基于非负矩阵分解方法的海上交通特征

发布时间：2021-06-24 16:49

　　船载船舶自动识别系统（Automatic Identification System,AIS）数据属于典型的时空数据,其所包含的船舶空间、时间和其他维度属性数据中蕴含着大量潜在特征。对海量的AIS数据进行联合聚类分析,利用时空数据间的隐含关系分析并提取出海上交通特征。对研究的数据集进行数据清洗;提取有用的船载AIS数据,对时间、空间和其他属性数据进行切片化标记;选择目标属性数据形成原始矩阵;对原始矩阵进行稀疏约束下的非负矩阵分解,获得时空数据联合聚类的结果,并结合实际进行分析。结果表明:该方法可挖掘出研究水域的船舶行为模式,分析船舶的运动规律,为水上交通安全监管和海上安全保障相关研究提供一种新思路。 

【文章来源】：中国航海. 2020,43(04)北大核心CSCD

【文章页数】：7 页

【部分图文】：

非负矩阵分解示意

经度117°35′35″E ～ 118°43′E,纬度38°3′30″N ～ 39°34′30″N。参考交通流走势,将该区域划分为38个不规则区域,划分详情见图2。2) 研究时间为:

(2) 与聚类数K和每一类中属性项数L的取值有关。以类簇1和类簇3为例,2个类代表的区域见图4。由图4可知:类簇1和类簇3组成一段完整的航路,但在聚类表示中,由于选取的每一类中的属性项数为4,即每一个类由最相关的4个区域表达,而该航路经过的区域数量大于4,实际是通过类簇1和类簇3这2个类进行表示,因此,在对聚类结果上出现区域的重叠。从聚类的层面看,NMF属于“软聚类”算法,1个元素可属于多种类型;从实际意义的角度分析,同一个区域中可能有一定比例的、不同运动模式的船舶航行。因此,在利用时空数据聚类对船舶与位置属性的整体关系进行分析时,1个区域属于多个类是符合水上交通的实际情况的;从数值关系的层面看,在类簇1和类簇3中,区域19的船舶占比之和与船舶进入该区域的前段航路(区域23)占比接近,因此,该航路可看成被“拆分”在2个类簇中表达,此现象也符合NMF算法“由局部构成整体”的特性。

【参考文献】：
期刊论文
[1]舰船航迹关联分析中AIS数据的分析与处理[J]. 金悦奇.  舰船科学技术. 2018(20)
[2]基于时空密度的船载AIS数据聚类分析方法研究[J]. 李永攀,刘正江,郑中义.  重庆交通大学学报(自然科学版). 2018(10)
[3]基于L2,p矩阵范数稀疏表示的图像分类方法[J]. 时中荣,王胜,刘传才.  南京理工大学学报. 2017(01)
[4]基于时空分析的位置大数据挖掘方法研究[J]. 谭梦茜,邵雄凯,刘春.  湖北工业大学学报. 2016(02)
[5]基于改进的S-NMF方法的全极化SAR船舶检测[J]. 吴冰洁,张波,张红.  遥感技术与应用. 2013(02)
[6]时空事件聚类分析方法研究[J]. 唐建波,邓敏,刘启亮.  地理信息世界. 2013(01)
[7]极化SAR图像中的弱小舰船目标检测[J]. 郭睿,包敏,李军,臧博,邢孟道.  系统工程与电子技术. 2011(06)
[8]水上交通拥挤区域的聚类分析与识别[J]. 刘涛,胡勤友,杨春.  中国航海. 2010(04)
[9]数据挖掘在海上交通特征分析中的应用研究[J]. 潘家财,邵哲平,姜青山.  中国航海. 2010(02)
[10]非负矩阵分解及其在模式识别中的应用[J]. 刘维湘,郑南宁,游屈波.  科学通报. 2006(03)

硕士论文
[1]非负矩阵分解在潮汐分析和预报中的应用研究[D]. 李煜.上海海洋大学 2016
[2]船舶轨迹的数据挖掘框架及应用[D]. 赵梁滨.大连海事大学 2016
[3]加稀疏约束的非负矩阵分解[D]. 张宇飞.大连理工大学 2010



本文编号：3247470