检索结果-南通市图书馆

检索条件"主题词=AIS数据预处理"

共 2 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

船舶进出港行为分析及预测研究

船舶进出港行为分析及预测研究

引用

作者：钱韦华超大连海事大学

学位级别：硕士

近年来随着经济恢复各国更加重视海上交通的发展,港口作为海上交通枢纽节点承载的船舶交通复杂度增大、航行风险增加,船舶进出港航行的效率与安全是港口平稳运行、海上交通流畅运转的重要保障;同时随着海上交通通信设备的技术与覆盖应... 详细信息

近年来随着经济恢复各国更加重视海上交通的发展,港口作为海上交通枢纽节点承载的船舶交通复杂度增大、航行风险增加,船舶进出港航行的效率与安全是港口平稳运行、海上交通流畅运转的重要保障;同时随着海上交通通信设备的技术与覆盖应用的逐步完善,船舶ais数据已成为一种廉价但重要的数据资源,其提供的海量船舶动态轨迹信息为船舶航行过程的分析提供了可能,是实现ais数据增值的重要方法。因此为丰富海事数据利用手段、更好掌握港口水域船舶航行规律、提升海上态势感知能力与安全监管能力,本文以船舶进出港行为为研究对象,利用数据挖掘、机器学习等技术对进出港船舶行为进行分析,本文主要研究内容如下:(1)针对ais数据质量问题与船舶行为挖掘分析需求,设计了一种ais数据预处理流程与相关算法。ais数据作为海上交通分析研究中常用的数据源,其数据质量直接影响着挖掘分析结论的可靠性,因此本文总结了ais数据中常见的质量问题,并分别提出了相应的质量问题检测与清洗方法,同时考虑不同数据质量问题间的耦合影响设计了ais数据清洗的流程,通过数据清洗实验验证了方法的合理性。(2)为精细化分析船舶进出港行为时空特征,设计了一种基于空间网格的时空特征统计分析方法,并设计了轻量化的船舶进出港交通特征分析软件。通过对进出港航道划分空间网格,给出了航道空间网格内的船舶数量、吃水、船速等特征的统计分析方法,进一步的基于Py Qt5框架集成交通特征分析算法设计了轻量化的船舶进出港交通特征统计分析工具。(3)为有效挖掘进出港船舶行为模式,建立了一种进出港船舶典型航路提取算法。利用船舶进出港轨迹进出航道的OD(Origin-Destination)点空间特征与对地航向特征通过分层聚类识别不同类簇的进出港轨迹,利用空间栅格化方法以轨迹空间分布与轨迹空间密度分布量化的典型航路模式,通过实验验证了挖掘算法的有效性,为船舶轨迹预测提供数据基础。(4)为在船舶轨迹预测任务中应用航行模式信息,构建了一种基于多特征编码器Seq2Seq网络的船舶轨迹预测模型。通过多特征编码器将船舶运动状态数据、空间位置信息以及进出港船舶历史航行模式信息进行特征融合并利用解码器对船舶轨迹经纬度进行预测,利用青岛港进出港船舶轨迹数据进行了模型验证,证明了船舶航行空间信息与历史航行模式信息能提高船舶轨迹预测任务的准确性。

关键词： ais数据预处理时空特征分析典型航路轨迹预测

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于Stacking模型融合的船舶航行状态预测

基于Stacking模型融合的船舶航行状态预测

引用

作者：张颖广西民族大学

学位级别：硕士

随着国际贸易规模的扩大,海上交通运输量快速增长,在交通流较大及态势复杂的海域,易发生水上交通事故,造成人员伤亡和经济损失。基于船舶交通服务系统提供的ais数据,提高船舶航行过程中的安全决策水平,能有效对船舶航行进行实时的监控... 详细信息

随着国际贸易规模的扩大,海上交通运输量快速增长,在交通流较大及态势复杂的海域,易发生水上交通事故,造成人员伤亡和经济损失。基于船舶交通服务系统提供的ais数据,提高船舶航行过程中的安全决策水平,能有效对船舶航行进行实时的监控、评估,及时发现船舶异常行为,降低水上交通事故的风险。本文基于ais数据样本,利用数据挖掘和机器学习理论,研究适用于船舶航行状态预测的算法模型,构建基于Stacking模型融合的船舶航行状态预测模型。我们利用船舶航行历史数据来训练模型,预测船舶未来时刻的航行状态,并对实验结果进行了分析与研究。本文主要研究的工作如下:1.我们简要地介绍了基于ais数据的船舶航行安全评估问题的研究背景和研究现况,以及本文研究的主要内容。同时,我们系统讨论了ais数据结构和数据预处理的方法,以及Stacking融合算法和基分类器的原理。2.我们对ais数据进行了分析及预处理,为基于ais数据的船舶航行状态预测模型准备实验数据,并构建基于Stacking模型融合的船舶航行状态预测模型,介绍了双层模型中分类器的选择与实验过程,优化了模型参数。3.我们通过比较Stacking模型与基分类器的学习曲线,对比分析实验结果,并计算模型预测准确率,评估模型的预测效果。最后,基于本文搭建的模型,我们使用了新的ais数据进行了实验与结果分析。结果表明,利用机器学习的Stacking模型融合的船舶航行状态预测模型能取到很好的预测效果,模型预测准确率能达到97%以上。

关键词：船舶自动识别系统 ais数据预处理 Stacking模型融合航行状态预测

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：