基于海洋大数据的航道约束条件下的船舶轨迹预测

发布时间：2021-06-07 22:44

　　近年来,由于移动设备、全球定位系统的普及以及基于位置服务的发展,轨迹数据积累的越来越多。基于海量轨迹数据开展的数据挖掘、数据分析的研究工作也逐渐受到关注。在海洋交通领域,船舶轨迹的预测在路径规划、避免碰撞等应用场景中具有重要意义。例如,通过轨迹预测技术可以预测船舶将要经过堵海域,此时就可以提前调整行驶路线,避开拥堵路段。轨迹预测可以分为非路网约束和路网约束条件下的预测,非路网约束条件下的预测存在一定局限性,无法有效利用路网信息进行更加准确的预测。海洋上没有人为建造的道路边界,但船舶也是按一定的航道航行,可以从众多船舶的轨迹中提取出航道并构成航道网络,为此本文对基于海洋航道网络约束条件下的船舶轨迹预测展开研究。本文的主要工作如下:首先,分析了原始船舶轨迹数据的特点及存在的问题,提出了一种基于海洋时空大数据的预处理方法。该方法基于Map Reduce并行计算框架,对原始数据进行采样、去噪、分段、插值,提高了数据的质量。其次,提出了一种基于Delaunay三角剖分的海洋航道网络构建方法。该方法可以提取海洋航道网络,再通过邻接矩阵表示出网络结构中路径节点之间的邻接关系。实验选用渤海区域的航道多... 

【文章来源】：北方工业大学北京市

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

基于海洋大数据的航道约束条件下的船舶轨迹预测结构图

第二章相关技术与研究工作·9图2-1Hadoop生态系统2.2.2分布式文件系统分布式文件系统（HDFS）[2]将原有的文件分割成多个默认大小为64M的数据块，将每个数据块存储到不同结点的机器上，每个数据块都有副本（一般为3个），保证了高吞吐率，提高系统的容错性。HDFS由一个名称节点（Namenode）和多个数据结点（Datanode）组成。Namenode保存了整个文件系统的元数据，包括文件和数据块的命名空间，从文件到数据块的映射，从数据块到文件的映射，以及每个数据块的副本的位置。所有元数据都保存在master结点的内存中，Datanode存储实际的数据。HDFS支持三种类型的文件操作，包括写、读和删除。当客户端需要存储数据时，客户端首先向Namenode发送一个写请求，然后Namenode将生成一个blockid并用三个Datanode来存储数据，最后客户端将这些数据以数据流的形式发送到这些Datanode，如果数据成功写入，则通过Namenode保存元数据。读取数据时，客户端首先向Namenode发送一个读请求，Namenode会通过以下方式来告诉客户端从哪里读取数据：首先在目录中查找对应的文件，根据块映射查找属于该文件的块，然后根据偏移量和长度从整个文件块中找到需要的块，然后找到存储这些数据块的Datanode，然后根据客户端与每个块之间的距离将这些Datanode排序，最后将排序后的Datanode发送给客户端，客户端一般从距离最近的Datanode读取每个块数据。删除文件时，客户端向Namenode发送一个删除请求，Namenode查找属于该文件的块并删除有关的元数据，真正的数据将被

第二章相关技术与研究工作·11图2-2MapReduce框架2.3时空数据分析挖掘时空数据是同时具有时间和空间维度的数据，具有多源、海量、更新快速的特点。随着经济贸易的快速发展，交通问题愈发严重，而与此同时，随着物联网、定位技术、AIS等技术的发展和应用，产生了大量有价值的交通数据。对这些数据进行分析和挖掘，不仅可以有效缓解交通拥堵问题，还可以为交通规划和管理提供服务[4]。2.3.1时空数据预处理本节介绍在时空轨迹数据分析挖掘之前预处理所需的四个基本技术，包括噪声过滤、停留点检测、轨迹压缩和轨迹分割。由于传感器噪声和其他因素，空间轨迹并不是完全准确的。对于轨迹噪声的过滤，现有的方法主要分为三类：（1）均值（或中值）滤波器，均值(或中值)滤波器可以认为是一个滑动窗口，它覆盖了n个时间上相邻的值，用窗口内所有轨迹点的均值（或中值）代替窗口中心的坐标。均值（或中值）滤波器适用于处理单个噪声点，在处理极端误差时，中值滤波比均值滤波具有更强的鲁棒性。然而，在处理多个连续的噪声点时，需要更大尺寸的滑动窗口，这将导致增大计算结果与真实轨迹点之间的误差，当轨迹的采样率很低时，均值和中值过滤器不再

【参考文献】：
期刊论文
[1]一种聚类隐马尔可夫模型的时空轨迹预测算法[J]. 孙红,陈锁.  小型微型计算机系统. 2019(03)
[2]基于轨迹相似度的移动目标轨迹预测算法[J]. 谢彬,张琨,张云纯,蔡颖,蒋彤彤.  计算机工程. 2018(09)
[3]基于前缀投影技术的大规模轨迹预测模型[J]. 乔少杰,韩楠,李天瑞,李荣华,李斌勇,王晓腾,Louis Alberto GUTIERREZ.  软件学报. 2017(11)
[4]运用约束Delaunay三角网从众源轨迹线提取道路边界[J]. 杨伟,艾廷华.  测绘学报. 2017(02)
[5]基于众源轨迹数据的道路中心线提取[J]. 杨伟,艾廷华.  地理与地理信息科学. 2016(03)
[6]大数据及其在城市智能交通系统中的应用综述[J]. 陆化普,孙智源,屈闻聪.  交通运输系统工程与信息. 2015(05)
[7]一种基于高斯混合模型的轨迹预测算法[J]. 乔少杰,金琨,韩楠,唐常杰,格桑多吉,Louis Alberto GUTIERREZ.  软件学报. 2015(05)



本文编号：3217454