidate set generation unit 510, a time-series predicted wake data generation unit 520, an estimation error calculation unit 530, and an optimum track determination unit 540.
まず、候補集合生成部５１０は、入力部４００を介して入力された推定区間に対して前記船舶の船舶運動特性学習部の特性を満足させる開始点ｔ−３と終着点ｔ−１とを連結した線の集合である候補航跡を生成する。 First, the candidate set generation unit 510 connects a start point t-3 and an end point t-1 that satisfy the characteristics of the ship motion characteristic learning unit of the ship with respect to the estimation section input via the input unit 400. A candidate wake that is a set of lines is generated.
図４は本発明の一実施形態に係る図１の船舶航跡データ推定部が推定対象区間の航跡候補集合を生成する例を示す図である。 FIG. 4 is a diagram illustrating an example in which the ship wake data estimation unit of FIG. 1 according to an embodiment of the present invention generates a wake candidate set for the estimation target section.
図４を参照すると、開始点ｔ−３から終着点ｔ−１まで３つの航跡候補集合が生成されている。図面では、３つの航跡候補のみを開示しているが、さらに多い数の航跡候補が集合形態で生成できる。 Referring to FIG. 4, three wake candidate sets are generated from the start point t-3 to the end point t-1. Although only three wake candidates are disclosed in the drawing, a larger number of wake candidates can be generated in a collective form.
図５は本発明の一実施形態に係る図１の船舶航跡データ推定部が制御点を移動して候補航跡を生成する例を示す図である。 FIG. 5 is a diagram illustrating an example in which the ship wake data estimation unit of FIG. 1 according to an embodiment of the present invention generates a candidate wake by moving control points.
図５を参照すると、候補集合生成部５１０は、推定区間の開始点ｔ−３と終着点ｔ−１とを連結するにあたり、ベジェ曲線（Ｂｅｚｉｅｒ ｃｕｒｖｅ）方法を用いてベジェ曲線の制御点（ｃｏｎｔｒｏｌ ｐｏｉｎｔ）を移動させて前記候補航跡を生成するように構成できる。 Referring to FIG. 5, the candidate set generation unit 510 uses a Bezier curve method to connect a control point of a Bezier curve (control) when connecting a start point t-3 and an end point t-1 of an estimation interval. The candidate wake may be generated by moving the point).
時系列予測航跡データ生成部５２０は、時間によって順次入力される以前の航跡データを学習して前記推定区間に対して航跡予測データを生成する。 The time-series predicted track data generation unit 520 learns track data before being sequentially input according to time, and generates track prediction data for the estimated section.
前記時系列予測航跡データ生成部５２０は、推定区間の開始点ｔ−３と終着点ｔ−１とを連結するにあたり、長短期メモリ（ＬＳＴＭ：Ｌｏｎｇ−Ｓｈｏｒｔ ｔｅｒｍ Ｍｅｍｏｒｙ）方式の再帰型神経網モデルを用いて、前記船舶の予想進路である前記航跡予測データを生成するように構成される。 The time-series predicted track data generation unit 520 uses a long-short-term memory (LSTM) type recursive neural network model to connect the start point t-3 and the end point t-1 of the estimation section. Is used to generate the wake prediction data that is the expected course of the ship.
図６は本発明の一実施形態に係る図１の船舶航跡データ推定部が長短期メモリ方式の再帰型神経網を用いて航跡予測データを生成することを示す図である。 FIG. 6 is a diagram showing that the ship wake data estimation unit of FIG. 1 according to an embodiment of the present invention generates wake prediction data using a long-short-term memory type recursive neural network.
図６を参照すると、船舶運動特性学習部３００によって学習された航跡データのシーケンスを用いて航跡予測データを生成する。長短期メモリ（ＬＳＴＭ：Ｌｏｎｇ−Ｓｈｏｒｔ ｔｅｒｍ Ｍｅｍｏｒｙ）方式の再帰型神経網モデルを用いて、前記船舶の予想進路である前記航跡予測データを生成することができる。すなわち、航跡予測データは、船舶運動特性学習部３００によって学習された船舶の運動特性を適用させて生成される。 Referring to FIG. 6, wake prediction data is generated using a wake data sequence learned by the ship motion characteristic learning unit 300. The track prediction data, which is the predicted course of the ship, can be generated using a long-short-term memory (LSTM) type recursive neural network model. That is, the wake prediction data is generated by applying the ship motion characteristics learned by the ship motion characteristics learning unit 300.
推定誤差計算部５３０は、候補集合生成部５１０によって生成された候補航跡集合と時系列予測航跡データ生成部５２０によって生成された航跡予測データとの誤差値をそれぞれ計算する。 The estimation error calculation unit 530 calculates an error value between the candidate track set generated by the candidate set generation unit 510 and the track prediction data generated by the time-series prediction track data generation unit 520, respectively.
前記それぞれの誤差値を比較して、最小誤差を持つ候補航跡を選択して最適航跡として決定する最適航跡決定部を含んで構成できる。 An optimum track determination unit that compares the respective error values, selects a candidate track having the minimum error, and determines the candidate track as the optimum track can be included.
図７は本発明の一実施形態に係る図１の船舶航跡データ推定部が距離誤差を測定する例を示す図である。 FIG. 7 is a diagram illustrating an example in which the ship wake data estimation unit of FIG. 1 according to an embodiment of the present invention measures a distance error.
図７を参照すると、推定誤差計算部５３０が航跡候補集合の予測曲線と航跡予測データとを減算すると、最適航跡決定部５４０は、誤差値が最も小さい値を持つ航跡候補集合の当該予測曲線を最適航路として決定する。 Referring to FIG. 7, when the estimation error calculation unit 530 subtracts the prediction curve of the track candidate set and the track prediction data, the optimal track determination unit 540 calculates the prediction curve of the track candidate set having the smallest error value. Determine the optimum route.
前記本発明の内容は、図面に示された実施形態を参考に説明されたが、これは例示的なものに過ぎず、本技術分野における通常の知識を有する者であれば、これから様々な変形及び均等な他の実施形態が可能であることを理解するだろう。よって、本発明の真正な技術的保護範囲は、添付された特許請求の範囲の技術的思想によって定められるべきである。 The contents of the present invention have been described with reference to the embodiment shown in the drawings. However, this is merely an example, and various modifications can be made by those having ordinary skill in the art. It will be understood that other equivalent embodiments are possible. Therefore, the true technical protection scope of the present invention should be determined by the technical idea of the appended claims.
１００ ＡＩＳ航跡データベース
２００ 船舶種類分類部
３００ 船舶運動特性学習部
４００ 入力部
５００ 船舶航跡データ推定部
５１０ 候補集合生成部
５２０ 時系列予測航跡データ生成部
５３０ 推定誤差計算部
５４０ 最適航跡決定部
DESCRIPTION OF SYMBOLS 100 AIS wake database 200 Ship type classification | category part 300 Ship motion characteristic learning part 400 Input part 500 Ship wake data estimation part 510 Candidate set production | generation part 520 Time series prediction wake data generation part 530 Estimation error calculation part 540 Optimal track decision part
前記時系列予測航跡データ生成部は、推定区間の開始点と終着点とを連結するにあたり、長短期メモリ（ＬＳＴＭ：Ｌｏｎｇ Ｓｈｏｒｔ−Ｔｅｒｍ Ｍｅｍｏｒｙ）方式の再帰型神経網モデルを用いて、前記船舶の予想進路である前記航跡予測データを生成するように構成できる。 The time-series prediction track data generating unit, when connecting the starting point and the end point of the estimation interval, short- and long-term memory (LSTM: Lon g S hor t -T erm Memory) using a recursive neural network model method The wake prediction data which is the expected course of the ship can be generated.
前記時系列予測航跡データ生成部５２０は、推定区間の開始点ｔ−３と終着点ｔ−１とを連結するにあたり、長短期メモリ（ＬＳＴＭ：Ｌｏｎｇ Ｓｈｏｒｔ−Ｔｅｒｍ Ｍｅｍｏｒｙ）方式の再帰型神経網モデルを用いて、前記船舶の予想進路である前記航跡予測データを生成するように構成される。 The time-series prediction track data generating unit 520, upon connecting and the end point t-1 start point t-3 estimation section, short- and long-term memory (LSTM: Lon g S hor t -T erm Memory) system recursion The wake prediction data, which is the expected course of the ship, is generated using a neural network model.
図６を参照すると、船舶運動特性学習部３００によって学習された航跡データのシーケンスを用いて航跡予測データを生成する。長短期メモリ（ＬＳＴＭ：Ｌｏｎｇ Ｓｈｏｒｔ−Ｔｅｒｍ Ｍｅｍｏｒｙ）方式の再帰型神経網モデルを用いて、前記船舶の予想進路である前記航跡予測データを生成することができる。すなわち、航跡予測データは、船舶運動特性学習部３００によって学習された船舶の運動特性を適用させて生成される。 Referring to FIG. 6, wake prediction data is generated using a wake data sequence learned by the ship motion characteristic learning unit 300. Long- and short-term memory (LSTM: Lon g S hor t -T erm Memory) using a recursive neural network model method, it is possible to generate the track prediction data is predicted course of the ship. That is, the wake prediction data is generated by applying the ship motion characteristics learned by the ship motion characteristics learning unit 300.
Claims (6)
前記ＡＩＳ航跡データベースに含まれている船舶の諸元から前記船舶の長さ、幅および喫水によって船舶の種類を区分する船舶種類分類部と、
前記ＡＩＳ航跡データベースに格納された航跡データと前記船舶種類分類部によって分類された前記船舶の種類に応じて船舶の運動特性を学習する船舶運動特性学習部と、
運用者から推定対象区間に対する情報の入力を受ける入力部と、
前記船舶の当該推定対象区間が選択されると、前記推定対象区間に対する航跡候補集合を生成し、時系列予測航跡データを生成して前記航跡候補集合と前記時系列予測航跡データとの比較によって誤差を計算して最適航跡を決定する船舶航跡データ推定部とを含み、
前記船舶航跡データ推定部は、
入力部から入力された推定区間に対して前記船舶の船舶運動特性学習部の特性を満足させる開始点と終着点とを連結した線の集合である候補航跡集合を生成する候補集合生成部と、
時間によって順次入力される以前の航跡データを学習して前記推定区間に対して航跡予測データを生成する時系列予測航跡データ生成部と、
前記候補集合生成部によって生成された候補航跡集合と前記時系列予測航跡データ生成部によって生成された航跡予測データとの誤差値をそれぞれ計算する推定誤差計算部と、
前記それぞれの誤差値を比較して、最小誤差を持つ候補航跡集合の中から候補航跡を選択して最適航跡として決定する最適航跡決定部とを含んでなる、機械学習を用いた船舶の損失航跡データ推定システム。 Records the wake data of the ship received via the AIS, and includes an AIS wake database including specifications for the ship;
A ship type classification unit that classifies the type of ship according to the length, width and draft of the ship from the specifications of the ship included in the AIS wake database;
A ship motion characteristic learning unit that learns a motion characteristic of a ship according to track data stored in the AIS track database and the type of the ship classified by the ship type classification unit;
An input unit that receives input of information on an estimation target section from an operator;
When the estimation target section of the ship is selected, a track candidate set for the estimation target section is generated, time-series predicted track data is generated, and an error is determined by comparing the track candidate set and the time-series predicted track data. A ship wake data estimator that calculates the optimal wake by calculating
The ship wake data estimation unit
A candidate set generation unit that generates a candidate track set that is a set of lines connecting a start point and an end point that satisfy the characteristics of the ship motion characteristic learning unit of the ship with respect to the estimation section input from the input unit;
A time-series predicted track data generation unit that learns previous track data sequentially input by time and generates track prediction data for the estimated section;
An estimation error calculation unit for calculating an error value between the candidate track set generated by the candidate set generation unit and the track prediction data generated by the time-series prediction track data generation unit;
A loss track of a ship using machine learning, comprising: an optimum track determination unit that compares the respective error values, selects a candidate track from a set of candidate tracks having a minimum error, and determines the optimum track as an optimum track Data estimation system.
当該船舶の船名、船舶の種類、船舶の諸元、ＡＩＳデータの受信時間、時間による船舶の位置情報、時間による船舶の速度情報、および時間による船舶の針路情報を含む、請求項１に記載の機械学習を用いた船舶の損失航跡データ推定システム。 The AIS wake database is
The ship name of the said ship, the kind of ship, the specification of a ship, the reception time of AIS data, the position information of the ship by time, the speed information of the ship by time, and the course information of the ship by time Loss wake data estimation system using ship machine learning.
船舶の諸元に含まれる船舶の長さ、幅および喫水によって船舶を分類し、クラスタリングアルゴリズムを利用して分類するように構成される、請求項１に記載の機械学習を用いた船舶の損失航跡データ推定システム。 The vessel type classification unit
The loss wake of a ship using machine learning according to claim 1, wherein the ship is classified according to a length, a width and a draft of a ship included in the specifications of the ship, and is classified using a clustering algorithm. Data estimation system.
船舶の運動特性を学習するために、前記ＡＩＳ航跡データベースから航跡データのシーケンス、航跡データの変化量を入力として受け、今後の航跡データ及び航跡データのシーケンスを出力するように構成される、請求項１に記載の機械学習を用いた船舶の損失航跡データ推定システム。 The ship motion characteristics learning unit
Claims configured to receive a sequence of wake data from the AIS wake database and a change amount of the wake data as input and to output future wake data and a sequence of wake data to learn the motion characteristics of the ship. A ship wake data estimation system using machine learning according to 1.
ベジェ曲線（Ｂｅｚｉｅｒ ｃｕｒｖｅ）方法を用いてベジェ曲線の制御点（ｃｏｎｔｒｏｌ ｐｏｉｎｔ）を移動させて前記候補航跡を生成するように構成される、請求項１に記載の機械学習を用いた船舶の損失航跡データ推定システム。 The candidate set generation unit
The loss track of a ship using machine learning according to claim 1, configured to generate the candidate track by moving a control point of a Bezier curve using a Bezier curve method. Data estimation system.
推定区間の開始点と終着点とを連結するにあたり、長短期メモリ（ＬＳＴＭ：Ｌｏｎｇ−Ｓｈｏｒｔ ｔｅｒｍ Ｍｅｍｏｒｙ）方式の再帰型神経網モデルを用いて、前記船舶の予想進路である前記航跡予測データを生成する、請求項１に記載の機械学習を用いた船舶の損失航跡データ推定システム。 The time-series predicted track data generation unit
When connecting the start point and the end point of the estimated section, the track prediction data, which is the expected course of the ship, is generated using a long-short-term memory (LSTM) type recursive neural network model A ship lost track data estimation system using machine learning according to claim 1.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180043261A KR101951142B1 (en) | 2018-04-13 | 2018-04-13 | System for estimating loss data of a ship using machine learning |
| KR10-2018-0043261 | 2018-04-13 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2019185785A true JP2019185785A (en) | 2019-10-24 |
| JP6633795B2 JP6633795B2 (en) | 2020-01-22 |
Family
ID=65585186
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019075253A Active JP6633795B2 (en) | 2018-04-13 | 2019-04-11 | Ship Loss Track Data Estimation System Using Machine Learning |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP6633795B2 (en) |
| KR (1) | KR101951142B1 (en) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111272171A (en) * | 2020-04-07 | 2020-06-12 | 上海船舶研究设计院（中国船舶工业集团公司第六0四研究院） | Ship track prediction method and device |
| CN111583722A (en) * | 2020-04-23 | 2020-08-25 | 大连理工大学 | Ship navigation characteristic and preference analysis method based on AIS data |
| CN111637895A (en) * | 2020-05-11 | 2020-09-08 | 北京控制工程研究所 | Navigation observation target selection method based on Q learning |
| CN112132346A (en) * | 2020-09-24 | 2020-12-25 | 中国科学院空天信息创新研究院 | Ship navigation track prediction method based on ship type |
| JP2021163437A (en) * | 2020-04-02 | 2021-10-11 | コリア インスティテュート オブ オーシャン サイエンス テクノロジー | Device and method for generating movement path network of vessel |
| CN113887590A (en) * | 2021-09-22 | 2022-01-04 | 中国电子科技集团公司第二十九研究所 | Target typical track and area analysis method |
| CN114152257A (en) * | 2021-10-21 | 2022-03-08 | 南京航空航天大学 | Ship prediction navigation method based on attention mechanism and environment perception LSTM |
| DE112020004888T5 (en) | 2019-10-09 | 2022-06-30 | Ihi Corporation | Drain structure and turbocharger |
| CN115346399A (en) * | 2022-07-23 | 2022-11-15 | 交通运输部规划研究院 | Bridge ship collision prevention early warning system based on phased array radar, AIS and LSTM network |
| CN116343533A (en) * | 2023-05-26 | 2023-06-27 | 广州海洋地质调查局三亚南海地质研究所 | Marine survey ship monitoring and early warning method, system, equipment and medium |
| CN116894527A (en) * | 2023-09-11 | 2023-10-17 | 中国船舶集团有限公司第七一九研究所 | Equipment storage system for predicting ship running state |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102216141B1 (en) * | 2019-11-29 | 2021-02-16 | 국방과학연구소 | Method and apparatus for determining on/off mode of base station in a multiple base station massive mimo system |
| CN111563072A (en) * | 2020-04-15 | 2020-08-21 | 交通运输部水运科学研究所 | AIS information-based ship real-time accurate position acquisition method |
| KR102537889B1 (en) * | 2020-12-22 | 2023-05-26 | 충북대학교 산학협력단 | Method And Apparatus for Visualizing Shadow Zone of AIS Signal |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120047656A (en) * | 2010-11-04 | 2012-05-14 | 목포대학교산학협력단 | Vessle's data management system |
| JP2015036832A (en) * | 2013-08-12 | 2015-02-23 | 株式会社日立ソリューションズ | Data complementary device, data complementary method, and data complementary program |
| JP2015135545A (en) * | 2014-01-16 | 2015-07-27 | 株式会社日立ソリューションズ | Classification device and method |
| WO2017007221A1 (en) * | 2015-07-07 | 2017-01-12 | 한국해양과학기술원 | Ship-collision avoidance guiding system using time series graphic display |
| JP2017194902A (en) * | 2016-04-22 | 2017-10-26 | 富士通株式会社 | Track data display program, track data display method, and track data display device |
| US20180025644A1 (en) * | 2016-07-22 | 2018-01-25 | Mokpo National Maritime University Industry-Academic Corporation Foundation | Method and apparatus for monitoring marine traffic |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101029048B1 (en) | 2009-02-20 | 2011-04-18 | 국방과학연구소 | Method for estimating characteristic of the other signal using a correlation model in acoustic and video signal characteristic to air bubble wake of a ship |
| KR20140108068A (en) * | 2013-02-28 | 2014-09-05 | (주)지엠티 | Intelligent Safety Navigation Support System and It's Method Through the Analysis of Real-Time Location Information |
| JP6154540B2 (en) * | 2014-02-25 | 2017-06-28 | 古野電気株式会社 | Ship characteristic estimation device |
-
2018
- 2018-04-13 KR KR1020180043261A patent/KR101951142B1/en active IP Right Grant
-
2019
- 2019-04-11 JP JP2019075253A patent/JP6633795B2/en active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120047656A (en) * | 2010-11-04 | 2012-05-14 | 목포대학교산학협력단 | Vessle's data management system |
| JP2015036832A (en) * | 2013-08-12 | 2015-02-23 | 株式会社日立ソリューションズ | Data complementary device, data complementary method, and data complementary program |
| JP2015135545A (en) * | 2014-01-16 | 2015-07-27 | 株式会社日立ソリューションズ | Classification device and method |
| WO2017007221A1 (en) * | 2015-07-07 | 2017-01-12 | 한국해양과학기술원 | Ship-collision avoidance guiding system using time series graphic display |
| JP2017194902A (en) * | 2016-04-22 | 2017-10-26 | 富士通株式会社 | Track data display program, track data display method, and track data display device |
| US20180025644A1 (en) * | 2016-07-22 | 2018-01-25 | Mokpo National Maritime University Industry-Academic Corporation Foundation | Method and apparatus for monitoring marine traffic |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE112020004888T5 (en) | 2019-10-09 | 2022-06-30 | Ihi Corporation | Drain structure and turbocharger |
| JP7048661B2 (en) | 2020-04-02 | 2022-04-05 | コリア インスティテュート オブ オーシャン サイエンス テクノロジー | Ship movement route network generator and method |
| JP2021163437A (en) * | 2020-04-02 | 2021-10-11 | コリア インスティテュート オブ オーシャン サイエンス テクノロジー | Device and method for generating movement path network of vessel |
| CN111272171B (en) * | 2020-04-07 | 2023-05-30 | 上海船舶研究设计院（中国船舶工业集团公司第六0四研究院） | Ship track prediction method and device |
| CN111272171A (en) * | 2020-04-07 | 2020-06-12 | 上海船舶研究设计院（中国船舶工业集团公司第六0四研究院） | Ship track prediction method and device |
| CN111583722A (en) * | 2020-04-23 | 2020-08-25 | 大连理工大学 | Ship navigation characteristic and preference analysis method based on AIS data |
| CN111637895B (en) * | 2020-05-11 | 2021-10-01 | 北京控制工程研究所 | Navigation observation target selection method based on Q learning |
| CN111637895A (en) * | 2020-05-11 | 2020-09-08 | 北京控制工程研究所 | Navigation observation target selection method based on Q learning |
| CN112132346A (en) * | 2020-09-24 | 2020-12-25 | 中国科学院空天信息创新研究院 | Ship navigation track prediction method based on ship type |
| CN112132346B (en) * | 2020-09-24 | 2024-04-19 | 中国科学院空天信息创新研究院 | Ship navigation track prediction method based on ship type |
| CN113887590A (en) * | 2021-09-22 | 2022-01-04 | 中国电子科技集团公司第二十九研究所 | Target typical track and area analysis method |
| CN114152257A (en) * | 2021-10-21 | 2022-03-08 | 南京航空航天大学 | Ship prediction navigation method based on attention mechanism and environment perception LSTM |
| CN115346399A (en) * | 2022-07-23 | 2022-11-15 | 交通运输部规划研究院 | Bridge ship collision prevention early warning system based on phased array radar, AIS and LSTM network |
| CN115346399B (en) * | 2022-07-23 | 2024-01-19 | 交通运输部规划研究院 | Bridge ship collision prevention early warning system based on phased array radar, AIS and LSTM network |
| CN116343533A (en) * | 2023-05-26 | 2023-06-27 | 广州海洋地质调查局三亚南海地质研究所 | Marine survey ship monitoring and early warning method, system, equipment and medium |
| CN116894527A (en) * | 2023-09-11 | 2023-10-17 | 中国船舶集团有限公司第七一九研究所 | Equipment storage system for predicting ship running state |
| CN116894527B (en) * | 2023-09-11 | 2023-11-24 | 中国船舶集团有限公司第七一九研究所 | Equipment storage system for predicting ship running state |
Also Published As
| Publication number | Publication date |
|---|---|
| KR101951142B1 (en) | 2019-02-21 |
| JP6633795B2 (en) | 2020-01-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6633795B2 (en) | Ship Loss Track Data Estimation System Using Machine Learning | |
| Hexeberg et al. | AIS-based vessel trajectory prediction | |
| CN110309383B (en) | Ship track clustering analysis method based on improved DBSCAN algorithm | |
| CN113553682B (en) | Data-driven multi-level ship route network construction method | |
| CN112967527B (en) | Ferry collision risk assessment method, system, device and medium | |
| KR102056777B1 (en) | Method And Apparatus for Predicting Vessel Destination by Using Port Data based on Deep Learning Algorithm | |
| CN104091470B (en) | A kind of navigation channel traffic information predicting method and application based on multi-data fusion | |
| Yan et al. | Vessel movement analysis and pattern discovery using density-based clustering approach | |
| CN103531043A (en) | Point-to-point ship sailing time estimation method based on ship route matching | |
| Nguyen et al. | The interpolation method for the missing AIS data of ship | |
| CN115410420B (en) | Ship safe navigation management method and system | |
| Xu et al. | Trajectory clustering for SVR-based Time of Arrival estimation | |
| Fossen et al. | Extended kalman filter design and motion prediction of ships using live automatic identification system (ais) data | |
| WO2018149901A1 (en) | Route planning of a vessel | |
| Sánchez-Heres | Simplification and event identification for AIS trajectories: the equivalent passage plan method | |
| CN113283653A (en) | Ship track prediction method based on machine learning and AIS data | |
| Xu et al. | Improved vessel trajectory prediction model based on stacked-bigrus | |
| Schöller et al. | Trajectory prediction for marine vessels using historical ais heatmaps and long short-term memory networks | |
| Vestre et al. | AIS-based near-collision database generation and analysis of real collision avoidance manoeuvres | |
| Donandt et al. | Short-term inland vessel trajectory prediction with encoder-decoder models | |
| Tengesdal et al. | Joint stochastic prediction of vessel kinematics and destination based on a maritime traffic graph | |
| WO2020161843A1 (en) | Ship behavior analyzing device, ship behavior analyzing method, and non-transitory computer-readable medium | |
| Neumann | Good choice of transit vessel route using Dempster-Shafer Theory | |
| CN115587308A (en) | Method and device for determining navigation channel, electronic equipment and storage medium | |
| Chen et al. | Anomaly detection and restoration for ais raw data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190411 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20190411 |
|
| A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20190426 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190604 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190820 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20191126 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191212 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6633795 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |