船舶行为特征挖掘与预测是水上智能交通系统的重要研究内容,也是交通运输工程领域的关键科学问题。为系统研究基于船舶自动识别系统(Automatic Identification System,AIS)数据的船舶行为特征挖掘与预测的研究现状与发展趋势,本文首先针...船舶行为特征挖掘与预测是水上智能交通系统的重要研究内容,也是交通运输工程领域的关键科学问题。为系统研究基于船舶自动识别系统(Automatic Identification System,AIS)数据的船舶行为特征挖掘与预测的研究现状与发展趋势,本文首先针对Web of Science(WOS)和中国知网(China National Knowledge Infrastructure,CNKI)收录的文献,用知识图谱分析软件VOSviewer对文献关键词进行处理,从文献计量学的角度生成高频关键词的聚类图谱和趋势演化。然后对基于AIS数据的水上交通要素挖掘、船舶行为聚类和船舶行为预测3个主题的研究内容、方法、存在问题进行了系统分析和展望,研究结果表明:①在基于AIS的水上交通要素挖掘方面,主要集中在对AIS数据中表征船舶行为空间特征和交通流的时间特征单独挖掘分析,缺乏对AIS数据的时间、空间以及环境因素特征的关联挖掘,对于如何进行交通要素的关联融合挖掘研究还有待深入探索;②在船舶行为聚类方面,研究主要是运用无监督聚类方法研究船舶航迹点和航迹段聚类,得到船舶航行行为模式的时空分布和船舶操纵意图辨识模型,然而融合多维特征的船舶轨迹的相似性计算方法、聚类参数的自适应选取以及船舶行为的语义特征建模有待进一步研究;③在船舶行为预测方面,主要集中在基于动力学方程、传统智能算法和深度循环神经网络的船舶行为预测研究,考虑船舶行为的随机性、多样性和耦合性的特点,运用混合神经网络模型以及神经网络与向量机、注意力机制相结合的模型实现多维的船舶航行行为特征的实时预测将是新的研究方向。最后提出了基于语义模型的船舶行为特征挖掘、基于深度卷积神经网络的船舶行为的预测和基于知识图谱的船舶行为特征挖掘和预测结果可视化等有待进一步研究的方向。展开更多
船舶自动识别系统(automatic identification system,AIS)数据可以反映出船舶的航行状态特征,并且实时精确地预测船舶未来航行轨迹,能及时避免一些海上交通事故的发生,具有重要的现实意义。提出了一种根据船舶AIS数据训练混合深度学习...船舶自动识别系统(automatic identification system,AIS)数据可以反映出船舶的航行状态特征,并且实时精确地预测船舶未来航行轨迹,能及时避免一些海上交通事故的发生,具有重要的现实意义。提出了一种根据船舶AIS数据训练混合深度学习网络预测船舶航行轨迹的方法。根据船舶AIS数据的航行轨迹特征,构建了基于卷积神经网络(convalutional neural network,CNN)和双向长短期记忆(bidirectional long short term memory,Bi-LSTM)网络的船舶航行轨迹预测混合模型。CNN-Bi-LSTM模型根据船舶AIS数据进行训练,形成期望的输入-输出映射关系,进而预测船舶未来的航行轨迹。实验结果表明,对比传统的预测方法,CNN-Bi-LSTM不仅能更加准确有效地处理序列数据,预测船舶航行轨迹的精确度也更高。展开更多
文摘船舶行为特征挖掘与预测是水上智能交通系统的重要研究内容,也是交通运输工程领域的关键科学问题。为系统研究基于船舶自动识别系统(Automatic Identification System,AIS)数据的船舶行为特征挖掘与预测的研究现状与发展趋势,本文首先针对Web of Science(WOS)和中国知网(China National Knowledge Infrastructure,CNKI)收录的文献,用知识图谱分析软件VOSviewer对文献关键词进行处理,从文献计量学的角度生成高频关键词的聚类图谱和趋势演化。然后对基于AIS数据的水上交通要素挖掘、船舶行为聚类和船舶行为预测3个主题的研究内容、方法、存在问题进行了系统分析和展望,研究结果表明:①在基于AIS的水上交通要素挖掘方面,主要集中在对AIS数据中表征船舶行为空间特征和交通流的时间特征单独挖掘分析,缺乏对AIS数据的时间、空间以及环境因素特征的关联挖掘,对于如何进行交通要素的关联融合挖掘研究还有待深入探索;②在船舶行为聚类方面,研究主要是运用无监督聚类方法研究船舶航迹点和航迹段聚类,得到船舶航行行为模式的时空分布和船舶操纵意图辨识模型,然而融合多维特征的船舶轨迹的相似性计算方法、聚类参数的自适应选取以及船舶行为的语义特征建模有待进一步研究;③在船舶行为预测方面,主要集中在基于动力学方程、传统智能算法和深度循环神经网络的船舶行为预测研究,考虑船舶行为的随机性、多样性和耦合性的特点,运用混合神经网络模型以及神经网络与向量机、注意力机制相结合的模型实现多维的船舶航行行为特征的实时预测将是新的研究方向。最后提出了基于语义模型的船舶行为特征挖掘、基于深度卷积神经网络的船舶行为的预测和基于知识图谱的船舶行为特征挖掘和预测结果可视化等有待进一步研究的方向。
文摘船舶自动识别系统(automatic identification system,AIS)数据可以反映出船舶的航行状态特征,并且实时精确地预测船舶未来航行轨迹,能及时避免一些海上交通事故的发生,具有重要的现实意义。提出了一种根据船舶AIS数据训练混合深度学习网络预测船舶航行轨迹的方法。根据船舶AIS数据的航行轨迹特征,构建了基于卷积神经网络(convalutional neural network,CNN)和双向长短期记忆(bidirectional long short term memory,Bi-LSTM)网络的船舶航行轨迹预测混合模型。CNN-Bi-LSTM模型根据船舶AIS数据进行训练,形成期望的输入-输出映射关系,进而预测船舶未来的航行轨迹。实验结果表明,对比传统的预测方法,CNN-Bi-LSTM不仅能更加准确有效地处理序列数据,预测船舶航行轨迹的精确度也更高。
文摘船舶自动识别系统(Automatic Identification System,AIS)的静态数据和航次相关信息由用户手动输入,传输层协议采用低可靠性的用户数据报协议(User Datagram Protocol,UDP),由于AIS信息没有源时间戳等原因,导致接收到的AIS数据可能有错误。对此,依据AIS的通信原理,提出水上移动业务标识(Maritime Mobile Service Identify,MMSI)码校验、填充位和校验码综合检测、动态信息和静态信息匹配校验及异常位置点检测等数据错误检测方法,以有效降低海事管理中AIS数据的错误率。
