基于大规模船舶轨迹数据的航道边界提取方法

传统的道路数据获取方法成本高、更新慢等无法适用于海洋航道的获取，从众源轨迹数据中提取道路或航道信息具有成本低、更新快等特性，然而，由于船舶轨迹数据噪声多、数据量大、不同区域分布不均使得航道边界提取面临较大挑战。针对该问题，提出一种基于大规模船舶轨迹数据进行航道边界提取的方法。首先对大规模的船舶轨迹数据进行并行化去噪、插值、轨迹分段；然后，基于并行化及基于Geohash编码的空间聚类，将轨迹数据化简为多个方形区域的点集数据；其次，对其进行窗口划分，对传统的NiBlack方法进行扩展，提出SpatialNiBlack算法，对方形区域进行航道识别；最后，提出一种新的提取算法del-alpha-shape，基于航道识别结果获得航道边界。理论分析与实验结果表明，所提方法在最大密度值是200，最小密度值是10，窗口长和宽分别为5和5时，可同时达到86.7%的准确率和79.4%的召回率。实验结果表明，该方法可以从大规模的轨迹数据中提取有价值的航道边界，是一种有效的航道提取方法。     

基于ECharts的船舶航运信息可视化系统设计与开发

本文从船舶轨迹数据的特点入手,采用基于密度的聚类算法对船舶轨迹实现聚类,同时调用高德地图API与ECharts可视化库,对船舶航运信息进行可视化显示,揭示船舶轨迹特征,最终完成了系统的设计与开发。对于船舶轨迹聚类特征的探究,有助于揭示海域中船舶航道的分布特征、对港口主管部门实施的通航和环境管理工作奠定基础理论支持,进而为海上运输和交通规划建设提供更加直观的科学依据。     

一种基于海量船舶轨迹数据的细粒度网格海上交通密度计算方法

在"一路一带"的战略构想下,对于海上贸易的关注逐渐升温。海上运输是海上贸易的承载,掌握细粒度的海上交通密度,对于提取热点航道热点区域、分析全球贸易走势、推断海上交通连通性及相关的异常检测等具备重要的意义。提出了一种面向海量船舶轨迹数据的细粒度网格海上交通密度计算方法,该方法将全球划分为0.01°*0.01°的标准化细粒度网格,一方面为了适应细粒度网格对全球船舶真实轨迹数据特点设计了针对性的预处理方案,处理了异常点和停泊点;另外一方面设计并实现了一种面向该网格的利用海量轨迹数据对信息发送数目、信息发送间隔、经过船舶数目、经过船舶时间等多维交通密度特征进行量化计算的方法,具备良好的拓展性。最后采用2014年2个月共计8亿余条数据对该方法的性能、准确性进行了评估验证,证明了该方法的切实可行性。     

基于GRU自编码器的船舶航线提取

船舶自动识别系统(automatic identification system, AIS)数据中蕴含着大量的船舶行为相关信息,从中提取出有效的航线,在海事监管、船只勘查等方面具有广泛应用。本文提出一种基于GRU自编码器(gate recuurent unit auto-encoder,GRU-AE)的船舶航线提取方法,首先采用GRU编码器将原始轨迹数据编码为统一格式的深度特征信息,其次利用DBSCAN (density-based spatial clustering of applications with noise)算法对深度特征信息进行聚类,最后将深度特征类簇中心通过解码器反演生成相应的船舶航线,从而实现在海量AIS数据中挖掘船舶轨迹规律。以波士顿港口为例,分析一年时间内10万多条AIS的船舶航行数据,实验表明本方法可对不同长度轨迹数据进行聚类及其航线提取,并可支撑船舶轨迹异常检测、路径规划、位置预测等研究,具有较好的应用适应性。     

网格和密度聚类方法在人头检测中的应用

根据人头特征,提出了一种基于网格和密度的聚类算法。该算法将图像分成网格,然后逐行计算网格的密度,碰到符合密度要求的网格时,算法转为纵向计算网格的密度,记录下纵向符合密度要求的网格数量,以此判断是否存在人头以及计算人头的参数。该算法结合了网格聚类的低时空复杂度和密度聚类的良好抗噪性的特点。实验证明该算法速度比Hough变换快两个数量级,而且所需存储空间小。     

基于联邦学习的船舶AIS轨迹谱聚类算法研究

如何实现数据的安全共享,促进多源数据的碰撞、融合是当前学术界和产业界共同面临的重要技术挑战之一,近年来,联邦学习作为应对这一挑战的新技术受到了广泛的关注,已在智慧医疗、智慧城市建设等领域得到应用,但是在充满潜力的轨迹数据挖掘领域却鲜有研究。为了解决这个问题,提出一种安全的、分布式的基于联邦学习的谱聚类算法框架FSC(federated spectral clustering),并应用于船舶AIS(automatic identification system)轨迹数据谱聚类。该算法通过加密样本对齐技术和同态加密技术,在保证用户数据安全的前提下实现了多参与方联合训练机器学习模型。实验部分以合成数据和船舶AIS轨迹数据为样本,通过与其他聚类算法对比,验证算法具有良好的聚类性能;聚类结果能够准确提取水域船舶的主要航线,可为海事监管系统智能化提供技术支撑。     

基于出租车轨迹数据的城市热点出行区域挖掘

出租车轨迹是蕴含着居民出行行为的地理时空大数据,从出租车轨迹数据中挖掘居民出行的热点区域和移动模式对于城市规划、交通管理等具有重要意义。针对现有热点区域挖掘方法在面对大规模轨迹数据时存在的伸缩性差、计算效率低等问题,提出一种基于网格密度的GScan聚类算法。该算法首先将轨迹空间划分成网格单元,并设定网格单元的密度阈值;然后将轨迹点映射到网格单元,基于密度阈值提取热点网格单元;通过合并可达热点网格单元发现城市的热点区域。以重庆市出租车轨迹载客/卸客点进行实例分析,给出网格单元大小和密度阈值2个参数的设定方法,得到重庆市主城区居民出租车出行热点区域的时空分布,进而分析重庆市居民出行行为。     

基于Openlayers3和Cassandra的船舶碰撞风险识别系统

为提高船舶交通管理服务系统(VTS)智能化水平,保障航运安全,利用上海港水域内海量AIS数据,建立船舶领域模型,应用改进的聚类算法,识别船舶碰撞风险。利用开源地图框架Openlayers,实现碰撞风险可视化,利用Cassandra数据库,实现海量AIS数据存储和高效检索。设计实时船舶可视化显示,单船、区域船舶历史轨迹回放,模拟船舶航行等功能。最后使用上海港2015年全年AIS历史数据进行碰撞风险识别实验,结果和历史高危区域较为吻合,可作为辅助分析系统供海事人员决策参考。     

基于AIS的航道船舶流量智能采集系统开发

通航能力和通航需求的准确分析,对于区域航运业的发展有着重要的意义。航道船舶交通流量及相关货运信息的精确采集,是统计分析的基础。本文研究基于AIS（船舶自动识别系统）数据的航道交通流量智能采集系统的设计方案,论述该智能系统的设计原理及主要算法、主要结构,重点说明该系统中的智能航道通过船舶AIS信息跟踪记录控制模块的工作流程。     

基于联邦随机森林的船舶AIS轨迹分类算法

为了提升船舶AIS轨迹数据的分类效果、实现多权属数据安全联合数据挖掘,文章提出一种基于联邦随机森林的船舶AIS轨迹分类算法,利用BCP同态加密算法构造平均隐私保护协议,解决联邦学习中多参与方安全协同训练决策树问题。文章通过分析船舶AIS轨迹数据提取最优轨迹特征,并使用相应的特征向量作为联邦学习模型的输入,实现对渔船、客船、货船和油轮4类典型船舶的联邦分类。从准确性和有效性两方面进一步进行验证,结果表明该算法能够在保证数据隐私安全的前提下实现良好的分类效果,降低了参与方客户端的计算开销,实现多权属数据安全联合数据挖掘。同时,此研究成果可应用于船舶航迹模式识别和航迹分析预测等领域。     

基于轨迹点聚类的航路发现方法

为了加强对局部空域航路的掌握和管理,提出一种基于轨迹点聚类的航路发现方法.首先,针对根据真实数据的分布特点生成的仿真数据,采用预处理模块对轨迹数据的噪声进行削弱和剔除;其次,提出一种包括孤立点剔除、轨迹重采样、轨迹点聚类、聚类中心修正和连接聚类中心五个部分的航路发现方法,对航路进行提取;最后,对航路提取结果进行了可视化...     

HMM-Cluster：面向交通量过载发现的轨迹聚类方法

随着经济的发展,城市交通拥堵问题亟待解决,交通量过载发现是解决交通拥堵问题的有效方法之一。提出一种基于HMM模型的轨迹聚类算法HMM-Cluster,可有效地发现交通量过载情况。该算法首先提取时空轨迹特征点,并采用维数约简技术减少轨迹数据量,根据参照轨迹拟合HMM模型,基于密度函数得到轨迹相似度矩阵,最后给出聚合的相似性轨迹。真实轨迹数据集上的对比实验结果表明,提出的HMM-Cluster可有效地挖掘移动对象运动模式,准确发现交通量过载情况,具有一定实用价值。     

Impact of Distance Measures on the Performance of AIS Data Clustering

Automatic Identification System (AIS) data stream analysis is based on the AIS data of different vessel’s behaviours, including the vessels’ routes. When the AIS data consists of outliers, noises, or are incomplete, then the analysis of the vessel’s behaviours is not possible or is limited. When the data consists of outliers, it is not possible to automatically assign the AIS data to a particular vessel. In this paper, a clustering method is proposed to support the AIS data analysis, to qualify noises and outliers with respect to their suitability, and finally to aid the reconstruction of the vessel’s trajectory. In this paper, clustering results have been obtained using selected algorithms, including k-means, k-medoids, and fuzzy c-means. Based on the clustering results, it is possible to decide on the qualification of data with outliers and on their usefulness in the reconstruction of the vessel trajectory. The main aim of this paper is to answer how different distance measures during a clustering process can influence AIS data clustering quality. The main core question is whether or not they have an impact on the process of reconstruction of the vessel trajectories when the data are damaged. The research question during the computational experiments asked whether or not distance measure influence AIS data clustering quality. The computational experiments have been carried out using original AIS data. In general, the experiment and the results confirm the usefulness of the cluster-based analysis when the data include outliers that are derived from the natural environment. It is also possible to monitor and to analyse AIS data using clustering when the data include outliers. The computational experiment results confirm that the k-means with Euclidean distance has the best performance.     

基于注意力机制的TCN-BiLSTM船舶轨迹预测

针对现有船舶轨迹预测模型预测准确度低的问题,提出一种基于注意力机制的时域卷积网络和双向长短时记忆网络（TCN-ABiLSTM）的船舶轨迹预测模型。首先搭建TCN网络提取船舶轨迹的序列特征,之后将注意力机制引入网络调整不同属性特征的权值,凸出对轨迹预测影响更大的特征,最后搭建Bi-LSTM网络学习轨迹序列的前后状况来提取序列中更多的信息,实现对船舶未来轨迹的预测;通过实际船舶AIS数据对网络进行训练与测试实验,实验结果表明,TCN-ABiLSTM模型相比LSTM、Bi-LSTM、TCN、BiLSTM-Attention、TCN-Attention模型船舶轨迹预测精度更高,拟合程度更好,验证了所设计的TCN-ABiLSTM模型在船舶轨迹预测方面的的有效性和实用性。     

基于轨迹聚类的航空器轨迹模式挖掘研究

轨迹模式是航空器在某段时间或某个区域内相对稳定的飞行模式,对理解和判断目标在一段时间或一定区域内的行为有着重要的意义。针对目标轨迹的特点,在基于点密度的聚类算法的基础上,设计并实现了一种基于线段密度的轨迹聚类方法。该方法使用最小描述长度原则将目标的历史轨迹分割为若干轨迹段,通过计算轨迹段之间的相似度对飞行轨迹进行聚类,最后运用扫描线算法生成目标的轨迹模式。实验证明,该方法可以较为准确地从大量轨迹数据中发掘出航空器目标的轨迹模式。     

面向港口停留区域识别的船舶停留轨迹提取方法

针对港口停留区域识别时船舶轨迹大数据的精度低、稀疏、漂移等问题，提出了一种多约束条件下的船舶停留轨迹提取（MPTSSE）方法。首先，结合船舶轨迹数据特点，给出了用于停留区域识别与提取的停留段概念的定义；其次，建立了基于速度、时间差、停留时长、距离等多约束的轨迹停留段提取模型和并行化轨迹停留段提取算法；最后，基于Hadoop框架给出了船舶轨迹大数据集上的轨迹停留段提取算法实现。基于真实船舶轨迹数据的实验结果表明，与基于Stop/Move模型的轨迹停留提取方法相比，MPTSSE方法在三个港口泊位的提取中准确率提高了22%。MPTSSE方法能有效避免轨迹停留段误分割情况，同时在大规模船舶轨迹数据下具有较高的执行效率。