基于加权朴素贝叶斯的船舶轨迹分类算法

为实现船舶自动识别系统(Automatic Identification System,AIS)轨迹数据快速分类,提出一种基于加权朴素贝叶斯的船舶轨迹分类算法。通过船舶AIS数据预处理和轨迹特征分析,设计加权的朴素贝叶斯分类器,利用AIS数据进行训练;采用有监督的分类方法提高分类效率,提出基于特征连续值的加权方法,构建船舶AIS分类加权最优特征集合,提高轨迹分类的准确率和速度。以长江中游武汉河段为例,进行试验验证。结果表明:AIS动态信息是重要的轨迹特征,提出的朴素贝叶斯船舶轨迹分类算法准确率达99.05%,相比未加权和其他常用分类算法表现更优;研究成果可应用于船舶异常轨迹识别和船舶航行风险分析等领域中。     

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。     

基于船舶自动识别系统和高频地波雷达的船舶轨迹数据融合

文中在分析船舶自动识别系统和高频地波雷达数据结构的基础上提出了一种船舶轨迹融合技术,采用数据融合技术将AIS与雷达的数据进行轨迹融合,从而提高对远距离船舶的控制监管能力以及促进船舶自身航运安全。     

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。     

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。     

三次样条插值在船舶轨迹修复中的研究

利用AIS获取船舶的时间、经纬度数据,然后利用Vondrak对数据进行预处理,通过三次样条曲线完成轨迹的修复。从所获取的数据中挑选60条轨迹用来仿真实验,实验结果表明本文所设计的算法对于线性度高的轨迹修复性要好于线性度低的轨迹,并且轨迹误差小,对船舶的轨迹修复有效。     

一种考虑船舶航速航向的AIS航迹插值方法

海上目标多手段融合探测中,需要等时间间距的AIS信息来描述船只的航行轨迹,作为验证其他船只探测手段的依据。针对传统的AIS线性插值方法在同一船只相邻2条AIS信息时间间隔过长时产生较大偏差的问题,本文提出一种新的AIS航迹插值方法。该方法综合考虑了目标的航速、航向等动态信息,通过对插值时间段内的船只位置进行预测,形成运动船只在该时间段内的插值航迹。最后,利用实测AIS数据对该方法进行验证,结果表明,相比线性插值,本文所提方法的航迹插值结果更接近船只在插值时间段内的实际航行轨迹。     

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GRU-DconvLSTM的船舶轨迹预测

利用深度学习方法预测船舶未来航行趋势,对海上交通安全以及船舶管理具有重要意义。在船舶自动识别系统（AIS）中已知的经度、纬度、航速数据基础上,提出一种基于门控循环单元结合双卷积层长短期记忆神经网络（GRU-Dconv LSTM）预测模型。根据原始数据的变化趋势,采用标准差法对数据中的异常值进行处理,得到最终试验数据。该模型一方面通过门控循环单元（GRU）学习船舶历史数据上的运动规律;并采用双卷积层与长短期记忆神经网络（LSTM）结合的形式充分提取数据深层信息,提高模型对时序数据深层次特征的挖掘能力。将该模型与卷积长短期记忆神经网络（CNN-LSTM）、卷积门控循环神经网络（CNN-GRU）以及卷积层长短期记忆（Conv-LSTM）神经网络等3个模型进行对比,将均方根误差、平均绝对误差、平均绝对百分比误差作为评价标准,结果表明,GRU-Dconv LSTM模型在经度和纬度预测上误差较小,精确度较高。     

提升算法下船舶AIS航迹数据压缩方法

为保证船舶AIS航迹数据的有效管理,提升船舶管理水平,研究提升算法下船舶AIS航迹数据压缩方法。该方法通过IEC61162-1标准和ITU1371-1协议,转换AIS轨迹数据格式,采用基于偏序集的规则链方法清洗转换后的AIS数据,并完成数据中经度和纬度的坐标转换。将数据存储在SQLite数据库,并按照时间顺序将其导入提升算法中,通过该算法压缩船舶AIS航迹数据,获取船舶AIS压缩后航迹数据。测试结果显示：该方法的压缩率均在90.6%以上,数据长度损失率最大值为0.11%,压缩效果较好,并且可保证压缩后数据的完整性;压缩后可较好地保存船舶转向行为数据点,确保数据的效用成果,提升船舶的管理水平。     

AIS船舶监控系统在引航中的应用研究

为提高船舶行进过程中的安全性,合理规划行进路线,本文对AIS船舶监控系统在引航中的应用进行了研究,通过AIS自身的功能,实时更新船舶航行的位置信息,确定船只行进的轨迹,实现船只的轨迹追踪,根据其追踪的轨迹,确定其行进过程中是否发生偏离,通过获取其他航行船只的轨迹图,将不同的轨迹路线进行对比,选择其中最优方案.通过实验研...     

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。     

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。     

基于船舶自动识别系统数据的多汊航道船舶流量预测

基于船舶自动识别系统(AIS)大数据,通过解析AIS原始报文,分离出关键字条,经过数据清洗、筛选后匹配其他船舶数据源,以进一步识别船舶类型并划分吨级。将大数据应用于船舶流量预测中,通过跟踪代表船型的航迹,总结出船舶航行规律和运营情况,再结合历史数据和宏观形势发展,综合预测航道货运量,基于对AIS数据的挖掘,运用分配模型预测多汊航道船舶流量,并以长江口南槽航道为例预测其船舶流量。结果表明,运用AIS大数据能有效分析复杂多变的船舶航路,从而准确地预测多汊道航道船舶流量。     

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。     

面向船舶避碰的异常轨迹点数据动态挖掘方法

船舶在避碰状态下开展异常轨迹点数据动态挖掘时,若不能及时了解避碰危险等级,会降低船舶异常轨迹点数据挖掘的挖掘性能。为提升异常轨迹点数据动态挖掘精度,提出面向船舶避碰的异常轨迹点数据动态挖掘方法。首先对船舶航行避碰危险程度展开具体分析,并根据分析结果采集船舶异常轨迹点数据,通过小波去噪算法完成船舶异常轨迹点数据的去噪处理。再进行数据去噪处理,提取轨迹点船舶的各项参数特征,结合长短期记忆网络构建船舶异常轨迹点的数据动态挖掘模型。最后将提取的特征向量实施变异赋值,将其赋值结果作为模型输入值输入模型中。根据模型输出实现船舶避碰情况下,异常轨迹点数据的动态挖掘。实验结果表明,使用该方法开展船舶异常轨迹点数据动态挖掘时,挖掘性能较高,挖掘效果好。     

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。     

人工免疫算法的船舶避碰智能策略研究

目前,船舶运输由于航道的限制,船舶数量急剧上升,船与船之间如何保持有效的安全距离显得尤为重要。人工免疫网络的出现对解决此类问题提供了新思路。理论分析表明,由于人工免疫系统(AIS)所独具的自适应性、灵活性和多分布性,会对现有船舶智能避碰系统形成一种良好的补充。这种基于人工免疫算法的船舶避碰系统将有效监测船舶的航行状况,避免船舶碰撞,从而保证整个航行的安全。     

基于云分段最优熵算法的航行异常轨迹识别研究

海洋运输业的迅速发展对大型航运公司的船舶管理水平提出了更高要求,随着船舶数量的迅速增加,针对船舶航行异常轨迹的识别和监控技术成为了研究热点。本文对如何提高船舶航行异常轨迹的识别效果进行了研究,引入一种基于AIS和雷达的航行轨迹识别系统,基于云分段最优熵算法,实现了船舶航行异常轨迹数据的快速识别和剔除,有助于提高海上航运公司对船舶管理水平,及早发现船舶的异常航行状态并进行航线调整,防止船舶事故的发生。