基于联邦学习的船舶AIS轨迹预测算法

联邦学习是一种可以在弱通信环境下有效解决数据孤岛问题的分布式机器学习方法。针对海上船舶轨迹实时预测问题,提出基于Fedves联邦学习框架与卷积神经网络-门控循环单元(CNN-GRU)模型的船舶轨迹预测算法(E-FVTP)。根据Fedves联邦学习框架,通过规范客户端数据集规模以及客户端正则项,在保持原有客户端数据特征的前提下,减小数据非独立同分布特征对全局模型的影响,加快收敛速度。面向海洋通信资源短缺场景,建立基于船舶自动识别系统(AIS)数据的CNN-GRU船舶轨迹预测模型,解决了船舶终端设备计算能力不足的问题。在MarineCadastre开源和舟山海洋船舶航行AIS数据集上的实验结果表明,E-FVTP在预测误差比集中式训练降低40%的情况下,收敛速度提升67%、通信代价降低76.32%,可实现复杂海洋环境中船舶轨迹的精确预测,保障海上交通安全。

基于LOF-FCM算法的船舶航行数据识别

针对传统船舶自动识别系统数据在清洗异常数据和提取停留数据时分别采用不同的识别方式、类型判断阈值需要人为设定、识别效率不佳的局限性,首次提出了一种船舶航行轨迹中停留及异常数据的一体化检测方法。通过分析航行路线的3种数据(停留、异常和航行)异常因子特征,提出基于LOF-FCM的船舶航行数据、停留数据和异常数据一体化检测算法。实验对3类数据进行了识别,模型识别准确率达到了92.69%,有效提高了异常、停留、航行数据的识别能力。结果表明所提方法可一次性实现AIS数据中3种数据的检测,能高效分离出正常船舶航行数据,具有良好的工程应用价值。

船舶AIS轨迹快速自适应谱聚类算法

为了对船舶AIS轨迹数据进行快速聚类,本文提出了一种基于Hausdorff距离的船舶轨迹快速自适应谱聚类算法(fast self-tune spectral clustering,FSSC)。在保留轨迹特征的情况下,利用Douglas-Peucker(DP)算法对船舶轨迹数据进行预处理;基于Hausdorff距离,设计自动选取尺度参数的相似度度量函数,构造相似度矩阵并采用谱聚类算法对船舶轨迹进行聚类。以长江口水域船舶实际AIS数据为样本对算法进行了验证,结果表明:聚类结果能够准确提取水域船舶主要航路,算法消耗系统资源少,计算速度快。该方法对水域船舶主要航路识别,提高海事监管效率等方面具有参考意义。

AIS输出数据包的解包技术研究

论述了AIS用户接口的技术要求、接口输出的信息种类、接口的通信协议、输出数据包的采集及解包的软硬件实现方法. 实验表明, 用此方法采集和解包得到的AIS数据准确可靠, 可广泛应用于自动避碰系统、电子海图显示系统、航标遥控遥测系统等, 研究AIS数据包的解包技术, 是基于AIS信息进行开发应用的基础.

基于AIS信息的船舶进出港航速控制模型

为提升近港航道效率及船舶安全,从船舶自动识别系统(Automatic Identification System,AIS)集合的大量的海上交通特征信息中获取能够反映船舶进出港规律的、有效的、潜在的信息,建立船舶进出港航速控制模型.根据海上交通工程理论和数据挖掘技术,将实时采集的港口水域的AIS信息存放在数据库中,再通过ETL(Extract Transform Load)进行处理.该数据库具备统计分析船舶进出港各阶段航速分布的功能.以厦门嵩屿港集装箱码头为例,构建相应的数据库,对12万吨级集装箱船舶进出港的航速进行统计,获得此类船舶在进出港过程中的航速分布规律,并根据航速的概率分布特点给出建议航速,为船舶自动进出港、引航员引导船舶及港口主管部门更好地监管通航环境提供理论依据.

基于船舶AIS信息的可疑船只监测研究

中国海洋资源丰富,邻国船只时常非法航入中国领海或经济专属区。为了有效地保护和开发海洋资源,利用船舶自动识别系统(AIS)提供的船位、船速及航向等动态信息与船名、呼号、吃水及危险货物等静态信息,对某邻国船只于2012年4月在其专属经济区以及中国海域航行特征和船只特征进行分析。

基于Winsock的AIS基站网络数据传输研究

将AIS应用到近海及内陆航道船舶监控与管理中,需要实现AIS基站与监控中心之间的数据远程传输。基于Internet进行AIS数据传输研究,应用Winsock网络通信接口进行开发,实现了多个AIS基站与一个或多个监控中心的点对点通信,并对数据传输的安全性问题进行了初步的探讨。通过在实际运行环境中的测试表明,基于Winsock的数据传输技术可以满足AIS基站网络对于数据传输的要求,并具有较强的适应性和可扩展性。

船舶AIS大数据资源管理及分析应用架构设计

为充分探索船舶自动识别系统大数据在统计决策和安全监管方面的应用价值,系统性地提出了船舶AIS大数据资源管理与分析应用架构。首先,根据船舶AIS大数据特点,设计了船舶AIS大数据处理流程和存储策略,为后续高效计算提供支撑;然后,提出并实现了基于船舶AIS大数据的船舶轨迹重建算法、断面船舶流量统计算法、船舶进出港区识别算法、船舶航行状态分析算法四种基础算法;最后,基于上述计算方法,将船舶AIS大数据应用于断面流量统计、船舶规范使用船载AIS设备行为监控以及船舶规范执行进出港报告情况监控等场景,结果表明船舶AIS数据在统计决策和安全监管方面具有一定的应用价值。

基于ElasticSearch的海量AIS数据存储方法

船舶自动识别系统(AIS)数据具有海量性、时空性和小记录频繁更新等特性。面向海量AIS数据,提出了一种基于分布式集群的AIS数据存储方法。该方法对AIS数据存储索引结构进行了设计,通过对时间维按月切分,以及对空间范围聚类切分,构造了索引时空立方体,从而提升了时空查询效率。讨论了索引分片和副本设计与数据安全性和系统服务可靠性的关系,分析了时空立方体性能,并针对索引分片与副本数对索引性能的影响,进行了理论分析和试验验证。

船载AIS设备信号异常原因分析及对策

近期,水上无线电管理秩序专项整治行动正在全国范围内开展,如何鉴别船舶自动识别系统(AIS)设备相关问题成了摆在海事现场执法人员面前的一道难题。文中通过典型案例介绍AIS工作原理和法规要求,逐一分析船载AIS设备信号异常的原因,为基层海事执法人员快速甄别AIS信号异常并打击船员恶意关闭AIS设备或修改其静态信息等违法行为提供建议。

区间化AIS数据驱动的抵泊过程多维控制模型

为提高船舶靠泊安全,对接智能靠泊,实现船舶抵泊过程中的姿态控制,运用切比雪夫拟合法、95%置信度区间法、最小二乘法及上述组合方法的2次拟合等优化策略,拟合区间化船舶自动识别系统(AIS)数据中速度、航向、艏向和船位等靠泊控制参数,构建区间化AIS数据驱动的多维抵泊姿态控制模型,并采用某轮靠泊南京龙潭港一年的AIS数据测试模型可靠性。研究结果表明:模型拟合方法优于现有拟合方法,且输出结果符合相关规则规定,所提出的模型满足抵泊过程船舶姿态安全控制要求。

基于AIS数据的船舶轨迹修复方法研究

针对当前海上AIS数据量持续增加并且存在较多异常点,导致基于AIS数据的船舶轨迹构建困难,提出一种基于单船自身AIS数据进行轨迹异常点识别与修复方法。此方法充分利用AIS数据中的经纬度、速度、加速度以及航向等参数,进行轨迹异常点判定与修复,与基于单一位置数据的异常点判定与修复方法相比,能有效减少异常点的漏判,提高AIS数据的可靠性;与基于航迹聚类的异常点判定方法相比,不需要历史航迹数据支撑,拓展了使用范围。而采用三次样条方法对轨迹间的断点进行插值处理,进一步提升了轨迹数据的连续性和完整性。实际海域船舶AIS数据处理与分析结果验证表明,所提出方法具有较高可行性和有效性。

基于低信噪比AIS数据的船舶航迹精准预测

针对船舶自动识别系统(AIS)数据存在较大的实时系统噪声和测量噪声,且易丢包和产生错误的问题,提出了滑动卡尔曼循环网络。该方法采用加窗处理的方式,通过在各窗口中建立状态方程,并使用实时计算的噪声对其进行更新,将非线性高斯系统转化为线性高斯系统。将该高信噪比状态参数输入相应时刻的循环单元中,训练网络参数,从而拟合其非线性关系,实时预测船舶的航迹进行。试验对“大连—烟台”航段的AIS数据进行分析,并将所得结果与传统方法相对比,证明该方法具有较高的精度和较快的速度,可实时对船舶航行轨迹进行精准预测。

基于改进Seq2Seq的短时AIS轨迹序列预测模型

采用深度学习进行船舶轨迹序列预测对于智能航运具有重要意义。船舶自动识别系统(Automatic Identification System,AIS)蕴藏着大量船舶轨迹特征,基于AIS数据预测船舶轨迹是近年智能航运研究的热点之一。文中提出了一种基于改进Seq2Seq的短时AIS轨迹序列预测模型,该模型使用门控循环单元网络将历史时空序列编码为一个上下文向量,用以保留轨迹空间点间的时序关系,同时缓解梯度下降的问题。通过使用门控循环单元网络作为解码器来预测船舶轨迹的时空序列。实验采用了大规模真实船舶AIS数据,选取两类典型河段(重庆弯曲河段和武汉顺直河段)为实验区域,以评估和验证模型的有效性和适用性。实验证明,该模型能够有效提高短时轨迹序列预测的准确性和效率,为智能航船碰撞预警提供了一种有效可行的方法。

基于AIS数据的船舶排放估测模型与实船验证

为提升船舶能耗和排放估测的准确性和灵活性,提出面向船舶自动识别系统(automatic identification system,AIS)大数据的完全自下而上的船舶能耗和排放估测新方法。该方法视船舶为一种基于船舶航迹的线排放源,在构建船舶网格化轨迹模型的基础上,考虑每个网格航段的持续时间和发动机负载,实现船舶能耗和排放的精细化建模,统一船舶排放总量和空间分布计算。实船应用表明,该方法可提供更加准确的船舶能耗估计,并可灵活计算各种航行状态、船队规模和时空尺度的能耗和排放清单。

基于改进滑动窗口的渔船AIS轨迹数据压缩算法

为解决渔船自动识别系统(AIS)轨迹数据质量不高、渔船轨迹分析需要保留更多特征点的问题,提出了一种基于改进滑动窗口的渔船AIS轨迹数据压缩算法。结果表明:改进的算法利用相邻轨迹点间的经纬度变化趋势确定行驶特征点,在保留时序信息的同时压缩高密度的停滞点,并用采样法保留直行中间点,尽可能多地保留了轨迹特征点,实现了渔船轨迹的有效压缩;本研究中提出的基于改进滑动窗口的渔船AIS轨迹数据压缩算法与Douglas-Peucker算法相比,压缩率从99%降至94%以下,很好地保留了渔船轨迹特征点,同时也避免了Sliding Window轨迹压缩算法存在的轨迹形态失真问题,。研究表明,基于改进滑动窗口的渔船AIS轨迹数据压缩算法更适用于压缩渔船轨迹。

基于AIS大数据的南京长江大桥水域规律航迹研究

南京长江大桥水域通航环境复杂,安全风险高。掌握船舶航行规律,对桥区水运安全监管及航道优化具有重要意义。利用船舶自动识别系统(AIS)大数据,采用自动化并行航迹密度计算方法,识别出不同大小的船舶在不同水期的规律航迹分布,并结合多源数据分析其时空变化特征。通过研究发现大桥水域船舶航行总体符合航行规则;相比小型船舶,大型船舶航行更加规范,通过桥孔时位置更居中,和桥轴法向夹角更小,主航迹带与航道重叠度更高;洪季受水流作用影响,船舶航迹较枯季整体偏北,随水位降低呈逐步向南演变的趋势。

基于“21世纪海上丝绸之路”AIS数据的船舶交通流预测

为探究“21世纪海上丝绸之路”船舶交通流规律,基于2018年“21世纪海上丝绸之路”AIS(Automatic Identification System,船舶自动识别系统)数据,利用时间序列模型分别对货船、油轮和货船-油轮这3种情形下的船舶交通流进行了研究。结果显示,船舶交通流变化规律可以用ARIMA模型(Auto-regressive Intergrated Moving Average Model,即差分自回归移动平均模型),拟合并预测;货船、油轮和货船-油轮这3种情形有相同的最优选择模型ARIMA(1,1,2)。“21世纪海_上丝绸之路”船舶交通流可由前两个时间周期内的交通流数据拟合预测,并且ARIMA(1,1,2)模型对单一船型交通流的预测效果优于对混合船型交通流的预测。

基于AIS大数据分析的航道通航宽度计算方法

为了解决现有规范里缺乏大型航道通航宽度计算方法的现实问题,建立了一套基于AIS大数据的分析方法,并开发了相关软件,利用关系型数据库、CAD可视化技术、数学拟合算法等技术,有效解决了AIS数据量极大、有效数据筛选难、解析效率低、易出错等难点,达到快速分析海量AIS数据的目的,通过同航道等级及以上的船舶现场运行AIS数据,为航道通航宽度计算和优化提供重要支撑。选取C#.Net语言结合界面框架WPF与数据库SQLite联合开发相关成果,在连云港港30万吨级航道二期工程中进行了实践,对同类工程应用AIS大数据具有参考意义。

基于RSA的AIS数据传输加密系统仿真

随着海上交通智能化的迅猛发展,船舶自动识别系统(Automatic Identification System,AIS)在海上交通运输中起到了极其重要的作用,尤其是在保证海上交通运输安全方面。但是,AIS广播系统使用过程中是开放式的,缺少必要的数据保护方案。船舶只要装有AIS接收机并处于它船AIS信号覆盖范围内,就能够接收到其他船舶和岸台播发的AIS数据信息。因此,AIS数据信息在船舶之间传输的过程中极易遭到恶意的网络攻击和数据信息的破坏。通过采用基于大数因子分解的RSA数据加密算法来提高AIS数据信息在船舶之间传输的安全性,实现了RSA加密算法的系统仿真,使得AIS数据信息在船舶之间得到了安全、高效的传输。