Visual analysis semantic label method based on navigation logic division北大核心CSCD

[目的]旨在探索处理内河实船数据、提高其可理解性和辅助研究识别船舶行为的新方法。[方法]通过构建航行逻辑层级和划分时序数据获得船舶行为的语义标签,设计航行逻辑可视化分析系统,将船舶航行状态与数据可视化相结合,辅助分析数据及研究船舶行为特征。最后,依托数字航道,选择船舶行为复杂的内河航道工作船的数据进行实例检验,利用所提系统分析异常数据并研究船舶行为。[结果]通过航行逻辑的交互可视化,可有效确定无规律的位置跳动异常数据产生的原因及特点,帮助进行异常数据处理,并经过定性分析特征和定量分析阈值,划分出了靠泊与直航状态数据,进一步丰富了船舶行为语义标签。[结论]结合船舶行为语义标签设计的可视化分析系统,通过人机自由交互,提高了数据的可理解性,可辅助异常数据分析处理及船舶行为研究,为数据分析人员提供研究工具。     

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。     

融合主成分分析与支持向量机的船舶异常行为识别方法

为解决船舶异常行为识别率低下的问题，综合考虑船舶属性和运动特征，提出了一种融合主成分分析和支持向量机的船舶异常行为识别方法。根据船舶作业过程对船舶行为模式进行划分，并明确船舶行为模式相关的船舶运动特征；进而以船舶自动识别系统数据为基础，运用主成分分析算法提取最具代表性的船舶运动特征；最后运用支持向量机算法对船舶异常行为进行识别。选取青岛港附近水域的船舶轨迹进行试验分析，结果表明：青岛港附近水域最具代表性的船舶运动特征共10个，总贡献率为84.40%;船舶异常行为识别结果的平均精确率和平均召回率分别为83%和84%,均优于对比模型。研究成果可以为船舶位置异常、轨迹异常、航速异常、航向异常等异常情况的智能发现和海事监管提供支撑。     

船舶操作预报中数据挖掘算法的应用与实现

在现代海上交通管理中,船舶航行操控对整个航道的安全非常重要,因此只有充分挖掘海量的操作数据,才能有效实现船舶的航行安全。本文从海上交通的角度对船舶的操作行为模式展开研究,利用数据挖掘技术对AIS系统的数据进行分析,从而实现对船舶行为的预测,监测的数据主要有船舶的航行位置、船舶状态的监测和船队数量的识别等。通过仿真对特定港口的船舶数量进行大数据预测,从而能够提前预报,有效提高港口的管理水平。     

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。     

人工智能在船舶航行数学建模中的应用

为保障船舶在海上安全航行,提出人工智能在船舶航行数学建模中的应用。使用Maklink图论方法描述海上作业点分布,建立作业点Maklink连接图,生成船舶在作业水域内可航行网络图。建立船舶在海上作业区域航线规划数学模型,并设置约束条件;利用Dijkstra算法求解船舶在海上作业危险区域航线规划模型,得到船舶航行初始航线;利用人工智能算法内的蚁群优化算法对船舶航行初始航线实时优化处理,得到船舶航行最终航线,为船舶穿越海上作业区域实时导航。实验结果表明,该方法可有效生成船舶在作业水域航行网络图,得到初始航线并对初始航线优化处理,应用效果较佳。     

基于AIS大数据的南京长江大桥水域规律航迹研究

南京长江大桥水域通航环境复杂,安全风险高.掌握船舶航行规律,对桥区水运安全监管及航道优化具有重要意义.利用船舶自动识别系统(AIS)大数据,采用自动化并行航迹密度计算方法,识别出不同大小的船舶在不同水期的规律航迹分布,并结合多源数据分析其时空变化特征.通过研究发现大桥水域船舶航行总体符合航行规则;相比小型船舶,大型船舶...     

基于机器视觉技术的船舶航行危险区域自动识别方法

提出基于机器视觉技术的船舶航行危险区域自动识别方法,最大程度规避船舶航行风险。利用机器视觉技术获取船舶航行图像数据,并结合像素平滑滤波和帧间差分法去除原始船舶航行图像所含噪声。采用二阶高斯-马尔科夫机场算法对去噪后船舶航行图像的显著性区域候选节点作信息弥散处理,获取船舶航行图像显著图,通过均值偏移算法处理船舶航行显著图像的特征空间,获得多个分割区域后,在显著图中求解各区域的显著性均值,通过与阈值作比较,实现船舶航行危险区域识别。实验结果表明：该方法可有效提升船舶航行图像的视觉效果;生成的显著图细节完整;可实现不同危险区域的识别,识别效果突出。     

图像处理技术在船舶航行障碍物识别中的应用

为了提高船舶航行避障能力,提出基于图像分块特征匹配和视觉跟踪识别的船舶航行障碍物识别技术。采用点跟踪匹配和动态帧点检测的方法进行船舶航行障碍物识别的红外图像信息采集,对采集的船舶航行障碍物红外视觉图像进行区域组合检测和融合处理,提取图像的差异性和突变性特征点,根据特征点的分布情况采用视觉跟踪识别方法实现对船舶航行障碍物识别。测试表明,该方法对船舶航行障碍物识别的动态跟踪能力较好,识别可靠性和精度较高。     

复杂航行环境船舶航行异常监控系统

传统船舶航行异常监测系统,在复杂航行环境下无法对轨迹信号图像作出正确判定,导致船舶航行监测结果与实际航行监测要求偏差较大,影响船舶正常航行安全。因此提出复杂航行环境船舶航行异常监控系统软件设计。利用卡尔曼滤波算法,建立航行轨迹图像数据高帧率采集硬件,获取高清轨迹图像数据;软件功能主要分为轨迹图像信号建模、轨迹图像模型信号的异常处理与异常轨迹像素的平滑提取3部分;通过仿真对比数据,证明提出系统在复杂航行环境下,能够有效提升异常轨迹监测识别率22.34%。     

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。     

船舶行为分析模型在过闸船舶身份鉴别的应用

通过对京杭运河苏北段在航船舶的航行轨迹、航行速度、航行时间等船舶行为的分析,建立船舶的行为分析模型。对疑似虚假证照登记的船舶进行识别,将现有的核查方式变为有重点、有目标的核查,缩小了核查范围,提高了核查效率。     

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。     

基于高阶常微分方程的复杂水域船舶航迹精准预测研究

船舶航迹预测是其避障、导航的基础,精准的航迹预测可提升船舶在复杂水域航行的安全性,为此研究基于高阶常微分方程的复杂水域船舶航迹精准预测方法。该方法利用AIS系统采集船舶航行行为动态观测样本后,构建该船舶航行行为动态观测样本的高阶常微分方程预测模型,使用四阶龙格-库塔方法求解该预测模型,得到船舶航行动态观测样本预测值后,利用最小二乘法对其进行拟合处理,得到船舶航迹曲线。实验结果表明,该方法可有效采集船舶在复杂水域航行时的航速、船首向等行为动态观测样本,预测船舶航迹点和拟合后的航迹曲线均与其实际数值吻合,预测精度较高。     

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。     

大雾天气海上船舶交通异常挖掘识别方法

传统船舶交通异常识别方法在大雾天气环境下,存在挖掘算法对船舶轨迹异常状态辨识度降低的问题。通过分析发现,原因在于传统方法中没有引入大雾天气对船舶轨迹检测信号的扰动变量,导致轨迹检测数据与挖掘算法之间出现数据断链,降低了数据挖掘的识别效果。因此,提出大雾天气海上船舶交通异常挖掘识别方法分析。首先通过LSTM算法,将大雾天气扰动特征代入挖掘神经网络,获得带有大雾扰动特征神经网络;接着,根据大雾扰动特征建立混合高斯船舶轨迹模型,为交通异常识别提供基础数据;然后,通过Spark分布式挖掘算法,完成对船舶交通异常数据的挖掘识别。通过仿真实验,对传统挖掘识别方法与提出方法效果进行多组数据对比,证明提出挖掘识别方法的有效性。     

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。     

基于船舶领域的桥区水域范围划定方法*

桥梁布设在通航水域的桥墩以及通航孔在一定程度上限制了船舶的航行，划定桥区水域对指导船舶安全航行具有重要意义。通过梳理当前桥区水域法规中船舶航行限制，分析划定桥区水域的影响因素；以桥梁涉水桥墩对航道内在航船舶的影响为依据，基于船舶领域理论设计了桥区水域宽度和纵向长度计算方法，可依据桥梁特点及航道水域特征对桥区水域进行划定，实现桥区水域划定的一桥一策；利用该方法对长江某大桥的桥区水域进行划定。结果表明，与传统桥区水域划定方法相比，该划定方法能够在保障船舶桥区航行安全的基础上，减少对航道内正常航行船舶的约束，同时可避免岸线资源的浪费。     

基于数据挖掘的船舶行为研究

如何从我国沿海港口海量的船舶自动识别数据中找出海上交通知识,是我国交通海事部门和港口管理部门亟需解决的重要同题.针对海量数据处理的瓶颈及海上交通数据的特点,运用地理网格技术划分港口水域,从而降低船舶航迹数据复杂度,建立船舶行为模型,对每个地理单元格上的船舶行为进行统计分析,进一步运用数据挖掘技术揭示整个海域船舶行为规律.所挖掘的知识可以运用到船舶航行位置预测、船舶异常行为检测及海上交通流模拟等研究领域.该研究方法开拓了海上交通安全的研究思路,为海事部门和港口管理部门的通航环境管理等提供理论依据.     

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。