基于TRACLUS算法的船舶轨迹分析系统的设计与实现
发布时间：2021-02-15 02:06
船舶自动识别系统（Automatic Identification System,AIS）在当今的航运业领域发挥着至关重要的作用,被用于维护海上交通安全,管理船舶运输等。船舶通过舰载AIS设备记录和传递航行数据,这些数据中包含着海量的船舶轨迹信息,区别于传统的对于AIS数据的利用,基于数据挖掘的手段可以从中提取出隐含的信息来分析船舶的航行特征、揭示船舶的行为规律,为海上交通管理和航线规划提供更多的技术手段和参考。本文在充分调研了国内外相关AIS数据挖掘研究与应用的文献的基础上,采用了一种基于分段与归组框架的轨迹聚类算法—TRACLUS算法作为主要研究方法,并深入探究了该算法的优势、基本原理、实现流程和参数评估等。算法分为轨迹分段和线段聚类两个主要部分,并通过生成代表性轨迹实现对分析结果主要特征信息的表达。该算法在针对轨迹的研究中,相比于其他算法,在会先对轨迹按照MDL原则进行近似划分,然后再用基于密度聚类的思想对分段后的轨迹子段聚类,从而能够从轨迹子段中发现更多公共子特征。在本文中,通过Python 3程序设计语言实现了该算法,并对算法进行扩展从而支持AIS轨迹的空间数据格式。为了更加...
【文章来源】：辽宁师范大学辽宁省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
轨迹子段示例
辽宁师范大学硕士学位论文11（3）豪斯多夫距离（HausdorffDistance）：豪斯多夫距离可以度量空间中两个集合之间的距离，假如给定欧式空间中的两个点集，，则它们之间的豪斯多夫距离可以表示为：其中：式中H(X,Y)称为双向豪斯多夫距离，h(X,Y)称为集合X到集合Y的单向豪斯多夫距离，反之同样。简而言之，豪斯多夫距离可以理解成一个点集合中的点到另一个点集合的最短距离的最大值。除了以上这些距离度量之外，其他的相似度度量方法还有向量空间余弦相似度（CosineSimilarity），皮尔森相关系数（PearsonCorrelationCoefficient）等，在此不再一一赘述。2.1.1.2轨迹距离定义在一般聚类分析中描述地理空间上两个无属性的点的相似度时，可以简单的使用欧式距离来判断，距离越近，相似度越大，反之越校但在轨迹聚类中，线段具有长度和方向且相互可能不同，因此线段间的相似度就不能简单用欧式距离来计算了。在TRACLUS算法中，综合参考了常见的距离度量方法后，定义了特别的距离函数用于计算轨迹相似度。如图2.2所示，假设两条线段和，其中，，，分别为两条线段的端点，并确定为较长线段，为较短线段。那么两条线段间的距离函数可以由三部分来确定，分别是：垂直距离，平行距离，夹角距离，它们的定义分别如下：图2.2线段距离定义Fig.2.2Thedefinitionofthedistanceforlinesegments
辽宁师范大学硕士学位论文132.2算法详细步骤2.2.1近似轨迹划分轨迹划分的目的是在轨迹中角度变化较大的部分找到一些特征点，把这些特征点连接起来可以近似地表示原轨迹。在图2.3中，从一条轨迹中定义了一组特征点集合。最优的轨迹划分方案应该考虑两个因素：准确性和简洁性，准确性意味着一条轨迹与其分段轨迹集合间的差异应该尽可能的小，即特征点不能太少，否则不足以概括轨迹特征，而简洁性则意味着分段轨迹的数量应该尽可能的校准确性与简洁性相互矛盾，因此，需要找到一个两者间的最佳折中方案。图2.3一条轨迹和其分段轨迹子段Fig.2.3Atrajectoryanditstrajectorypartitions2.2.1.1最小描述长度原则算法中采用了在信息压缩中广泛使用的最小描述长度（MinimumDescriptionLength，MDL）原则作为寻找折中点的方法。MDL原则的原理是：在保存一组给定的实例数据D时，采用某种假设条件模型H对其进行编码压缩，然后再保存压缩后的数据。同时，将所用的模型也保存起来以便之后可以正确恢复这些数据。所以需要保存的数据长度等于这些实例数据进行编码压缩后的长度加上保存模型所需的数据长度，该数据长度便称为总描述长度[57]。MDL包含两部分：和。
【参考文献】：
期刊论文
[1]基于AIS数据的船桥碰撞概率评估方法研究[J]. 潘晋,汪咏,黄义飞,许明财. 华中科技大学学报(自然科学版). 2019(11)
[2]基于Flask和Vue的AIS数据分析系统设计与开发[J]. 任丹,侯英姿,王方雄,姜来. 软件. 2019(10)
[3]基于AIS信息和BP神经网络的船舶航行行为预测[J]. 甄荣,金永兴,胡勤友,施朝健,王胜正. 中国航海. 2017(02)
[4]利用卡尔曼滤波预测船舶航行轨迹异常行为[J]. 何静. 舰船科学技术. 2017(02)
[5]海事AIS系统应用的拓展[J]. 惠琍琍. 交通与港航. 2015(06)
[6]大数据挖掘分析[J]. 程陈. 软件. 2014(04)
[7]计算机数据挖掘技术的应用探讨[J]. 章万威. 计算机光盘软件与应用. 2014(09)
[8]基于AIS的元胞自动机模型的船舶交通流特征参数分析[J]. 冯宏祥,孔凡邨,肖英杰,杨小军. 武汉理工大学学报(交通科学与工程版). 2014(02)
[9]基于卡尔曼滤波算法船舶AIS轨迹估计研究[J]. 徐铁,蔡奉君,胡勤友,杨春. 现代电子技术. 2014(05)
[10]基于数据挖掘的船舶行为研究[J]. 朱飞祥,张英俊,高宗江. 中国航海. 2012(02)
硕士论文
[1]基于AIS的船舶轨迹聚类原型系统设计与实现[D]. 林明亮.大连海事大学 2016
[2]基于AIS信息的船舶轨迹聚类模型研究[D]. 肖潇.集美大学 2015
[3]聚类有效性指标结构分析及应用[D]. 包秀娟.天津大学 2014
[4]基于AIS数据的船舶危险驶过研究[D]. 崔捷.大连海事大学 2014
[5]基于AIS数据的船舶会遇特征研究[D]. 任亚磊.武汉理工大学 2013
[6]基于聚类分析的网络流量分类研究[D]. 何震凯.湖南工业大学 2009
[7]基于AIS的船舶动态监控及其应用[D]. 刘瑜.大连海事大学 2008
[8]通用船舶自动识别系统（AIS）及其关键技术研究[D]. 张宇.武汉理工大学 2004
本文编号：3034235
【文章来源】：辽宁师范大学辽宁省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
轨迹子段示例
辽宁师范大学硕士学位论文11（3）豪斯多夫距离（HausdorffDistance）：豪斯多夫距离可以度量空间中两个集合之间的距离，假如给定欧式空间中的两个点集，，则它们之间的豪斯多夫距离可以表示为：其中：式中H(X,Y)称为双向豪斯多夫距离，h(X,Y)称为集合X到集合Y的单向豪斯多夫距离，反之同样。简而言之，豪斯多夫距离可以理解成一个点集合中的点到另一个点集合的最短距离的最大值。除了以上这些距离度量之外，其他的相似度度量方法还有向量空间余弦相似度（CosineSimilarity），皮尔森相关系数（PearsonCorrelationCoefficient）等，在此不再一一赘述。2.1.1.2轨迹距离定义在一般聚类分析中描述地理空间上两个无属性的点的相似度时，可以简单的使用欧式距离来判断，距离越近，相似度越大，反之越校但在轨迹聚类中，线段具有长度和方向且相互可能不同，因此线段间的相似度就不能简单用欧式距离来计算了。在TRACLUS算法中，综合参考了常见的距离度量方法后，定义了特别的距离函数用于计算轨迹相似度。如图2.2所示，假设两条线段和，其中，，，分别为两条线段的端点，并确定为较长线段，为较短线段。那么两条线段间的距离函数可以由三部分来确定，分别是：垂直距离，平行距离，夹角距离，它们的定义分别如下：图2.2线段距离定义Fig.2.2Thedefinitionofthedistanceforlinesegments
辽宁师范大学硕士学位论文132.2算法详细步骤2.2.1近似轨迹划分轨迹划分的目的是在轨迹中角度变化较大的部分找到一些特征点，把这些特征点连接起来可以近似地表示原轨迹。在图2.3中，从一条轨迹中定义了一组特征点集合。最优的轨迹划分方案应该考虑两个因素：准确性和简洁性，准确性意味着一条轨迹与其分段轨迹集合间的差异应该尽可能的小，即特征点不能太少，否则不足以概括轨迹特征，而简洁性则意味着分段轨迹的数量应该尽可能的校准确性与简洁性相互矛盾，因此，需要找到一个两者间的最佳折中方案。图2.3一条轨迹和其分段轨迹子段Fig.2.3Atrajectoryanditstrajectorypartitions2.2.1.1最小描述长度原则算法中采用了在信息压缩中广泛使用的最小描述长度（MinimumDescriptionLength，MDL）原则作为寻找折中点的方法。MDL原则的原理是：在保存一组给定的实例数据D时，采用某种假设条件模型H对其进行编码压缩，然后再保存压缩后的数据。同时，将所用的模型也保存起来以便之后可以正确恢复这些数据。所以需要保存的数据长度等于这些实例数据进行编码压缩后的长度加上保存模型所需的数据长度，该数据长度便称为总描述长度[57]。MDL包含两部分：和。
【参考文献】：
期刊论文
[1]基于AIS数据的船桥碰撞概率评估方法研究[J]. 潘晋,汪咏,黄义飞,许明财. 华中科技大学学报(自然科学版). 2019(11)
[2]基于Flask和Vue的AIS数据分析系统设计与开发[J]. 任丹,侯英姿,王方雄,姜来. 软件. 2019(10)
[3]基于AIS信息和BP神经网络的船舶航行行为预测[J]. 甄荣,金永兴,胡勤友,施朝健,王胜正. 中国航海. 2017(02)
[4]利用卡尔曼滤波预测船舶航行轨迹异常行为[J]. 何静. 舰船科学技术. 2017(02)
[5]海事AIS系统应用的拓展[J]. 惠琍琍. 交通与港航. 2015(06)
[6]大数据挖掘分析[J]. 程陈. 软件. 2014(04)
[7]计算机数据挖掘技术的应用探讨[J]. 章万威. 计算机光盘软件与应用. 2014(09)
[8]基于AIS的元胞自动机模型的船舶交通流特征参数分析[J]. 冯宏祥,孔凡邨,肖英杰,杨小军. 武汉理工大学学报(交通科学与工程版). 2014(02)
[9]基于卡尔曼滤波算法船舶AIS轨迹估计研究[J]. 徐铁,蔡奉君,胡勤友,杨春. 现代电子技术. 2014(05)
[10]基于数据挖掘的船舶行为研究[J]. 朱飞祥,张英俊,高宗江. 中国航海. 2012(02)
硕士论文
[1]基于AIS的船舶轨迹聚类原型系统设计与实现[D]. 林明亮.大连海事大学 2016
[2]基于AIS信息的船舶轨迹聚类模型研究[D]. 肖潇.集美大学 2015
[3]聚类有效性指标结构分析及应用[D]. 包秀娟.天津大学 2014
[4]基于AIS数据的船舶危险驶过研究[D]. 崔捷.大连海事大学 2014
[5]基于AIS数据的船舶会遇特征研究[D]. 任亚磊.武汉理工大学 2013
[6]基于聚类分析的网络流量分类研究[D]. 何震凯.湖南工业大学 2009
[7]基于AIS的船舶动态监控及其应用[D]. 刘瑜.大连海事大学 2008
[8]通用船舶自动识别系统（AIS）及其关键技术研究[D]. 张宇.武汉理工大学 2004
本文编号：3034235
本文链接：https://www.wllwen.com/kejilunwen/chuanbolw/3034235.html
