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。     

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OD切分的船舶AIS航迹

通过对船舶自动识别系统(Automatic Identification System,AIS)数据进行深入挖掘,获取船舶海上交通特征信息。以频繁往返于厦门港水域的船舶"中远之星"号为例,基于Hive数据仓库和R语言平台,利用探索性分析和可视化等数据挖掘技术,得到反映船舶海上交通特征的信息。建立合理有效的航迹插补、航迹切分及子航迹段合并算法,得到若干个能清晰反映船舶运动路线的OD(出发点—终点)航迹。研究成果可为船舶航迹聚类、船舶异常行为检测和海上交通安全监控等奠定基础,从而实现船舶交通管理系统的智能化。     

基于历史航次信息的船舶典型轨迹

为提高船舶导航系统对航行经验的感知能力、学习能力和自适应能力,进而提高导航系统的实用性和可靠性。根据海上交通工程理论,建立船舶运动轨迹模型,并通过引入用于评估轨迹特征的轨迹参数,构建基于遗传算法(Genetic Algorithm, GA)的船舶典型轨迹适应度函数,提出从历史航次信息中获取有向的船舶运动的典型轨迹的方法。以运用上海—深圳航线为实例,通过GA,从相应历史航次信息中获取船舶从上海—深圳的典型轨迹,结果表明:该典型轨迹的获取方法具备一定的准确性。     

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。     

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。     

数据挖掘在海上交通特征分析中的应用研究

数据挖掘(Data Mining)就是从大量数据中获取有效的、新颖的、潜在有用的、最终可理解的模式的非平凡过程。而海量的船载AIS信息集合蕴藏着大量的海上交通特征,利用数据挖掘理论与技术,以厦门港主航道的大型船舶AIS信息为对象,从空间、时间、概率分布三个方面,对AIS信息集合蕴藏的海上交通特征中反映船舶航向和航速变化率进行挖掘研究,获得了厦门湾内主航道通航环境空间和时间特性以及航向航速变化率概率分布特点。该研究方法为海量AIS信息研究提供新的思路,利用所挖掘的知识可以分析水域的通航环境,为港口主管部门的通航环境管理等提供理论依据。     

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。     

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。     

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。     

船舶导航系统中雷达与AIS信息融合系统分析

船舶自动识别系统(AIS)是集船舶导航、避碰、海事监管于一体的无线电系统,在水上交通运输领域里发挥着重要作用。而雷达同样是海上交通获取船舶目标信息的重要设备。二者目标信息在内容信息和数据精度上存在差异性,且具有互补性。为了获得船舶目标更精确和更可靠的信息,将其目标信息进行融合。文章提出了一种雷达与AIS信息融合的实现方法,并描述了将其实现的具体过程。     

改进K-means算法的船舶密集区域识别模型研究与VTS应用

船舶交通管理(VTS)对覆盖区域内的船舶密集区域进行有效识别,并对区域内的船舶实施远程预警,可以提升通航效率,减少海上险情事故.通过改进K-means聚类算法建立海上船舶密集区域识别模型,并设计VTS船舶密集区预警系统,结合AIS数据实验模拟,该算法对船舶密集区域的识别是有效且可行的.     

用聚类分析法确定航道内拥挤航段

要应对航道拥堵问题,需知道航道内的拥挤状态,针对这一目标,本文提出对AIS的相关船舶数据进行聚类.首先,对AIS船舶数据进行聚类得到船舶簇,通过计算簇内航段水域交通密度并与航道最佳密度比较,以此判断航段是否拥挤.     

杭州湾水域通航规律

为合理规划水域使用、协调工程建设与交通用海关系,运用以船舶自动识别系统(AIS)数据解析为主、船舶交通管理系统(VTS)观测为辅的技术措施,分析杭州湾水域主要航道、航路的海上交通规律,根据不同类型和不同尺度船舶的AIS轨迹分布情况,从通航密度、船舶类型、船长分布、船舶到达时间规律、船舶吃水深度、船舶航速和最大通航船长等7个方面分析水域通航特征,为相关部门进行工程决策提供技术支撑。     

AIS电文解析技术研究

AIS电文解析是目前海上船舶监管信息系统获取船舶各种信息的主要途径之一。通过设计串口模块、显示模块和AIS电文解码模块实现了AIS船舶信息编码的接收、解析和显示,从而支持各种应用船舶信息的业务服务需求。     

船舶会遇的时空数据挖掘算法及应用

船舶会遇是海上船舶交通研究的重要方面。传统的船舶会遇研究数据采集花费巨大,而海量、实时的船舶AIS数据则真实记录特定水域的船舶会遇状况。根据海上交通工程理论和数据挖掘技术,设计了高效的从海量的船舶AIS数据中提取船舶会遇信息算法,并以厦门湾的船舶AIS数据为例,从船舶会遇的空间、时间分布,会遇船舶尺度和态势等多个角度研究分析了厦门湾船舶会遇状况。研究结果可为港航主管部门改善海上通航环境、降低船舶事故提供理论依据。     

海上交通管理系统VTS的雷达信号处理技术

海上交通管理系统VTS在海上交通疏导、船舶管理、提升海上交通效率和安全方面发挥着重要的作用,交通管理系统VTS采集雷达系统、AIS系统、卫星系统的信号,通过分析和处理,获取船舶和航线的关键数据,因此,在VTS系统中,雷达信号的处理技术非常关键。本文首先介绍了海上交通管理系统的构成,设计了VTS的雷达信号处理系统,并对信号处理系统的硬件设备、信号处理过程进行了详细的分析。     

AIS在海上交通调查中的应用

摘要:海上交通调查的基本目的是采用一切有效手段收集海上交通的基本数据并随之进行统计分析和理论研究,以便从宏观上和微观上掌握和了解海上交通的实际状况、基本特征和一般规律。通常所说的海上交通调查主要指交通观测。随着船舶自动识别系统(AIS)的诞生和完善,传统交通观测方法的弊端暴露无遗。通过对海上交通观测的新老方法的分析比较,提出了AIS在海上交通调查过程中需要解决的技术问题,并结合宁波虾峙门的实地观测进行了具体的应用。     

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。