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。     

嵌入式船舶导航系统航行轨迹智能控制方法

传统船舶航行轨迹智能控制方法存在控制精准度低的缺点,为此提出嵌入式船舶导航系统航行轨迹智能控制方法。采用双坐标系对船舶航行轨迹模型进行建立,以建立的船舶航行轨迹模型为依据,利用传感器对船舶航行轨迹数据进行采集与处理,通过采集的数据计算船舶航行轨迹偏差,采用船舶航行轨迹控制算法对航行轨迹偏差进行调整,实现了嵌入式船舶导航系统航行轨迹的控制。通过实验可得,提出的嵌入式导航系统航行轨迹智能控制方法控制精准度比传统方法高28%,说明提出的嵌入式导航系统航行轨迹智能控制方法具备极高的有效性。     

利用AIS数据挖掘生成船舶航迹点方法研究

由于船舶航行受海上环境的影响而产生航迹误差,为了准确控制船舶航行轨迹,提出利用AIS数据挖掘生成船舶航迹点方法研究。根据AIS数据挖掘算法,提取船舶航行轨迹点数据特征,利用船舶航行轨迹点数据库中航行线路设置信息与目标对象运动信息之间的相似性,挖掘出船舶航迹动力定位数据,将AIS数据挖掘算法映射到船舶海上航行领域中,提取出AIS船舶位置采集点,通过设定阈值得到船舶航行转向点,将所有转向点连接成线,初步生成船舶航行轨迹点,利用船舶轨迹点生成流程,实现船舶航行轨迹点的生成。实验结果表明,基于AIS数据挖掘的船舶轨迹点生成方法在精度和时间上,都可以准确控制船舶航行轨迹。     

基于数据驱动的船舶航线实时优化

为了给不同海况下的船舶安全航行提供保障,设计基于数据驱动的船舶航线实时优化方法。利用数据驱动方法采集船舶历史航线、海域风速、风向、波高等海况数据,选取K-means聚类算法聚类海况数据,构建海况知识库。依据海况知识库内的船舶航线信息与航线转向点信息,划分船舶航线为不同航段。依据船舶航线的航段划分结果,以航行总时间最短以及总油耗最低为目标函数,设置船舶航速约束与转向点位置约束作为约束条件,构建航线实时优化模型。选取蚁群算法求解所构建的优化模型,输出航线实时优化结果。结果表明,该方法可以实时优化航线,降低船舶的航行时间与主机油耗,适用于不同海况的船舶航行。     

遗传算法在船舶运行轨迹大数据智能采集中的应用

针对当前舰船航迹数据采集方法信息更新速度慢、采集精确度低,无法满足海上航道信息采集要求的问题,提出了基于遗传算法的船舶运行轨迹大数据智能采集应用方法。分析和挖掘船舶航迹数据,得到船舶总体运行特征,优化航迹压缩算法,通过实时处理冗余信息并进行多层存储,噪声去除、插值和航迹分割大型船舶航迹数据,实现轨迹空间并行聚类,采用遗传算法简化航迹数据,得到多个块区域的点集合数据,并窗口化处理块区域,识别航迹通道边界,完成船舶航迹数据的精确采集。实验结果表明,所提方法的信息更新速度较快,能够有效提高采集精确度,满足船舶航行轨迹采集要求。     

基于AIS数据约束聚类的海上交通特征分析

为识别船舶交通流,分析海上交通特征,根据海上交通工程理论和数据挖掘技术,考虑AIS数据点的多种属性约束,改进一种基于密度的聚类算法,从大量AIS数据中解析不同类型的船舶交通流,计算平均航向和航速,并选取浙沪交界复杂水域进行实例验证。聚类结果与实际相符,证实了算法的可行性和有效性。     

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。     

复杂环境中高可用船舶AIS大数据信息处理方法

提升复杂通航环境下船舶航行安全性,提出复杂环境中高可用船舶AIS大数据信息处理方法。选取分布式架构作为船舶AIS大数据的信息处理架构,采集船舶AIS数据,对数据实施报文解析处理,利用云计算节点将完成AIS大数据传送至Oracle数据库。Oracle数据库采用同步复制技术,利用Markov链建立可用性评估模型,依据可用性评估结果确定分布式数据库的最佳接管方案,提升AIS大数据的可用性。选取Dbscan算法完成数据聚类,数据聚类结果为舰船目标识别等应用提供数据基础。实验结果表明,该方法可以有效处理船舶AIS大数据,数据聚类的类内相似度高于0.93,信息处理可用性高。     

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。     

船舶航行轨迹分析与应用系统

船舶航行轨迹的数据分析有助于改善海上航运的交通管理水平,尤其是港口等海上航线密集的区域,从而提高海上交通的安全性与航行效率。通常,船舶航迹数据的采集都是通过AIS系统和雷达共同完成,这种方式存在一定的误差,本文介绍一种基于图像处理技术的航迹分析系统,该系统利用计算机视觉技术和图像处理技术,可以高效、快速的对海量船舶航行轨迹数据进行提取和分析,本文重点介绍航迹分析过程的处理平台、信号处理方法以及图像信号的多特征融合等内容。     

船舶模拟驾驶系统障碍物自动识别方法

本文研究船舶模拟驾驶系统障碍物自动识别方法,满足船舶模拟驾驶系统在未知环境下的避障需求。船舶模拟驾驶系统的电子导航雷达单元,利用激光雷达传感器采集船舶环境信息的激光点云数据;控制中心依据所采集激光点云数据,通过自适应距离阈值聚类法聚类激光点云数据,提取障碍物特征向量。将提取障碍物特征向量作为支持向量机的输入,利用粒子群优化算法确定支持向量机的最优核参数,利用设置最优核参数的支持向量机,输出船舶模拟驾驶系统障碍物自动识别结果。实验结果表明,船舶模拟驾驶系统采用该方法,自动识别模拟驾驶时的静态障碍物以及动态障碍物,满足船舶安全航行需求。     

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。     

基于物联网环境的海上AIS大数据挖掘模型构建

传统的数据挖掘模型会受周围环境因素的影响,无法精准挖掘海上船舶运行数据,为此构建基于物联网环境的海上AIS大数据挖掘模型。在物联网平台将船舶运行轨迹、停泊轨迹和位置信息存入数据库中进行AIS数据预处理,为减小环境因素的波动,设置船舶AIS数据传输条件,利用聚类算法进行过滤处理,实现海上AIS大数据挖掘模型的构建。在实际测试中为考察2种数据挖掘模型的效果,分别在人为干扰环境下和同频干扰的环境下进行对比实验,由对比结果可知,所提方法可以精准的挖掘海上船舶AIS数据。     

离散模型在船舶航行轨迹自动检测中的应用

船舶航行轨迹检测过程易受到海上航行环境的影响。为了提高船舶航行轨迹检测性能,本文研究离散模型在船舶航行轨迹自动检测中的应用过程。利用船舶航行轨迹示意图计算出2个距离最远的航迹点之间的检测时间差,再通过定义船舶航行轨迹的提取公式提取出船舶航行轨迹。然后采用船舶航行的向心力条件、海上航行时间以及偏移力度系数,确定船舶航行轨迹的上限边界数值,再基于影响船舶航行轨迹的约束变量,确定船舶航行轨迹的下限边界数值,从而确定船舶航行轨迹范围,并将经济航速作为阈值实现对船舶航行轨迹的自动检测。实验结果表明,该方法在检测精度和检测耗时方面具有更好的性能。     

基于AIS信息的船舶轨迹聚类模型及应用

为获得船舶典型的运动模型,及时发现船舶异常轨迹并对其进行有效监控和管理,进而实现海上智能交通,基于船载AIS蕴藏着大量的海上交通特征的特点,从中获取能够反映船舶行为规律的有效的、潜在的信息。根据海上交通工程理论和数据挖掘技术,利用AIS信息并结合轨迹聚类算法,完成对已有轨迹的聚类,从中获取船舶典型的运动轨迹。以厦门港主航道及闽台直航船为实例,通过构建相应的AIS数据库并对船舶轨迹进行聚类结果展示,获得该海域船舶典型的运动轨迹。     

基于大数据分析的舰船航行轨迹预判研究

现有舰船航行轨迹预判方法存在轨迹预判模式不完善的问题,导致航行轨迹点覆盖程度较低,设计一种基于大数据分析的舰船航行轨迹预判方法。获取舰船航行数据,定义并插补舰船航行基准数据,利用密度聚类算法挖掘航迹图谱,计算航线轨迹点距离,设定航行异常阈值,基于大数据分析设置轨迹预判模式,实现轨迹预判方法设计。实验结果表明,此次设计的轨迹预判方法,其航行轨迹点覆盖程度均值比其他2种现有轨迹预判方法分别高13.621%,12.138%,证明融合了大数据分析的轨迹预判方法更加有效。     

多船并行航行轨迹精准控制算法研究

传航行轨迹精准控制算法在多船并行情况下,由于计算中没有区分航线航向,造成航行精准度较低,为此提出多船并行航行轨迹精准控制算法。构建船舶轨迹精准控制模型,根据船舶航行目的生成船舶运行轨迹,以实际航行轨迹为基础计算船舶定位航线,分别计算船舶直线航行控制轨迹以及曲线航行控制轨迹,完成多船并行航行轨迹精准控制算法设计。设计仿真实验,通过模拟使用环境,将提出算法与传统算法进行比较,实验结果表明提出方法计算的航行精准度更高,证明研究方法具备有效性。     

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。     

船舶航行轨迹自动化控制中PLC技术研究

为有效发现水域中那些偏离正常航行轨迹的船舶,从而提高船舶航行安全性,设计基于PLC技术的船舶航行轨迹自动化控制方案。通过提取船舶航线轨迹数据的方式,弥补缺失信息的插补空隙,完成PLC数据的采集及预处理。在此基础上,度量轨迹内航行节点间的相似性,按照正常轨迹点的建模需求,实现对时间复杂度的精准分析,完成船舶航行轨迹自动化控制中的PLC技术研究。对比实验结果表明,与GMM航迹分析算法相比,应用PLC自动化控制方案后,QIE水域避障系数提高至6.32,不仅提高船舶的航行安全性,也可有效发现偏离正常航行轨迹船舶的实时所处位置。     

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。