CN117611862B - Ais轨迹聚类方法、装置、电子设备和存储介质 - Google Patents
Ais轨迹聚类方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117611862B CN117611862B CN202311694425.2A CN202311694425A CN117611862B CN 117611862 B CN117611862 B CN 117611862B CN 202311694425 A CN202311694425 A CN 202311694425A CN 117611862 B CN117611862 B CN 117611862B
- Authority
- CN
- China
- Prior art keywords
- ais
- target
- track
- clustering
- historical data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 50
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 3
- 101150080778 INPP5D gene Proteins 0.000 description 32
- 238000004891 communication Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种AIS轨迹聚类方法、装置、电子设备和存储介质，属于数据聚类技术领域，其中方法包括：获取船舶自动识别系统AIS历史数据，对AIS历史数据进行预处理，得到预处理后的AIS历史数据；基于预处理后的AIS历史数据，生成航路密度图像；从航路密度图像中提取所有的主航道区域，对主航道区域中的像素点进行聚类处理，得到多个航道区域；获取待识别的多个目标AIS轨迹，基于多个航道区域，对多个目标AIS轨迹进行聚类和识别，得到多个目标AIS轨迹的类别。本发明提供的AIS轨迹聚类方法、装置、电子设备和存储介质适应性强、效率高。
Description
技术领域
本发明涉及数据聚类技术领域，尤其涉及一种AIS轨迹聚类方法、装置、电子设备和存储介质。
背景技术
随着船舶信息技术的不断发展，船舶自动识别系统(Automatic IdentificationSystem，AIS)设备已应用于船舶导航，成为船舶主要的助航设备之一。对AIS轨迹进行聚类，可以为海上交通监管部门提供交通流信息和交通管理参考。AIS数据具有数据量大、噪声大、密度不均、分布复杂等特点，现有技术采用常规的聚类算法对海量AIS数据进行聚类，适应性较差，效率较低。
发明内容
本发明提供一种AIS轨迹聚类方法、装置、电子设备和存储介质，用以解决现有技术中采用常规的聚类算法对海量AIS数据进行聚类，适应性较差，效率较低的缺陷。
第一方面，本发明提供一种AIS轨迹聚类方法，包括：
获取船舶自动识别系统AIS历史数据，对所述AIS历史数据进行预处理，得到预处理后的AIS历史数据；
基于所述预处理后的AIS历史数据，生成航路密度图像；
从所述航路密度图像中提取所有的主航道区域，对所述主航道区域中的像素点进行聚类处理，得到多个航道区域；
获取待识别的多个目标AIS轨迹，基于所述多个航道区域，对所述多个目标AIS轨迹进行聚类和识别，得到所述多个目标AIS轨迹的类别。
在一些实施例中，所述对所述主航道区域中的像素点进行聚类处理，得到多个航道区域，包括：
从所述主航道区域中提取多个目标像素点；
对所述多个目标像素点进行特征提取，得到每一目标像素点的特征向量；
基于所述每一目标像素点的特征向量，采用具有噪声的基于密度的聚类算法DBSCAN对所述每一目标像素点进行聚类处理，得到多个航道区域。
在一些实施例中，所述得到多个航道区域之后，还包括：
计算任意两个相邻的航道区域的相似度，判断所述两个相邻的航道区域的相似度是否超过预设阈值；
在确定所述两个相邻的航道区域的相似度超过所述预设阈值的情况下，将所述两个相邻的航道区域合并。
在一些实施例中，所述计算任意两个相邻的航道区域的相似度，包括：
计算所述两个相邻的航道区域的区域距离指标、航向相似度和密度相似度；
基于所述区域距离指标、航向相似度和密度相似度，得到所述两个相邻的航道区域的相似度。
在一些实施例中，所述基于所述多个航道区域，对所述多个目标AIS轨迹进行聚类和识别，得到所述多个目标AIS轨迹的类别，包括：
从每一航道区域中提取所述每一航道区域的主中心线，对所述每一航道区域的主中心线进行特征提取，得到所述每一航道区域的特征方向曲线；
对每一目标AIS轨迹进行特征提取，得到所述每一目标AIS轨迹的特征向量；
基于所述每一目标AIS轨迹的特征向量，以及所述每一航道区域的特征方向曲线，计算所述每一目标AIS轨迹与所述每一航道区域的特征方向曲线的距离；
基于所述每一目标AIS轨迹与所述每一航道区域的特征方向曲线的距离，对所述每一目标AIS轨迹进行聚类和识别，确定所述每一目标AIS轨迹的类别。
在一些实施例中，所述对每一目标AIS轨迹进行特征提取，得到所述每一目标AIS轨迹的特征向量，包括：
将所述每一目标AIS轨迹划分为多个子轨迹，对所述多个子轨迹进行特征提取，得到所述每一目标AIS轨迹的特征矩阵；
将所述每一目标AIS轨迹的特征矩阵与所述每一航道区域的特征方向曲线进行匹配，得到所述每一目标AIS轨迹的特征向量。
在一些实施例中，所述对所述AIS历史数据进行预处理，得到预处理后的AIS历史数据，包括：
将所述AIS历史数据的地理坐标转换为墨卡托投影坐标，得到转换后的AIS历史数据；
对所述转换后的AIS历史数据进行数据清洗，得到清洗后的AIS历史数据；
采用k-means算法对所述清洗后的AIS历史数据进行聚类处理，剔除低速AIS历史数据，得到筛选后的AIS历史数据；
对所述筛选后的AIS历史数据进行线性插值处理，得到所述预处理后的AIS历史数据。
第二方面，本发明提供一种AIS轨迹聚类装置，包括：
获取单元，用于获取船舶自动识别系统AIS历史数据，对所述AIS历史数据进行预处理，得到预处理后的AIS历史数据；
生成单元，用于基于所述预处理后的AIS历史数据，生成航路密度图像；
第一聚类单元，用于从所述航路密度图像中提取所有的主航道区域，对所述主航道区域中的像素点进行聚类处理，得到多个航道区域；
第二聚类单元，用于获取待识别的多个目标AIS轨迹，基于所述多个航道区域，对所述多个目标AIS轨迹进行聚类和识别，得到所述多个目标AIS轨迹的类别。
第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述AIS轨迹聚类方法。
第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述AIS轨迹聚类方法。
本发明提供的一种AIS轨迹聚类方法、装置、电子设备和存储介质，通过获取船舶自动识别系统AIS历史数据，对AIS历史数据进行预处理，基于预处理后的AIS历史数据，生成航路密度图像，从航路密度图像中提取所有的主航道区域，对主航道区域进行聚类处理，得到多个航道区域，基于多个航道区域，对多个目标AIS轨迹进行聚类和识别，得到多个目标AIS轨迹的类别，将复杂AIS轨迹的聚类问题转化为图像处理问题，适应性强、效率高。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的船舶自动识别系统轨迹聚类方法的流程示意图；
图2是本发明实施例提供的基于预处理后的船舶自动识别系统历史数据生成航路密度图像的流程示意图；
图3是本发明实施例提供的从航路密度图像中提取所有的主航道区域，对主航道区域中的像素点进行聚类处理的流程示意图；
图4是本发明实施例提供的目标船舶自动识别系统轨迹编码示例；
图5是本发明提供的船舶自动识别系统轨迹聚类装置的结构示意图；
图6是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前，AIS轨迹聚类方法主要分为基于点的聚类和基于轨迹的聚类两大类，两者的区别主要在于轨迹相似度或轨迹距离的测量方法不同。基于点的聚类方法计算每个轨迹点的相似度，虽然操作简单，但往往忽略了舰船轨迹点的时空相关性，不利于表征舰船的整体运动特征。基于轨迹的聚类方法选择整个轨迹或由连续轨迹点组成的轨迹段作为聚类对象，计算整体轨迹的相似度或子轨迹段的相似度。动态时间规整(Dynamic Time Warping，DTW)算法、Hausdorff距离和Frechet距离是测量轨迹间相似度的常用方法。然而，DTW算法没有考虑局部轨迹段的特性，可能导致过拉伸和过压缩。Hausdorff距离可以识别轨迹形状，但忽略了轨迹的时序特征和方向。Frechet距离可以反映轨迹的时间特征，具有较好的聚类效果，但由于计算复杂度较高，不适用于长轨迹段的聚类分析。
常用的聚类算法分为以下几类:空间聚类、层次聚类、基于密度的聚类、网格聚类和基于模型的独立聚类算法。k-means算法具有计算过程简单、计算速度快等优点，适用于大规模数据集聚类，但其对非球形簇的处理能力较差，易受初始簇中心选择的影响，且需要提前指定簇数。具有噪声的基于密度的聚类方法(Density-Based Spatial Clustering ofApplications with Noise，DBSCAN)被认为是AIS数据分析中应用最广泛的基于密度的聚类算法之一。DBSCAN方法可以有效地发现任意形状的聚类，并且能够处理噪声数据；此外，它可以自动识别集群的数量，而不需要事先指定集群的数量。然而，DBSCAN算法面临着参数敏感性和时间复杂度的挑战。
为此，本发明实施例提供一种AIS轨迹聚类方法、装置、电子设备和存储介质，通过获取船舶自动识别系统AIS历史数据，对AIS历史数据进行预处理，基于预处理后的AIS历史数据，生成航路密度图像，从航路密度图像中提取所有的主航道区域，对主航道区域进行聚类处理，得到多个航道区域，基于多个航道区域，对多个目标AIS轨迹进行聚类和识别，得到多个目标AIS轨迹的类别，将复杂AIS轨迹的聚类问题转化为图像处理问题，适应性强、效率高。
图1为本发明实施例提供的船舶自动识别系统轨迹聚类方法的流程示意图。如图1所示，提供了一种AIS轨迹聚类方法，包括以下步骤：步骤110、步骤120、步骤130和步骤140。该方法流程步骤仅仅作为本发明一个可能的实现方式。
步骤110、获取船舶自动识别系统AIS历史数据，对AIS历史数据进行预处理，得到预处理后的AIS历史数据。
其中，AIS历史数据至少包括：船舶标识信息、船舶位置信息、时间戳、航行状态、船舶类型、船舶尺寸、船舶导航状态、航行目的地、航速和航向。
需要说明的是，通过对AIS历史数据进行预处理，可以提高数据质量，从而能够提高航路密度图像的准确性和可靠性。
在一些实施例中，对AIS历史数据进行预处理，得到预处理后的AIS历史数据，包括：
将AIS历史数据的地理坐标转换为墨卡托投影坐标，得到转换后的AIS历史数据；
对转换后的AIS历史数据进行数据清洗，得到清洗后的AIS历史数据；
采用k-means算法对清洗后的AIS历史数据进行聚类处理，剔除低速AIS历史数据，得到筛选后的AIS历史数据；
对筛选后的AIS历史数据进行线性插值处理，得到预处理后的AIS历史数据。
其中，地理坐标使用经度(Longitude)和纬度(Latitude)来描述一个点在地球上的位置，单位通常为度。
其中，墨卡托投影坐标是指将地球表面上的经纬度坐标投影到平面上的坐标，墨卡托投影坐标以米为单位，具有等距离性质，即在投影坐标系下，等距离的线段在地球表面上对应的距离也是相等的。
可选地，将AIS历史数据的地理坐标转换为墨卡托投影坐标的计算公式如下：
其中，(lo,la)为AIS历史数据的地理坐标；(x,y)为墨卡托投影坐标；r0表示标准纬度平行圆的半径；la0表示墨卡托投影中的标准纬度；a表示地球椭球的赤道半径，e1为地球椭球的第一偏心率，q为等量纬度。
可以理解的是，将AIS历史数据的地理坐标转换为墨卡托投影坐标，可以提高数据处理效率、优化可视化效果、提高空间分析精度。
可选地，可以根据转换后的AIS历史数据中的水上移动通信业务标识码(MaritimeMobileService Identify，MMSI)、船舶航行航向和船舶航行速度进行数据清洗，排除具有异常速度与加速度以及数据间隔过长的AIS数据点。
其中，k-means算法可以将一组数据点划分成多个簇，同一簇内的数据点相似度高，不同簇之间的数据点相似度低。
可以理解的是，采用k-means算法对清洗后的AIS历史数据进行聚类处理，剔除低速AIS历史数据，从而可以减少停靠船舶的AIS数据对密度统计造成的影响。
可选地，可以将筛选后的AIS历史数据按照时间顺序进行排序，对于相邻的两个AIS数据点，计算它们之间的时间间隔和距离间隔，根据插值间隔，将时间间隔分割成若干等分，每个等分为插值间隔的一部分，例如0.5倍网格边长，对于每个等分的时间间隔，计算对应的距离步长。
可选地，可以使用线性插值法，根据已知的两个AIS数据点的位置、时间和距离信息，计算出插值点的位置，将插值点的位置和时间信息添加到筛选后的AIS历史数据中。
可以理解的是，通过对筛选后的AIS历史数据进行线性插值处理，进而可以提供连续的轨迹信息，有助于生成较准确的航路密度图像。
步骤120、基于预处理后的AIS历史数据，生成航路密度图像。
其中，航路密度图像是通过对预处理后的AIS历史数据进行处理和可视化而生成的一种图像，用于展示船舶在海上的航行密度分布情况。
可选地，可以将海域划分为等大小的网格，遍历预处理后的AIS历史数据，统计每个网格内包含的船舶数量，根据每个网格内的船舶数量，计算出每个网格的航路密度，将每个网格的航路密度可视化，生成航路密度图像。
可选地，在生成航路密度图像的过程中，可以根据给定的海域范围，计算出需要填充的边界范围，将要分析的海域范围进行扩展，以包含边界填充所需的额外数据。
例如，以28°N～29°N和89°W～90°W区域为例，在纬度方向上扩展到(28-Δ)N～(28+Δ)N，在经度方向上扩展到(89-Δ)W～(90+Δ)W。
可选地，可以使用高斯滤波器对预处理后的AIS历史数据进行平滑处理，可以根据实际需要调整边界填充后的数据范围，使其适应所选择的滤波器方差。
图2为本发明实施例提供的基于预处理后的船舶自动识别系统历史数据生成航路密度图像的流程示意图。如图2所示，确定关注区域，将时间段t1和时间段t2的航迹数据进行网格化处理，得到t1内的航路密度图像和t2内的航路密度图像，将两个航路密度图像融合，得到时间T内的航路密度图像。
需要说明的是，航路密度图像的像素值为像素区域内AIS报点的计数值，对于某一相关区域，航路密度图像具有以下线性特征:
其中，Img(ti)是时间段ti内构建的航路密度图，ti表示第i个时间段，将不同时间段的航路密度图直接相加，便可以得到具有固定维度大小的全时段航路密度图像，航路密度图像的一个像素代表一个100m*100m的区域(约0.001°经纬度)。
可以理解的是，基于预处理后的AIS历史数据，生成航路密度图像，从而可以更好地展现航路使用情况、交通流量分布以及船舶活动特点。
步骤130、从航路密度图像中提取所有的主航道区域，对主航道区域中的像素点进行聚类处理，得到多个航道区域。
其中，主航道区域是指在航运中被确定为主要航行路径的特定区域，在主航道区域内，船舶通常需要遵守一定的航行规则，包括航向、航速等方面的限制。
可选地，可以对航路密度图像进行去噪、边缘检测、图像增强等预处理。
可选地，可以利用高斯滤波对航路密度图像中的次要航行轨迹所在区域进行抑制，滤波后的航路密度图像表示如下：
Img1＝Gf(σ)*Img0
其中，Img1为高斯滤波后的航路密度图像，σ为滤波器的Gf方差，Gf(σ)表示滤波器的传递函数，Img0为原始的航路密度图像。
可选地，可以利用图像分割算法(如基于阈值的分割、边缘检测分割、区域生长法等)，从航路密度图像中提取出主航道区域的轮廓或二值图像。
可选地，基于恒虚警率(Constant False Alarm Rate,CFAR)思想，主航道区域的提取方法如下:
RL＝{xL:xL≥Tb},P(Tb)＝α
其中RL表示主航道区域，xL为Img1中的像素值；Tb为提取阈值；P为Img1的经验累积分布函数；α为选取的显著性水平。
可选地，通过形态学处理和连通域分析的方法消除主要航道以外的相交区域，计算公式如下:
A(R0)≤A0 OR Ec(R0)≤Ec0
其中，R0是RL中的连通区域；A(R0)和Ec(R0)分别为区域R0的面积和偏心率；A0和Ec0是对应的阈值常数。
可选地，可以采用聚类算法将像素点聚类成多个航道区域，对聚类得到的航道区域进行进一步的分析和后处理，例如去除不合理的区域、合并相邻的区域、填补空洞等，以得到更加准确的航道区域划分结果。
步骤140、获取待识别的多个目标AIS轨迹，基于多个航道区域，对多个目标AIS轨迹进行聚类和识别，得到多个目标AIS轨迹的类别。
可选地，可以通过AIS获取待识别的多个目标AIS轨迹数据，从目标AIS轨迹数据中提取有意义的特征，例如船舶的运动模式、航速、航向变化等。
可选地，可以将提取到的特征应用于聚类算法，将目标AIS轨迹按照相似性进行分组，得到多个聚类簇，对聚类簇进行进一步的处理和分析，例如根据轨迹形状、速度变化等特征来区分不同的目标AIS轨迹类型。
图3为本发明实施例提供的从航路密度图像中提取所有的主航道区域，对主航道区域中的像素点进行聚类处理的流程示意图。原始航路密度图像如图3中的(a)所示，对原始航路密度图像进行滤波处理，得到滤波后的航路密度图像，如图3中的(b)所示；基于滤波后的航路密度图像提取主航道区域，得到如图3中的(c)所示的主航道区域；消除主要航道以外的相交区域，得到如图3中的(d)所示的主航道区域；将具有相似航行航向的航线聚类成一个相同的航行模式，如图3中的(e)所示；将位置加入到图像特征中，对每个航行模式进行聚类，进一步得到在空间上被隔离的航道，如图3中的(f)所示；对相邻的航道区域进行相似度计算并根据预设阈值进行区域合并，得到如图3中的(g)和(h)所示的多个航道区域。
在本发明实施例中，通过获取船舶自动识别系统AIS历史数据，对AIS历史数据进行预处理，基于预处理后的AIS历史数据，生成航路密度图像，从航路密度图像中提取所有的主航道区域，对主航道区域进行聚类处理，得到多个航道区域，基于多个航道区域，对多个目标AIS轨迹进行聚类和识别，得到多个目标AIS轨迹的类别，将复杂AIS轨迹的聚类问题转化为图像处理问题，不需要计算全部轨迹之间的相似性，并能够有效地考虑轨迹的局部特征和全局特征，适应性强、效率高。
需要说明的是，本发明每一个实施方式可以自由组合、调换顺序或者单独执行，并不需要依靠或依赖固定的执行顺序。
在一些实施例中，对主航道区域中的像素点进行聚类处理，得到多个航道区域，包括：
从主航道区域中提取多个目标像素点；
对多个目标像素点进行特征提取，得到每一目标像素点的特征向量；
基于每一目标像素点的特征向量，采用具有噪声的基于密度的聚类算法DBSCAN对每一目标像素点进行聚类处理，得到多个航道区域。
可选地，可以遍历主航道区域的每个像素，根据像素值、颜色、纹理等特征来判断是否为目标像素点。
其中，每一目标像素点的特征向量包括目标像素点的位置、颜色直方图、纹理特征等。
可选地，可以将主航道区域与Gabor滤波器进行卷积，得到每一目标像素点的特征向量集合，计算公式如下:
HG＝[hg(1),...,h(m)]
其中，HG表示每一目标像素点的特征向量集合，hg(i)表示每一目标像素点的第i个特征向量，x表示每一目标像素点的x坐标，y表示每一目标像素点的y坐标，和是经过旋转和尺度变换后的坐标，ψ表示相位偏移量，σ表示高斯包络函数方差参数，γ表示空间尺度纵横比，ImgM表示主航道区域，g(x,y|λ,θ,ψ,σ,γ)表示每一目标像素点的滤波器响应值，θi的取值可以为中任意一个，λk的取值可以为[2,4,8]中任意一个。
其中，DBSCAN是一种基于密度的聚类算法，通过计算样本点的邻域密度来进行聚类，适用于处理具有噪声和离群点的数据，不需要预先指定聚类数量，适应不同密度和形状的航道区域。
可以理解的是，通过从主航道区域中提取目标像素点，并进行特征提取和基于DBSCAN的聚类处理，有助于提取关键信息并分割不同的航道区域。
在一些实施例中，得到多个航道区域之后，还包括：
计算任意两个相邻的航道区域的相似度，判断两个相邻的航道区域的相似度是否超过预设阈值；
在确定两个相邻的航道区域的相似度超过预设阈值的情况下，将两个相邻的航道区域合并。
可选地，可以基于应用需求、历史数据或领域知识确定预设阈值。
可以理解的是，通过对相邻的航道区域进行相似度计算并根据预设阈值进行区域合并，可以去除冗余信息，提取更大的航道区域，提高路径规划的效率。
在一些实施例中，计算任意两个相邻的航道区域的相似度，包括：
计算两个相邻的航道区域的区域距离指标、航向相似度和密度相似度；
基于区域距离指标、航向相似度和密度相似度，得到两个相邻的航道区域的相似度。
判断两个相邻的航道区域是否合并的标准表示如下:
其中，MI的数值越大，表示两个相邻的航道区域之间的相似性越大，Ii∈[0,1]表示由航道区域图像特征生成的归一化指标，wi为对应指标的权重，MI0为合并阈值，将MI＞MI0的两个相邻的航道区域合并。
可选地，区域距离指标I1使用最大-最小距离来计算两个相邻的航道区域的空间距离，计算公式如下:
I1＝(1+exp(a1(D1-b1)))-1
其中，D1表示两个相邻的航道区域的空间距离，A1和A2是相邻的航道区域；xi和yj是像素的空间坐标；a1和b1是计算参数。
可选地，航向相似度I2的计算公式如下:
I2＝(1+exp(a2(D2-b2)))-1
其中，θ为Gabor滤波器的方向，m为θ的维度；为航道区域Ak的平均Gabor特征向量；a2和b3是计算参数；是模糊隶属度向量，模糊隶属度函数采用以下指数函数形式：
其中，α,β为模糊隶属度函数的形状参数。
可选地，密度相似度I3的计算公式如下：
I3＝(1+exp(a3(D3-b3)))-1
其中，ti为航道区域Ai的平均密度(灰度)；为航道区域灰度的平均标准差；a3和b3是计算参数。
可以理解的是，通过计算两个相邻的航道区域的区域距离指标、航向相似度和密度相似度，得到两个相邻的航道区域的相似度，可以提高相似度计算的准确性和全面性，从而能够更准确地判断两个相邻航道区域的相似性。
在一些实施例中，基于多个航道区域，对多个目标AIS轨迹进行聚类和识别，得到多个目标AIS轨迹的类别，包括：
从每一航道区域中提取每一航道区域的主中心线，对每一航道区域的主中心线进行特征提取，得到每一航道区域的特征方向曲线；
对每一目标AIS轨迹进行特征提取，得到每一目标AIS轨迹的特征向量；
基于每一目标AIS轨迹的特征向量，以及每一航道区域的特征方向曲线，计算每一目标AIS轨迹与每一航道区域的特征方向曲线的距离；
基于每一目标AIS轨迹与每一航道区域的特征方向曲线的距离，对每一目标AIS轨迹进行聚类和识别，确定每一目标AIS轨迹的类别。
其中，航道区域的主中心线是指在航道区域内具有航道引导作用的一条中心线。
可选地，从每一航道区域的主中心线中选取抽样点，对每个采样点计算曲率，计算每个采样点处曲线的方向，对每个采样点处的曲率和方向信息进行组合，形成每一航道区域的特征方向曲线。
令为某条目标AIS轨迹，xi为船舶顺序时间位置，{Ai}为分割的航道区域，则的特征矩阵表示为:
其中，F1为模式特征向量，是航道区域的整型类别编码；F2为数量特征向量，反映目标AIS轨迹隶属于特定类航道区域的程度，为浮点数据；ki为局部轨迹模式，+ki表示船舶航向与航道的特征方向之间的夹角为锐角，-ki表示船舶航向与航道的特征方向之间的夹角为钝角；Li表示局部轨迹属于某一模式的长度。
可选地，当合并轨迹属于该模式的长度超过70％时，对具有相同模式的局部轨迹进行合并。
图4为本发明实施例提供的目标船舶自动识别系统轨迹编码示例。如图4所示，为某一航道区域的特征方向曲线，和为两条目标AIS轨迹，的两个局部航迹的特征矩阵分别为和 的局部航迹的特征矩阵为
在一些实施例中，对每一目标AIS轨迹进行特征提取，得到每一目标AIS轨迹的特征向量，包括：
将每一目标AIS轨迹划分为多个子轨迹，对多个子轨迹进行特征提取，得到每一目标AIS轨迹的特征矩阵；
将每一目标AIS轨迹的特征矩阵与每一航道区域的特征方向曲线进行匹配，得到每一目标AIS轨迹的特征向量。
可选地，采用Smith-Waterman算法将每一目标AIS轨迹的特征矩阵与每一航道区域的特征方向曲线进行匹配，评分标准如下：
其中，ai表示中的第i个轨迹段，bj表示中的第j个轨迹段，表示每一目标AIS轨迹，表示每一航道区域的特征方向曲线，ai&bj＝0表示ai不属于任何航道区域，ai&bj≠0表示ai属于某一航道区域。
基于上述评分标准，将每一目标AIS轨迹的特征矩阵与每一航道区域的特征方向曲线进行匹配，得到匹配度最高的局部轨迹段，将该局部轨迹段的特征向量作为每一目标AIS轨迹的特征向量(记为)，将与匹配的每一航道区域的特征方向曲线的特征向量记为
每一目标AIS轨迹与每一航道区域的特征方向曲线的距离的计算公式如下：
其中，yk,yi,yj表示局部匹配不同条件的符号函数，当时，yk＝1；当时，yi＝1；当时，yj＝1；此外，yk,yi,yj＝0；α1,α2,α3为权值因子，Fl1表示每一目标AIS轨迹的特征矩阵，Fl0表示每一航道区域的特征方向曲线的特征向量，表示的特征向量，k表示第k段局部轨迹，表示的第k段局部轨迹的特征向量，表示的第k段局部轨迹的特征向量，分别表示Fl1,Fl0,的长度，L1,k表示的第k段局部轨迹的数量特征向量，L0,k表示的第k段局部轨迹的数量特征向量，L1,i表示的第i段局部轨迹的数量特征向量，L0,i表示的第i段局部轨迹的数量特征向量。
可选地，将DL≤Th0的目标AIS轨迹聚为一类，其中Th0为预设距离阈值。
可选地，对不同类的目标AIS轨迹进行识别，得到不同类的目标AIS轨迹的类型。
可以理解的是，通过使用航道区域的特征方向曲线，能够更准确地判断目标AIS轨迹是否与特定航道区域相匹配，避免了简单地基于位置关系进行分类可能带来的误判，通过计算目标AIS轨迹与航道区域特征方向曲线的距离，可以量化目标AIS轨迹与航道之间的契合程度，从而可以更精确地将目标AIS轨迹分类到与其形状和走向最相似的航道区域中，从而提高分类的准确性。
下面对本发明实施例提供的AIS轨迹聚类装置进行描述，下文描述的AIS轨迹聚类装置与上文描述的AIS轨迹聚类方法可相互对应参照。
图5为本发明提供的船舶自动识别系统轨迹聚类装置的结构示意图，如图5所示，该装置500包括：
获取单元510，用于获取船舶自动识别系统AIS历史数据，对AIS历史数据进行预处理，得到预处理后的AIS历史数据；
生成单元520，用于基于预处理后的AIS历史数据，生成航路密度图像；
第一聚类单元530，用于从航路密度图像中提取所有的主航道区域，对主航道区域中的像素点进行聚类处理，得到多个航道区域；
第二聚类单元540，用于获取待识别的多个目标AIS轨迹，基于多个航道区域，对多个目标AIS轨迹进行聚类和识别，得到多个目标AIS轨迹的类别。
可选地，对主航道区域中的像素点进行聚类处理，得到多个航道区域，包括：
从主航道区域中提取多个目标像素点；
对多个目标像素点进行特征提取，得到每一目标像素点的特征向量；
基于每一目标像素点的特征向量，采用具有噪声的基于密度的聚类算法DBSCAN对每一目标像素点进行聚类处理，得到多个航道区域。
可选地，AIS轨迹聚类装置还包括：
计算单元，用于计算任意两个相邻的航道区域的相似度，判断两个相邻的航道区域的相似度是否超过预设阈值；
合并单元，用于在确定两个相邻的航道区域的相似度超过预设阈值的情况下，将两个相邻的航道区域合并。
可选地，计算任意两个相邻的航道区域的相似度，包括：
计算两个相邻的航道区域的区域距离指标、航向相似度和密度相似度；
基于区域距离指标、航向相似度和密度相似度，得到两个相邻的航道区域的相似度。
可选地，基于多个航道区域，对多个目标AIS轨迹进行聚类和识别，得到多个目标AIS轨迹的类别，包括：
从每一航道区域中提取每一航道区域的主中心线，对每一航道区域的主中心线进行特征提取，得到每一航道区域的特征方向曲线；
对每一目标AIS轨迹进行特征提取，得到每一目标AIS轨迹的特征向量；
基于每一目标AIS轨迹的特征向量，以及每一航道区域的特征方向曲线，计算每一目标AIS轨迹与每一航道区域的特征方向曲线的距离；
基于每一目标AIS轨迹与每一航道区域的特征方向曲线的距离，对每一目标AIS轨迹进行聚类和识别，确定每一目标AIS轨迹的类别。
可选地，对每一目标AIS轨迹进行特征提取，得到每一目标AIS轨迹的特征向量，包括：
将每一目标AIS轨迹划分为多个子轨迹，对多个子轨迹进行特征提取，得到每一目标AIS轨迹的特征矩阵；
将每一目标AIS轨迹的特征矩阵与每一航道区域的特征方向曲线进行匹配，得到每一目标AIS轨迹的特征向量。
可选地，对AIS历史数据进行预处理，得到预处理后的AIS历史数据，包括：
将AIS历史数据的地理坐标转换为墨卡托投影坐标，得到转换后的AIS历史数据；
对转换后的AIS历史数据进行数据清洗，得到清洗后的AIS历史数据；
采用k-means算法对清洗后的AIS历史数据进行聚类处理，剔除低速AIS历史数据，得到筛选后的AIS历史数据；
对筛选后的AIS历史数据进行线性插值处理，得到预处理后的AIS历史数据。
在此需要说明的是，本发明实施例提供的AIS轨迹聚类装置，能够实现上述AIS轨迹聚类方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行AIS轨迹聚类方法，该方法包括：获取船舶自动识别系统AIS历史数据，对AIS历史数据进行预处理，得到预处理后的AIS历史数据；基于预处理后的AIS历史数据，生成航路密度图像；从航路密度图像中提取所有的主航道区域，对主航道区域中的像素点进行聚类处理，得到多个航道区域；获取待识别的多个目标AIS轨迹，基于多个航道区域，对多个目标AIS轨迹进行聚类和识别，得到多个目标AIS轨迹的类别。
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的AIS轨迹聚类方法，该方法包括：获取船舶自动识别系统AIS历史数据，对AIS历史数据进行预处理，得到预处理后的AIS历史数据；基于预处理后的AIS历史数据，生成航路密度图像；从航路密度图像中提取所有的主航道区域，对主航道区域中的像素点进行聚类处理，得到多个航道区域；获取待识别的多个目标AIS轨迹，基于多个航道区域，对多个目标AIS轨迹进行聚类和识别，得到多个目标AIS轨迹的类别。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种AIS轨迹聚类方法，其特征在于，包括：
获取船舶自动识别系统AIS历史数据，对所述AIS历史数据进行预处理，得到预处理后的AIS历史数据；
基于所述预处理后的AIS历史数据，生成航路密度图像；
从所述航路密度图像中提取所有的主航道区域，对所述主航道区域中的像素点进行聚类处理，得到多个航道区域；
获取待识别的多个目标AIS轨迹，基于所述多个航道区域，对所述多个目标AIS轨迹进行聚类和识别，得到所述多个目标AIS轨迹的类别；
所述基于所述多个航道区域，对所述多个目标AIS轨迹进行聚类和识别，得到所述多个目标AIS轨迹的类别，包括：
从每一航道区域中提取所述每一航道区域的主中心线，对所述每一航道区域的主中心线进行特征提取，得到所述每一航道区域的特征方向曲线；
对每一目标AIS轨迹进行特征提取，得到所述每一目标AIS轨迹的特征向量；
基于所述每一目标AIS轨迹的特征向量，以及所述每一航道区域的特征方向曲线，计算所述每一目标AIS轨迹与所述每一航道区域的特征方向曲线的距离；
基于所述每一目标AIS轨迹与所述每一航道区域的特征方向曲线的距离，对所述每一目标AIS轨迹进行聚类和识别，确定所述每一目标AIS轨迹的类别；
其中，所述每一航道区域的特征方向曲线的确定过程包括：
从所述每一航道区域的主中心线中选取抽样点，对每个采样点计算曲率，计算每个采样点处曲线的方向，对每个采样点处的曲率和方向信息进行组合，形成所述每一航道区域的特征方向曲线；
每一目标AIS轨迹与每一航道区域的特征方向曲线的距离的计算公式如下：
其中，yk,yi,yj表示局部匹配不同条件的符号函数，当时，yk＝1；当时，yi＝1；当时，yj＝1；此外，yk,yi,yj＝0；α1,α2,α3为权值因子，Fl1表示每一目标AIS轨迹的特征矩阵，Fl0表示每一航道区域的特征方向曲线的特征向量，表示的特征向量，k表示第k段局部轨迹，表示的第k段局部轨迹的特征向量，表示的第k段局部轨迹的特征向量，L(Fl1),L(Fl0),分别表示Fl1,Fl0,的长度，L1,k表示的第k段局部轨迹的数量特征向量，数量特征向量反映目标AIS轨迹隶属于特定类航道区域的程度，L0,k表示的第k段局部轨迹的数量特征向量，L1,i表示的第i段局部轨迹的数量特征向量，L0,i表示的第i段局部轨迹的数量特征向量，j表示第j个轨迹段。
2.根据权利要求1所述的AIS轨迹聚类方法，其特征在于，所述对所述主航道区域中的像素点进行聚类处理，得到多个航道区域，包括：
从所述主航道区域中提取多个目标像素点；
对所述多个目标像素点进行特征提取，得到每一目标像素点的特征向量；
基于所述每一目标像素点的特征向量，采用具有噪声的基于密度的聚类算法DBSCAN对所述每一目标像素点进行聚类处理，得到多个航道区域。
3.根据权利要求2所述的AIS轨迹聚类方法，其特征在于，所述得到多个航道区域之后，还包括：
计算任意两个相邻的航道区域的相似度，判断所述两个相邻的航道区域的相似度是否超过预设阈值；
在确定所述两个相邻的航道区域的相似度超过所述预设阈值的情况下，将所述两个相邻的航道区域合并。
4.根据权利要求3所述的AIS轨迹聚类方法，其特征在于，所述计算任意两个相邻的航道区域的相似度，包括：
计算所述两个相邻的航道区域的区域距离指标、航向相似度和密度相似度；
基于所述区域距离指标、航向相似度和密度相似度，得到所述两个相邻的航道区域的相似度。
5.根据权利要求1所述的AIS轨迹聚类方法，其特征在于，所述对每一目标AIS轨迹进行特征提取，得到所述每一目标AIS轨迹的特征向量，包括：
将所述每一目标AIS轨迹划分为多个子轨迹，对所述多个子轨迹进行特征提取，得到所述每一目标AIS轨迹的特征矩阵；
将所述每一目标AIS轨迹的特征矩阵与所述每一航道区域的特征方向曲线进行匹配，得到所述每一目标AIS轨迹的特征向量。
6.根据权利要求1-5任一项所述的AIS轨迹聚类方法，其特征在于，所述对所述AIS历史数据进行预处理，得到预处理后的AIS历史数据，包括：
将所述AIS历史数据的地理坐标转换为墨卡托投影坐标，得到转换后的AIS历史数据；
对所述转换后的AIS历史数据进行数据清洗，得到清洗后的AIS历史数据；
采用k-means算法对所述清洗后的AIS历史数据进行聚类处理，剔除低速AIS历史数据，得到筛选后的AIS历史数据；
对所述筛选后的AIS历史数据进行线性插值处理，得到所述预处理后的AIS历史数据。
7.一种AIS轨迹聚类装置，所述AIS轨迹聚类装置用于执行如权利要求1-6任一项所述的AIS轨迹聚类方法，其特征在于，包括：
获取单元，用于获取船舶自动识别系统AIS历史数据，对所述AIS历史数据进行预处理，得到预处理后的AIS历史数据；
生成单元，用于基于所述预处理后的AIS历史数据，生成航路密度图像；
第一聚类单元，用于从所述航路密度图像中提取所有的主航道区域，对所述主航道区域中的像素点进行聚类处理，得到多个航道区域；
第二聚类单元，用于获取待识别的多个目标AIS轨迹，基于所述多个航道区域，对所述多个目标AIS轨迹进行聚类和识别，得到所述多个目标AIS轨迹的类别。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述AIS轨迹聚类方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述AIS轨迹聚类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311694425.2A CN117611862B (zh) | 2023-12-11 | 2023-12-11 | Ais轨迹聚类方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311694425.2A CN117611862B (zh) | 2023-12-11 | 2023-12-11 | Ais轨迹聚类方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117611862A CN117611862A (zh) | 2024-02-27 |
| CN117611862B true CN117611862B (zh) | 2024-08-27 |
Family
ID=89946226
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311694425.2A Active CN117611862B (zh) | 2023-12-11 | 2023-12-11 | Ais轨迹聚类方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117611862B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118366108B (zh) * | 2024-05-06 | 2024-11-01 | 嘉兴南湖区路空协同立体交通产业研究院 | 一种路空协同交通场景智能识别方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112164247A (zh) * | 2020-09-03 | 2021-01-01 | 重庆大学 | 一种基于船舶轨迹聚类的船舶航线预测方法 |
| CN112348225A (zh) * | 2020-09-16 | 2021-02-09 | 北京中兵数字科技集团有限公司 | 航迹预测方法、电子设备、非瞬时性计算机可读存储介质 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10612932B2 (en) * | 2017-09-29 | 2020-04-07 | Wipro Limited | Method and system for correcting a pre-generated navigation path for an autonomous vehicle |
| CN113780395B (zh) * | 2021-08-31 | 2023-02-03 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 海量高维ais轨迹数据聚类方法 |
| KR102596943B1 (ko) * | 2021-12-22 | 2023-11-01 | 한국해양과학기술원 | Ais 운항데이터 기반 충돌위험영역 표시장치 및 이를 이용한 선박 충돌방지 시스템 |
| KR102466119B1 (ko) * | 2022-02-24 | 2022-11-14 | 한국해양수산개발원 | Ais 정보에 기반한 주요항로 연결망 추출 장치 및 방법 |
| CN114647705A (zh) * | 2022-04-08 | 2022-06-21 | 杭州电子科技大学 | 一种基于ais数据的船舶航线提取与轨迹分类方法 |
| CN115408376A (zh) * | 2022-08-23 | 2022-11-29 | 中国电建集团福建省电力勘测设计院有限公司 | 海上风电场选址通航安全分析方法、系统及存储介质 |
| CN116524230A (zh) * | 2023-03-17 | 2023-08-01 | 中国船舶集团有限公司第七二四研究所 | 一种基于先验知识库的船只类型分类识别方法 |
| CN116895187A (zh) * | 2023-06-21 | 2023-10-17 | 武汉理工大学 | 一种内河船舶航行风险预警方法及装置 |
-
2023
- 2023-12-11 CN CN202311694425.2A patent/CN117611862B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112164247A (zh) * | 2020-09-03 | 2021-01-01 | 重庆大学 | 一种基于船舶轨迹聚类的船舶航线预测方法 |
| CN112348225A (zh) * | 2020-09-16 | 2021-02-09 | 北京中兵数字科技集团有限公司 | 航迹预测方法、电子设备、非瞬时性计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117611862A (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | A big data analytics method for the evaluation of ship-ship collision risk reflecting hydrometeorological conditions | |
| CN113450596B (zh) | 基于船舶轨迹特征点提取的时空dp方法 | |
| Zhao et al. | A trajectory clustering method based on Douglas-Peucker compression and density for marine traffic pattern recognition | |
| Zhao et al. | A method for simplifying ship trajectory based on improved Douglas–Peucker algorithm | |
| Liu et al. | Adaptive douglas-peucker algorithm with automatic thresholding for AIS-based vessel trajectory compression | |
| CN113553682B (zh) | 一种数据驱动的多层次船舶航路网络构建方法 | |
| Zhao et al. | Ship trajectories pre-processing based on AIS data | |
| CN112699315B (zh) | 基于ais数据的船舶异常行为探测方法 | |
| CN113537386B (zh) | 一种基于改进K-Medoids聚类的船舶典型运动轨迹自适应挖掘方法 | |
| CN110363115B (zh) | 基于ais轨迹数据的船舶作业异常半监督实时检测方法 | |
| CN103699905B (zh) | 一种车牌定位方法及装置 | |
| Lee et al. | Maritime traffic route detection framework based on statistical density analysis from AIS data using a clustering algorithm | |
| Zhao et al. | A novel similarity measure for clustering vessel trajectories based on dynamic time warping | |
| US10497128B2 (en) | Method and system for sea background modeling and suppression on high-resolution remote sensing sea images | |
| Huang et al. | A maritime traffic route extraction method based on density-based spatial clustering of applications with noise for multi-dimensional data | |
| Yan et al. | Extracting ship stopping information from AIS data | |
| CN110379007B (zh) | 基于车载移动激光扫描点云的三维公路曲线重建方法 | |
| CN111079596A (zh) | 高分辨率遥感影像的海上典型人造目标识别系统及方法 | |
| CN114972918B (zh) | 基于集成学习与ais数据的遥感图像舰船目标识别方法 | |
| CN114898213B (zh) | 基于ais知识辅助的遥感图像旋转舰船目标检测方法 | |
| CN117611862B (zh) | Ais轨迹聚类方法、装置、电子设备和存储介质 | |
| Kontopoulos et al. | A computer vision approach for trajectory classification | |
| Eljabu et al. | Spatial clustering method of historical ais data for maritime traffic routes extraction | |
| CN114022760B (zh) | 铁路隧道障碍物监测预警方法、系统、设备及存储介质 | |
| Xia | Navigational risk analysis based on GIS spatiotemporal trajectory mining: a case study in Nanjing Yangtze River Bridge waters |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |