郑海林
, 胡勤友, 杨春
ZHENG Hailin, HU Qinyou, YANG Chun
通讯作者:
收稿日期: 2018-01-5
修回日期: 2018-03-22
网络出版日期: 2018-05-20
版权声明: 2018 《地球信息科学学报》编辑部 《地球信息科学学报》编辑部 所有
基金资助:
作者简介:
作者简介：郑海林（1987-）,男,博士生,讲师,主要从事海事信息处理研究。E-mail: hlzhzjou@126.com
展开
摘要
停泊船空间分布规律挖掘,在海事监管、港口管理和航运公司船队管理方面有着重要意义。现有研究主要针对船舶停泊点进行空间聚类以识别码头和锚地,缺乏对码头、锚地内船舶停泊特征分析,及码头和锚地外的异常停船的检测。因此,利用海量船舶自动识别系统（AIS）数据探索船舶停泊规律显得很有必要,且具备可行性。根据海况设定停泊速度阈值和停泊位置变化量阈值,建立停船判定模型。按港区、船型筛选,获取2016年1至11月外高桥港区集装箱船停泊记录。根据类中心点密度和聚类数量,设定邻域半径（ε）和邻域密度（MinPts）,采用密度聚类（DBSCAN）算法对船舶停泊点进行密度聚类,并将聚类结果与外高桥港区码头、锚地分布图进行比较,生成可疑停船列表。对比船舶历史轨迹,明确可疑停船列表中船舶真实停泊记录,筛选出异常停船。研究发现,2016年1至11月外高桥港区船舶异常停泊点位于圆圆沙锚地至吴淞口锚地间的南港水道和江亚南沙锚地附近的南港水道航段。船舶停泊前、后位置变化幅度小,而速度变化幅度大,推测船舶突发故障是其异常停泊的原因。海事主管部门（MSA）可根据船舶水上移动通信业务识别码（MMSI）快速锁定航运公司,加强岸上船舶安全管理。船舶停泊位置和时间能够记录船舶发生故障地点及其持续时间,为船队管理提供重要依据。
关键词：
Abstract
Mining of the spatial distribution of berthing ships is of great significance in the maritime supervision, port management and fleet management of a shipping company. However, almost all of the existing studies focused on the spatial clustering of ship berthing points to identify berths and anchorages, and only few articles focused on the analysis of berthing ships' features in ports and the detection of the anomalous berthing ships outside the berths and anchorages. Therefore, it is necessary to use the massive automatic identification system (AIS) data to acquire the ship berthing features, which is also feasible due to general equipment of AIS on ships. By setting the threshold value of berthing speed and Variation of the berthing position according to the sea conditions, the model for determining the berthing ships could be established. Filtering by port area and ship type, we could obtain the container ship berthing records at Waigaoqiao Harbour District from January to November 2016. With the purpose of obtaining density distribution of ship berthing points at Waigaoqiao Harbour District, density-based spatial clustering of applications with noise (DBSCAN) algorithm is adopted. The neighborhood radius (ε) and density (MinPts) could be set according to the cluster center density and quantity of clusters. Density clustering is carried out on all berthing ships, and the clustering result is presented in figure with clusters and noises. Compared with the distribution diagram of berths and anchorages at Waigaoqiao Harbour District, a list of suspicious berthing ships is generated. By analyzing historical trajectories of ships in the list, we could make ships' real berthing records clear, and identify anomalous berthing ships at Waigaoqiao Harbour District. The study has found that the abnormal berthing ships at Waigaoqiao Harbour District were located at the Nangang Channel between Yuanyuansha Anchorage and Wusongkou Anchorage or Nangang Channel near Jiangya Nansha Anchorage. What's more, the changes of ships' position before and after berthing position small, while ships' speed before and after berthing position reduced sharply. Therefore, we could speculate that it was ship emergency failure that leads to ships' anomalous berthing. According to the ship maritime mobile service identity (MMSI), maritime safety administration (MSA) can quickly locate the shipping company related to the ship so as to strengthen the onshore ship safety management. Anomalous ships' berthing time and position help to record the failure duration and location, which can supply the important evidence for fleet management of shipping company.
Keywords：
随着船载AIS设备的普及、AIS基站的全覆盖以及数据管理技术的成熟,船舶AIS数据已经进入了大数据时代[1]。海上丝绸之路[2]正在大力建设,其连接着大量港口,船舶在港口或航路的行为直接反映了海上交通特征,可以通过AIS数据分析[3]海上丝绸之路沿线船舶行为。船舶AIS数据富含船舶行为信息,如船舶位置、速度。在船舶航行行为研究方面,高曙等[4]从船舶密度、船舶速度、船舶轨迹及船舶间距4个方面描述船舶总体行为特征。周世波[5,6,7]根据船位、速度、航向和轨迹等船舶属性阐述其异常行为,并介绍了船舶异常行为检测方法,包括聚类、支撑向量机、神经网络和数据可视化等。甄荣等[8,9,10,11]利用轨迹聚类、贝叶斯分类器等方法开展了船舶轨迹异常行为识别的研究。叶仁道等[12]利用DBSCAN算法对全球六大港口水域船舶停泊点进行聚类,并通过历史AIS数据可视化验证了聚类效果。丁兆颖等[13]利用改进的DBSCAN算法从大量的船舶位置数据中挖掘出了码头信息。
现有研究主要关注船舶轨迹异常识别,而在船舶异常停泊行为检测方面的研究尚未有效开展。叶仁道等[12]仅对正常停泊的船舶行为进行了聚类,丁兆颖等[13]对船舶停泊点聚类的最终目的是识别码头岸线。而船舶停泊异常行为的研究,是能够直观反映海上交通特征,为海事监管部门提供重点关注停泊船,为船队管理提供重要依据的有效途径。
由于船舶停泊异常行为具有空间特性,因此在对AIS数据进行异常检测时,须将船舶停泊位置信息与其正常行为进行比较,检测出空间特性异常的船舶。本文基于AIS数据对船舶停泊信息进行挖掘,首先识别出正常停泊船舶的空间分布特征,然后检测出异于该特征的异常停泊船。
本文数据来源于船载AIS设备,通过甚高频、卫星或网络传输获得。其中,AIS数据包含船舶静态、动态、航次及安全信息。而与船舶停泊密切相关的是船舶动态信息,包括船舶速度和船舶位置。为了准确描述停泊船,定义停泊记录如下：
式中：mi是船舶MMSI;ci是船舶类型;di是总载重吨;vi是船舶速度;pi是船位;ts(i)是停泊起始时刻; tc(i)是停泊累计时间。
考虑到船舶停泊区域的实际海况,文章提出了停船判定方法[14,15,16]。
（1）停泊速度阈值
通常而言,当船舶主机停止时,速度为零。但AIS中船舶速度信息来源于计程仪或GPS,绝对计程仪和GPS显示的船速均为零,受海上风浪、海流影响,相对计程仪显示的船速可能不为零。所以,为了准确采集停船信息,设定船舶速度阈值vth。
（2）停泊位置变化量阈值
另外,船舶停泊时,其位置通常保持不变。受海上风浪、海流影响,停泊船会产生摇摆或偏荡,所以,停泊船位置变化量也可能不为零,故设定船舶停泊位置变化量阈值pth。
t1时刻采样,根据vth获得船舶停泊记录如下：
t2时刻采样,根据vth和pth,获得船舶停泊记录 如下：
符合vth要求的船舶在采样时刻t1被判定为停泊船,在下一相邻采样时刻t2,若该船同时符合vth和pth要求,则船舶停泊时间累加。
船舶停泊点记录包括船舶位置信息,利用DBSCAN算法可以对船舶停泊点进行密度聚类。
2.2.1 基于DBSCAN的停泊船异常检测算法
输入：① 港区船舶停泊点集合D=(p1, p2, p3,…,pn),p为船舶位置,即经度和纬度;② DBSCAN参数ε,用于计算某一停泊点邻域（以pi为圆心,ε为半径）;③ DBSCAN另一参数MinPts,用于判断停泊点是否为核心点（邻域内停泊点数量是否大于MinPts）。
输出：D中所有停泊点均被标记为类或噪声。
① 标记所有点为未分类点;
② 随机选择某一未分类的停泊点pi,计算其 邻域;
③ 如果pi是核心点,将其邻域内点标记为类Ck;
④ 选择Ck内其它任意停泊点pj,计算其邻域,如果为核心点,将pj邻域内点标记为类Ck;
⑤ 如果pj不是核心点,重复步骤④,直至Ck内所有点判定完毕;
⑥ 如果pi不是核心点,将其标记为噪声,重复步骤②、③（将新的核心点邻域内点标记为Ck+1）、④（同上）、⑤（同上）,直至D中所有点均已标记。
2.2.2 DBSCAN参数确定方法
DBSCAN聚类效果依赖其2个重要参数ε、MinPts,文章采用类中心密度和聚类数量作为聚类效果的评价指标,进而确定参数。
（1）船舶停泊点的密度主要表现为点间的距离,计算某一停泊点与其他任意点间距离,即可得到该停泊点的k距离值。根据停泊点的空间分布特征,选取类中心点并计算其k距离值,绘制成散点图。根据散点图拐点分布,确定ε。
（2）确定ε后,选取不同的MinPts进行迭代,最终根据聚类数量确定MinPts。
本文实验在上海港外高桥港区及邻近码头和锚地开展,包括外高桥港务码头和外高桥4、5、6期码头,其它码头和锚地还包括中海长兴岛修船基地码头、吴淞口锚地、横沙西锚地、横沙东锚地、圆圆沙锚地和江亚南沙锚地,如图1所示[17]。
查询2017版《中国港口指南》[18],得知长江上海段为顺时针方向回转流,最大涨潮流流速约3.8 kn,最大落潮流流速约4.8 kn,故设定vth=4 kn。船位中经度和纬度均以度表示,设定pth=0.0002°,约为21.6 m。
图1 外高桥港区码头、锚地分布图
Fig.1 Distribution diagram of berths and anchorages at Waigaoqiao Harbour District
依据停船判定方法得到的停泊船包括货船、工程船和公务船等。船型不同,其停泊点空间分布也不一致。而且,港区呈现专用化趋势,如外高桥是上海港的主要集装箱运输港区,所以有必要按船型分类统计船舶停泊记录。文章主要统计了货船停泊记录,详见表1。
表1 2016-01-01至2016-11-09全球主要货船停泊艘次列表
Tab. 1 List of berthing times of global principle cargo ships
| 序号 | 船舶类型 | 停泊艘次 |
|---|---|---|
| 1 | 集装箱船 | 402 046 |
| 2 | 散货船 | 373 815 |
| 3 | 油轮 | 1 363 813 |
| 4 | 杂货船 | 426 393 |
| 5 | 滚装船 | 121 415 |
利用停船判定方法,获得2016年1-11月的上海港外高桥港区集装箱船停泊点数量9003。图2是根据类中心点的
图2 上海外高桥港区停泊船类中心点k距离散点图
Fig. 2 Scatter diagram of cluster-centers of ships’ berthing points at Waigaoqiao Harbour District
图2中,横坐标代表停泊点序号,纵坐标代表停泊点间距离,单位为60 n mile。参照散点图中纵坐标值发生大幅度变化的拐点,选择可供参考的ε,通过迭代,观察聚类数量的变化趋势,如图3所示。根据外高桥港区码头、锚地分布图,聚类数量参考值设为7。此时ε为0.008,MinPts为4。
图3 聚类数量与邻域密度的关联图
Fig. 3 Relationships between the quantity of clusters and MinPts
对外高桥港区船舶停泊点进行密度聚类,结果如图4所示。图4显示船舶停泊点被聚成7类,分别以不同颜色标识。对比实验区概况,可知图中7个船舶停泊聚集点（自北向南,自西向东）分别对应图1中的外高桥港务码头,外高桥4、5、6期码头,圆圆沙锚地和江亚南沙锚地,吴淞口锚地,中海长兴岛修船基地码头,横沙西锚地,横沙东锚地。另外,图4中的未作颜色标记的点为噪声,这些点远离码头和锚地,属于可疑停船,其详细信息如表2所示。
图4 上海外高桥港区船舶停泊点聚类结果
Fig. 4 Spatial cluster of ships' berthing points at Waigaoqiao Harbour District
结合船舶历史轨迹,查看船舶在停泊时刻前后船位、速度变化。其中,船舶COSCO FUKUYAMA未查询到其历史轨迹;6艘船舶（MSC CHLOE、MSC GAIA、TAI CANG HE、CSCL SAN JOSE、 JI RUN和INDIA RICKMERS）轨迹显示其实际并未停泊,仅仅因为船速小于
另外3艘船舶（ITAL CONTESSA、MSC CANDICE和YUE HE）如图5所示,其历史轨迹中停泊起始时刻、停泊位置、停泊时间等信息与可疑停船列表一致。船舶停泊前在南港水道正常行驶,临近停泊时大幅度改变航向,却未能驶入相应指定停泊位置,而是停泊在航道边缘。推测船舶在航道行驶时可能突发故障,船舶失控,导致船舶异常停泊。
表2中的船舶停泊时间和总载重吨有助于海事监管部门确定重点监测对象,如总载重吨大或停泊时间长的异常停船。另外,根据船舶MMSI和船舶名称,MSA可快速锁定航运公司,有利于加强船舶岸上安全管理。最后,异常停船记录中船位及停泊时间等,可以记录船舶发生故障地点及其持续时间,为船队管理提供重要依据。
表2 上海外高桥港区可疑停船列表
Tab. 2 List of the suspicious berthing ships at Waigaoqiao Harbour District
| MMSI | 船名 | 总载重吨/t | 船位 | 停泊起始时刻 | 停泊时间/min |
|---|---|---|---|---|---|
| 218073000 | ITAL CONTESSA | 101 007 | POINT(121.715 31.3271) | 2016/05/26 13:59 | 140 |
| 255805855 | MSC CHLOE | 110 442 | POINT(121.734 31.3408) | 2016/03/07 16:49 | 939 |
| 305060000 | MARCONNECTICUT | 12 774 | POINT(121.614 31.3939) | 2016/10/27 7:59 | 13 110 |
| 352871000 | MSC CANDICE | 116 932 | POINT(121.731 31.2872) | 2016/08/09 15:37 | 129 |
| 353051000 | MSC GAIA | 162 867 | POINT(121.734 31.3394) | 2016/03/12 10:18 | 269 |
| 357101000 | COSCO FUKUYAMA | 50 622 | POINT(121.745 31.3319) | 2016/03/05 7:47 | 171 |
| 413364020 | TAI CANG HE | 6819 | POINT(121.774 31.2664) | 2016/03/05 22:49 | 937 |
| 414205000 | YUE HE | 69 285 | POINT(121.705 31.3322) | 2016/05/26 12:29 | 237 |
| 477144800 | CSCL SAN JOSE | 33 726 | POINT(121.71 31.3355) | 2016/04/01 6:13 | 357 |
| 477400900 | JI RUN | 8732 | POINT(121.8 31.2352) | 2016/03/05 22:29 | 1049 |
| 538003478 | INDIA RICKMERS | 50 574 | POINT(121.741 31.3361) | 2016/04/16 18:02 | 1001 |
通过对外高桥港区船舶停泊点进行空间聚类,并结合船舶历史轨迹分析,发现大部分停泊船分布在外高桥港区码头岸线附近或锚地边界内,即正常停泊船;同时,也有极少数停泊船远离码头岸线,或不在锚地边界范围内,而是停泊在航道附近,即异常停泊船。异常停船点位于圆圆沙锚地至吴淞口锚地间的南港水道和江亚南沙锚地附近的南港 水道航段。船舶停泊前、后位置变化幅度小,而速度变化幅度大,推测船舶突发故障是其异常停泊的原因。
下一步将围绕船舶异常停泊原因展开研究,将异常停船记录按国籍、船公司等分类统计,结合实船调研,明确表2数据所反映的规律。
The authors have declared that no competing interests exist.
| [1] |
基于海事大数据的港口感知计算 [J].Port sensing computation based on maritime big data [J]. |
| [2] |
海上丝绸之路起点——泉州港岸线变化的遥感动态研究 [J].Remote sensing study of coastline dynamics of Quanzhou port:starting point of the ancient Maritime Silk Road [J]. |
| [3] |
船舶AIS数据挖掘关键技术研究[D] .Research on the key technologies of ship AIS data mining[D] . |
| [4] |
船舶异常行为研究进展及发展趋势 [J].https://doi.org/10.3969/j.issn.1000-4653.2017.02.009 URL [本文引用: 1] 摘要
对船舶异常行为的研究进展、存在的问题及未来发展趋势进行总结和分析。对船舶行为及其异常识别的基本概念和分类进行介绍,提出船舶异常行为识别过程;对船舶异常行为的检测方法进行归纳分类,分述各类方法的研究现状,并剖析存在的问题;针对航运大数据及云计算的利用,阐述船舶异常行为研究面临的机遇和挑战,说明其未来发展方向。
Status and research trends on abnormal ship behavior [J].https://doi.org/10.3969/j.issn.1000-4653.2017.02.009 URL [本文引用: 1] 摘要
对船舶异常行为的研究进展、存在的问题及未来发展趋势进行总结和分析。对船舶行为及其异常识别的基本概念和分类进行介绍,提出船舶异常行为识别过程;对船舶异常行为的检测方法进行归纳分类,分述各类方法的研究现状,并剖析存在的问题;针对航运大数据及云计算的利用,阐述船舶异常行为研究面临的机遇和挑战,说明其未来发展方向。
|
| [5] |
船舶轨迹异常检测方法研究进展 [J].Research progress on anomaly detection in vessel tracking [J]. |
| [6] |
基于数据挖掘的船舶行为研究 [J].https://doi.org/10.3969/j.issn.1000-4653.2012.02.011 URL [本文引用: 1] 摘要
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问题。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。
Research on ship behaviors based on data mining [J].https://doi.org/10.3969/j.issn.1000-4653.2012.02.011 URL [本文引用: 1] 摘要
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问题。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。
|
| [7] |
基于轨迹的内河船舶行为模式挖掘 [J].https://doi.org/10.3963/j.issn.1674-4861.2017.03.014 URL [本文引用: 1] 摘要
从内河海量的船舶 AIS数据中提取出有用的交通知识,辅助水上安全监管,对于研究日益复 杂的水上交通安全形势具有重要意义.基于内河船舶行为特征,构造由船舶位置、航速和航向4 个维 度组成的船舶航行状态空间来描述船舶行为.针对传统DBSCAN聚类算法提取状态空间中相似船 舶轨迹存在计算复杂高的问题,提出增量式算法改进DBSCAN算法用以高效地计算不同船舶的行为 模式;然后利用核密度估计等统计方法对不同模式的船舶行为特征进行数据挖掘,得到船舶航速、航 向和位置的时空分布特征规律,进一步挖掘不同行为模式下的船舶微观特征.以武汉航段的汉江分 叉航道水域作为研究案例,利用所提的方法对该水域分析研究,得到了 6 类不同行为模式,挖掘出不 同模式下分叉航道内船舶静态属性信息（船舶类型、船舶尺寸）、空间分布特征（轨迹点分布、航速分 布、航向分布）、船舶到达规律等信息.利用该模型所提取的知识有助于水上监管人员迅速获取水域 交通态势,从而提高水上交通安全监管的水平和效率.
Behavior pattern mining of inland vessels based on trajectories [J].https://doi.org/10.3963/j.issn.1674-4861.2017.03.014 URL [本文引用: 1] 摘要
从内河海量的船舶 AIS数据中提取出有用的交通知识,辅助水上安全监管,对于研究日益复 杂的水上交通安全形势具有重要意义.基于内河船舶行为特征,构造由船舶位置、航速和航向4 个维 度组成的船舶航行状态空间来描述船舶行为.针对传统DBSCAN聚类算法提取状态空间中相似船 舶轨迹存在计算复杂高的问题,提出增量式算法改进DBSCAN算法用以高效地计算不同船舶的行为 模式;然后利用核密度估计等统计方法对不同模式的船舶行为特征进行数据挖掘,得到船舶航速、航 向和位置的时空分布特征规律,进一步挖掘不同行为模式下的船舶微观特征.以武汉航段的汉江分 叉航道水域作为研究案例,利用所提的方法对该水域分析研究,得到了 6 类不同行为模式,挖掘出不 同模式下分叉航道内船舶静态属性信息（船舶类型、船舶尺寸）、空间分布特征（轨迹点分布、航速分 布、航向分布）、船舶到达规律等信息.利用该模型所提取的知识有助于水上监管人员迅速获取水域 交通态势,从而提高水上交通安全监管的水平和效率.
|
| [8] |
基于AIS信息的港口水域船舶异常行为识别研究[D] .Research on ship anomaly behavior identification within harbour waters based on AIS data[D] . |
| [9] |
基于密度的轨迹时空聚类分析 [J].https://doi.org/10.3724/SP.J.1047.2015.01162 Magsci [本文引用: 1] 摘要
通过轨迹聚类分析挖掘物体移动模式的空间分布和时间特征，对于认识运动的形成机制，预测运动的未来发展具有重要的意义。目前，轨迹聚类研究主要关注物体的空间位置变化，时空聚类中时间约束一般只是作为辅助信息，并不真正参与聚类。本文提出基于密度的轨迹时空聚类方法，在聚类过程中同时考虑轨迹包含的时空信息，在空间聚类的基础上提出了轨迹线段时间距离的度量方法和阈值确定原则，对时空邻域密度进行聚类分析，挖掘物体的时空移动模式。实验对南海涡旋轨迹进行时空聚类分析，得到了涡旋典型移动模式的空间分布和时间特征，验证了基于密度的轨迹时空聚类方法的有效性。加入时间约束后，移动通道主要发生缩短、分裂和消失的变化。和空间聚类相比，轨迹时空聚类可有效地划分发生在同一位置不同时间的轨迹，得到的聚类结果更加细化，移动模式更加准确，有利于物体的移动模式做更深入的分析。
Spatial-temporal clustering analysis of track based on density [J].https://doi.org/10.3724/SP.J.1047.2015.01162 Magsci [本文引用: 1] 摘要
通过轨迹聚类分析挖掘物体移动模式的空间分布和时间特征，对于认识运动的形成机制，预测运动的未来发展具有重要的意义。目前，轨迹聚类研究主要关注物体的空间位置变化，时空聚类中时间约束一般只是作为辅助信息，并不真正参与聚类。本文提出基于密度的轨迹时空聚类方法，在聚类过程中同时考虑轨迹包含的时空信息，在空间聚类的基础上提出了轨迹线段时间距离的度量方法和阈值确定原则，对时空邻域密度进行聚类分析，挖掘物体的时空移动模式。实验对南海涡旋轨迹进行时空聚类分析，得到了涡旋典型移动模式的空间分布和时间特征，验证了基于密度的轨迹时空聚类方法的有效性。加入时间约束后，移动通道主要发生缩短、分裂和消失的变化。和空间聚类相比，轨迹时空聚类可有效地划分发生在同一位置不同时间的轨迹，得到的聚类结果更加细化，移动模式更加准确，有利于物体的移动模式做更深入的分析。
|
| [10] |
时空轨迹分类研究进展 [J].https://doi.org/10.3724/SP.J.1047.2017.00289 URL [本文引用: 1] 摘要
时空轨迹分类旨在为一条轨迹预测类别。时空轨迹分类在城市规划、个性化用户推荐等方面具有重要应用价值,其过程主要包括轨迹数据预处理、特征提取、建立分类器3个阶段。本文综述了近年来时空轨迹分类的研究进展,首先对时空轨迹分类的过程进行概述;然后将时空轨迹分类算法按特征提取的方式分为基于运动特征的轨迹分类算法、基于分类规则的轨迹分类算法和基于图像信号分析的轨迹分类算法3类,分别论述了这些算法的基本思想和优缺点;之后对现有的轨迹分类算法从数据来源、分类器、特征提取方式等方面进行对比分析;最后讨论现有的时空轨迹分类算法面临的挑战。
Research progress of spatial-temporal trajectory classification [J].https://doi.org/10.3724/SP.J.1047.2017.00289 URL [本文引用: 1] 摘要
时空轨迹分类旨在为一条轨迹预测类别。时空轨迹分类在城市规划、个性化用户推荐等方面具有重要应用价值,其过程主要包括轨迹数据预处理、特征提取、建立分类器3个阶段。本文综述了近年来时空轨迹分类的研究进展,首先对时空轨迹分类的过程进行概述;然后将时空轨迹分类算法按特征提取的方式分为基于运动特征的轨迹分类算法、基于分类规则的轨迹分类算法和基于图像信号分析的轨迹分类算法3类,分别论述了这些算法的基本思想和优缺点;之后对现有的轨迹分类算法从数据来源、分类器、特征提取方式等方面进行对比分析;最后讨论现有的时空轨迹分类算法面临的挑战。
|
| [11] |
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 [J].
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001°*001°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。
A fine grained grid-based maritime traffic density algorithm for mass ship trajectory data [J].
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001°*001°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。
|
| [12] |
基于网络化密度聚类的船舶停泊点数据挖掘 [J].Data mining of ship's berthing points based on DBSCAN [J]. |
| [13] |
一种基于改进的DBSCAN的面向海量船舶位置数据码头挖掘算法 [J].https://doi.org/10.3969/j.issn.1007-130X.2015.11.011 URL Magsci [本文引用: 2] 摘要
目前我国正在大力推行“一带一路”航海战略，航海事业蓬勃发展，大量新码头正在修建中。如何快速、准确地更新码头的空间信息，对于分析进出口贸易、提高码头服务效率等具有很强的现实意义。当前我国主要通过人工测绘手段更新海图，更新间隔在3～12月，远不能满足需求。而利用包括国际海事卫星C系统、北斗卫星、Argos卫星等手段获取的船舶位置数据来进行码头挖掘 ，为解决获得码头空间信息问题提供了新手段。利用自动识别系统AIS获取的海量船舶位置数据，提出了一种基于自优化参数的码头挖掘算法DBSCAN。一方面能够面向不同船舶类型的不同密度分布进行自动学习优化DBSCAN核心参数，进而聚类出包含码头的停泊区域，具备很强的灵活性；另一方面，融合岸基结构物等空间数据，对停泊区域中的锚区和临时停泊区域等进行排除，获取码头的空间信息，并且达到很高的准确率。利用2012年4月至2014年4月两年中国滚装船的真实轨迹数据和国际滚装船真实轨迹数据进行了码头挖掘实验，准确率能够达到93%以上。
A dock mining algorithm for massive vessel location data based on improved DBSCAN [J].https://doi.org/10.3969/j.issn.1007-130X.2015.11.011 URL Magsci [本文引用: 2] 摘要
目前我国正在大力推行“一带一路”航海战略，航海事业蓬勃发展，大量新码头正在修建中。如何快速、准确地更新码头的空间信息，对于分析进出口贸易、提高码头服务效率等具有很强的现实意义。当前我国主要通过人工测绘手段更新海图，更新间隔在3～12月，远不能满足需求。而利用包括国际海事卫星C系统、北斗卫星、Argos卫星等手段获取的船舶位置数据来进行码头挖掘 ，为解决获得码头空间信息问题提供了新手段。利用自动识别系统AIS获取的海量船舶位置数据，提出了一种基于自优化参数的码头挖掘算法DBSCAN。一方面能够面向不同船舶类型的不同密度分布进行自动学习优化DBSCAN核心参数，进而聚类出包含码头的停泊区域，具备很强的灵活性；另一方面，融合岸基结构物等空间数据，对停泊区域中的锚区和临时停泊区域等进行排除，获取码头的空间信息，并且达到很高的准确率。利用2012年4月至2014年4月两年中国滚装船的真实轨迹数据和国际滚装船真实轨迹数据进行了码头挖掘实验，准确率能够达到93%以上。
|
| [14] |
利用AIS数据计算港口间竞争度的方法 [J].
为能更有效地提供有价值的航运情报,借鉴网络分析法相关原理,挖掘船舶AIS数据,获取港口之间的竞争度.该法通过船舶数据模型、港口数据模型、船舶抵达港口事件模型、船舶挂靠港记录、港口之间运力、港口网络等建立港口间竞争度模型.选取2014年4—8月中国沿海船舶AIS数据和17个主要港口数据,利用模型计算出对上海港竞争度排名前三的港口依次是宁波港、张家港港和南通港.
An approach for calculating competitive degree among ports using AIS data [J].
为能更有效地提供有价值的航运情报,借鉴网络分析法相关原理,挖掘船舶AIS数据,获取港口之间的竞争度.该法通过船舶数据模型、港口数据模型、船舶抵达港口事件模型、船舶挂靠港记录、港口之间运力、港口网络等建立港口间竞争度模型.选取2014年4—8月中国沿海船舶AIS数据和17个主要港口数据,利用模型计算出对上海港竞争度排名前三的港口依次是宁波港、张家港港和南通港.
|
| [15] |
基于AIS数据的区域性搁置船舶统计 [J].https://doi.org/10.3969/j.issn.1000-4653.2012.04.003 URL [本文引用: 1] 摘要
为直观展示某区域船舶运力富余状况,提出统计该区域搁置船舶的数学模型。该模型首先从AIS数据中提取当前时刻速度小于搁置船速的统计区域船舶,然后累计船舶上述状态持续时间,最后从中判断出搁置船舶,并对搁置船舶进行分类统计。实验结果表明,搁置船舶的统计结果能直观地反映特定区域搁置一段时间的各种船型的数量和吨位及其变化趋势,为船公司、港口以及货主等了解特定区域航运运力情况提供了一种新的方式。
Statistics and analysis of regional shelved ships based on AIS data [J].https://doi.org/10.3969/j.issn.1000-4653.2012.04.003 URL [本文引用: 1] 摘要
为直观展示某区域船舶运力富余状况,提出统计该区域搁置船舶的数学模型。该模型首先从AIS数据中提取当前时刻速度小于搁置船速的统计区域船舶,然后累计船舶上述状态持续时间,最后从中判断出搁置船舶,并对搁置船舶进行分类统计。实验结果表明,搁置船舶的统计结果能直观地反映特定区域搁置一段时间的各种船型的数量和吨位及其变化趋势,为船公司、港口以及货主等了解特定区域航运运力情况提供了一种新的方式。
|
| [16] |
利用AIS数据连续观测港口泊位服务水平的方法 [J].
提出了一种利用AIS数据直观观测港口泊位服务水平的方法。AIS数据详细记录了特定水域的船舶类型、船舶吨位、船舶动态等数据。通过电子海图选取特定区域,利用AIS数据,建立船舶统计模型,并按类型、吨位累计船舶进出特定区域的频数、时间。比拟排队论中的平均锚泊时间、平均锚泊船舶数、平均装卸作业时间、平均装卸作业船舶数、平均在港船舶数以及船舶平均在港停留时间六项泊位服务水平指标,绘制船舶类型、船舶吨位的指标趋势图,直观地显示港口泊位服务水平。采用上海洋山港水域2014-04-01至2014-04-30集装箱船AIS动态数据,并以1h作为采样周期对船舶进行数据统计。实验结果表明:利用AIS数据可以连续观测评价港口泊位服务水平的六项指标。
Methods for continuously observing service level of berths using AIS data [J].
提出了一种利用AIS数据直观观测港口泊位服务水平的方法。AIS数据详细记录了特定水域的船舶类型、船舶吨位、船舶动态等数据。通过电子海图选取特定区域,利用AIS数据,建立船舶统计模型,并按类型、吨位累计船舶进出特定区域的频数、时间。比拟排队论中的平均锚泊时间、平均锚泊船舶数、平均装卸作业时间、平均装卸作业船舶数、平均在港船舶数以及船舶平均在港停留时间六项泊位服务水平指标,绘制船舶类型、船舶吨位的指标趋势图,直观地显示港口泊位服务水平。采用上海洋山港水域2014-04-01至2014-04-30集装箱船AIS动态数据,并以1h作为采样周期对船舶进行数据统计。实验结果表明:利用AIS数据可以连续观测评价港口泊位服务水平的六项指标。
|
| [17] |
|
| [18] |
|
/
| 〈 |
|
〉 |
