【技术实现步骤摘要】
本申请涉及船舶轨迹分析，尤其是涉及一种船舶轨迹聚类方法。
技术介绍
1、随着航运经济的发展以及船舶自动识别系统（ais）的普及，产生了大量船舶运动轨迹ais数据，这对全球航运的分析和监督具有重要意义。通过对船舶ais数据的挖掘，可以对船舶的运动模式及行为特征分析、航迹预测等提供有价值的信息，而聚类分析在其中发挥着重要的作用。
2、船舶轨迹具有密度分布不确定性的特点，可以利用密度的方法对船舶轨迹进行聚类。其中 dbscan 算法是一种广泛应用于船舶 ais 轨迹聚类的算法，其核心是定义船舶轨迹线邻域和一个用于限定轨迹分布密度的阈值，考察轨迹在邻域内的密度，进而实现船舶轨迹的聚类。但此类算法在数据量大的情况下运算效率较低，且对两个超参数（最小邻域半径（eps）、邻域内最少点的数量（minpts））较为敏感，故通过传统dbscan 算法进行船舶轨迹聚类的方法往往难以获得良好的、稳定的识别结果。
技术实现思路
1、本申请的其中一个目的在于提供一种能够解决上述
技术介绍
中至少一个缺陷的船舶
【技术保护点】
1.一种船舶轨迹聚类方法，其特征在于，包括如下步骤：
2.如权利要求1所述的船舶轨迹聚类方法，其特征在于，在步骤S300中，对于核心点预测模型的构建包括如下过程：
3.如权利要求2所述的船舶轨迹聚类方法，其特征在于，航行轨迹中各数据点的局部统计特征包括k近邻距离均值、局部网格密度、距离分布方差以及相对密度比值；
4.如权利要求2所述的船舶轨迹聚类方法，其特征在于，在进行聚类拓展的过程中，若新加入的邻近点在核心点预测模型中被标记为低概率核心点，仍对该邻近点进行邻域查询；
5.如权利要求2所述的船舶轨迹聚类方法，其特征在于，...
【技术特征摘要】
1.一种船舶轨迹聚类方法，其特征在于，包括如下步骤：
2.如权利要求1所述的船舶轨迹聚类方法，其特征在于，在步骤s300中，对于核心点预测模型的构建包括如下过程：
3.如权利要求2所述的船舶轨迹聚类方法，其特征在于，航行轨迹中各数据点的局部统计特征包括k近邻距离均值、局部网格密度、距离分布方差以及相对密度比值；
4.如权利要求2所述的船舶轨迹聚类方法，其特征在于，在进行聚类拓展的过程中，若新加入的邻近点在核心点预测模型中被标记为低概率核心点，仍对该邻近点进行邻域查询；
5.如权利要求2所述的船舶轨迹聚类方法，其特征在于，对核心点预测模型设置滑动窗口机制，以使得每间隔设定时间或数据量...
【专利技术属性】
技术研发人员：姚源彬，吴关良，应国刚，张文达，陈维敏，黄淼林，韦雁机，
申请(专利权)人：宁波朗达科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。