论文部分内容阅读
随着海上交通量的迅猛增长以及海上交通环境日益复杂,船舶在生产活动中产生的时空轨迹也越来越多,如何对船舶异常轨迹进行有效的监控与管理,及时发现异常轨迹,是实现海上智能交通的关键技术之一,而及时发现异常轨迹的前提为获得船舶典型运动轨迹。由于传统的海上交通调查方法费时费力,且效率低下。而基于海量的船载AIS信息集合蕴藏着大量的海上交通特征,从中获取能够反映船舶行为规律的、有效的、潜在的信息,有利于进行海上交通调查获取数据信息。本文根据海上交通工程理论和数据挖掘技术,构建相应的AIS数据库,采取了理论研究与实例相结合的方法,重点研究了基于AIS信息的船舶轨迹聚类模型及相关算法,主要工作如下:1)基于IVISSEA系统,搭建船舶轨迹聚类模型实验数据平台。通过对船载AIS信息的采集、存储入库及预处理等,构建AIS信息数据库,为基于AIS信息的海上交通流分析来获得船舶行为的数字特征奠定了数据基础。2)建立船舶轨迹划分模型并确立聚类算法。在研究过程中,为了用更简洁而又不失精确性的方法来描述原轨迹,利用了航向航速变化率与最小描述长度方法来对轨迹进行划分;而后结合经典的基于密度的聚类算法DBSCAN来最终实现船舶轨迹聚类。3)优化轨迹间相似性的度量算法。由于船舶轨迹是由AIS采集的位置点连接而成,而每个AIS点都蕴含着丰富的信息,如位置、航向、航速等,因此说明船舶轨迹内部也拥有着自身的结构特征。因此,为了能够更好的表征船舶轨迹间的相似性,本文结合线段之间的Hausdorff与结构相似度两种距离度量方法共同对船舶轨迹间相似性实施度量。4)运用扫描线方法来获取典型运动轨迹。为了能够更好的获取代表轨迹,文章中利用了扫描线这一算法来获取船舶典型运动轨迹,并运用坐标转换算法来提高算法效率。5)结合AIS数据库,实现船舶轨迹聚类模型,并利用海上交通工程相关理论与实际船舶交通流情况进行验证。以厦门港主航道及闽台直航船“中远之星”船舶轨迹为例,结合历史AIS数据,对该水域船舶轨迹进行聚类,得到了船舶典型运动轨迹,针对研究对象的不同,采用了船舶区域会遇与特定船舶会遇两种不同算法,并结合船舶实际交通流对船舶轨迹聚类模型正确性进行了验证。结果表明该轨迹聚类模型能较好的对船舶轨迹进行聚类,并能获得较好的船舶典型运动轨迹,能为下一步分析和预测船舶运动行为、及时发现并处理船舶异常行为奠定了前提条件,为下一步实现智能船舶交通管理系统监控船舶行为打下了坚实基础。