本發明屬于航運交通智能管理領域,具體涉及一種多因素關聯的港口水域船舶流量預測方法。
背景技術:
1、港口作為航運網絡的關鍵節點,其船舶交通流量的有效管理和預測對于保障航運安全、提升港口運營效率、降低物流成本以及環境保護等方面具有顯著影響。然而,船舶交通流量的預測一直是一個復雜且充滿挑戰的任務,主要原因在于影響流量的因素眾多且相互關聯,包括但不限于船舶行為模式、天氣變化、潮汐周期、港口作業安排等。
2、傳統的船舶交通流量預測方法主要依賴于統計學模型和經驗規則,這些方法在處理簡單的線性關系時表現尚可,但在面對復雜的非線性問題和長期依賴性時,其預測準確性往往受到限制。此外,這些方法通常難以適應快速變化的環境條件和突發事件,導致預測結果的可靠性和實時性不足。
3、因此,亟需一種考慮多因素的船舶流量預測方法,從而提高預測的準確性和可靠性。
技術實現思路
1、本發明提出了一種多因素關聯的港口水域船舶流量預測方法,解決了現有預測方法沒有考慮多因素耦合條件下的船舶流量預測,無法滿足復雜場景下的預測需求。
2、為解決上述技術問題,本發明提供了一種多因素關聯的港口水域船舶流量預測方法,包括以下步驟:
3、步驟s1:獲取港口水域的歷史船舶航行軌跡,采用聚類算法將所述歷史船舶航行軌跡劃分為若干個群組,得到港口水域的船舶習慣航線;
4、步驟s2:根據港口水域的地理信息數據識別港口水域的功能區和非功能區,將所述船舶習慣航線與所述功能區和非功能區的邊界的交點設定為第一節點,將港口水域的港區和錨地設定為第二節點,將所述船舶習慣航線設定為邊,構建港口水域的船舶行為圖;
5、步驟s3:提取所述船舶行為圖中的節點和邊的流量特征,根據所述流量特征設定節點和邊的權重,構建港口水域的加權船舶行為圖;
6、步驟s4:選取所述加權船舶行為圖中的節點或邊作為預測目標,若選取節點作為目標節點則獲取所述目標節點的關聯節點,將所述目標節點與所述關聯節點的權重作為預測模型的輸入,得到預測目標的船舶流量預測值;
7、若選取邊作為目標邊則獲取所述目標邊的關聯邊,將所述目標邊與所述關聯邊的權重作為預測模型的輸入,得到預測目標的船舶流量預測值。
8、優選地,步驟s1中通過計算兩條所述歷史船舶航行軌跡之間的動態時間規整距離 dtw作為軌跡相似度,采用聚類算法對所述歷史船舶航行軌跡進行聚類,所述動態時間規整距離 dtw的表達式為:
9、;
10、;
11、式中,為歷史船舶航行軌跡和之間的動態時間規整距離;和為歷史船舶航行軌跡和在 i時刻和 j時刻的位置點;為和之間的歐氏距離;、分別為和的坐標;表示取歷史船舶航行軌跡和在 i-1時刻和 j-1時刻的位置點之間的動態時間規整距離的最小值。
12、優選地,步驟s2中所述功能區包括船舶交通服務vts報告線、港區、錨地、航道和岸線,所述非功能區為港口區域中除功能區外的區域,步驟s2中通過光欄法識別海岸線的形狀特征點,連接所述海岸線的形狀特征點得到岸線,包括以下步驟:
13、步驟s21:設海岸線上的點的集合為{pi},i∈{1,2,…,n},光欄的口徑為d;
14、步驟s22:連接p1和p2,過p2作一條垂直于線段p1p2的直線,在垂線上取兩個輔助點a1和a2,使線段a1p2=?a2p2=?d/2,以p1為頂點,p1與a1、p1與a2的連線為扇形的兩條邊,形成一個扇形區域;
15、步驟s23:判斷p3是否在所述扇形區域內,若在所述扇形區域內,則連接p1和p3,過p3作線段p1p3的垂線,設垂線與所述扇形區域的邊交于c1和c2,在垂線上找到兩個新的輔助點b1和b2,使線段p3b1=?p3b2=?d/2;
16、若b1落在所述扇形區域之外,則用c1取代b1作為輔助點,若b2落在所述扇形區域之外,則用c2取代b2作為輔助點,將p1與輔助點的連線作為新扇形的兩條邊;
17、步驟s24:重復步驟s23,直到有一個p點在最新獲得的扇形區域外為止;
18、步驟s25:循環上述步驟直到對海岸線上的所有點完成判斷,得到海岸線的形狀特征點。
19、優選地,步驟s3中所述構建港口水域的加權船舶行為圖包括以下步驟:
20、步驟s31:獲取設定時間段內港口水域的所有船舶的船舶自動識別系統ais數據,根據船舶的ais數據得到船舶的航行狀態,將船舶的ais數據與港口的地理信息數據進行匹配,得到船舶在港口水域的各個區域的航行狀態;
21、步驟s32:根據所述船舶在港口水域的各個區域的航行狀態以及各個區域的航行規則,定義船舶在港口水域的各個區域的行為;
22、步驟s33:根據船舶在各個區域的行為計算設定時間段內各節點的船舶駛入數量和駛出數量作為節點的權重,計算設定時間段內各邊的航行船舶數量和平均航行時間作為邊的權重。
23、優選地,步驟s31中所述將船舶的ais數據與港口的地理信息數據進行匹配包括以下步驟:通過船舶的ais數據得到船舶的軌跡點,獲取軌跡點 p的鄰近區域集合,所述鄰近區域包括多邊形區域和圓形區域,若所述軌跡點 p與所述多邊形區域的向量叉積大于0,則軌跡點 p屬于所述多邊形區域;若所述軌跡點 p與所述圓形區域的圓心的距離小于圓形區域的半徑,則軌跡點 p屬于所述圓形區域,重復上述步驟,得到所有軌跡點的所屬區域。
24、優選地,計算軌跡點與多邊形區域的向量叉積的表達式為:
25、;
26、;
27、式中,為軌跡點與多邊形區域的向量叉積;為軌跡點的坐標;為多邊形區域的頂點 i的坐標,所述多邊形區域包括多個頂點;為軌跡點與多邊形區域的頂點 i之間的向量叉積 。
28、優選地,步驟s4中所述關聯節點為與所述目標節點相鄰的節點,所述關聯邊為與所述目標邊相鄰的邊,得到關聯節點或關聯邊的集合,從所述集合中選取 m維數據作為預測模型的輸入。
29、優選地,所述預測模型的輸入的表達式為:
30、;
31、式中,為預測模型的輸入;為時刻預測目標的權重;、為時刻關聯節點或關聯邊、的權重;~為不同時刻。
32、優選地,步驟s4中根據港口水域的航行規則識別所述加權船舶行為圖中權重異常的節點和邊,通過改變所述預測模型的輸入中異常權重的比例,得到多組預測模型的輸入。
33、優選地,步驟s4中根據所述歷史船舶航行軌跡設定港口水域的習慣航法,根據所述習慣航法識別所述歷史船舶航行軌跡中的異常軌跡點,將所述異常軌跡點加入所述關聯節點的集合,對預測模型的輸入進行更新。
34、本發明的有益之處至少包括:
35、1、本發明通過將港口水域中的船舶行為軌跡與地理信息數據相結合,不僅識別出了船舶的習慣航線,還綜合考慮了港區、錨地等關鍵節點以及航線的流量特征,實現了對港口水域船舶行為的多維度關聯分析,這種細粒度的行為圖構建方法能夠深入挖掘船舶行為的內在聯系和規律性,為預測模型提供了豐富的數據支撐;
36、2、本發明利用加權船舶行為圖,通過關聯節點和關聯邊的流量特征,構建了多因素關聯的預測模型,顯著提高了船舶交通流量預測的準確性,這種基于多因素關聯的預測不僅反映了港口內部各區域間的相互影響,而且能夠適應復雜的港口環境。