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。      

基于蚁群算法与海量AIS数据的船舶航线规划

利用船舶AIS轨迹数据,研究了基于蚁群算法和海量AIS数据的航线规划方法.采用Doug-las-Peucker算法对海量轨迹数据进行压缩处理;基于DBSCAN算法对处理后的AIS轨迹点数据进行聚类,提取出航路关键转向点;依据地理边界数据确定关键转向点的连接关系,并对靠近孤立碍航物的航线进行修正,构建出1个无向网络图,同时计算出各条边的船舶航行密度;将各边的密度值作为MMAS蚁群算法的初始信息素浓度,求解港口间的最优安全航线.以2017年黑德兰港到青岛港的散货船AIS轨迹数据为样本,进行航线规划研究.结果表明,规划的航线总航程为3487.21 n mile,推荐航线总里程为3576.9 n mile,传统蚁群算法规划出的航线总里程为3560.42 n mile.与相关推荐航线相比总航程缩短约为3%,与传统蚁群算法相比总航程缩短约2%;另外该方法相较于传统蚁群算法收敛速度更快.      

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...     

基于异质边增强时空图注意力网络的自动驾驶换道轨迹规划

轨迹规划仍然是自动驾驶技术大规模应用所面临的关键难题之一。例如,自动驾驶中的换道轨迹规划算法通常被构建为一个针对代价函数的优化过程。然而,为适应多样化的交通场景而手动调整代价函数中的特征权重,是一项极具挑战性的任务。针对这一问题,提出了一种基于异质边增强时空图注意力网络(Heterogeneous Edge-enhanced Spatial-Temporal Graph ATtention network, HEST-GAT)的新型换道轨迹规划方法。首先,采用逆强化学习技术,从大量专家级换道示范中提取代价函数的特征权重向量,构建了一个专家级换道示范数据集。然后,将交通场景构建为一个异质有向图,其中,交通参与者的位置定义为节点属性,交通参与者间的相对位置作为边属性,交通参与者之间的关联类型则定义为边类型。边的属性和类型组合,形成了边的特征表示。为捕获交通场景中的空间和时间信息,采用HEST-GAT网络进行特征提取,并计算了各场景下代价函数的特征权重。接着构建了一个结合轨迹特征和特征权重的代价函数,并通过优化过程生成最终的换道轨迹规划。为验证所提出方法的实用性,在真实驾驶数据集上进行了多轮...     

基于时空特性的GPS轨迹数据压缩算法

车辆GPS数据中蕴含的车辆轨迹信息具有重要的理论和应用价值.为减少轨迹数据存储空间,提高数据分析及传送速度,提出了一种基于时空特性的轨迹数据压缩算法,根据GPS数据点的时空三维特征,计算轨迹特征点判断的距离标准,更准确的提取轨迹信息.算例分析结果表明,基于时空特性的GPS轨迹数据压缩算法大幅度减少轨迹压缩误差,提高压缩效率.      

基于轨迹数据的道路客运班车停留站点位置提取方法

识别并提取道路客运班车停留站点的位置,可为道路客运的客运站站址优化、定制出行乘降站点设置、出行信息服务等提供依据和支持,然而当前获取班车停留站点位置的方法存在成本高、周期长的问题.通过分析道路客运班车停留轨迹数据的典型特征,以班车轨迹数据为数据源,基于DBSCAN算法检测位于停留站点的点簇进而提取停留站点位置.同时,针...     

航路网络规划技术研究综述

航路网络的科学规划是缓解空中交通运输量持续增加导致航班大面积延误以及安全运行压力增大的有效手段.将当前航路网络规划研究技术分为3大类:采用最优化问题求解思想的局部航路网络优化技术、改变现行管制方式的全局航路网络优化技术,以及新型的高速航路规划技术.文中阐述了每类航路网络规划技术的实施原理、存在的优缺点及不同环境下的适用性,总结现存航路网络规划技术的3个薄弱方面:节点交通流特征的深入认识;管理层和航空器用户飞行路径选择的交互作用;交通规划理论及路面交通研究成果的更多借鉴,并指出未来航路网络规划技术发展方向将是局部规划和高速航路规划技术并存.      

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.      

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...     

基于前景理论和TOPSIS的船舶航路选择决策方法

为使船舶航路选择决策能够体现决策者个体主观偏好特征,研究一种前景理论与逼近理想解(TOPSIS)相结合的决策方法.根据航路选择特征,定义航路选择决策的价值函数并构建前景价值矩阵,然后考虑船型差异,设置不同的参考点.应用TOPSIS的基本思路,通过各指标的属性值到正、负理想解的距离求出各航路选择方案相对接近度,考虑决策者对损失敏感程度的差异性,按照接近度对备选方案分别进行优劣排序.以某港口3条进出港航路方案为例进行分析,研究不同船型在不同损失敏感程度下的航路选择决策.研究结果表明,决策者不同的个体主观偏好下航路选择最优方案会呈现差异,说明决策者的主观偏好对其航路选择具有较大的影响.      

基于复杂网络的区域水上交通关键船舶识别方法

为研究区域内船舶行为对交通状况的影响,研究了基于复杂网络的关键船舶识别方法.将水域中的船舶看作为复杂网络中的节点,根据船舶间的行为交互关系构建区域面向船舶行为分析的复杂网络;并结合复杂网络的节点中心性指标构建节点综合重要度评价模型;通过节点综合重要度评估结果,对网络中的节点进行节点重要度排序,识别网络中的关键节点.对比度节点中心性识别关键节点方法,实验结果表明,2种方法的分析结果中节点排序结果相同的节点数占节点总数的比例达到77.8%,但节点综合重要度评价方法对各指标进行权重配比,充分考虑了各指标对关键节点识别结果的影响,能有效识别区域关键船舶.      

基于三角模糊数的车联网簇头节点选择方法

针对现有车联网簇头节点选择方法不足的问题,提出了一种基于三角模糊数的车联网簇头节点选择方法,依赖邻近车辆相对速度和相对距离完成簇头的选择。构建了一种典型车联网应用场景,提出了基于三角模糊数和学习机制的车辆加速度预测方法,基于定义的加权稳定因子,设计了车联网簇头节点选择机制。基于i TETRIS构建了车联网仿真平台进行测试分析,结果表明,与CMCP方法和APROVE方法相比,提出的簇头节点选择方法有效性较高。     

基于观测数据潜在特征与双向长短期记忆网络的车辆轨迹预测

针对传统算法无法满足复杂交通场景下无人驾驶车辆对周围运动车辆轨迹预测需求的问题,提出一种基于观测数据潜在特征与双向长短期记忆(BiLSTM)网络的车辆轨迹预测方法.首先利用一维卷积神经网络(1DCNN)提取由传感器所获取的车辆运行状态观测数据的潜在特征,然后将以序列方式构造的具有时空关系的特征向量作为BiLSTM网络的...     

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.      

基于网络连接的轨迹数据时空查询条件

补充当前针对车辆轨迹数据中提取交通信息的查询语言的研究。通过对构成数据查询语言的重要组成部分——查询条件的探讨,定义了一种基于网络连接的、能满足轨迹数据应用需求的时空查询条件。     

城市群公路客运网络空间结构特征提取方法

公路客运网络的空间结构特征能够为区域公路客运规划提供基础依据。基于复杂网络理论,引入平均运距这一重要的运输特征量,建立了城市群公路客运网络空间结构提取方法。通过度与度分布、簇系数、平均路径长度、点强度、相关性分析等指标的测度,高效提取了滇中城市群公路客运网络的空间结构特征。结果表明:滇中城市群公路客运网络具有较大的平均度、较高的簇系数和较小的平均路径长度,呈现高集聚-高通达-高效率的网络特征,整体结构具有小世界性;依据度的统计规律、累计分布服从指函数分布及点强度服从幂函数分布等数理关系的变化,公路客运网络节点的客运规模空间分布差异性显著,呈现以昆明市辖区、安宁市为"双中心"的空间格局;同时,客运规模较大的节点与经济发展中心地位基本吻合,但网络层级结构不明显;从点强度和度相关性的分析,发现客流空间分布的差异是两节点产生客运联系的直接原因,进一步结合旅客出行行为分析发现,当平均运距点强度越大时,旅客出行更倾向于在点权较大的节点汇集,表明平均运距的地域分布差异推动着客运规模较大的节点与客运规模较小的节点相互联系。     

基于图时空神经网络的多充电站负荷协同预测方法

针对传统充电站负荷预测方法只能实现对单一站点预测的问题，提出一种基于图时空神经网络 （Graph Spatiotemporal Neural Network， GSTNN） 模型的多充电站负荷协同预测方法。定义时空信息图，描述充电站负荷之间的时空关系；构建时空特征提取网络，分别利用图卷积神经网络和门控序列卷积网络提取信息图的空间和时间维度信息，并使用长短期记忆网络 （Long Short Term Memory Networks，LSTM） 挖掘影响负荷预测的外部特征信息；融合提取的所有特征，进行负荷预测。算例结果表明，基于 GSTNN模型的方法能充分考虑时空特征和外部特征的影响，协同多个充电站的负荷数据进行预测，并同时输出各充电站的预测结果，有效提高预测准确度，有助于电网稳定运行。     

凸凹不平道路几何参数识别和模型重构方法研究

自动驾驶汽车的凸凹不平道路和异常路面行驶，不仅要考虑道路曲率等因素，还需要对路面凸起、凹坑等特征和病害进行识别建模，提高车辆通过性、安全性和舒适性。为此，本文提出了一种基于激光雷达的凸凹不平道路几何参数识别和模型重构方法。首先，将局部加权散点平滑方法（Lowess）首次应用于激光雷达点云处理，提高了激光雷达点云数据的平滑性；其次，提出了基于斜率阈值分割的路面几何参数识别方法，通过设置斜率阈值对道路凸起与凹坑进行识别提取；再次，通过识别特征点云边界构建了带约束的分段多项式函数路面连续典型特征拟合数学模型。最后，通过建立的室内路面典型特征沙盘模型及路面实测数据，应用本文提出的方法，对凸凹不平道路的凹坑和凸起等特征进行了识别和模型重构。结果表明，分段多项式拟合方法在拟合次数5～6次时达到拟合效果极限位置，此时各个场景中92%的数据点拟合均方根误差在0～0.015 m范围内，本文提出的方法能准确完成凸凹不平道路几何参数识别，实现路面典型特征三维数学模型重构。     

面向数据驱动建模的行人轨迹自适应压缩与误匹配识别分割

轨迹数据驱动的行人行为分析建模在公共场合异常事件监测、人车冲突风险评估等方面具有重要意义,广布的交通视频监控是行人群轨迹数据的重要来源。行人轨迹具有趋势性和规律性,提取的原始轨迹信息冗余较大,且密集行人群频繁遮挡,不同行人轨迹易发生误匹配,导致数据失真。针对以上问题,根据行人轨迹的局部结构特征和数值特性,设计一种改进的两阶段自适应滑窗轨迹压缩算法ATSSW (Adaptive Two Stage Sliding Window)和基于轨迹局部转向角的误匹配识别和分割方法ABTDS (Angle-based Trajectory Detection and Segmentation),清洗和压缩行人轨迹数据。首先,ATSSW算法考虑轨迹各坐标分量的数值分布特征,将提取到的所有原始轨迹分为漂移和非漂移2类,采取不同的策略分别压缩2类轨迹;然后,ABTDS算法分析压缩后的轨迹局部转角特征,辨识误匹配轨迹样本;最后,ABTDS算法分割误匹配样本,并用分割后的轨迹更新原始轨迹数据集。研究结果表明：ATSSW算法压缩了653条原始行人轨迹,总压缩信息损失1 002.04,总平均轨迹压缩率为6.07%,总平均轨迹压缩保留率为95.35%;原始轨迹集中存在126条误匹配轨迹,ABTDS算法辨识并成功分割了其中的107条,检出率为84.92%;所提算法抑制了原始行人轨迹中漂移点和误匹配现象所致的干扰,减少了原始轨迹数据噪声,可提高轨迹数据驱动的行人行为建模精确度;适当压缩原始轨迹,可减轻轨迹数据存储处理的负担。