一种船舶会遇场景的自动划分方法、系统及电子设备技术方案

本发明专利技术公开了一种船舶会遇场景的自动划分方法、系统及电子设备，本发明专利技术在轨迹坐标和航速、航向等船舶自身动力学特性基础上，学习典型区域内多船轨迹的空间关联和相互影响，并融合港口、水文、气象等外源信息，形成多船会遇场景的情景化特征融合表示，建立多船会遇的场景基元并进行船舶会遇场景数据的自动划分。通过设计基于多船轨迹的会遇场景的自动划分方法，能够识别不同船舶会遇态势，以为船舶智能协同调度与智能避碰决策提供更好的支持，减少船舶碰撞事故的发生。船舶碰撞事故的发生。船舶碰撞事故的发生。

【技术实现步骤摘要】
一种船舶会遇场景的自动划分方法、系统及电子设备


[0001]本专利技术属于计算机大数据处理领域，涉及一种船舶会遇场景自动划分方法、系统及电子设备，具体是一种基于船舶轨迹的船舶会遇场景自动划分方法、系统及电子设备。

技术介绍

[0002]随着船舶自动识别系统(AIS)、船舶交通服务(VTS)等应用到船舶的航行安全保障技术中，研究者得以收集到大量的船舶运动轨迹数据，这些数据不但包含船舶的基本信息及其在一段时间和区域内的航行记录，也能够筛选出大量真实的船舶会遇数据，通过挖掘这些数据中蕴含的大量有价值的信息，为探索船舶行为演变规律，识别船舶会遇场景提供了基础。不同于陆地交通工具或行人，船舶的轨迹信息具有其特殊性。这种特殊性的来源，一方面是船舶轨迹具有大规模、高噪声、不连续、尺度不一的特点；另一方面，海上环境比陆地更加复杂，不仅没有道路拓扑结构的支持，船舶轨迹还受到洋流、潮汐、台风等环境因素的影响，这不仅给航行轨迹的处理和分析带来了困难，也提高了船舶会遇场景划分的难度。因此，有必要对船舶整体的上下文特征及外源信息进行特征融合与表示，提取复杂场景下多船的行为特征，对多船会遇场景进行自动划分。
[0003]传统的船舶会遇场景建立在轨迹坐标和航速、船向等船舶自身动力学特性的基础上，从船舶个体状态的角度，计算本船与来船的会遇几何参数，再通过统计分析等手段来衡量会遇场景的变化，但并未对船舶整体的上下文特征以及外源信息进行很好的特征融合与表示。此外，传统方法关注于单船的行为建模与预测，不能提取复杂场景下多船的行为特征，没有体现船舶个体间的空间关联和相互影响。而在实际航行过程中，船舶经常会在不同场景下与其他船舶相遇，仅研究单船的行为模式并不能适应复杂多变的航行场景的需求。
[0004]因此，有必要专利技术一种船舶会遇场景自动划分方法，在轨迹坐标和航速、航向等船舶自身动力学特性的基础上，融合港口、水文、气象等外源信息，形成多船会遇场景的情境化特征融合表示，自动化地识别和划分多船会遇场景，从技术上增强船舶的智能化程度。

技术实现思路

[0005]为了解决上述技术问题，本专利技术提供了一种基于船舶轨迹的船舶会遇场景自动划分方法、系统及电子设备。
[0006]本专利技术的方法所采用的技术方案是：一种船舶会遇场景的自动划分方法，包括以下步骤：
[0007]步骤1：选取n条船舶在同一指定水域中的轨迹数据，将每条船舶的轨迹数据的记录数统一为r，将每条船舶轨迹视为从0时刻到r时刻在同一指定水域上的轨迹数据；对原始船舶轨迹数据预处理后，进空间坐标编码为低维表示，最终得到n条船舶的轨迹数据T＝{T1、T2、
…
、T
n
}，其中T
i
为第i条船舶的轨迹序列，Ti＝{p1、p2、
…
、p
r
}，轨迹序列中的每条记录是一个向量；所述船舶轨迹数据包括船名、MMSI、经度、维度、对地速度、对地航向、船首航向、船型、吃水和时间戳；
[0008]将所述指定水域的外源信息转换为向量表示，最终得到在0时刻到r时刻的外源数据E＝{E1、E2、
…
、E
r
}，其中E
j
为第j时刻的外源数据，是一个向量；所述外源信息，包括温度、风向、风速、降水量、天气现象、云量、能见度、太阳辐射强度、相对湿度、气压和体感温度；
[0009]步骤2：对每条船的轨迹数据T和外源数据E进行相加，得到新的序列为D
i
＝{d1、d2、
…
、d
r
}，D
i
为第i条船和外源数据进行相加得到的新序列，输入n条船舶新序列；
[0010]步骤3：若存在会遇场景数为M，对输入的船舶新序列进行场景的识别和划分，选择划分结果中的最大值，并将最大值对应的点存储在优先级队列G中；
[0011]步骤3.1：输入序列长度为r，将输入数据的时间序列分割成固定长度w的重叠子轨迹窗口，然后为偏移量i∈[w+1,
…
,n
‑
w
‑
1]生成假设分割，将标签0/1标记在分割点的左侧/右侧窗口，将时间序列分割问题转换为二分类的问题Y＝{0,1}；
[0012]步骤3.2：为每个窗口计算一次k
‑
NN，将分割之后的窗口集合W和k
‑
NN分类器CLF作为输入，将每个窗口的k
‑
NN偏移量作为输出；计算k
‑
NN，首先计算|W|
×
|W|窗口距离矩阵，对每个窗口进行过滤，在搜索Nearest
‑
Neighbor时候排除所有重叠超过w/2的窗口，然后返回距离最小的k个窗口的偏移量；其中k为预设值；
[0013]步骤3.3：将带有0/1标签的窗口集合进行交叉验证，交叉验证的分数代表标签为0的左侧窗口与标签为1的右侧窗口之间的差异程度，分数高意味着具有低相似性，对于每一个偏移量i，记录对应的自相似性，形成输入时间序列的分类得分；
[0014]交叉验证首先收集每个窗口的k
‑
NN偏移量，查找窗口具有的0/1标签，选择占多数的标签；然后将一组真实标签和一组预测标签传递给评分函数，得到交叉验证的分数；
[0015]步骤3.4：在得到输入时间序列的分类得分的分布中，每个局部最大值代表一个潜在的变化点，选择该分布中全局最大值作为分割点，即该点的左侧和右侧的差异最大，将该点存储在优先级队列G中，将输入的数据序列分成N个子片段{S1、S2、
…
、S
N
}；其中S
i
表示第i个会遇场景对应的子片段集合；
[0016]步骤4：将获得的N个子片段{S1、S2、
…
、S
N
}进行场景的识别和划分，选择划分结果中最大值，并将最大值对应的点存储在优先级队列G中；
[0017]步骤4.1：分别输入{S1、S2、
…
、S
N
}子片段，按照步骤3的方法，得到N个交叉验证的分数分布，选择N个分布中的最大值作为预选分割点{a1、a2、
…
、a
N
}；
[0018]步骤4.2：选择{a1、a2、
…
、a
N
}中最大值作为新的分割点g，将点g存储在优先级队列G中，以点g为边界点分割所在的子片段，并将输入的子片段分成N+1个子片段{S1、S2、
…
、S
N
、S
N+1
}；其中S
i
表示第i个会遇场景对应的子片段集合；
[0019]步骤5：重复步骤3到步骤4，直到子片段的个数为M，即获得M数量的会遇场景，根据优先级队列G中的分割点即可对包含船舶轨迹和外源数据的会遇场景进行划分，得到最终的划分结果。
[0020]本专利技术的系统所采用的技术方案是：一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种船舶会遇场景的自动划分方法，其特征在于，包括以下步骤：步骤1：选取n条船舶在同一指定水域中的轨迹数据，将每条船舶的轨迹数据的记录数统一为r，将每条船舶轨迹视为从0时刻到r时刻在同一指定水域上的轨迹数据；对原始船舶轨迹数据预处理后，进空间坐标编码为低维表示，最终得到n条船舶的轨迹数据T＝{T1、T2、
…
、T
n
}，其中T
i
为第i条船舶的轨迹序列，Ti＝{p1、p2、
…
、p
r
}，轨迹序列中的每条记录是一个向量；所述船舶轨迹数据包括船名、MMSI、经度、维度、对地速度、对地航向、船首航向、船型、吃水和时间戳；将所述指定水域的外源信息转换为向量表示，最终得到在0时刻到r时刻的外源数据E＝{E1、E2、
…
、E
r
}，其中E
j
为第j时刻的外源数据，是一个向量；所述外源信息，包括温度、风向、风速、降水量、天气现象、云量、能见度、太阳辐射强度、相对湿度、气压和体感温度；步骤2：对每条船的轨迹数据T和外源数据E进行相加，得到新的序列为D
i
＝{d1、d2、
…
、d
r
}，D
i
为第i条船和外源数据进行相加得到的新序列，输入n条船舶新序列；步骤3：若存在会遇场景数为M，对输入的船舶新序列进行场景的识别和划分，选择划分结果中的最大值，并将最大值对应的点存储在优先级队列G中；步骤3.1：输入序列长度为r，将输入数据的时间序列分割成固定长度w的重叠子轨迹窗口，然后为偏移量i∈[w+1,
…
,n
‑
w
‑
1]生成假设分割，将标签0/1标记在分割点的左侧/右侧窗口，将时间序列分割问题转换为二分类的问题Y＝{0,1}；步骤3.2：为每个窗口计算一次k
‑
NN，将分割之后的窗口集合W和k
‑
NN分类器CLF作为输入，将每个窗口的k
‑
NN偏移量作为输出；计算k
‑
NN，首先计算|W|
×
|W|窗口距离矩阵，对每个窗口进行过滤，在搜索Nearest
‑
Neighbor时候排除所有重叠超过w/2的窗口，然后返回距离最小的k个窗口的偏移量；其中k为预设值；步骤3.3：将带有0/1标签的窗口集合进行交叉验证，交叉验证的分数代表标签为0的左侧窗口与标签为1的右侧窗口之间的差异程度，分数高意味着具有低相似性，对于每一个偏移量i，记录对应的自相似性，形成输入时间序列的分类得分；交叉验证首先收集每个窗口的k
‑
NN偏移量，查找窗口具有的0/1标签，选择占多数的标签；然后将一组真实标签和一组预测标签传递给评分函数，得到交叉验证的分数；步骤3.4：在得到输入时间序列的分类得分的分布中，每个局部最大值代表一个潜在的变化点，选择该分布中全局最大值作为分割点，即该点的左侧和右侧的差异最大，将该点存储在优先级队列G中，将输入的数据序列分成N个子片段{S1、S2、
…
、S
N
}；其中S
i
表示第i个会遇场景对应的子片段集合；步骤4：将获得的N个子片段{S1、S2、
…
、S
N
}进行场景的识别和划分，选择划分结果中最大值，并将最大值对应的点存储在优先级队列G中；步骤4.1：分别输入{S1、S2、
…
、S
N
}子片段，按照步骤3的方法，得到N个交叉验证的分数分布，选择N个分布中的最大值作为预选分割点{a1、a2、
…
、a
N
}；步骤4.2：选择{a1、a2、
…
、a
N
}中最大值作为新的分割点g，将点g存储在优先级队列G中，以点g为边界点分割所在的子片段，并将输入的子片段分成N+1个子片段{S1、S2、
…
、S
N
、S
N+1
}；其中S
i
表示第i个会遇场景对应的子片段集合；步骤5：重复步骤3到步骤4，直到子片段的个数为M，即获得M数量的会遇场景，根据优先级队列G中的分割点即可对包含船舶轨迹和外源数据的会遇场景进行划分，得到最终的划
分结果。2.根据权利要1所述的船舶会遇场景的自动划分方法，其特征在于：步骤1中，对原始船舶轨迹数据采用异常数据清洗、轨迹插值、时间间隔重采样的方法预处理。3.根据权利要1所述的船舶会遇场景的自动划分方法，其特征在于：步骤1中，所述对船舶轨迹数据的空间坐标编码为低维表示，是使用GoogleS2算法对多维地理空间数据进行降维，首先基于希尔伯特曲线，通过对球面进行矩阵投影并进行二次变换修正，再将坐标映射到投影，将空间坐标编码为低维表示。4.根据权利要1所述的船舶会遇场景的自动划分方法，其特征在于：步骤1中，所述将所述指定水域的外源信息转换为向量表示，使...

【专利技术属性】
技术研发人员：张蕊，刘仁祥，李希畅，喻志培，刘克中，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：