一种水上船舶交通流复杂度计算方法、装置、设备和介质

1.本发明涉及水上交通安全技术领域，具体涉及一种水上船舶交通流复杂度计算方法、装置、电子设备和计算机可读存储介质。


背景技术：

2.水运承担了全球90％以上的货物贸易运输量，是交通运输系统中的重要组成部分，随着航运业的不断发展，船舶数量持续增长，水上船舶交通流也逐步高速化、大型化，其构成也更为复杂化，进而导致船舶交通管理的难度大幅提升。
3.目前，水上交通管理部门对船舶进行管理主要依靠ais、雷达等设备收集船舶的静态和动态信息，基于此进行监督和管理。但是不断增长的船舶数量使这些数据的数量极为庞大，且不能够直观地表明水上交通状况，使得交通管理人员不能够及时有效地识别管理水域中存在复杂情况的区域，同时也增加了管理人员的工作量，给水上交通管理工作带来了一定的困难和挑战。
4.因此，需要提出一种水上船舶交通流复杂度计算方法，用以解决由于水上交通流数据量增大，现有的交通系统复杂性度量数据无法直观地对水上船舶交通流复杂度进行描述和分析的技术问题，能够为海事安全监管提供参考，提高水域的安全性。


技术实现要素：

5.有鉴于此，有必要提供一种水上船舶交通流复杂度计算方法，用以解决现有的交通系统复杂性度量数据量太大，无法直观地对水上船舶交通流复杂度进行描述和分析的技术问题。
6.为了解决上述问题，本发明提供一种水上船舶交通流复杂度计算方法，包括：
7.获取目标水域的船舶ais数据；
8.利用改进的dbscan算法根据所述船舶ais数据确定所述目标水域中的船舶聚类簇；
9.对所述船舶聚类簇进行船舶状态特征聚类，得到所述船舶聚类簇的状态特征概率分布；
10.根据所述状态特征概率分布，确定所述目标水域的船舶交通流复杂度。
11.进一步的，利用改进的dbscan算法根据所述船舶ais数据确定所述目标水域中的船舶聚类簇，包括：
12.根据所述船舶ais数据得到所述目标水域中的船舶样本集；
13.遍历所述船舶样本集中任一船舶与其他船舶的相对位置；
14.根据所述相对位置得到所述目标水域的船舶领域；
15.根据所述船舶领域确定核心对象；
16.根据所述核心对象确定所述目标水域的船舶聚类簇。
17.进一步的，根据所述相对位置确定所述目标水域的船舶领域，包括：
18.对所述船舶样本集中任一船舶在不同时刻与其他船舶的相对位置进行叠加，得到叠加位置数据；
19.利用椭圆一般方程对所述叠加位置数据进行拟合，得到所述目标水域中每个船舶的船舶领域。
20.进一步的，根据所述船舶领域确定核心对象，包括：
21.以所述目标水域中任一船舶的船舶领域作为搜索范围，当存在其他船舶位于所述搜索范围内时，将所述船舶确定为核心对象。
22.进一步的，根据所述核心对象确定所述目标水域的船舶聚类簇，包括：
23.确定所述核心对象的船舶领域中的目标船舶；
24.将具有相同核心对象的目标船舶进行合并，得到簇内对象；
25.根据所述核心对象和簇内对象，确定所述目标水域的船舶聚类簇。
26.进一步的，所述船舶状态特征包括船舶航速和船首向；
27.对所述船舶聚类簇进行船舶状态特征聚类，得到所述船舶聚类簇的状态特征概率分布，包括：
28.确定所述船舶聚类簇的船舶航速船首向集合；
29.通过dbscan算法对所述船舶航速船首向集合进行聚类，得到每个所述聚类簇的航速航向聚类后的概率分布。
30.进一步的，根据所述状态特征概率分布，基于信息熵确定所述目标水域的船舶交通流复杂度，包括：
31.根据每个所述聚类簇的航速航向的概率分布，确定每个所述聚类簇的复杂度；
32.对所述目标水域中所有聚类簇的复杂度进行叠加，得到所述目标水域的交通流复杂度。
33.本发明还提供一种水上船舶交通流复杂度计算装置，包括：
34.数据获取模块，用于获取目标水域的船舶ais数据；
35.聚类模块，用于利用改进的dbscan算法根据所述船舶ais数据确定所述目标水域中的船舶聚类簇；
36.概率分布计算模块，用于对所述船舶聚类簇进行船舶状态特征聚类，得到所述船舶聚类簇的状态特征概率分布；
37.复杂度计算模块，用于根据所述状态特征概率分布，基于信息熵确定所述目标水域的船舶交通流复杂度。
38.本发明还提供一种电子设备，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现上述技术方案任一所述的一种水上船舶交通流复杂度计算方法。
39.本发明还提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现上述技术方案任一所述的水上船舶交通流复杂度计算方法。
40.与现有技术相比，本发明的有益效果包括：首先，获取目标水域的船舶ais数据，并利用改进的dbscan算法根据ais数据确定所述目标水域中的船舶聚类簇；其次，对船舶聚类簇进行船舶状态特征聚类，得到所述船舶聚类簇的状态特征概率分布；最后，根据所述状态
特征概率分布，基于信息熵确定所述目标水域的船舶交通流复杂度。本发明基于船舶领域模型创新性地得到了改进的dbscan算法，使算法与航海实践更为贴合；根据状态特征概率，通过信息熵来描述水上交通流状态的不确定性，拓展了水上交通工程领域水上船舶交通流复杂性度量的方法，对助推海事安全监管信息化具有重要的理论和现实意义。
附图说明
41.图1为本发明提供的水上船舶交通流复杂度计算方法一实施例的流程示意图；
42.图2为本发明提供的改进的dbscan算法一实施例的算法流程示意图；
43.图3为本发明提供的根据所述核心对象确定所述目标水域的船舶聚类簇一实施例的算法流程示意图；
44.图4为本发明提供的目标水域的船舶交通流复杂度一实施例的算法流程示意图；
45.图5为本发明提供的一种水上船舶交通流复杂度计算装置一实施例的结构示意图；
46.图6为本发明提供的一种电子设备一实施例的结构示意图。
具体实施方式
47.下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
48.在实施例描述之前，首先对本技术的相关术语进行说明。
49.ais数据：是指通过自动识别系统(ais，automatic identification system)在船和岸或船和船之间进行数据交互所得到的船位、航速、航向、船名、呼号等重要数据。这些数据能够为船上的指挥官员在改变路线和/或速度时提供帮助。
50.dbscan算法：density-based spatial clustering of applications with noise，具有噪声的基于密度的聚类算法。该算法包括有两个输入参数：邻域半径eps和密度阈值minpts。通过这两个参数可以区分出高密度点和低密度点，将某个数据点的邻域半径范围eps内的数据点数目超过了最小包含点数阈值minpts作为高密度点，将满足高密度的数据点聚类成一个簇，最终输出聚类结果。
51.现有技术中，水上交通管理部门对船舶进行管理主要依靠ais、雷达等设备收集船舶的静态和动态信息，基于此进行监督和管理。但是不断增长的船舶数量使这些数据的数量极为庞大，不能够直观地表明水上交通状况，无法及时有效地识别管理水域中存在复杂情况的区域，给水上交通管理工作带来了困难和挑战。
52.本发明在现有dbscan算法的基础上，结合船舶领域模型，构造出基于船舶领域改进的dbscan算法，并在改进dbscan算法的基础上，对ais数据进行聚类处理，统计不同聚类簇的分布概率，结合信息熵的思想，得到水上船舶交通流的复杂度的度量方法，能够直观地表明水上交通状况，有效识别水上船舶交通流的复杂度。
53.本发明实施例提供了一种水上船舶交通流复杂度计算方法，如图1所示，图1是所述水上船舶交通流复杂度计算方法的流程示意图，包括：
54.步骤s101：获取目标水域的船舶ais数据；
55.步骤s102：利用改进的dbscan算法根据所述船舶ais数据确定所述目标水域中的
船舶聚类簇；
56.步骤s103：对所述船舶聚类簇进行船舶状态特征聚类，得到所述船舶聚类簇的状态特征概率分布；
57.步骤s104：根据所述状态特征概率分布，基于信息熵确定所述目标水域的船舶交通流复杂度。
58.本实施例提供的水上船舶交通流复杂度计算方法，首先，获取目标水域的船舶ais数据，并利用改进的dbscan算法根据ais数据确定所述目标水域中的船舶聚类簇；其次，对船舶聚类簇进行船舶状态特征聚类，得到所述船舶聚类簇的状态特征概率分布；最后，根据所述状态特征概率分布，基于信息熵确定所述目标水域的船舶交通流复杂度。本实施例的方法基于船舶领域模型创新性地得到了改进的dbscan算法，使算法与航海实践更为贴合；根据状态特征概率，通过信息熵来描述水上交通流状态的不确定性，拓展了水上交通工程领域水上船舶交通流复杂性度量的方法，对助推海事安全监管信息化具有重要的理论和现实意义。
59.作为优选的实施例，在步骤s102中，利用改进的dbscan算法根据所述船舶ais数据确定所述目标水域中的船舶聚类簇，包括：
60.根据所述船舶ais数据得到所述目标水域中的船舶样本集；
61.遍历所述船舶样本集中任一船舶与其他船舶的相对位置；
62.根据所述相对位置得到所述目标水域的船舶领域；
63.根据所述船舶领域确定核心对象；
64.根据所述核心对象确定所述目标水域的船舶聚类簇。
65.作为优选的实施例，根据所述相对位置确定所述目标水域的船舶领域，包括：
66.对所述船舶样本集中任一船舶在不同时刻与其他船舶的相对位置进行叠加，得到叠加位置数据；
67.利用椭圆一般方程对所述叠加位置数据进行拟合，得到所述目标水域中每个船舶的船舶领域。
68.作为优选的实施例，根据所述船舶领域确定核心对象，包括：
69.以所述目标水域中任一船舶的船舶领域作为搜索范围，当存在其他船舶位于所述搜索范围内时，将所述船舶确定为核心对象。
70.作为优选的实施例，根据所述核心对象确定所述目标水域的船舶聚类簇，包括：
71.确定所述核心对象的船舶领域中的目标船舶；
72.将具有相同核心对象的目标船舶进行合并，得到簇内对象；
73.根据所述核心对象和簇内对象，确定所述目标水域的船舶聚类簇。
74.下面通过一个具体的实施例，通过公式和算法实现流程对上述利用改进的dbscan算法根据所述船舶ais数据确定所述目标水域中的船舶聚类簇的具体过程进行说明。如图2所示，图2展示了改进的dbscan算法的具体实现过程，具体包括：
75.步骤s201：建立目标水域船舶样本集d＝(s1,s2,...,sm)，其中s1,s2,...,sm为目标水域船舶。
76.步骤s202：根据ais数据确定船舶样本集中任一船舶与其他船舶的相对位置。具体的：
77.将待分析的船舶作为本船，计算本船与周围船舶之间的相对位置：
78.δx
ab
＝x
b-x
a (1)
79.δy
ab
＝y
b-y
a (2)
[0080][0081][0082]
q＝c
ab-hdg (5)
[0083][0084]
xc＝d
ab
sinθ
ab (7)
[0085]
yc＝d
ab
cosθ
ab (8)
[0086]
其中，δx
ab
是本船与目标船之间的船舶位置经度差；xa是本船船舶位置的经度坐标；ya是本船船舶位置的纬度坐标；xb是目标船船舶位置的经度坐标；yb目标船船舶位置的纬度坐标；δy
ab
是本船与目标船之间的船舶位置纬度差；d
ab
是本船与目标船之间的相对距离；c
ab
是目标船真方位；q为中间变量；hdg为本船船首向；θ
ab
是本船与目标船之间的相对方位角；xc为目标船舶相对于本船位置的横坐标；yc为目标船舶相对于本船位置的纵坐标。
[0087]
需要说明的是，由于ais数据获取的通常是船舶的经纬坐标，在确定船舶的相对位置之前，需要对经纬坐标进行转换。转换公式如下：
[0088][0089][0090]
x＝λr
0 (11)
[0091]
y＝qr
0 (12)
[0092]
其中，r0为标准纬度平行圆的半径；a为地球椭球体的长半轴；e为地球椭球的第一偏心率；是墨卡托投影中的标准纬度；q为中间变量；为船舶位置的纬度坐标；λ为船舶位置的经度坐标；x为在笛卡尔坐标下船舶位置的经度；y为在笛卡尔坐标下船舶位置的纬度。
[0093]
步骤s203：根据本船与目标船的相对位置建立船舶领域模型。
[0094]
对本船不同时刻的目标船舶相对位置进行叠加，使用椭圆一般方程进行拟合，得
到船舶领域模型：
[0095]
a+bx+cy+dxy+ex2+fy2＝0 (13)
[0096]
其中，a,b,c,d,e,f为椭圆参数。
[0097]
步骤s204：确定核心对象。
[0098]
将核心对象定义为：以本船的船舶领域作为搜索范围时，有他船位于搜索范围中的船舶。
[0099]
步骤s205：根据所述核心对象确定所述目标水域的船舶聚类簇。如图3所示，具体算法流程如下：
[0100]
步骤s2051：初始化核心对象集ω＝φ，初始化聚类簇数k＝0，簇划分c＝φ；
[0101]
步骤s2052：对于包含m个样本船舶d＝(s1,s2,...,sm)的目标水域，令j＝1,2,...,m，使用公式(14)得到船舶样本集d中sj以外的位于sj船舶领域中的所有船舶，得到sj的子样本集n(sj)。
[0102]
a+bx+cy+dxy+ex
j2
+fy
j2
《0
ꢀꢀꢀ
(14)
[0103]
其中，xj,yj分别为船舶sj的横坐标和纵坐标。
[0104]
步骤s2053：若子样本集满足n(sj)≠φ，则将样本sj加入核心对象集合ω＝ω∪{sj}，更新船舶样本集d＝ω。
[0105]
步骤s2054：若核心对象集ω＝φ，则算法结束，否则进入步骤s2055。
[0106]
步骤s2055：在核心对象集ω中，随机选取一个核心对象o，初始化当前核心对象序列ωc＝{o}，初始化聚类簇序号k＝k+1，初始化当前聚类簇ck＝{o}，对于当前核心对象序列ωc中的核心对象oi，根据步骤s2052得到oi的子样本集n(oi)。
[0107]
步骤s2056：更新当前核心对象序列ωc＝ωc∪n(oi)-o，更新当前聚类簇ck＝ck∪n(oi)。
[0108]
步骤s2057：若当前核心对象序列ωc＝φ，进入步骤s2058；否则返回步骤s2055。
[0109]
步骤s2058：当前聚类簇ck生成完毕，更新簇划分c＝{c1,c2,...,ck}，并更新核心对象序列ω＝ω-ck；
[0110]
步骤s2059：若核心对象序列ω＝φ，进入步骤s2060；否则返回步骤s2054。
[0111]
步骤s2060：对簇划分c＝{c1,c2,...,ck}中具有相同核心对象的聚类簇进行合并，得到c'＝{c1,c2,...,ck}。
[0112]
本实施例的方法基于船舶领域模型对传统dbscan算法进行了改进，减少了传统dbscan进行聚类时的两个超参数，ε邻域以及minpts对聚类结果的影响。通过将船舶领域与dbscan相结合，在无超参数的条件下，以船舶间是否存在相互影响因素为根据，实现船舶聚类，得到相互影响的船舶聚类簇。为水上交通流复杂度的分析提供了新的理论基础和解决思路。
[0113]
作为优选的实施例，所述船舶状态特征包括船舶航速和船首向；
[0114]
对所述船舶聚类簇进行船舶状态特征聚类，得到所述船舶聚类簇的状态特征概率分布，包括：
[0115]
确定所述船舶聚类簇的船舶航速船首向集合；
[0116]
通过dbscan算法对所述船舶航速船首向集合进行聚类，得到每个所述聚类簇的航速航向聚类后的概率分布。
[0117]
作为优选的实施例，根据所述状态特征概率分布，基于信息熵确定所述目标水域的船舶交通流复杂度，包括：
[0118]
根据每个所述聚类簇的航速航向的概率分布，确定每个所述聚类簇的复杂度；
[0119]
对所述目标水域中所有聚类簇的复杂度进行叠加，得到所述目标水域的交通流复杂度。
[0120]
作为一个具体的实施例，用公式和具体算法流程对目标水域的船舶交通流复杂度计算进行说明。如图4所示，图4展示了算法的流程图。
[0121]
步骤s401：对ais数据进行解析处理，对解析后的数据按其航速和航向数据进行z-score标准化，转化公式为：
[0122][0123]
其中，x为原始数据；为原始数据的均值；σ为原始数据的标准差。
[0124]
步骤s402：对每个聚类簇ck＝{s1,s2,...,sn}建立船舶航速船首向集合；hv＝{(h1,v1),(h2,v2),...,(hn,vn)}，其中hn,vn分别为sn的船首向和航速。对聚类簇划分c'＝{c1,c2,...,ck}的所有船舶航速航向集合hv＝{(h1,v1),(h2,v2),...,(hn,vn)}运用dbscan算法进行聚类，得到概率分布集合p＝{(p1,p2,...,pj)1,(p1,p2,...,pj)2,...,(p1,p2,...,pj)k}，其中(p1,p2,...,pj)为每个聚类簇的航速航向聚类后的概率分布。
[0125]
步骤s403：对每个聚类簇根据航速航向的概率分布计算复杂度，计算公式如下：
[0126][0127]
其中，hi为聚类簇ci的复杂度；pi为聚类簇ci对应的航速航向的概率分布。
[0128]
步骤s404：对目标水域聚类簇复杂度进行叠加，得到该目标水域复杂度，计算公式为：
[0129][0130]
其中，h为该目标水域的船舶交通流复杂度。
[0131]
上述复杂度确定方法在船舶聚类结果的基础上，以信息熵为依据，船舶航速和航向概率分布为数据，得到各个聚类簇的复杂度，进而通过叠加得到该水域的船舶交通流复杂度，可有效地为海事监管部门提供可量化的水域船舶交通流复杂性度量方法，有助于对交通流复杂度不同的水域提供相对应的交通服务。
[0132]
本发明实施例还提供一种水上船舶交通流复杂度计算装置，如图5所示，所述水上船舶交通流复杂度计算装置500包括：
[0133]
数据获取模块501，用于获取目标水域的船舶ais数据；
[0134]
聚类模块502，用于利用改进的dbscan算法根据所述船舶ais数据确定所述目标水域中的船舶聚类簇；
[0135]
概率分布计算模块503，用于对所述船舶聚类簇进行船舶状态特征聚类，得到所述船舶聚类簇的状态特征概率分布；
[0136]
复杂度计算模块504，用于根据所述状态特征概率分布，基于信息熵确定所述目标水域的船舶交通流复杂度。
[0137]
如图6所示，上述的一种水上船舶交通流复杂度计算方法，本发明还相应提供了一种电子设备600，该电子设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子设备包括处理器601、存储器602及显示器603。
[0138]
存储器602在一些实施例中可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器602在另一些实施例中也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，存储器602还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器602用于存储安装于计算机设备的应用软件及各类数据，例如安装计算机设备的程序代码等。存储器602还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器602上存储有一种水上船舶交通流复杂度计算方法程序604，该一种水上船舶交通流复杂度计算方法程序604可被处理器601所执行，从而实现本发明各实施例的一种水上船舶交通流复杂度计算方法。
[0139]
处理器601在一些实施例中可以是一中央处理器(central processing unit，cpu)，微处理器或其他数据处理芯片，用于运行存储器602中存储的程序代码或处理数据，例如执行一种水上船舶交通流复杂度计算方法程序等。
[0140]
显示器603在一些实施例中可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。显示器603用于显示在计算机设备的信息以及用于显示可视化的用户界面。计算机设备的部件601-603通过系统总线相互通信。
[0141]
本实施例还提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现上述技术方案任一所述的水上船舶交通流复杂度计算方法。
[0142]
根据本发明上述实施例提供的计算机可读存储介质和计算设备，可以参照根据本发明实现如上所述的一种水上船舶交通流复杂度计算方法具体描述的内容实现，并具有与如上所述的一种水上船舶交通流复杂度计算方法类似的有益效果，在此不再赘述。
[0143]
本发明公开的一种水上船舶交通流复杂度计算方法，首先，获取目标水域的船舶ais数据，并利用改进的dbscan算法根据ais数据确定所述目标水域中的船舶聚类簇；其次，对船舶聚类簇进行船舶状态特征聚类，得到所述船舶聚类簇的状态特征概率分布；最后，根据所述状态特征概率分布，基于信息熵确定所述目标水域的船舶交通流复杂度。
[0144]
本发明基于船舶领域模型创新性地得到了改进的dbscan算法，使算法与航海实践更为贴合；根据状态特征概率，通过信息熵来描述水上交通流状态的不确定性，拓展了水上交通工程领域水上船舶交通流复杂性度量的方法，对助推海事安全监管信息化具有重要的理论和现实意义。
[0145]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种水上船舶交通流复杂度计算方法，其特征在于，包括：获取目标水域的船舶ais数据；利用改进的dbscan算法根据所述船舶ais数据确定所述目标水域中的船舶聚类簇；对所述船舶聚类簇进行船舶状态特征聚类，得到所述船舶聚类簇的状态特征概率分布；根据所述状态特征概率分布，基于信息熵确定所述目标水域的船舶交通流复杂度。2.根据权利要求1所述的一种水上船舶交通流复杂度计算方法，其特征在于，利用改进的dbscan算法根据所述船舶ais数据确定所述目标水域中的船舶聚类簇，包括：根据所述船舶ais数据得到所述目标水域中的船舶样本集；遍历所述船舶样本集中任一船舶与其他船舶的相对位置；根据所述相对位置得到所述目标水域的船舶领域；根据所述船舶领域确定核心对象；根据所述核心对象确定所述目标水域的船舶聚类簇。3.根据权利要求2所述的一种水上船舶交通流复杂度计算方法，其特征在于，根据所述相对位置确定所述目标水域的船舶领域，包括：对所述船舶样本集中任一船舶在不同时刻与其他船舶的相对位置进行叠加，得到叠加位置数据；利用椭圆一般方程对所述叠加位置数据进行拟合，得到所述目标水域中每个船舶的船舶领域。4.根据权利要求2所述的一种水上船舶交通流复杂度计算方法，其特征在于，根据所述船舶领域确定核心对象，包括：以所述目标水域中任一船舶的船舶领域作为搜索范围，当存在其他船舶位于所述搜索范围内时，将所述船舶确定为核心对象。5.根据权利要求2所述的一种水上船舶交通流复杂度计算方法，其特征在于，根据所述核心对象确定所述目标水域的船舶聚类簇，包括：确定所述核心对象的船舶领域中的目标船舶；将具有相同核心对象的目标船舶进行合并，得到簇内对象；根据所述核心对象和簇内对象，确定所述目标水域的船舶聚类簇。6.根据权利要求1所述的一种水上船舶交通流复杂度计算方法，其特征在于，所述船舶状态特征包括船舶航速和船首向；对所述船舶聚类簇进行船舶状态特征聚类，得到所述船舶聚类簇的状态特征概率分布，包括：确定所述船舶聚类簇的船舶航速船首向集合；通过dbscan算法对所述船舶航速船首向集合进行聚类，得到每个所述聚类簇的航速航向聚类后的概率分布。7.根据权利要求6所述的一种水上船舶交通流复杂度计算方法，其特征在于，根据所述状态特征概率分布，基于信息熵确定所述目标水域的船舶交通流复杂度，包括：根据每个所述聚类簇的航速航向的概率分布，确定每个所述聚类簇的复杂度；对所述目标水域中所有聚类簇的复杂度进行叠加，得到所述目标水域的交通流复杂
度。8.一种水上船舶交通流复杂度计算装置，其特征在于，包括：数据获取模块，用于获取目标水域的船舶ais数据；聚类模块，用于利用改进的dbscan算法根据所述船舶ais数据确定所述目标水域中的船舶聚类簇；概率分布计算模块，用于对所述船舶聚类簇进行船舶状态特征聚类，得到所述船舶聚类簇的状态特征概率分布；复杂度计算模块，用于根据所述状态特征概率分布，基于信息熵确定所述目标水域的船舶交通流复杂度。9.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-7任一所述的一种水上船舶交通流复杂度计算方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-7任一所述的一种水上船舶交通流复杂度计算方法。

技术总结
本申请公开了一种水上船舶交通流复杂度计算方法、装置、设备和介质，该方法包括：获取目标水域的船舶AIS数据；利用改进的DBSCAN算法根据所述船舶AIS数据确定所述目标水域中的船舶聚类簇；对所述船舶聚类簇进行船舶状态特征聚类，得到所述船舶聚类簇的状态特征概率分布；根据所述状态特征概率分布，基于信息熵确定所述目标水域的船舶交通流复杂度。本发明基于船舶领域模型创新性地得到了改进的DBSCAN算法，使算法与航海实践更为贴合；根据状态特征概率，通过信息熵来描述水上交通流状态的不确定性，拓展了水上交通工程领域水上船舶交通流复杂性度量的方法，对助推海事安全监管信息化具有重要的理论和现实意义。化具有重要的理论和现实意义。化具有重要的理论和现实意义。


技术研发人员：刘钊 张博元 康子悦 张明阳 刘文
受保护的技术使用者：武汉理工大学青岛研究院
技术研发日：2022.12.05
技术公布日：2023/6/27