基于位置可达域的船舶轨迹噪声去除方法

船舶的AIS轨迹数据对研究船舶交通流和交通行为具有重要意义.然而通信链路及卫星定位信号等方面的干扰,导致AIS轨迹含有较多的噪声数据,严重影响了数据分析和数据挖掘的质量.根据船舶运动规律,研究得出一种基于位置可达域的船舶轨迹噪声数据去除方法.通过计算某时刻船舶运动的所有可能状态,估计船舶下一时刻位置可达的范围作为可达域判别条件,并利用滑动窗口对船舶AIS轨迹点进行滚动处理,将不满足可达域判别条件的点作为噪声点进行滤除,形成轨迹去噪算法流程.选取含有噪声的真实AIS轨迹数据进行方法验证,并与当前常用的轨迹去噪方法进行对比分析.相比于速度阈值法和基于密度的聚类算法,所提出的方法在召回率上分别提升了27.22%和23.14%,在F1指标上分别提升了14.31%和24.03%,说明算法对噪声点的识别较为准确,并能有效针对不同类型噪声进行处理.同时,通过多次重复试验和时间复杂度分析,验证该算法不仅满足海量AIS数据的离线去噪需求,还可用于轨迹在线去噪,满足实时应用的需要.      

北极东北航道船舶行为特征分析

北极东北航道开发和利用,对北极水域船舶通航安全管理提出了更高的要求.采用数据挖掘技术对2015—2017年北极东北航道船舶自动识别系统(AIS)的数据进行了处理与分析;采用Douglas-Peuker算法,对海量船舶AIS轨迹数据进行抽稀与验证;然后利用KD-Tree、DBSCAN和族心确认算法,对海量船舶AIS轨迹点进行了时空聚类分析;成功提取了船舶类型、船旗国、船舶轨迹、船舶密度及船舶速度等船舶行为特征,探索研究了船舶行为特征对于北极东北航道能源、环保及海上交通服务的作用与意义.研究表明,北极东北航道航行船舶以渔船和货船为主,船旗国以靠挪威和俄罗斯籍为主,船舶活动区域集中在巴伦支海与挪威海,主航道主要以8~15 kn速度航行.      

基于船舶轨迹挖掘的海上航路网络构建方法

海上航路网络是船舶海上交通活动特征的时空表征,也是船舶航路规划、行为辨识、轨迹预测的重要基础。海量的船舶历史轨迹数据为自动提取海上航路网络提供了基础数据,但受轨迹数据噪声和密度分布不均匀的影响,传统航路网络自动提取方法存在网络节点识别准确性差、网络边连接错误率高等问题。针对上述问题,研究了1种基于船舶轨迹时空特征挖掘的海上航路网络自动构建方法。定义了海上航路网络的3种航路点类型,即停留点、出入点和航路转向点,设计了基于轨迹时空特征的航路点提取方法;提出了基于累计转向特征的航路转向点过滤策略,可有效去除船舶避碰、船舶徘徊等局部活动产生的非航路转向点;根据不同种类航路点的分布特征,综合利用DBSCAN聚类算法和凸包算法从航路点集合中提取和生成航路网络节点集合;定义了航路网络节点的有效连接规则,从原始轨迹中提取航路网络节点之间的轨迹簇,根据轨迹簇的统计特征生成航路网络节点之间的有向加权边,形成有向加权的海上航路网络。以珠江口水域为实验区域,对所提方法进行有效性验证,结果表明：所提方法可提取71个3类航路网络节点和200条航路路线;航路网络节点识别准确率与误识别率分别为86.42%和1.23%...     

北极东北航道经济性及未来发展趋势分析

北极航线的开通,使中欧之间的航程缩短,节省船舶航行时间,大大降低航运成本.针对北极东北航线,结合中远北极历史航次数据,从航行里程、燃油消耗、护航费用等角度,分析海冰对航线经济性的影响,并从航行里程、节省船期的角度论证北极航线的经济性优势.在经济效益研究的基础上,分析未来北极的船型趋势,干散货船、集装箱船、LNG船等将会成为北极航线商业航行上方面主流船型.鉴于海冰因素对航次的经济性影响较大,高冰级船舶将成为未来冰区船舶的设计特点.在中俄共建"冰上丝绸之路"的大背景下,极地船舶设计、极地航行保障服务、北极转运港口建设是未来北极航道的开发建设方向.      

基于轨迹的内河船舶行为模式挖掘

从内河海量的船舶AIS数据中提取出有用的交通知识,辅助水上安全监管,对于研究日益复杂的水上交通安全形势具有重要意义.基于内河船舶行为特征,构造由船舶位置、航速和航向4个维度组成的船舶航行状态空间来描述船舶行为.针对传统DBSCAN聚类算法提取状态空间中相似船舶轨迹存在计算复杂高的问题,提出增量式算法改进DBSCAN算法用以高效地计算不同船舶的行为模式;然后利用核密度估计等统计方法对不同模式的船舶行为特征进行数据挖掘,得到船舶航速、航向和位置的时空分布特征规律,进一步挖掘不同行为模式下的船舶微观特征.以武汉航段的汉江分叉航道水域作为研究案例,利用所提的方法对该水域分析研究,得到了6类不同行为模式,挖掘出不同模式下分叉航道内船舶静态属性信息(船舶类型、船舶尺寸)、空间分布特征(轨迹点分布、航速分布、航向分布)、船舶到达规律等信息.利用该模型所提取的知识有助于水上监管人员迅速获取水域交通态势,从而提高水上交通安全监管的水平和效率.      

基于DQN算法的支线集装箱船航线规划与配载协同优化方法

针对支线集装箱船运输中喂给港数和靠泊条件不一,以及集装箱船队船型多样的特点,考虑航线规划与配载环节在实际运输过程中的紧密联系,研究支线集装箱船航线规划与配载协同优化方法。采用两阶段分层方法研究航线规划与集装箱配载问题,设置多个港口、不同船型及其贝位和堆栈组合、不同尺寸集装箱的集合,并确定其间基本关系,实现两阶段优化过程的完整性和连续性。第一阶段以航线总运营成本最小为目标建立船舶航线规划模型,第二阶段从主贝计划角度出发进行配载优化,确认集装箱与堆栈的对应关系,以船舶混装堆栈数最小为目标建立船舶配载模型,保证船舶稳性在航线任意时段均满足要求,并减少堆栈混装数量,提高到港作业效率。为实现模型高效求解,基于深度强化学习的Deep Q-learning Network(DQN)算法架构,设计了航线规划与配载决策对应的马尔可夫过程,结合问题自身特征分别完成强化学习智能体状态空间、动作空间以及奖励函数设计,构建了两阶段分层求解的DQN算法。实验结果表明：随着船舶数量和船舶装载率的增加,模型精确求解的时间大幅增加,部分算例无法在600 s内完成求解,而DQN算法可实现快速求解;与模型及粒子群优化（Pa...     

交汇水域船舶轨迹预测与航行意图识别

针对典型水上交通场景交汇水域，研究了1种数据驱动的船舶轨迹预测与航行意图识别方法。设计CNN+LSTM组合神经网络，通过学习交汇水域船舶的历史轨迹，以CNN+LSTM网络为编码器提取其通航环境及船舶航行时空特征，LSTM与全连接层为解码器同步输出未来时段内船舶轨迹序列和航路选择，从而形成船舶轨迹与航行意图识别模型。同时，引入Dropout网络结构描述该模型的预测不确定性，采用随机关闭CNN+ LSTM核心网络部分神经单元的方式，以相同轨迹序列作为输入获取多组相近的预测结果，根据其统计均值与方差对船舶轨迹预测的不确定性进行量化。以美国沿海某交汇水域公开AIS数据为对象开展实验，创建了该交汇水域船舶航行轨迹数据集，以输入时长60 min，采样频率3 min作为输入条件，Dropout值取0.5，实验结果表明:所提方法对未来60 min时段内的轨迹预测误差为3.946 n mile，航行意图识别准确率达87%，不确定性估计覆盖率达85.7%。与LSTM预测方法相比，当船舶操纵性发生改变时，所提CNN+LSTM模型的轨迹预测误差降低了31.6%，而且兼具船舶航行意图识别及预测不确定性估计能力，有利于智能航行与海事监管技术发展。      

适用于城市区域航拍的无人机航线规划研究

研究无人机在城市区域航拍过程中的航线规划问题,首先通过分析卫星图像,区分出重点区域与非重点区域;再进行数值图像处理,最终分割获得城市区域航拍的航点位置集合;并将问题转化为约束条件下的无人机抵达全部航点所需的时间最短及航线最优的优化问题。建立蚁群遗传混合算法,求解最终的优化航线。该混合算法具有传统的蚁群算法和遗传算法的优点,也解决了蚁群算法初期信息素的匮乏和遗传算法的冗余迭代,同时利用道路的基本信息来定义每条道路无人机拍摄的权重,以此来确定适应性函数和启发函数,从而避免了主观因素对结果的影响。最后给出实例分析,并以遍历算法结果为基准进行了比较,表明该混合算法能够获得最优航线且收敛速度快、稳定性好。     

基于时空注意力机制的STA-GRU船舶轨迹预测方法

船舶轨迹预测的精度关系到船舶智能航行水平。针对门控循环单元（gated recurrent unit, GRU）提取船舶时空信息数据能力不足,导致轨迹预测精度不佳的问题,研究了基于时空注意力机制的GRU船舶轨迹预测方法（spatial-temporal attention mechanism-gated recurrent unit, STA-GRU）。将传统GRU中的激活函数改进为加权激活函数组,以保留更完整的船舶轨迹数据;引入空间注意力机制模块提取船舶空间位置信息的特征,以船舶经纬度及相对经纬度数据作为输入序列,计算对应的空间权重注意力因子,获得空间特征向量;再引入时间注意力机制模块挖掘观测时段内历史轨迹特征向量的时空依赖性,以历史轨迹数据中的航速、航向拼接空间特征向量作为输入序列,计算时空权重注意力因子,将获得的时空特征向量作为STA-GRU模型的训练数据集,用于船舶轨迹预测。采用青岛港AIS数据开展实验验证,以输入时长20 min,采样频率2 min作为输入条件,构建船舶航行轨迹数据集,结果表明：对比LSTM、AT-GRU、Bi-GRU算法,STA-GRU模型不仅在训练过程中收...     

多特征点驱动的船舶轨迹聚类方法

轨迹聚类在船舶行为分析与海事监管等领域发挥着重要作用。船舶轨迹存在长度与采样率不一致、结构差异明显等特点,在大范围水域难以实现大量船舶轨迹的高精度与快速聚类。针对该问题,在利用船舶自动识别系统获取海量船舶历史航行数据的基础上,提取与船舶航行行为、船舶交通密度相关的位置特征点,进而提出了多特征点驱动的船舶轨迹聚类方法。针对船舶航行时在大多数情形下具有保向、保速的特点,采用数据压缩的方法捕获船舶航行状态以及船舶航向发生显著变化的轨迹点,作为船舶轨迹结构特征点;针对目标水域中某些特定区域常存在船舶交叉会遇的情形,利用概率密度估计法分析船舶交通流的空间分布特点,并提取船舶会遇局面下的轨迹点,作为船舶交通流特征点;为剔除2类特征点中的异常值,采用密度聚类算法对特征点进行聚类,进一步提高特征点提取的可靠性,并将聚类结果中每类特征点的中心作为代表性特征点;统计途经代表性特征点的船舶轨迹分布情况,将具有相似分布的船舶轨迹视为同一类。实验结果表明：相比于常用的K-medoids聚类、层次聚类、谱聚类和DBSCAN等方法,提出的轨迹聚类方法在成山头水域、长江口南槽水域及舟山水域等典型区域均可获得优异的聚类...