[发明专利]一种基于曲线长度距离的船舶轨迹聚类方法

说明书

本发明公开了一种基于曲线长度距离的船舶轨迹聚类方法，涉及船舶航行轨迹分析技术领域，主要包括步骤：获取当前轨迹段中的末端轨迹点与其对应船舶轨迹的首端轨迹点之间曲线长度归一化后的加权长度；根据当前末端轨迹点的加权长度在对应船舶轨迹中的比例，通过线性插值法获取其它船舶轨迹中相同加权长度比例处的轨迹点作为配对轨迹点；根据当前末端轨迹点与相应配对轨迹点处的航行数据计算综合相似度度量；通过DBSCAN聚类方法获取聚类结果；船舶典型航道提取。本发明利用现有船舶AIS中的多维数据挖掘航道所蕴含的物理信息，以船舶轨迹的聚类形成轨迹簇以表征船舶行为特征，据此可以实现差异干扰小、复杂度低的轨迹聚类方法。

技术领域

本发明涉及船舶航行轨迹分析技术领域，具体涉及一种基于曲线长度距离的船舶轨迹聚类方法。

背景技术

随着经济的全球化和一体化，水路运输已成为国内外综合运输体系中最重要的方式之一。伴随着船舶行业的发展以及造船技术的提升，船舶呈现大型化、专业化、高速化的发展趋势，水域通航密度也随之大幅度增加，水路交通环境愈加复杂，对水域管理者的通航管理能力提出了更高的需求。

船舶自动识别系统(Automatic Identification System,AIS)作为新型的数字助航系统和设备，通过借助AIS数据中的多维度航行信息，不仅可以捕获船舶连续移动的坐标信息，还可以获取船舶在时空轨迹点上的航速、航向等动态信息。因此，AIS数据非常适合用于船舶轨迹的聚类研究。

对轨迹段聚类研究的主要目的，是将连续轨迹点组成的整个轨迹或轨迹段作为聚类对象，算法通过建立轨迹段之间的相似度度量模型，将整段轨迹划分为不同的簇，通过聚类算法最终获得较为完整的航道数据。对于轨迹聚类的研究已经取得一定的成就(如DBSCAN密度聚类)，但现有对于轨迹间相似度度量的技术，都未能充分利用先验知识。当前常用的轨迹相似度度量方法是Hausdorff和Frechet。然而在实际应用中，Hausdorff会选取所有距离的最大值，序列中的异常值可能会对聚类算法性能造成极大地影响，因此针对有序序列，Hausdorff距离并不是一个合适的相似度度量方法。另一方面，Frechet虽然可以避免Hausdorff方法中的缺点，能够保持曲线上数据的序列顺序，但Frechet在计算时间上复杂度较高，极易出现算法栈内溢出或递归层数超限的问题，并不适用于长轨迹段的聚类分析。不仅如此，Frechet对于噪声非常敏感，数据中的异常值会对聚类结果造成很大影响。

发明内容

基于上述问题，为了减少异常值对船舶轨迹聚类研究的影响，同时降低计算复杂度，提高计算效率，本发明提出了一种基于曲线长度距离的船舶轨迹聚类方法，船舶轨迹由两两轨迹点之间组成的若干轨迹段组成，包括步骤：

S1：获取船舶轨迹集中的各轨迹段并归类为未归类轨迹段；

S2：获取当前轨迹段中的末端轨迹点与其对应船舶轨迹的首端轨迹点之间曲线长度归一化后的加权长度；

S3：根据当前末端轨迹点的加权长度在对应船舶轨迹中的比例，通过线性插值法获取其它船舶轨迹中相同加权长度比例处的轨迹点作为配对轨迹点；

S4：根据当前末端轨迹点与相应配对轨迹点处的目标函数计算曲线长度距离，并结合轨迹段的航行数据计算综合相似度度量；

S5：判断综合相似度度量是否大于预设度量阈值，若是，获取当前末端轨迹点对应轨迹段预设邻域范围内的轨迹段，并归类为聚类轨迹段；

S6：判断是否有新增聚类轨迹段，若是，根据新增的各聚类轨迹段返回并分别执行步骤S2，若否，根据当前的聚类轨迹段获取船舶轨迹聚类结果。

进一步地，所述S1步骤之前还包括步骤，

S0：筛选并剔除船舶轨迹中航向变化率或航速变化率小于预设变化率的轨迹点。