基于改进谱聚类算法的AIS数据挖掘研究及应用
发布时间：2022-05-06 19:12
AIS大数据中蕴含着大量的隐藏在数据当中的无法直接依靠单一设备获取到的重要信息。现阶段航海领域对AIS数据挖掘工作尚处在一个浅层次挖掘的阶段,对于AIS数据的挖掘不够充分,忽视了船舶交通流之间的关联因素,对复杂数据信息的利用率较低。目前对于船舶AIS数据的挖掘重点主要集中在船舶位置信息在不同港口空间位置的宏观表现,对于轨迹时间等因素还处于辅助决策信息的环节,对船舶AIS数据没有做到充分挖掘及合理的应用,对这一类的研究还有待探索与创新。本文综合考虑了 AIS数据表征船舶运动状态的特性,采用基于改进谱聚类算法的数据挖掘方法进行船舶轨迹聚类以及航迹的预测,具体内容主要包括以下几点:（1）在船舶轨迹预处理阶段对AIS数据进行压缩处理,采用改进Sliding Window算法的数据压缩方式,结合AIS数据特点,加入船舶航向作为压缩变量参数之一,改变以往单纯使用经纬度变量造成的不符合航海实际、压缩不合理等情况,提高数据挖掘的精度和速度,降低AIS轨迹数据的内存。（2）结合谱聚类算法特性得出较为合理的算法复杂度及时间复杂度,改善传统聚类方法过度依赖参数导致出现陷入局部最优的情况,为船舶挖掘有效信息提...
【文章页数】：82 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景及研究意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究现状
1.2.1 船舶AIS数据挖掘的国内外研究现状分析
1.2.2 针对谱聚类算法的国内外研究现状分析
1.2.3 对船舶轨迹预测的国内外研究现状分析
1.3 数据挖掘-聚类分析的主要步骤及评价标准
1.3.1 聚类分析的一般过程
1.3.2 聚类效果评价标准
1.4 本文研究内容
1.5 本文组织结构
2 AIS数据预处理
2.1 AIS数据采集
2.2 AIS数据解码
2.3 AIS数据存在问题及解决方案
2.4 AIS数据压缩
2.5 本章小结
3 基于改进谱聚类算法的船舶轨迹聚类
3.1 谱聚类算法概述
3.1.1 谱图理论及划分规则
3.1.2 谱聚类的主要过程及思路
3.1.3 谱聚类算法复杂度及存在问题
3.2 谱聚类算法的改进
3.2.1 相似度距离的改进
3.2.2 基于k-means算法的改进
3.3 基于天津港水域的船舶航路实验验证
3.3.1 研究水域简介
3.3.2 研究水域中研究对象的确定
3.3.3 轨迹聚类结果展示及对比分析
3.4 本章小结
4 基于GRU神经网络和轨迹聚类模型的船舶航迹预测
4.1 GRU神经网络算法的应用
4.1.1 GRU神经网络算法的理论及优势
4.1.2 基于GRU神经网络算法的预测步骤
4.2 船舶航迹预测实验及结果对比
4.3 本章小结
5 结论与展望
参考文献
致谢
作者简历及攻读硕士学位期间的科研成果
【参考文献】：
期刊论文
[1]基于K近邻字典的协同表示高光谱图像分类方法[J]. 郑鲜艳,陈湘,汪芝城,江帆. 湖北大学学报(自然科学版). 2019(06)
[2]基于BLSTM-RNN的船舶轨迹修复方法[J]. 王贵槐,钟诚,初秀民,张代勇. 重庆交通大学学报(自然科学版). 2019(10)
[3]基于轨迹段DBSCAN的船舶轨迹聚类算法[J]. 江玉玲,熊振南,唐基宏. 中国航海. 2019(03)
[4]基于极限学习机的船舶航行行为预测![J]. 谢新连,陈紫薇,魏照坤,赵瑞嘉. 重庆交通大学学报(自然科学版). 2019(08)
[5]船舶AIS轨迹聚类方法研究进展综述[J]. 徐良坤,任律珍,周世波. 广州航海学院学报. 2019(02)
[6]基于蚁群算法与海量AIS数据的船舶航线规划[J]. 姚肖肖,胡勤友,杨春. 交通信息与安全. 2019(03)
[7]拉普拉斯矩阵在聚类中的应用[J]. 刘颖,张艳邦. 天津科技大学学报. 2019(03)
[8]基于共享k-近邻与共享逆近邻的密度峰聚类[J]. 高月,杨小飞,马盈仓,汪义瑞. 计算机工程与应用. 2019(20)
[9]基于多项式卡尔曼滤波的船舶轨迹预测算法[J]. 姜佰辰,关键,周伟,陈小龙. 信号处理. 2019(05)
[10]聚类算法综述[J]. 章永来,周耀鉴. 计算机应用. 2019(07)
本文编号：3651043
【文章页数】：82 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景及研究意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究现状
1.2.1 船舶AIS数据挖掘的国内外研究现状分析
1.2.2 针对谱聚类算法的国内外研究现状分析
1.2.3 对船舶轨迹预测的国内外研究现状分析
1.3 数据挖掘-聚类分析的主要步骤及评价标准
1.3.1 聚类分析的一般过程
1.3.2 聚类效果评价标准
1.4 本文研究内容
1.5 本文组织结构
2 AIS数据预处理
2.1 AIS数据采集
2.2 AIS数据解码
2.3 AIS数据存在问题及解决方案
2.4 AIS数据压缩
2.5 本章小结
3 基于改进谱聚类算法的船舶轨迹聚类
3.1 谱聚类算法概述
3.1.1 谱图理论及划分规则
3.1.2 谱聚类的主要过程及思路
3.1.3 谱聚类算法复杂度及存在问题
3.2 谱聚类算法的改进
3.2.1 相似度距离的改进
3.2.2 基于k-means算法的改进
3.3 基于天津港水域的船舶航路实验验证
3.3.1 研究水域简介
3.3.2 研究水域中研究对象的确定
3.3.3 轨迹聚类结果展示及对比分析
3.4 本章小结
4 基于GRU神经网络和轨迹聚类模型的船舶航迹预测
4.1 GRU神经网络算法的应用
4.1.1 GRU神经网络算法的理论及优势
4.1.2 基于GRU神经网络算法的预测步骤
4.2 船舶航迹预测实验及结果对比
4.3 本章小结
5 结论与展望
参考文献
致谢
作者简历及攻读硕士学位期间的科研成果
【参考文献】：
期刊论文
[1]基于K近邻字典的协同表示高光谱图像分类方法[J]. 郑鲜艳,陈湘,汪芝城,江帆. 湖北大学学报(自然科学版). 2019(06)
[2]基于BLSTM-RNN的船舶轨迹修复方法[J]. 王贵槐,钟诚,初秀民,张代勇. 重庆交通大学学报(自然科学版). 2019(10)
[3]基于轨迹段DBSCAN的船舶轨迹聚类算法[J]. 江玉玲,熊振南,唐基宏. 中国航海. 2019(03)
[4]基于极限学习机的船舶航行行为预测![J]. 谢新连,陈紫薇,魏照坤,赵瑞嘉. 重庆交通大学学报(自然科学版). 2019(08)
[5]船舶AIS轨迹聚类方法研究进展综述[J]. 徐良坤,任律珍,周世波. 广州航海学院学报. 2019(02)
[6]基于蚁群算法与海量AIS数据的船舶航线规划[J]. 姚肖肖,胡勤友,杨春. 交通信息与安全. 2019(03)
[7]拉普拉斯矩阵在聚类中的应用[J]. 刘颖,张艳邦. 天津科技大学学报. 2019(03)
[8]基于共享k-近邻与共享逆近邻的密度峰聚类[J]. 高月,杨小飞,马盈仓,汪义瑞. 计算机工程与应用. 2019(20)
[9]基于多项式卡尔曼滤波的船舶轨迹预测算法[J]. 姜佰辰,关键,周伟,陈小龙. 信号处理. 2019(05)
[10]聚类算法综述[J]. 章永来,周耀鉴. 计算机应用. 2019(07)
本文编号：3651043
本文链接：https://www.wllwen.com/kejilunwen/chuanbolw/3651043.html
