依据轨迹数据的船舶交通密度计算方法

研究基于轨迹数据的船舶交通密度计算方法,利用精准的船舶交通密度计算结果提升海上交通规划水平。利用AIS设备采集船舶航行轨迹数据,利用均匀参数化方法对所采集的航行轨迹数据重采样处理。将通过重采样处理获取的航行轨迹数据,划分为静止轨迹数据点以及移动轨迹数据点,依据数据点间的欧式距离,以及船舶航行方向、航行速度的相似性,选取基于密度的DBSCAN聚类算法完成轨迹数据聚类。依据船舶航行轨迹数据聚类结果,选取多维密度方法,通过更新船舶经过总数、船舶经过总时间等参数,计算船舶交通密度。实验结果表明,该方法可以依据船舶航行轨迹数据,精准计算船舶交通密度,为海上交通规划提供有效支撑。     

基于Spark的船舶航行轨迹聚类方法

依托船舶自动识别系统(Automatic Identification System,AIS)数据,利用云计算并结合聚类算法,对船舶历史数据进行轨迹聚类分析,构建船舶航行正常轨迹模型,为实时检测船舶异常轨迹奠定基础,进而为提高水上交通监管智能化水平提供新方法。针对目前轨迹聚类算法效率低等问题,基于Spark内存计算技术及数据分区思想,提出一种改进的并行子轨迹聚类算法SPDBSCANST(Parallel DBSCAN of Sub Trajectory Based on Spark)。以长江航道武汉段船舶航行数据为例进行试验验证,并通过可视化方式呈现。结果表明,改进后的算法的聚类效率和效果都有明显提升。     

天津港船舶定线制与优化锚地规划的思考

基于天津港VTS管理细则和天津港船舶进出港交通流现状,统筹船舶定线制和锚地规划,提出在天津港水域进一步完善船舶定线制的建议.通过分析天津港锚泊状况和天津港的进出口船舶数据,提出优化锚地的具体方案,对锚地船舶进行分类,增加了锚地与航道、交通流密集区的间距,确定锚泊船之间的安全间距,细分锚地、区隔锚位,并为各锚位给出统一编...     

改进QuickBundles算法在船舶轨迹聚类中的应用

对船舶AIS数据聚类进行研究，可以挖掘出船舶航行过程中有效或潜在的信息，对于提高船舶海事交通管理和水路交通运输的智能化水平具有重要意义。传统的聚类算法在面对大量的AIS数据样本时通常表现出很低的执行效率。因而，提出一种改进QuickBundles算法，并对船舶轨迹采样方法和距离度量方式进行改进，选取长江南京航段板桥汽渡水域的船舶AIS数据作为试验依据，最终实现船舶轨迹的有效聚类。试验结果表明，与原QuickBundles算法和DBSCAN算法相比，改进QuickBundles算法在算法执行效率和算法准确性方面优于前两种算法，证明改进QuickBundles算法可有效应用于船舶轨迹聚类。     

一种基于数据挖掘的锚泊半径模式提取方法

为了使VTS中心关于走锚半径的设置更加准确,通过对AIS数据的处理,采用聚类方法提取出船舶锚泊时的航次数据,使用关联规则算法对提取的锚泊航次数据进行数据挖掘,建立船舶锚泊半径模式提取规则。将挖掘所得结果与国内外规范计算值进行对比分析,相对误差在可接受范围内。     

基于大数据驱动的船舶航行轨迹异常检测研究

船舶安全航行是航海领域重点关注的问题之一,为此研究基于大数据驱动的船舶航行轨迹异常检测方法。该方法利用不同类型传感器获取船舶航行大数据,然后使用船舶观测大数据相似度方程计算船舶航行大数据之间的相似度,得到来自同一船舶的航行大数据;再利用大数据驱动技术中的聚类方法建立船舶正常轨迹模型,获取船舶航行正常轨迹;依据船舶航行正常轨迹,利用大数据驱动技术内的Spark Streaming数据实时计算框架,通过计算船舶航行轨迹点与实际轨迹采样点之间的距离、航向角等,得到船舶航行轨迹异常检测结果。实验结果表明,该方法获取船舶航行实际轨迹精度较高,可有效检测船舶航行轨迹异常,具备较好的应用效果。     

基于DBSCAN算法的船舶轨迹自适应层次聚类

为更好地从船舶自动识别系统(Automatic Indentification System,AIS)数据中挖掘信息,科学地感知水上交通态势,针对聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)在水上交通情景中的参数选取问题,提出一种基于DBSCAN的船舶轨迹自适应层次聚类方法。通过分析DBSCAN算法的特性,根据数据集内在分布规律及拟聚类效果的变化规律来确定参数;结合统计学理论进行层次聚类,来适应密度分布不均的船舶轨迹数据。以琼州海峡船舶轨迹数据为例,运用VC软件和MATLAB软件进行验证。验证结果表明:该方法能够在大量复杂的船舶轨迹中发现具有相似性的轨迹群,且结果与实际交通流相符,可为航道建设及海事监管等提供辅助决策。     

AIS系统在大型船舶锚泊半径及船间距的应用

航运业不断发展,港口的泊位资源越来越紧张,经常出现多只船舶同时锚泊的情况,船舶的安全停靠成为需要重点解决的问题。为了保障锚泊可靠性,需要计算自身船舶的水位空间占用大小及与相邻船舶的锚位距离,使船舶锚泊操控在锚泊时占用的空间误差最小。对此,本文利用自动识别系统(AIS)的动态及静态数据来描述船舶锚泊的水域空间半径及各大小不同船舶锚泊距离,通过计算机程序拟合单个船舶实际停泊的半径变化范围,最后进行仿真。     

利用GPS接收机值守锚更探析

在利用GPS接收机值守锚更时,能否对锚位点和锚泊安全警报半径进行准确设定将直接影响到走锚预警的准确性.针对部分船舶驾驶员在GPS锚更警报功能使用中的某些做法,通过对GPS船位误差的来源、锚位点和锚泊安全警报半径的分析,建立了锚位点和锚泊安全警报半径的修正模型,可以帮助驾驶员利用GPS接收机准确预警船舶的走锚.     

基于轨迹段DBSCAN的船舶轨迹聚类算法

船舶自动识别系统(Automatic Identification System, AIS)数据中蕴藏着大量的海上交通特征,为挖掘AIS数据中有关船舶运动规律有效的、潜在的信息,提出一种改进型轨迹段DBSCAN(Density-Based Spatitcal Clustering of Applications with Noise)的聚类算法。船位转向角和航速变化量作为信息度量对船舶轨迹进行分段,采用离散Frechet距离作为轨迹相似度度量,利用类似DBSCAN算法对轨迹段进行聚类,得出船舶运动典型轨迹。以天津港为例,采用改进的轨迹段DBSCAN算法对船舶轨迹进行聚类,能从一定程度上提高聚类的效果和准确率,为进一步研究船舶异常行为打下基础。     

船舶导航轨迹识别中智能算法研究

以船舶导航作为研究对象,对船舶导航航行轨迹识别方法进行研究,给出一种智能航迹识别算法。在该算法中,首先通过聚类算法进行航迹图谱的挖掘,得到历史航迹图谱,然后根据航迹图谱,利用卡尔曼滤波方法对航迹异常行为进行识别与预测。实验结果表明,本文给出的船舶导航轨迹智能识别方法具有较好的识别效果。     

锚位点辅助决策模型的设计与实现

为解决舰船抛锚作业时锚位点决策受限于海图有限信息,人工选址方式主观性过强而间接增大走锚风险的问题,提出基于VCF(Vector Chart Format)格式数字海图数据,采用地理信息系统(Geographic Information System,GIS)的方法分析影响锚泊安全的海洋环境要素、区域界限、碍航物、周边船舶态势和助航标志通视情况,定量给出各要素的适宜度、影响范围以及基于方位位置线网的定点抛锚方法,并将各步骤的分析结果可视化。该模型的实际使用情况表明:有利于航海人员准确把握锚泊海区的整体态势,辅助其得到结合自身需求的优化锚位点决策,降低舰船走锚风险,提升锚泊安全性。     

浅谈“锚泊”概念与正确操作

锚泊作为船舶管理中的一项重要工作，是指航船在锚的抓力牢固控制下的一种运动状态。只有锚爪牢固地抓住水底，锚位不移动，船舶只能围绕锚位，在锚链和蔗的极限范围内随风流风流顺转的民政部下，才能认为是在锚泊中。     

浅谈超大型船舶锚泊操纵应考虑的几个问题

超大型船舶的锚泊操纵是超大型船舶航行安全保障的关键环节。文中提出超大型船舶锚泊时锚位的选择、接近锚地的减速标准、适当的锚泊方式、正确的锚泊操纵方法、锚泊外力极限和临界风速以及不同海况条件下的锚泊方案等几个问题并进行了探讨和一定的量化分析，并提出了安全锚泊的优化方案。     

积极实施宁波港内定点锚泊制度

所谓定点锚泊制度,是指需要锚泊的船舶提前向海事部门申请锚位,待核准后到指定锚泊点锚泊的制度。近年来,随着宁波舟山港货物吞吐量连创新高,抵港船舶数量不断增加,港内锚地锚泊需求大幅增长。锚泊需求与锚地容量严重不足的矛盾日趋突出。     

优化的蚁群算法和船舶电网系统云数据聚类和实现

首先分析蚁群聚类算法,并指出其存在的问题;然后给出传统的蚁群聚类算法在船舶电网云数据聚类的实现流程,针对算法中存在的问题,提出利用惯性因子、随机初始化等方式改进和优化算法对船舶电网故障进行诊断;最后通过实验进行说明,优化后的蚁群聚类算法与K-mean算法、粒子群K-mean算法相比具有较好的收敛性。     

锚泊船舶的安全警戒范围

<正>0引言随着船舶数量的增加,港口拥挤程度加剧,锚泊船走锚事故频发。一方面,对锚地的合理规划提出更高要求;另一方面,寻求船舶因走锚导致的搁浅、碰撞等事故的解决方法也迫在眉睫。船舶在锚地锚泊,特别是在锚泊船密度大,锚泊水域受限,风、浪、流条件恶劣,锚地底质不良等锚地锚泊时,准确判断船舶是否在警戒圈内尤为重要。不仅可以消除船位与锚位误差,而且有利于值班驾驶员直观地判断船舶是否走锚,为船舶提供一个安全的锚泊环境。     

基于自动识别系统大数据的船舶施工轨迹识别与预测

针对疏浚监控管理工作很难全天覆盖所有船舶、无法做到实时监控的问题,分析某绞吸挖泥船的AIS(自动识别系统)高频数据,包括疏浚船舶动态的航行轨迹、速度、航向等数据。对船舶施工轨迹辨识和预测进行研究,提出利用DBSCAN聚类算法粗略识别出施工区域,利用LOF(局部异常因子)算法去除航行轨迹中非施工状态下的轨迹,并利用时间序列ARIMA模型对船舶施工轨迹进行预测。结果表明,DBSCAN聚类算法结合LOF算法进行施工轨迹辨识方法合理可行,ARIMA模型进行施工轨迹预测的方法具有精确度高、实时性、易实现的特点。     

多维缩放舰船运行数据聚类算法设计

传统的聚类化运算算法(基于K-Means算法),在大数据环境下运算力下降,数据聚类运算收敛不足。提出基于多维缩放的舰船运行数据聚类算法设计。利用基于多维缩放的KNTSCCA聚类算法,对舰船运行数据传统算法进行替换,通过对舰船数据的降维迭代计算,实现多维缩放聚类算法设计。通过仿真实验证明,提出的多维缩放的舰船运行数据聚类算法,能够解决现有基于K-Means算法收敛不足的问题,具有可行性。     

基于DBSCAN的港口泊位自动识别算法设计

为更好地监测船舶动态和船舶在港口的作业情况,通过对K-Means算法和DBSCAN(Density-Based Spa-tial Clustering of Applications with Noise)密度聚类算法进行对比,选择DBSCAN密度聚类算法对港口泊位进行聚类,对港口泊位的位置和大小进行识别.基于船舶自动...