多特征点驱动的船舶轨迹聚类方法.pdfVIP

62 交通信息与安全 2023 年1 期 第41卷 总 242期 多特征点驱动的船舶轨迹聚类方法* 1 2 1,2 ▲ 1 牛雯钰 梁茂晗 刘 文 熊盛武 （1. 武汉理工大学计算机与人工智能学院 武汉 430063 ； 2. 武汉理工大学航运学院 武汉 430063 ） 摘 要：轨迹聚类在船舶行为分析与海事监管等领域发挥着重要作用。船舶轨迹存在长度与采样率不一致、 结构差异明显等特点，在大范围水域难以实现大量船舶轨迹的高精度与快速聚类。针对该问题，在利用船舶 自动识别系统获取海量船舶历史航行数据的基础上，提取与船舶航行行为、船舶交通密度相关的位置特征点， 进而提出了多特征点驱动的船舶轨迹聚类方法。针对船舶航行时在大多数情形下具有保向、保速的特点，采 用数据压缩的方法捕获船舶航行状态以及船舶航向发生显著变化的轨迹点，作为船舶轨迹结构特征点；针对 目标水域中某些特定区域常存在船舶交叉会遇的情形，利用概率密度估计法分析船舶交通流的空间分布特 点，并提取船舶会遇局面下的轨迹点，作为船舶交通流特征点；为剔除2 类特征点中的异常值，采用密度聚类算 法对特征点进行聚类，进一步提高特征点提取的可靠性，并将聚类结果中每类特征点的中心作为代表性特征 点；统计途经代表性特征点的船舶轨迹分布情况，将具有相似分布的船舶轨迹视为同一类。实验结果表明：相 比于常用的K-medoids 聚类、层次聚类、谱聚类和DBSCAN 等方法，提出的轨迹聚类方法在成山头水域、长江 口南槽水域及舟山水域等典型区域均可获得优异的聚类结果；在上述典型水域，平均轮廓系数分别提升约 53%，71%，63%和41%，戴维森堡丁指数分别降低约57%，67%，63%和45%；同时，此方法可平均降低约56%的 聚类时间，显著提升了船舶轨迹数据聚类分析的效率。 关键词：船舶轨迹聚类；特征点提取；船舶自动识别系统；数据压缩；概率密度估计 中图分类号：U675.79 文献标识码：A doi: 10. 3963/j.jssn. 1674-4861. 2023. 01. 007 A Method for Clustering Ship Trajectory through Extracting Multiple Feature Points NIU Wenyu1 LIANG Maohan2 LIU Wen1,2 ▲ XIONG Shengwu1 (1. School of Computer Science and Artificial Intelligence, Wuhan University of Technology, Wuhan 430063, China; 2. School of Navigation, Wuhan University of Technology, Wuhan 430063, China) Abstract: Trajectory clustering plays a significant role in the fields of ship behavior analysis and maritime regula- tion. Due to the inconsistent length and sampling rate of ship trajectories, as well as significant structural differenc- es, it is difficult to achieve a high accuracy and efficient clustering for large numbers of ship trajectories in wide wa- ter areas. To address these problems,