AIS数据在集装箱港口服务效率的应用研究

港口是物流供应链中的核心环节,港口服务效率会决定整个物流供应链的效率。本文提出了一种基于海量船舶AIS（Automatic Identification System）轨迹数据的港口服务效率计算框架,利用集装箱船舶AIS轨迹、港口地理信息等海事大数据,采用滑动窗口算法等数据挖掘方法判断船舶在港内的状态,估算出反映港口服务效率的AWT/AST指标,从时间维度对港口服务效率评价,为港口管理运营部门和航运公司决策提供参考。并以上海港、宁波港、深圳港、釜山港为例,采用2018年全年全球5600余艘集装箱船舶的AIS轨迹数据,量化评价4个亚洲集装箱港口的服务效率。结果显示:① 船舶抵港泊位作业时间近似正太分布,正太分布均值在14~18 h之间,船舶泊位作业时间集中在10~30 h;② 船舶泊位作业时间与船舶船型大小成正相关,船型越大则泊位作业时间越长;③ 32%的船舶抵达上海港会发生等待时间,体现上海港集装箱码头整体处于供不应求的状态。宁波港整体服务效率较高,船舶发生等待事件较少。作为区域性枢纽港,釜山港近洋区域性运输频繁使得釜山港抵港船舶频率较高。④ 洋山四期码头为自动化码头,其港口装卸工艺与其他码头不同,但其码头作业效率并未高很多。     

基于卡尔曼滤波的船舶轨迹异常行为快速检测方法

基于全球船舶自动识别系统(Automatic Identification System,AIS)数据的船舶轨迹异常行为快速检测对于保障船舶航行安全、辅助安全监管具有重要意义.AIS数据具有容量大、更新频率快的特点,而当前AIS轨迹异常行为检测方法依赖于大量的训练样本与历史数据,实用性与普适性较差,难以用于船舶轨迹异常行为快速检测.为此,本文定义了船舶追踪、航速、航向、位置4种异常行为检测模型,提出了一种基于卡尔曼滤波的船舶AIS轨迹异常行为检测方法,实现了船舶AIS轨迹的异常行为快速检测与报警.实验选取经过我国东海部分地区3天的AIS数据,对实验结果的正确性与耗时进行分析,结果表明模型可以满足异常即时发现、即时处理的应用需求.     

上海外高桥港区停泊船聚类分析与异常检测

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。     

基于AIS数据的船舶行为特征挖掘与预测:研究进展与展望

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。     

船舶轨迹数据的Geodatabase管理方法

 船舶轨迹的自动观测记录已进入了大数据时代,其呈爆炸式增长的趋势给传统的轨迹数据管理方式带来了巨大挑战。本文针对通用船舶自动识别系统(AIS)岸基网络中船舶轨迹数据上传频率高,数据量大,覆盖范围广的特点,首先,分析了当前常见船舶轨迹数据存储方法存在的缺陷,概括了船舶轨迹数据的特征并对其进行抽象建模,然后,在时空立方体模型的基础上,提出了从抽样时刻、步进时段到每日航次的三层组织框架的建模思想,设计了Geodatabase的网格化三级时空立方体模型,实现了海洋运输船舶轨迹观测记录的Geodatabase管理方法。通过我国AIS岸基网络(温州-汕头)单日观测数据的实例验证,表明该模型存储及时空查询性能良好,且具有轨迹数据存储、查询和空间分析一体化管理的独特优势。     

高分辨率遥感影像目标分类与识别研究进展

高分辨率遥感影像的目标分类与识别,是对地观测系统进行图像分析理解,以及自动目标识别系统提取目标信息的重要手段。本文综述了当前国内外在可见光、红外、合成孔径雷达和合成孔径声纳等遥感影像的目标分类与识别的关键技术和最新研究进展。首先,讨论了高分辨率遥感影像的目标分类与识别问题的主要研究层次和内容;其次,深入分析了高分辨率遥感影像目标分类与识别,在滤波降噪、特征提取、目标检测、场景分类、目标分类和目标识别的关键技术及其所存在的问题;最后,结合并行计算、神经计算和认知计算等技术,讨论了目标分类与识别的可行性方案。具体包括：（1）高性能并行计算在高分辨率遥感图像处理的主流技术,并给出了基于Hadoop+OpenMP+CUDA的高分辨率遥感影像混合并行处理架构;（2）深度学习对于提升目标分类和识别精度的应用前景,以及基于深度神经网络的多层次遥感影像目标识别方法;（3）认知计算在解决遥感影像大数据不确定性分析的模型与算法,并讨论了层次主题模型的多尺度遥感影像场景描述方案。此外,根据媒体神经认知计算的相关研究,探讨了遥感影像大数据的目标分类和识别的发展趋势和研究方向。     

室内用户语义位置预测研究

位置预测技术可以提前预知用户下一时刻的位置,在基于位置的服务（Location-based Service,LBS）领域中发挥着极其重要的作用。现有的位置预测技术大多仅使用用户的地理轨迹,仅使用地理轨迹挖掘出来的用户移动模式易受地理特性的限制缺乏深层次的语义信息。本文基于某商场群体用户的室内轨迹数据和语义信息预测用户下一个时刻语义位置。语义位置预测包括停留区域识别、停留区域语义匹配、语义位置建模。在停留区域识别阶段,为减少室内停留时间不固定对停留区域识别的影响,本研究提出了一种新型的时空凝聚层次聚类算法（Spatial-Temporal Agglomerative Nesting, ST-AGNES),该算法具有思想简单、超参数少、自动生成聚类个数等优点。在语义匹配阶段,引入了吸引度规则,充分利用停留区域所有轨迹点与室内高密度的商铺名称信息做匹配。最后,采用长短型记忆神经网络模型（Long Short-Term Memory,LSTM）挖掘群体用户的语义位置模式并预测用户未来的语义位置,实验预测正确率达到61.3%。     

基于轨迹语义的船舶活动知识图谱构建

随着全球经济一体化的深入推进，海上交通拥堵和船舶事故频发。为了对海上船舶活动进行监管和分析，传统的方法主要利用船舶定位数据进行数据挖掘，未结合其他海上多源数据进行船舶时空活动过程和行为模式分析，缺少深层次的知识挖掘。为此，本文综合利用多源数据，在提取轨迹的语义信息基础上，构建船舶活动知识图谱，为低知识密度的轨迹时空点序列向高阶语义知识转化提供一种有效途径。具体地，首先通过解析船舶活动的特征和组成要素，基于“过程-事件-行为”的核心思想，设计船舶活动知识图谱本体层；然后利用Stop/Move模型提取轨迹语义信息，利用DMCNN模型抽取船舶突发事件，完成实例层填充；最后通过构建原型系统，对上述模型和方法进行验证。结果表明，本文所构建的船舶活动知识图谱，可以支持对船舶常规活动和突发事件进行知识表示，并可以实现时空活动查询和回溯，进而达到语义增强效果，具有一定的应用价值。     

顾及轨迹还原与分类的渣土车作业行为提取方法

渣土车轨迹数据蕴含丰富的行为模式信息，包括停车行为、运输路径、异常活动、渣土装载与倾倒OD点等关键特征，已逐渐成为渣土车运行监测与作业行为监管的主要数据来源。但是目前在渣土车作业行为提取中仍主要采用车载GPS数据结合工地电子围栏的传统签到系统，存在电子围栏与道路相互包含、重叠等一系列问题。针对传统渣土车作业行为提取中存在的车辆作业误判问题，本文提出一种顾及轨迹还原与分类的渣土车作业行为提取方法。(1)从运动状态和几何形态2个方面理解并识别渣土车作业行为模式；(2)利用顾及时间与距离的停留点提取算法提取车辆停留点，处理停留点与轨迹的映射关系，完成基于停留点的轨迹匹配；(3)构建平均相似值函数对轨迹进行语义信息增强；(4)提出SR-LGBM算法，筛选作业轨迹与非作业轨迹，实现渣土车的作业行为提取。采用南京市渣土车轨迹数据进行测试，结果表明，本文方法的准确率达97.29%，相比GaussianNB、Logistic Regression等传统分类算法其准确率与召回率均得到不同程度的提高，有效解决了电子围栏与道路重叠或多个围栏交叉造成的误判问题，可实现准确、高效的作业行为提取。     

基于SAR和AIS的角度最近邻数据关联方法

提升海上态势感知能力是构建智慧海洋的重要环节。针对目前海上目标研究单源传感器存在感知盲区,多源传感器数据关联易受杂波干扰、在密集区表现不佳等问题,本文基于合成孔径雷达(SAR)和船舶自动识别系统(AIS)数据,提出一种抗干扰性强的角度最近邻数据关联方法,充分利用SAR与AIS船舶目标的空间角度关系,提高船舶目标在密集区域点迹关联的准确性。首先,对AIS数据进行时空滤波,实现数据粗关联,构建关联分析的数据候选集;然后,从时空数据的空间关系角度出发,在灰狼优化和匈牙利算法的启发下,利用点迹对特征向量矩阵进行运算,实现对多源空间数据的优化关联;最后结合数据几何关系对结果进行置信度评估。本文选取5幅SAR影像与AIS数据进行实验,并基于SAR影像数据及船舶轨迹点分布密度设计仿真实验,结果表明,本文所提出的角度最近邻数据关联方法,在密集分布情况下,关联精度为传统NN、GNN算法的3.62和4.61倍,运行时间为1.69 s,相较于NN算法仅增长1.36 s,仅占GNN运行时间的0.49%,在运行时间增长不大的情况下具有更强的抗干扰能力,在密集区域仍能取得较好的关联效果。     

语义轨迹建模与挖掘研究进展

语义轨迹是时空轨迹和语义信息融合的产物。除了含有时空信息以外,语义轨迹包括移动对象自身的运动状态（如速度、方向）、环境（如气温、空间拓扑关系）和社交关系（如好友关系、社交活动）等多方面信息。挖掘语义轨迹可以深入地发现个体或群体移动行为的意图、习惯、情感等高阶语义内容,从而深层次发现个体或群体移动行为的模式、关系和规律等。因而,相较于时空轨迹,语义轨迹在语义性、解释性、可行性等方面更符合决策分析应用的实践需求,具有更重要的研究意义和应用价值。本文对语义轨迹挖掘的关键技术进行了综述。首先,介绍语义轨迹的基本概念,并且根据语义元素类型的不同总结了4种常见的定义形式。其次,归纳了语义轨迹建模的基本阶段,包括预处理、轨迹分段和语义富化。由于语义轨迹无法像时空轨迹那样从位置感知设备中采集获得,因此语义轨迹是通过建模技术得到的,主要通过将语义信息和时空轨迹相融合生成相应的语义轨迹。然后,介绍语义轨迹挖掘的主要任务,包括语义轨迹模式挖掘、语义轨迹聚类、语义轨迹分类、语义轨迹异常检测等。针对每一项挖掘任务,介绍了有关的基本原理和相关算法,总结了主要的关键技术和挑战。最后,探讨了语义轨迹挖掘现存的研究难点和未来研究方向。从模型定义、语义标注技术、多源数据建模等方面,讨论了语义轨迹建模的重要研究问题;从语义轨迹数据管理、分类和预测、流式数据挖掘、隐私保护、多粒度挖掘、评价方法等方面,探讨了语义轨迹挖掘的未来研究问题。     

DGPS组合定位的大型船舶靠泊技术与应用分析

 为了保障大型船舶靠泊操纵工作更加安全、高效,本文介绍了船舶靠泊仪及其发展,分析了大型船舶靠泊过程,研究了DGPS组合定位技术,建立以DGPS组合定位技术的大型船舶靠泊数学模型。在此模型基础之上,建立了船基平面坐标系,并通过此坐标系计算船舶靠泊时船首、 船尾相对码头的距离与速度,船首向与船舶转向率等船舶动态参数。最后,采用DGPS定位组合技术、AIS技术和WIFI技术等设计大型船舶靠泊系统(包括硬件和软件),并通过实例验证此靠泊仪的可行性和有效性。实例证明:大型船舶靠泊仪为引航员靠泊操纵时提供高精度的船位信息,船舶移动速度和船舶与码头岸线距离等辅助信息,船舶位置精度可达60cm,速度精度可达5m/s,有效地提高了大型船舶靠泊安全 性和工作效率,为引航员的船舶靠泊工作提供了更加直观、方便、快捷的航行靠泊导航过程。     

海上主航迹带边界统计推断与海西航路警戒区布局优化分析

台湾海峡是东北亚各国与东南亚、印度洋沿岸各国间的海上捷径,其交通主流是通行海峡的南北向航次,然而海峡两岸启动大三通后,穿越海峡的客货运船舶日益增多,导致闽台直航航次与台湾海峡南北干线主交通流交叉现象凸显,台湾海峡西侧水域冲突日益加剧。本文根据船舶轨迹观测数据,抽样出通行海峡南北及横穿海峡的航次样本,应用轨迹栅格化方法建立统计推断模型,以概率形式表达南北干线、两岸直航的海运利用分布,推断出2种交通流的主航迹带,识别南北向交通主流与两岸直航交通支流的显著冲突区,以此调整现有警戒区设置方案。研究结果表明：轨迹统计推断法能定量化分析海西现有交通流模式,易于辨识横越海峡的船舶与通行海峡在航船舶的冲突区中心,为优化警戒区布局提供有效的方法支撑;调整后的海西警戒区中心可与台湾本岛西岸港口外侧的直航船舶通过点对接,形成海峡两岸直航的固定航线,可降低台湾海峡船舶冲突隐患,规范台湾海峡的船舶交通秩序。     

基于DBI和稀疏轨迹数据的交通状态精细划分与识别

浮动车轨迹数据已逐渐成为城市交通状态识别的主要数据源之一,但是现有基于浮动车轨迹数据的交通状态识别中多数是应用高精度或是多源轨迹数据。针对稀疏轨迹数据在城市交通状态识别中存在识别精度不高的问题,本文提出一种结合戴维森堡丁指数（DBI）和轨迹相似性度量的动态交通状态划分方法。首先,对轨迹数据和路网数据进行预处理并且建立不同时间片的路段轨迹集合;接着,依据轨迹速度-空间相似性,利用戴维森堡丁指数动态地扩展轨迹的空间维度,并根据轨迹相似性度量方法构建最佳车辆队列;然后,将前后不同的车辆队列进行二次处理,连接组成交通流簇;最后,基于模糊C均值聚类方法将交通流进行划分,实现路段交通状态的识别。采用厦门市厦禾路、湖滨西路和湖滨南路交叉路段上的真实出租车轨迹数据进行测试,结果表明,本文所提方法保证了车辆队列速度分布与原始轨迹速度分布基本一致,相比对比方法Kmeans++和ST-DBSCAN,本文方法均方根误差平均下降了18.77%和21.22%,并且在不同的实验路段表现更加稳定,可有效、可靠地运用稀疏轨迹数据识别城市交通状态,进而实现城市交通状态的精细分析。     

基于时空车流灰度的城市交通热点分析

随着城市规模的扩张和汽车数量的增加,拥堵和雾霾等受交通影响的现象变得越来越严重,城市交通热点发现与分析是改善交通状况的关键技术之一。根据城市中典型浮动车(出租车)的时空轨迹数据,基于图像分析理论,提出城市交通热点的空间分布分析方法。首先,根据浮动车数据,形成车流轨迹的时空分布灰度图。其次,通过将浮动车的轨迹数据映射到高精度城市交通网格上,探索了轨迹数据和城市热点区域之间的关联关系。进一步地依据车流轨迹的时空分布,发现车流密度的极值。最后,结合影响区域的参数利用高斯曲面拟合对时空灰度图像进行了热点区域分析,获得城市交通热点的空间分布。将分析结果在地图上标定,准确地反映了城市交通热点区域的详细位置及空间分布,从而给出了一种有效、直观的城市交通热点分析方法。研究结果对于城市交通规划和交通实时信息发布具有实用价值。     

基于低频出租车轨迹的城市路网交叉口提取研究

出租车GPS轨迹数据获取成本低、周期短,且覆盖面广,具有实时性及大规模性,同时其包含大量的行车记录信息,对提取数字道路信息具有巨大贡献,适用于大范围城市交通路网信息的获取和快速更新。基于GPS轨迹数据进行交叉口提取是目前的研究热点,但现有研究方法大多适用于高频GPS数据,不能很好地提取稀疏区域的交叉口,难以适应出租车轨迹点采样频率低、定位精度低、噪声点多、数据分布不均匀的特性。因此,本文聚焦于城市路网的交叉口识别,为尽可能准确、全面地提取道路交叉口信息,兼顾密集与稀疏区域,提出了一种集成识别策略,分别在矢量空间和栅格空间,采用密度峰值聚类和数学形态学处理方法提取交叉口,并设计了一种融合机制探测交叉口,最后结合主成分分析法判断交叉口的真伪性,识别真实交叉口,并去除伪交叉口,从而得到基于低频出租车轨迹的城市道路交叉口。与已有的研究方法相比,本方法提取了更多的交叉口,并与遥感图像显示一致。本文提取结果准确率为92.23%、召回率为77.26%、F值为84.08%,很好地保证了交叉口的完整性和准确性,在智能交通系统中具有一定的应用价值。