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。     

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。     

基于最小二乘算法的船舶航行轨迹控制研究

为保证船舶一直按照既定的轨迹航行,避免发生碰撞事故,进行船舶航行轨迹控制具有重要的现实意义。为此,基于最小二乘算法进行船舶航行轨迹控制方法研究。该研究前一部分获取AIS系统中的船舶航行实时数据,得到船舶航行位置,后一部分利用最小二乘算法,并结合前一部分获取的数据,预测船舶航行角度和方向,控制船舶航行。结果表明:1)整体来看,实际航行轨迹线路与预期航行轨迹线路之间的拟合优度为0.984 7,比较靠近1,说明船舶航行实际轨迹符合预期。2)局部来看,通过对比10个不同节点处的航行速度和航行方向,误差比较小,说明所研究方法的航行轨迹控制效果较好。     

应用双向递归神经网络的船舶轨迹修复迭代算法

为了解决船舶轨迹修复算法修复效果差、修复偏差大的问题,应用双向递归神经网络实现船舶轨迹修复迭代算法的优化设计。从位置坐标和速度2个方面转换收集的船舶轨迹数据,判定当前轨迹是否存在缺失或异常。以已知端点加速度的计算结果为输入项,应用双向递归神经网络得到实时船舶轨迹的预测结果,最终完成对船舶轨迹的修复。通过测试实验发现设计修复方法得出的轨迹位置与理想轨迹基本重合,且修复后的速度和航向偏差分别为0.1 km/h和0.1°,满足设计与应用要求。     

基于反地理编码服务的内河船舶轨迹停留语义信息提取

由于内河水域电子航道图在完整性和及时性方面的不足，传统依赖电子航道图的船舶轨迹停留点挖掘方法在准确率和效率方面受到限制。在线地图资源蕴含着大量的地理空间语义信息，能为船舶活动轨迹提供丰富的地理关联解译。综合利用互联网中的地图数据服务，提出一种基于反地理编码的内河船舶轨迹停留语义信息提取方法。识别船舶在港口、码头等区域的轨迹停留段，提取每段的停留中心点；利用在线地图的反地理编码服务获取停留中心匹配的区域集合，计算每个区域的船舶停留特征；基于关键字对多个区域进行融合，生成船舶轨迹的停留语义信息。利用2018年7月—2018年8月长江区域船舶的真实轨迹数据进行试验，结果表明：该算法能有效地提取船舶轨迹的停留语义信息，平均准确率达到94%以上。     

基于大数据分析的船舶交通特征统计分析

为了降低现阶段船舶交通特征统计分析数据的离散度,提高统计分析质量,提出了基于大数据分析的船舶交通特征统计分析方法。根据数据挖掘结果进行数据初步处理,获取船舶交通数据极值以及样本差和方差,根据当前船舶交通数据流进行数据卡方拟合和分布拟合,获取拟合曲线和曲线函数,根据拟合曲线的实际特征值确定当船舶交通流理论特征值,并在理论特征值中添加边界条件,利用边界矩阵获取实际特征数据集合,实现船舶交通特征统计。仿真实验数据结果表明,应用设计方法统计的船舶交通特征值,极差数据降低了29%,标准差降低了35%,可以有效降低数据离散。     

物联网环境下船舶航行大数据异常属性划分

由于人工记录、手动测量等方式存在信息不及时、不准确以及局限性的问题,无法获取到实时、全面的航行数据,降低了大数据异常属性划分结果的有效性,因此提出物联网环境下船舶航行大数据异常属性划分方法。在物联网环境下利用离散度函数,加权处理船舶航行大数据属性特征。通过密度选择法,确定船舶航行大数据异常属性划分的初始聚类中心。利用属性加权快速聚类算法,结合离散度函数与初始聚类中心,完成船舶航行大数据异常属性划分。实验证明,所提出方法可有效划分船舶航行大数据异常属性。在不同大数据规模下,该方法异常属性划分的加速比均较大,即异常属性划分速度较快。     

改进灰色模型的船舶航行轨迹自动预测研究

为实现更加精准、自动化的船舶航行轨迹预测,利用改进灰色模型,提出一种基于改进灰色模型的船舶航行轨迹自动预测方法。在船舶航行中的AIS数据中对船舶航行轨迹数据进行提取,其中AIS数据具体包括船舶航程数据、船舶动态数据以及船舶动态数据。通过数据估计算法插补缺失数据,分为2个步骤,第1步是对插补数据进行识别,第2步是对其进行插补。通过改进灰色模型对船舶航行轨迹进行自动预测,主要使用基于缓冲算子改进的灰色模型构建船舶航行轨迹自动预测模型。选取某船舶服务项目中包含的船舶AIS数据作为实验数据,对设计方法进行实例测试。测试结果表明,设计方法的数据提取质量较高、预测模型的误差较小,具有广阔的市场应用前景。     

基于岸基激光雷达的靠泊船舶辅助信息的获取研究

本文提出了一种基于岸基激光雷达来获取靠泊船舶的辅助信息估计方法。本文通过岸基激光雷达获取靠泊船舶的点云数据,从船舶靠泊时的船艏和船艉处的点云数据中确定了船舶靠泊偏角和离岸距离,然后根据船舶的船艏和船艉处点云的轨迹变化,计算出船舶法向靠岸速度。相对于传统靠泊时利用AIS和雷达获取船舶靠泊速度和航向角,本文算法能够更加直观获取船舶的靠泊偏角、离岸距离和法向靠岸速度,能够降低平行靠泊的难度,提高靠泊作业的效率和安全系数。     

海浪载荷干扰下船舶发动机故障检测数学模型研究

针对传统船舶发动机故障检测数学模型故障检测速率较低的问题,提出一种海浪载荷干扰下船舶发动机故障检测数学模型,在海浪载荷干扰下对船舶发动机进行振动测量,提取船舶发动机的时域故障特征,通过测量获取船舶发动机转子系统的3阶、2阶、1阶临界转速以及轴向转子的固有频率,对船舶发动机的频域故障特征进行提取,利用获取的时域故障特征数据与频域故障特征数据建立船舶发动机的故障检测数学模型,实现船舶发动机的故障检测。为了验证建立的数学模型的故障检测速率较高,将该模型与基于线性分段方法的船舶发动机故障检测数学模型、基于异常检测算法的船舶发动机故障检测数学模型、基于异常子序列的船舶发动机故障检测数学模型进行对比实验,实验结果证明该模型的故障检测速率最高,说明该模型更适用于船舶发动机的故障检测。