2. 四川城市职业学院信息技术学院,四川 成都 610101
2. School of information technology, Urban Vocational College of Sichuan, Chengdu 610101, China
在船舶航行过程中会实时产生海量航迹数据,这些航迹数据汇总至船舶管控中心,对其输出存储性能提出更高要求[1]。考虑船舶管控中心存储能力以及仅可存储短时间内的航迹数据等局限性[2],急需研究一种有效的航迹数据压缩与存储周期延长方法。航迹拟合作为一种有效的压缩方法[3],在这一领域中具有较好的应用性能。
张杰等[4]在航迹拟合问题中引入循环神经网络,通过网络训练降低误差实现航迹拟合目的。陈影等[5]在船舶航迹分析过程中以AIS数据为基础,采用灰狼算法优化支持向量机模型,完成船舶航迹分析。夏辉宇等[6]基于AIS大数据,通过智能并行航迹密度分析法分析船舶的航迹分布,以此为基础进行船舶航迹拟合。
考虑航迹数据采集过程中的误差与数据缺失问题,研究基于大数据分析的船舶航迹拟合方法,实现船舶航迹拟合与数据压缩。
1 船舶航迹拟合方法 1.1 船舶航迹数据采集船舶航迹数据采集过程以船舶自动识别系统为基础。用
利用式(1)能够得到经线上对应的该段微分弧长:
$ \stackrel{⌢}{W{W}^{\prime }}=d\times {t}_{m}\times \partial =M\times {\rm{d}}\varphi\times \partial ,$ | (1) |
式中,
以
$ {t_m} = \int\nolimits_{{\varphi _W}}^{\varphi B} {M \times {\rm{d}}\varphi \times \partial },$ | (2) |
在式(2)中代入
$ {t_m} = {q_c} - {q_c} \times y_1^1\left\{ \begin{gathered} \alpha \left( {{\varphi _B} - {\varphi _W}} \right) - \hfill \\ \frac{\beta }{2}\left( {\sin 2{\varphi _B} - \sin 2{\varphi _W}} \right) + \hfill \\ \frac{\gamma }{4}\left( {\sin 4{\varphi _B} - \sin 4{\varphi _W}} \right) - \hfill \\ \frac{\delta }{6}\left( {\sin 6{\varphi _B} - \sin 6{\varphi _W}} \right) \hfill \\ \end{gathered} \right\}。$ | (3) |
式中:
$ \alpha = 1 + \frac{3}{4}y_1^2 + \frac{{45}}{{64}}y_1^4 + \frac{{175}}{{256}}y_1^6 + \frac{{11025}}{{16384}}y_1^8 + \cdots ,$ | (4) |
$ \beta = \frac{3}{4}y_1^2 + \frac{{15}}{{16}}y_1^4 + \frac{{525}}{{512}}y_1^6 + \frac{{2205}}{{2048}}y_1^8 + \cdots ,$ | (5) |
$ \gamma = \frac{{15}}{{16}}y_1^4 + \frac{{105}}{{256}}y_1^6 + \frac{{2205}}{{4096}}y_1^8 + \cdots ,$ | (6) |
$ \delta = \frac{{35}}{{512}}y_1^6 + \frac{{315}}{{2048}}y_1^8 + \cdots,$ | (7) |
在
$ {\varphi _B} = {\varphi _W} \pm {1^ \circ },$ | (8) |
能够确定船舶由
利用
$ \Delta \varphi = \frac{{{S_Y}}}{{{D_Y}}},$ | (9) |
$ {\varphi _0} = {\varphi _A} + \Delta \varphi,$ | (10) |
基于上述理论能够确定船舶与
$ {S_n} = r\left( {{\varepsilon _C} - {\varepsilon _W}} \right) = N\cos {\varphi _W}\left( {{\varepsilon _C} - {\varepsilon _W}} \right),$ | (11) |
式中,
$ N = \frac{{{q_c}}}{{{{\left( {y_1^2{{\sin }^2}{\varphi _W}} \right)}^{\frac{1}{2}}}}} ,$ | (12) |
设定
$ \Delta \varepsilon = \frac{{{S_X}}}{{{D_X}}} 。$ | (13) |
以
$ {\varepsilon _0} = {\varepsilon _W} + \Delta \varepsilon 。$ | (14) |
通过上述过程所采集的船舶航迹数据在时空2个维度上均具有一定的误差,严重时还会产生显著的数据缺失问题,针对这些问题,采用大数据分析技术对上述过程所采集的船舶航迹数据进行预处理,针对预处理后的船舶航迹数据进行过拟合处理。
1.2 基于大数据分析的船舶航迹数据预处理由于多采集的船舶航迹数据发送频率有所差异等因素影响,所获取的船舶航迹数据数据时间间隔通常具有不一致性,所以可采用大数据分析技术中的三次样条插值法对其实施预处理。
以
$ A\left( {{x_i}} \right) = {h_i} ,$ | (15) |
则式(15)在不同小区间上均为小于或等于三次的多项式,设定:
$ {A_i}\left( x \right) = {a_i}{x^3} + {b_i}{x^2} + {c_i}x。$ | (16) |
式中:
如果三次样条方程符合曲线平滑的要求,也就是A(x)、
$ \left\{ \begin{gathered} A\left( {{x_i} - 0} \right) = A\left( {{x_i} + 0} \right) \hfill ,\\ A'\left( {{x_i} - 0} \right) = A'\left( {{x_i} + 0} \right) \hfill,\\ A''\left( {{x_i} - 0} \right) = A''\left( {{x_i} + 0} \right) \hfill 。\\ \end{gathered} \right. $ | (17) |
基于式(17),结合边界条件就能够确定全部三次样条方程系数,由此生成整体插值函数。在确定某一点插值的过程中,即可将式(17)所示的方程引入其所处的区间进行计算。
考虑船舶航行过程中的速度与方向有较大概率产生转变,经纬度值存在显著变化,利用初始船舶航迹数据实施航迹集合将导致拟合结果产生显著误差。所以在三次样条差值完成后选取大数据分析技术中的中值滤波法,确定此时刻邻域内的若干个船舶航迹数据确定当前时刻的信息。在对初始船舶航迹数据实施差值处理后,采用中值滤波算法对船舶航迹数据实施去噪处理。x(i)表示插值后船舶航迹数据内第i个点,则
。经由拟合降低船舶航迹的数据量,提升有效提升船舶航迹数据的存储周期。船舶航迹拟合的详细过程如下:
1)坐标转换。
2)曲线选择。考虑船舶在三维空间内航行,因此选择三维曲线拟合航迹更为合适。但实际拟合过程中,需设定大量参数与约束条件,因此导致最终的数据压缩效果并不理想考虑短时间窗内,船舶航行过程中高度波动并不显著,因此可采用二阶多项式曲线完成航迹拟合目的。
3)拟合计算。利用二阶多项式对船舶航迹段
为验证本文所研究的大数据分析的船舶航迹拟合方法的实际应用性能,以某型号远航船舶为研究对象,采用本文方法对研究对象航迹进行拟合处理。
2.1 航迹数据采集测试采用本文方法采集研究对象航迹数据,设定定位参考物标,实验对象在实际航行过程中,选择小量程、近距离参考物标,选取距离实验对象更远物标进行偏心显示。航迹数据采集所得结果如图2所示。分析图2可知,研究对象理论航迹误差为5 m范围内,但采用本文方法所采集的航迹数据误差上限超过10 m,同时本文方法所采集的航迹数据波动较为显著,这一结果符合实验对象航行过程中利用船舶自动识别系统探测物标数据产生随机误差的特征。
针对航迹数据采集过程中产生的随机误差,本文方法采用基于大数据分析的船舶航迹数据预处理算法对所采集数据实施预处理,所得结果如图3所示。由图可知,采用本文方法进行航迹数据预处理前,经纬度差值的主要特征表现为,在经纬度差值平缓的阶段,其以某数据为核心,表现出明显的正弦式变换特征;在部分阶段中,航迹数据的经纬度误差表现出一定程度的局部提升或下降。
采用本文方法对研究对象航迹实施拟合处理,同时为进一步说明本文方法的航迹拟合性能,以文献[5]中基于灰狼优化支持向量回归的方法和文献[6]中基于AIS大数据的方法为对比方法,分析图4结果可知,采用本文方法所得的航迹拟合结果与研究对象实际航迹一致度更高。
本文研究大数据分析的船舶航迹拟合方法,对所获取的航迹数据分析处理后,进行拟合。实验结果显示本文方法能够准确拟合航迹数据并可以更好地实现航迹数据压缩。
[1] |
鄢博冉, 高大为, 朱永生, 等. 基于低信噪比AIS数据的船舶航迹精准预测[J]. 船舶工程, 2021, 43(10): 111-117. |
[2] |
郭杰, 刘轶华, 马利华. 基于多模态快速非奇异终端滑模的船舶航迹跟踪自抗扰控制[J]. 中国航海, 2020, 43(2): 7-13. DOI:10.3969/j.issn.1000-4653.2020.02.002 |
[3] |
陈天元, 袁伟, 俞孟蕻. 基于显式模型预测控制的无人船航迹控制方法[J]. 船舶工程, 2020, 42(9): 122-127. |
[4] |
张杰, 王刚, 姚小强, 等. 双向RNN下的航迹拟合模型研究[J]. 计算机科学, 2019, 46(S2): 58-61+88. |
[5] |
陈影玉, 索永峰, 杨神化. 基于灰狼优化支持向量回归的船舶航迹预测[J]. 上海海事大学学报, 2021, 42(4): 20-25+46. |
[6] |
夏辉宇, 刘安林, 程佳. 基于AIS大数据的南京长江大桥水域规律航迹研究[J]. 水运工程, 2021(1): 189-195. |