一种基于船舶轨迹大数据的港口识别方法与流程

本发明涉及港口识别技术领域，具体涉及一种基于船舶轨迹大数据的港口识别方法。

背景技术：

港口识别方法，传统的研究主要是基于卫星遥感影像(灰度遥感图像、高分辨率遥感图像、sar遥感图像)通过海陆分割、港口轮廓提取、特征提取等步骤进行识别的。然而，基于卫星遥感影像的港口识别方法无法识别出“偏僻”或“私人”的小港口，而这些反而是异常船舶目标识别应用中最重要的信息。

爆炸式增长的船舶位置数据推动了以空间轨迹数据驱动的港口识别方法。北约(nato)的海洋研究与实验中心(cmre)的giulianapallotta等提出了使用增量dbscan对静止船舶位置点进行聚类，但该方法仅依靠ais中航速信息提取航速低于1kn的船舶目标作为静止目标进行分析，无法准确提取静止船舶目标，更无法分离港口与港口外的锚泊地。希腊爱琴大学(universityoftheaegean)的dimitrioszissis等研究利用船舶ais数据，通过将kde算法适配mapreduce框架，实现对一个港口的营运外延区域的识别，研究结果已应用于上海港的分析中。但该方法需要已知港口的位置信息后进行分析。

当前利用船舶轨迹数据识别港口位置信息的研究很少，国内外并没有利用船舶轨迹数据进行港口识别的相关专利。

技术实现要素：

本发明的目的是基于海量的船舶轨迹数据识别水陆交通的枢纽港口，基于船舶行为活动识别出传统基于遥感影像无法识别的“潜在的”乃至“偷渡”的停泊码头信息，同时为了评估港口活动区域与港口吞吐量、分析船舶行为活动、识别异常船舶目标提供重要基础信息。

为了达到上述目的，本发明采用了如下技术方案：

一种基于船舶轨迹大数据的港口识别方法，包括如下步骤：

步骤一、对经过预处理后的船舶轨迹数据集vtraji根据不同船舶目标进行遍历，分别计算各位置点的航速与加速度，i＝1，2，…，n；

步骤二、根据船舶轨迹各位置点的加速度快速过滤跳点；

步骤三、利用船舶静止状态识别有限状态机，根据船舶当前航速识别船舶静止状态及其位置信息，生成静止点数据集spointj，j＝1，2，…，n；

步骤四、利用船舶静止漂移范围与静止停留时长判别提取靠泊船舶；

步骤五、利用dbscan对靠泊船舶进行自动密度聚类；

步骤六、再遍历spointj中的其他船舶，根据与其最近的靠泊船舶距离判别其是否位于该港口，j＝1，2，…，k；

步骤七、根据各港口簇内停泊船舶信息输出港口信息harborx，x＝1，2，…，m。

所述步骤三中船舶静止状态识别有限状态机具体为：船舶的四种基础运动状态分为航行状态、静止触发状态、静止状态和航行触发状态；

当船舶处于航行状态时，根据船舶位置变化与sog信息实时监测船舶的航行速度，当航速小于静止航速阈值sogstatic，触发状态转移至静止触发状态，否则船舶保持航行状态；

当船舶处于静止触发状态，则监测船舶航速小于静止航速阈值的时长，如果时长超过静止时长阈值tlenstatic，则触发状态转移至静止状态，此时从进入静止触发状态起，认为船舶已经停泊；否则回退回航行状态，并认为此为数据噪声导致的误判；

当船舶处于静止状态，则监测船舶的航行速度，当航速超过航行航速阈值sogsailing，触发状态转移至航行触发状态，否则保持船舶静止状态；

当船舶处于航行触发状态，则继续监测船舶航速，当监测到超过航行航速阈值的航速数据量超过航速次数阈值countsailing，则触发状态转移至航行状态，否则回退回静止状态。

静止航速阈值sogstatic取值为0.5kn，静止时长阈值tlenstatic取值为5分钟，航行航速阈值sogsailing取值为2kn，航速次数阈值countsailing取值为5。

所述步骤四中，提取靠泊船舶采用式(1)计算

其中，γstatic是静止船舶的漂移范围阈值，λ是静止船舶的停泊时长，lngmax表示经度最大值，lngmin表示经度最小值，latmax表示纬度最大值，latmin表示纬度最小值，timestampmax表示时间标签最大值，timestampmin表示时间标签最小值。

γstatic取值为50*n米，n取值2～3；λ利用历史数据统计分析选取最佳参数。

本发明的有益效果为：本发明从传统研究中相对忽视的船舶静止状态识别出发，提出了新型的港口靠泊船舶提取方法，巧妙地滤除了锚泊船舶，并通过大量历史船舶航行信息统计分析优化算法参数，最后利用经典的密度聚类方法实现了对港口位置及范围的自动识别提取。可以识别出传统基于遥感影像无法识别的“潜在的”乃至“偷渡”的停泊码头信息，作为现有港口识别技术的有益补充；进一步，为评估港口活动区域与港口吞吐量、分析船舶行为活动、识别异常船舶目标提供重要基础信息。

附图说明

图1为本发明的港口自动识别算法流程图；

图2为本发明的船舶静止状态识别有限状态机示意图；

图3为本发明的锚泊船舶“漂移”示意图；

图4为本发明的港口船舶提取流程图；

图5为本发明的典型锚泊船舶的“漂移”轨迹示意图；

图6为本发明的港口识别算法某海域试验结果图。

具体实施方式

参见图1，港口是船舶安全进出和停泊的运输枢纽，是水陆交通的集结点和枢纽，更是分析船舶行为活动的重点基础信息。传统港口的识别主要是基于卫星遥感图像进行识别，而当缺少先验港口分析基础信息时，港口的位置、范围可以通过分析识别船舶的活动状态及周边船舶形成的群体行为实现自动识别提取。通过船舶轨迹数据挖掘提取港口分布信息，还可以识别出“潜在的”乃至“偷渡”的停泊码头信息。港口自动识别方法分为船舶静止状态识别、港口停泊船舶提取、港口停泊船舶聚类三个步骤。

本发明实施例提供的基于船舶轨迹大数据的港口识别方法，包括如下步骤：

步骤一、对经过预处理后的船舶轨迹数据集vtraji根据不同船舶目标进行遍历，分别计算各位置点的航速与加速度，i＝1，2，…，n；

步骤二、根据船舶轨迹各位置点的加速度快速过滤跳点；

步骤三、利用船舶静止状态识别有限状态机，根据船舶当前航速识别船舶静止状态及其位置信息，生成静止点数据集spointj，j＝1，2，…，n；

步骤四、利用船舶静止漂移范围与静止停留时长判别提取靠泊船舶；

步骤五、利用dbscan对靠泊船舶进行自动密度聚类；

步骤六、再遍历spointj中的其他船舶，根据与其最近的靠泊船舶距离判别其是否位于该港口，j＝1，2，…，k；

步骤七、根据各港口簇内停泊船舶信息输出港口信息harborx，x＝1，2，…，m。

参见图2，当前针对船舶静止状态识别的研究还较少。在北约(nato)的海洋研究与实验中心(cmre)的giulianapallotta等提出的tread(trafficrouteextractionandanomalydetection)系统中，提出了“静止点”的概念，包括港口和近海平台。这类目标所“包含”的船舶，其航速会低于一个阈值。静止点的识别是通过对船舶的静止行为进行聚类“学习”识别的，他们的区域是逐步通过具有相似行为的船舶进行刻画的。

船舶的航速信息不是固定存在的，存在只有位置信息的数据，不能仅依靠船舶航速信息进行识别，需要结合船舶轨迹点：然而轨迹由于存在“跳点”、多源数据时统不一致等问题，导致航速估计存在航速不稳定的情况；同时，存在船舶处于“排队”进港的情况，船舶大部分时间以较低航速缓慢航行，时而根据需要进行制动，从而单纯利用航速阈值判别会导致错误识别。本专利在航行状态与静止状态之间引入了“静止触发状态”与“航行触发状态”的两个“迟滞状态”，构建有限状态机，如图2所示，来消除当前船舶静止识别方法存在的不足，提升了识别算法的鲁棒性。

基于有限状态机的船舶静止状态识别算法共涉及船舶的四种基础运动状态：航行状态、静止触发状态、静止状态和航行触发状态。当船舶处于航行状态时，根据船舶位置变化与sog信息实时监测船舶的航行速度，当航速小于静止航速阈值sogstatic(本发明取值0.5kn)，触发状态转移至静止触发状态，否则船舶保持航行状态。当船舶处于静止触发状态，则监测船舶航速小于静止航速阈值的时长，如果时长超过静止时长阈值tlenstatic(本发明取值5分钟)，则触发状态转移至静止状态，此时从进入静止触发状态起，认为船舶已经停泊；否则回退回航行状态，认为此为数据噪声导致的误判。当船舶处于静止状态，则监测船舶的航行速度，当航速超过航行航速阈值sogsailing(本发明取值2kn)，这触发状态转移至航行触发状态，否则保持船舶静止状态。当船舶处于航行触发状态，则继续监测船舶航速，当监测到超过航行航速阈值的航速数据量超过航速次数阈值countsailing(本发明取值5)，则触发状态转移至航行状态，否则回退回静止状态。

参见图3-图4，港口停泊船舶的提取是在识别静止船舶的基础上，利用静止船舶的“漂移”特性实现的自动识别提取。静止停泊的船舶具体可以分为靠泊与锚泊两类，靠泊是船舶通过缆绳系靠在码头，锚泊是船舶通过船锚停在港口附近锚地。靠泊由于有固定绳缆靠港，船舶位置基本固定不受海流、海风等的影响；锚泊虽然有船锚固定，然而会随海流、潮汐、海风等影响而“漂移”，且移动轨迹呈现“圆弧状往复”，如图3所示，典型的“漂移”轨迹如图4所示。

港口停泊船舶的提取算法如式(1)所示。γstatic是静止船舶的“漂移”范围阈值，由于卫星定位精度通常为50米以内，其取值通常为50*n米，n取值2～3。λ是静止船舶的停泊时长，可以利用历史数据统计分析选取最佳参数。

式中，lngmax表示经度最大值，lngmin表示经度最小值，latmax表示纬度最大值，latmin表示纬度最小值，timestampmax表示时间标签最大值，timestampmin表示时间标签最小值。

港口停泊船舶的提取算法分别通过船舶静止漂移范围与停泊时长两个参数的判别，从静止船舶中提取出港口靠泊的船舶，流程如图4所示。

参见图5-图6，港口停泊船舶聚类是基于dbscan算法实现。考虑到港口部分船舶(如游船)在靠港停泊装卸完成后又会启程下一目的地，而这些船舶并不在提取的靠泊船舶中。为了更完整的评估港口来往靠港船舶数量，需要将这些船舶一起考虑进来。采用基于近邻算法的方式，将距离靠泊船舶小于一定阈值的静止船舶一并计入靠港船舶数据集。然后，对所有靠港船舶位置点数据集利用dbscan算法实现船舶位置密度聚类，从而实现港口位置与范围的自动识别。

本发明从传统研究中相对忽视的船舶静止状态识别出发，提出了新型的港口靠泊船舶提取方法，巧妙地滤除了锚泊船舶，并通过大量历史船舶航行信息统计分析优化算法参数，最后利用经典的密度聚类方法实现了对港口位置及范围的自动识别提取。可以识别出传统基于遥感影像无法识别的“潜在的”乃至“偷渡”的停泊码头信息，作为现有港口识别技术的有益补充；进一步，为评估港口活动区域与港口吞吐量、分析船舶行为活动、识别异常船舶目标提供重要基础信息。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域的技术人员在本发明揭露的范围内，可轻易想到的变化或者替换，都应该涵盖在本发明的保护范围内。因此，本发明的保护范围应以所述权利要求的保护范围为准。