考虑对地航速和航向的船舶典型轨迹提取方法

基于船舶自动识别系统(Automatic Identification System, AIS)数据的船舶典型轨迹挖掘需要经过两个重要步骤，一是压缩 AIS 数据，二是聚类压缩后的 AIS 数据。传统的DP(DouglasPeucker)压缩算法，只考虑船舶轨迹的压缩形状，忽视了船舶航行中其他重要信息。为解决此问题，把对地航速和航向加入到DP算法的压缩过程中。在AIS轨迹聚类方面，传统谱聚类方法只对船舶轨迹的位置进行相似性度量，没有考虑船舶轨迹的其他维度，针对此问题，提出多属性轨迹相似性度量方法。由于不同的输入参数影响着最终的聚类质量，引入Calinski-Harabasz指标评价谱聚类算法，实现聚类参数的自适应选择。利用山东威海水域的实际AIS数据进行实例研究，并与传统谱聚类算法做比较实验。实验结果表明，利用该方法提取到的典型轨迹符合真实水域的交通情况，相较于传统谱聚类方法具有更高的聚类质量。     

基于车辆行驶轨迹的道路不良驾驶行为实时辨识方法

为了提高道路交通安全主动防控能力, 以小汽车行驶轨迹数据为研究对象, 研究了不良驾驶行为的实时辨识问题; 基于无人机拍摄交通流视频提取海量车辆行驶轨迹数据; 提出了应用风险度量方法量化典型不良驾驶行为的理论; 使用大样本统计分布方法确定不良驾驶行为的特征参数阈值; 建立了结合交通环境信息的不良驾驶行为谱, 计算了不良驾驶行为谱特征值; 以车辆不良驾驶行为谱特征值为依据标定不良车辆样本; 以部分驾驶行为谱参数为输入, 使用不平衡类提升的人工智能算法建立了不良驾驶行为辨识模型; 为了验证方法的有效性, 使用无人机交通视频采集了上海市的车辆行驶轨迹数据, 分析了小汽车不良跟驰行为特征。分析结果表明: 使用四分位差法得到不良跟驰特征参数的阈值为0.19 s-1, 大部分样本处于正常跟驰状态, 约2%样本处于不良跟驰状态; 基于每辆车行驶轨迹中正常跟驰状态和不良跟驰状态的比例, 使用95%分位数将8 917 veh小汽车样本划分为不良跟驰车辆445 veh与正常跟驰车辆8 472 veh; 不平衡类提升算法CUSBoost辨识不良跟驰车辆达到了94.4%的召回率和85.9%的精确率, 平衡分数和精确率-召回率曲线下的面积为所有算法中最高。可见, 不良驾驶行为谱作为一种客观的不良驾驶行为量化表达方法, 与人工智能方法结合可以生成海量的不良驾驶行为谱库; 不平衡类提升算法可以解决不良驾驶行为数据的不平衡问题, 与常规算法相比具有更好的不良驾驶行为辨识能力。      

面向多目标跟踪的密集行人群轨迹提取和运动语义感知

针对基于视频监控的密集行人群识别难度大，运动轨迹提取困难，运动语义信息挖掘不足 等问题，本文提出基于多目标跟踪FairMOT框架及K-means聚类的行人轨迹捕获和运动语义信 息感知方法。首先，利用多目标跟踪算法提取视频中行人群目标过街时的运动轨迹特征向量；然 后，通过分析轨迹坐标的数值分布特点，设计了一种协方差滤波算法STCCF，以检测和剔除“准静 态轨迹”，得到行人群目标运动轨迹簇；最后，针对已提取的轨迹簇，应用K-means聚类方法，选取 S系数(Silhouette Coefficient)和DB指数(Davies Bouldin Index)两个指标，感知行人聚集和消散点 等场景语义特征。实验分析表明，算法从提取到的2689条轨迹中辨识出179条“准静态轨迹”，检 出率为81.73%；视频场景中的行人目标源点和消失点的解析结果与人工辨识结果吻合，验证了密 集行人群轨迹提取和运动语义信息感知方法的有效性。本文研究可为数据驱动的行为预测和轨 迹建模提供基础。     

基于AIS数据的船舶安全航行水深参考图

通过挖掘海量AIS数据, 提出了一种新的航道水深信息获取方法, 即构建船舶安全航行水深参考图; 采用数据预处理的方法对历史与在线的AIS数据进行清洗和修补, 生成船舶运动轨迹; 选定船舶航行区域的时间与经纬度, 采用K-means聚类算法对船舶航行过程中的吃水数据进行聚类分析, 得到不同安全航行区域的船舶分类, 运用BP神经网络模型预测并补齐AIS数据中缺失的船舶最大吃水信息; 分割船舶历史轨迹, 当子轨迹的时间间隔在10~20min时, 采用Spline插值方法对船舶轨迹中的丢失数据进行插值; 采用凸包构建同类船舶的安全航行水深区域图, 将不同吃水类型船舶的安全航行水深区域图合并, 得到船舶安全航行水深合并图; 将不同吃水类型的船舶安全航行水深合并图与航道图叠加, 得到船舶安全航行水深参考图。试验结果表明: 当聚类算法参数设置为4时, 聚类后得到4类船舶, 对应的船舶最大吃水范围分别为0.1~4.8、4.8~6.6、6.6~10.0、10.0~13.0m, 对应的至少可通航船舶吃水分别为1.8、2.4、3.3、5.0m, 说明船舶最大吃水与至少可通航船舶吃水呈正相关关系; 构建的船舶安全航行水深参考图在电子航道图中覆盖了86%的航道, 并与航道图的深水部分重合率为80%, 因此, 构建的船舶安全航行水深参考图能反映航道水深的真实情况, 满足不同类别船舶的导航需求。      

基于时空相似度聚类的热点载客路径挖掘

出租车的载客轨迹直接体现了车辆的行驶状态和居民的出行规律,热点载客路径的挖掘为交通管理与规划,居民行为模式发现及出租车载客推荐等具有重要价值. 本文以兰州市3 000 辆出租车载客轨迹为研究对象,提出了基于时空相似性聚类的热点载客路径挖掘算法. 首先,根据出租车的GPS轨迹数据提取出载客轨迹及其核心轨迹;然后,根据提出的相似性度量算法计算核心轨迹的空间相似性、时间相似性及时空相似性,并结合DBSCAN聚类算法对载客轨迹进行聚类;最后,根据聚类结果获取城市热点载客路径的空间分布,并分析了其在工作日和非工作日的差异. 实验结果表明,本文提出的挖掘算法能有效、快速地发现城市热点载客路径的分布.     

基于时空相似度聚类的热点载客路径挖掘

出租车的载客轨迹直接体现了车辆的行驶状态和居民的出行规律,热点载客路径的挖掘为交通管理与规划,居民行为模式发现及出租车载客推荐等具有重要价值. 本文以兰州市3 000 辆出租车载客轨迹为研究对象,提出了基于时空相似性聚类的热点载客路径挖掘算法. 首先,根据出租车的GPS轨迹数据提取出载客轨迹及其核心轨迹;然后,根据提出的相似性度量算法计算核心轨迹的空间相似性、时间相似性及时空相似性,并结合DBSCAN聚类算法对载客轨迹进行聚类;最后,根据聚类结果获取城市热点载客路径的空间分布,并分析了其在工作日和非工作日的差异. 实验结果表明,本文提出的挖掘算法能有效、快速地发现城市热点载客路径的分布.     

基于轨迹特征的船舶停留行为识别与分类

为准确评估大规模轨迹数据中的船舶停留活动，构建了两阶段船舶轨迹停留点提取策略，提出了特征驱动的船舶停留行为识别与自动分类方法；以距离、时间和轨迹点数量为约束条件构建了规则模型，检测了原始轨迹中的停留候选轨迹，引入孤立森林算法检测和去除异常离群点，提取了高聚集度的船舶停留轨迹集合；基于船舶靠泊和锚泊的时空特征，定义了轨迹点重复率、相邻点平均距离和最远点对距离3个指标，构建了新的轨迹相似性度量模型，量化了船舶停留轨迹点的分布特征和聚合程度，并利用K近邻算法完成了船舶锚泊行为与靠泊行为的自动分类；采用提出的方法处理了3个不同水域的船舶轨迹数据，准确获取了船舶停留行为的分类结果，并验证了船舶锚泊与靠泊在轨迹时空特征上的差异性，以人工标注结果为参考依据评估了船舶停留行为识别与分类的准确性。研究结果表明:船舶靠泊的轨迹点重复率在80%以上，最远点对距离和相邻点平均距离分别为6~11和1~2 m，船舶锚泊的轨迹点重复率在10%以下，最远点对距离和相邻点平均距离分别为150~250和8~10 m，说明轨迹点重复率、相邻点平均距离和最远点对距离这3个时空特征对船舶靠泊和锚泊具有显著的区分能力；提出的方法对船舶停留识别分类的正确率在98%以上，充分证明了其有效性；采用提出的方法可更新已有码头和锚地的空间位置，自动识别规则水域外的船舶异常停留和规则水域内的超长时间船舶异常停留，掌握在港船舶停留分布情况，识别不同季节、不同时段的热点码头和锚地，从而辅助优化港口规划布局和交通组织。      

基于轨迹谱聚类的终端区盛行交通流识别方法

为了改善终端空域扇区和进离场航线对实际空中交通的流量及空间分布的适用性,研究了从大量航空器飞行轨迹中识别主要交通流的方法.在分析飞行轨迹空间特征的基础上,建立了基于3D网格的轨迹间相似性模型.利用谱聚类算法对终端区飞行轨迹样本进行聚类划分,提出了一种基于轨迹聚类核密度估计的盛行交通流和异常轨迹的识别方法,用于从空管雷达记录的飞行轨迹中识别出盛行交通流的实验.实验研究结果表明:该方法将1 476条轨迹划分为5个聚类,识别出5个盛行交通流,且识别结果未受到异常轨迹的影响.      

基于重采样的终端区飞行轨迹可信聚类方法

为了准确掌握终端区空中交通流复杂多变的空间分布特征,有效评估、优化进离场程序,基于重采样技术研究了终端区三维真实飞行轨迹的聚类问题,提出了一种计算速度快、可扩展性强、可信度高的聚类方法.首先,结合重采样和主成分分析方法,将高维轨迹数据在保留飞行特征的前提下映射到低维空间;其次,基于Mean Shift方法建立飞行轨迹聚类分析与异常轨迹提取模型;最后,利用终端区的真实飞行轨迹数据进行实例验证,并分析模型中各个参数对聚类结果的影响.研究结果表明:该方法耗时0.004 s得到累计贡献率为96.16%的主成分,较好地逼近原始飞行轨迹数据;相较于层次聚类法,本文方法得到的飞行轨迹聚类结果具有更高的可信度,能够准确对应机场标准进场航线设置,并将相似度较低的飞行轨迹提取为异常轨迹.     

基于车辆行驶轨迹的道路不良驾驶行为谱构建与特征值计算方法

为了量化描述不同道路驾驶场景下驾驶行为的动态变化过程与不良驾驶程度, 研究了不良驾驶行为谱的构建与分析方法; 基于车辆行驶轨迹关键参数建立驾驶行为谱; 应用风险度量方法量化4种不良驾驶行为, 包括不良跟驰、蛇形驾驶、速度不稳与不良换道; 基于驾驶行为谱建立了不良驾驶行为谱; 基于交通流量-密度关系与驾驶行为统计参数的差异对交通流状态进行划分; 在不同交通流状态下, 使用四分位差法确定了不良驾驶行为特征参数阈值; 基于特征参数阈值计算每个驾驶人的不良驾驶行为得分; 使用CRITIC赋权法确定了不良驾驶行为的权重, 为每个驾驶人计算不良驾驶行为谱特征值; 为了验证方法的有效性, 使用无人机交通视频采集了上海市的车辆行驶轨迹数据, 分析了小汽车不良驾驶行为特征; 通过专家打分的方法对不良驾驶行为谱特征值进行验证。分析结果表明: 基于驾驶行为参数的交通流状态聚类方法将数据中的交通流状态分为自由流、饱和流、拥堵流3类; 聚类方法比基于基本图的交通流状态划分方法更适合驾驶行为分析; 不同交通流状态下的不良跟驰、蛇形驾驶、速度不稳特征参数分布明显不同, 拥堵流状态下的不良跟驰、蛇形驾驶、速度不稳极端值出现更频繁, 而不良换道特征参数在各交通流状态下有相似的分布; 蛇形驾驶、速度不稳、不良换道的特征参数阈值随交通流密度上升而上升; 使用CRITIC赋权法计算的不良跟驰、蛇形驾驶、速度不稳、不良换道的权重分别为0.19、0.33、0.37、0.11;自由流、饱和流、拥堵流的不良驾驶行为谱特征值的分布范围相近, 均处于0与0.4之间; 专家的不良驾驶行为评价与不良驾驶行为谱特征值一致。可见, 不良驾驶行为谱的构建与特征值计算方法能够使用车辆行驶轨迹数据自动辨识不良驾驶人, 具有客观性、适应性以及可靠性, 能及时发现不良驾驶人, 给驾驶人提供安全提示, 为交通管理部门提供交通安全预警的技术支持。      

基于改进低秩矩阵补全的交通量数据缺失值插补方法

提出了一种低秩矩阵补全的改进方法以研究道路交通量数据缺失值插补问题。应用基于核范数的低秩矩阵补全对交通量数据矩阵中的缺失值进行第1轮插补; 通过层次聚类算法将交通量数据划分为不同类别, 使得同类中的数据具有较强相关性, 异类中的数据具有较弱的相关性; 在每类样本上应用低秩矩阵补全得到缺失值的第2轮插补; 为了减少聚类数的影响, 提出最小二乘回归集成学习方法将不同聚类数下的插补结果进行融合, 得到最终的交通量数据插补结果; 用美国俄勒冈州波特兰市的交通量数据比较了5种方法的插补误差, 并分析了不同聚类数和距离度量方法的影响。研究结果表明: 在完全随机缺失模式下, 缺失率为10%~60%时, 其相对于传统的低秩矩阵补全模型的插补误差降低了5.93%~9.11%;在随机缺失和混合缺失模式下, 插补误差也分别降低了8.32%~9.55%和8.14%~9.20%;集成不同聚类数下的多个插补结果比单一聚类数下的插补误差降低2.62%~4.76%。可见, 在3种数据缺失模式下, 改进低秩矩阵补全方法降低了交通量数据的插补误差, 能有效提高插补后交通量数据的有效性。      

基于轨迹压缩的航空器飞行轨迹聚类研究

为准确掌握终端区航空器飞行模式,有效评估、优化飞行程序,首先,针对飞行轨迹点的时空特性,提出基于时间比的自上向下算法压缩轨迹;其次,结合轨迹点的速度和航向特征,建立基于多维属性特征的轨迹相似性模型;最后,应用禁忌粒子群(TSPSO)算法改进和优化模糊C-均值聚类(FCM)算法,并结合终端区的真实飞行轨迹数据对改进聚类算法进行验证.结果表明:轨迹压缩技术极大地降低了计算开销;与传统的FCM算法相比,改进后的聚类算法可以得到更优的满意解,提高飞行轨迹聚类效果.     

一种操纵性水动力导数的实用估算方法

目前有很多诸如最小二乘、卡尔曼滤波等系统辨识方法用于船舶操纵性水动力导数的估算．但涉及神经网络的甚少．随着神经网络技术的日益成熟、完善，神经网络在船舶操纵性领域的应用将成为可能．文中介绍了一种基于线性船舶操纵运动方程的水动力导数估算方法，建立了一种基于神经网络的系统辨识模型，并将其应用于分析实船试验数据．结果表明了该方法的有效性．     

基于有趣地点压缩的时空轨迹聚类

研究移动物体时空轨迹局部关键地点时空相似的聚类问题.根据移动物体的运动状态提取轨迹中的有趣地点,利用最小包围盒技术对这些有趣地点进行描述,得到基于有趣地点压缩的轨迹表示形式;然后给出一个时空属性相结合的相似性度量公式,对压缩表示的轨迹进行相似性度量;基于这个相似性度量公式对轨迹进行聚类,聚类方法采用层次聚类法.实验结果表明,本文提出的方法能有效地对移动物体时空轨迹进行聚类,由于采用了增量式的轨迹压缩方法,不仅提高了聚类的速度,而且还实现了增量式的轨迹聚类.     

基于车载GPS轨迹的立体交叉口空间结构信息获取方法

为了识别立体交叉口中不同的行驶规则, 利用随机森林特征选择方法分析了车辆轨迹数据特征, 按照重要性评分对特征进行聚类; 利用戴维森堡丁指数衡量聚类结果, 获得交叉口最优聚类结果下的各个行驶规则的聚类簇, 并构建聚类簇范围约束的狄洛尼三角网; 利用骨架线提取与公共序列合并方法, 提取立体交叉口的几何结构与拓扑连通关系, 获取城市立体交叉口空间结构信息; 以武汉市2016年出租车轨迹为数据源, 选取了武汉市城区立体交叉口进行空间结构信息获取试验。研究结果表明: 立体交叉口中车载GPS轨迹特征重要性评分的前4项依次是终点角度、起点角度、起终点角度差、中间角度平均值, 其中利用终点角度与起点角度特征组合的聚类结果是最优的; 立体交叉口空间结构信息获取方法在直行、左转、右转方向下识别准确率分别为85.7%、85.4%、87.5%, 综合准确率为86.2%, 直行、左转、右转方向下信息召回率分别为91.5%、87.2%、85.9%, 综合召回率为88.2%, 因此, 较高的准确率与召回率说明本文提出的方法可以准确识别立体交叉口空间结构信息, 并提取立体交叉口中各个行驶规则的几何与拓扑连通关系。      

基于时空聚类算法的轨迹停驻点识别研究

利用手机等智能移动终端获取个体出行GPS轨迹数据,提出了一种新的时空聚类算法AT-DBSCAN识别轨迹中的停驻点.该方法以固定长度的滑窗搜索核心点,以时空邻近条件定义簇间距离,以簇密度大小规定合并次序.提出了出行次数一致性、出行起止时刻误差、停驻点时长误差、停驻点中心偏移距离4个算法验证指标,弥补了传统查全率、查准率等忽略停驻点时空信息准确性的不足.结果表明,识别的停驻点有98%的位置误差在30m以内,100%的时长误差在5min以内,98%的出行起止时刻误差在5min以内.此外,算法对于室内活动、定位飘移、路径重合程度高等复杂轨迹具有较好的泛化能力.     

基于单参数自调节RM-GO-LSVR的船舶操纵灰箱辨识建模

为实现舵角小、试验数据少条件下船舶操纵辨识建模, 提出了一种船舶操纵运动灰箱模型; 搜集水动力系数已知的船舶运动数学模型作为备选参考模型(RM), 计算被辨识船舶与备选RM的相关系数, 并以此筛选合适的RM; 运用相似准则将观测数据映射到RM的输入值域, 建立被辨识船舶与RM的运动关联, 获得了RM的加速度项, 并使用线性支持向量回归(LSVR)机补偿被辨识船舶和RM加速度项间的误差; 分析了机理模型, 设计了合适的LSVR输入项, 使用全局优化(GO)算法自动调节了LSVR的不敏感边界参数; 基于自航模试验数据训练了灰箱模型, 并与约束模试验(CMT)结果和计算流体力学结果比较, 验证了灰箱模型的泛化能力和预报精度。研究结果表明: 在20°船艏向、20°舵角Z形试验预报中, 灰箱模型所得第一超越角精度至少比CMT、虚拟约束模试验(VCMT)和RM方法所得结果高1°, 灰箱模型所得第二超越角精度至少比CMT和VCMT所得结果高0.4°; 在35°舵角旋回试验预报中, 灰箱模型所得进距精度至少比CMT、VCMT、数值循环水槽试验(NCWCT)和RM方法所得结果高1%, 灰箱模型所得战术直径精度比CMT所得结果低4%, 比NCWCT所得结果高10%;RM方法有助于灰箱辨识建模, GO算法能够优化LSVR的不敏感边界参数, 建立的单参数自调节灰箱辩识建模方法能够实现小舵角、少数试验条件下的船舶操纵辨识建模。      

基于浮动车数据的车辆时空相遇关系分析

为研究离散时空数据之间的时空关系,以离散的浮动车数据为基础,提出了一种以时空路径为枢纽的车辆时空相遇关系分析方法.采用地图匹配方法对离散的浮动车数据进行空间插值,以获取车辆在空间上连续的轨迹;提出了根据邻接采样点的时间戳和轨迹进行线性插值的方法,以获取邻接采样点之间轨迹上任意一点的时间;以空间关系理论和Allen的时间段逻辑模型为基础,分析了不同时态关系车辆的相遇情况;最后,设计了基于浮动车数据的时空轨迹获取及时空相遇分析实验,并分析了车辆之间的时空相遇关系.实验结果表明:以连续时空轨迹为核心的分析方法,能较好地表达离散时空数据的时空关系.     

基于在线有向无环图的船舶轨迹压缩算法

为了解决船舶轨迹数据的压缩问题, 提出了一种船舶轨迹在线压缩算法; 使用多次滑动推算船位判断方法清洗船舶轨迹, 使用在线有向无环图在干净轨迹上建立压缩路径树并输出采样点; 为了提高轨迹队列和路径树在内存中的查询速度, 使用哈希表对其进行管理; 为了验证提出算法的效果, 比较了真实船舶自动识别系统数据与方向保留算法、道格拉斯-普克算法的压缩时间和误差, 采用可视化方法分析了原始轨迹、清洗轨迹和压缩轨迹。试验结果表明: 在压缩时间方面, 方向保留算法和道格拉斯-普克算法的压缩时间分别约为提出算法的1.1、1.3倍, 说明提出的算法比其他2种算法的处理时间更短; 提出的算法在压缩过程中保留了时间信息, 平均同步欧氏距离误差在任何压缩率下都能保持在10 m以下, 最大同步欧氏距离误差在压缩率为1%时仅有127 m, 而其他2种算法的平均同步欧氏距离误差和最大同步欧氏距离误差不受控制, 会随机变化; 在垂直距离误差方面, 提出的算法与道格拉斯-普克算法在压缩率不小于5%的条件下, 都能保证垂直距离误差小于20 m, 而方向保留算法的垂直距离误差会随机变化; 在显示效果方面, 提出的算法能有效清除轨迹噪声点, 压缩轨迹能够较好地代表原始轨迹的宏观交通流情况。可见, 提出的算法能更高效地保留原始轨迹的形状和时间信息。      

基于T-S模糊模型的船舶柴油机动态辨识

考虑到船舶柴油机模型的非线性和负载的不确定性,用T-S(Takagi-Sugeno)模糊辨识方法建立了船舶柴油机的动态模型。采用模糊聚类简化了T-S模糊规则数的确定和前提中隶属度函数参数的生成,用加权最小二乘算法得出辨识结论中的线性参数。对船舶柴油机在稳态运行工况下作小偏差工况扰动实验,得到在油门尺度和负载变化下柴油机转速、涡轮增压器转速等输出数据,利用该数据建立了描述柴油机动态性能的T-S模糊模型。仿真结果表明,利用该算法能有效地辨识出柴油机转速、涡轮增压器转速、增压压力、空冷器压力等输出在小工况扰动下的变化模型。