一种历史航迹网络构成识别规划方法及系统与流程

1.本发明涉及航运信息化技术领域，具体涉及一种历史航迹网络构成识别规划方法及系统。


背景技术：

2.航迹规划作为航运数据中台最重要的功能之一，是链接货物运输、港口运营等航运业各要素的纽带，在航运空间系统起着承上启下的作用。目前主流航运中台中，航迹规划主要表现为两种形式：港口间的规划以及任意经纬度航迹规划。相比于在全球海域内规划任意经纬度的航迹路线，港口间的规划相对简单：选择港口间优质航线并取中位数，再加上一定业务逻辑限制就可以挑选出相对合理的港口见航迹。然而，任意经纬度间的航迹规划也十分必要：船舶在行驶过程中可能遇到如天气变化、船舶异常等突发状况，因此在实时导航中，船舶需要在行驶过程中改变原定航迹；其次，航迹规划往往牵扯如特殊区域穿行等相关因素，在重要航迹的规划时，往往需要在预先规定的特定区域内改变路线。现存任意坐标点间的规划存在着运算时间长，需要搜索所选经纬度一定海里之内所有航迹，效率低，所选航迹易出现“毛刺”质量不高以及所选航迹为筛选后的原始航迹，无法确保所选航迹的质量和是否具有代表性等问题。


技术实现要素：

3.为解决现有的航迹规划存在的运算时间长、效率低以及所选航迹质量不高等问题，本发明提供一种历史航迹网络构成识别规划方法，对船舶ais历史数据通过相关算法进行数据清理、整合，进而运用聚类算法进行分析，再对分类后的区域进行航迹生成、航迹拼接以及整体航迹优化，能够提高运算效率并避免出现毛刺情况。本发明还涉及一种历史航迹网络构成识别规划系统。
4.本发明的技术方案如下：
5.一种历史航迹网络构成识别规划方法，其特征在于，包括以下步骤：
6.数据采集处理步骤，采集特定区域内航行的船舶ais历史数据并对相邻船艏向大于第一阈值以及ais缺失率大于第二阈值的航迹数据进行去除处理；
7.聚类处理步骤，采用birch算法对处理后的航迹数据聚类打标签，检测带有聚类标签的各航迹经过的簇并以各簇的中心点为网络节点生成海域内网络；
8.簇内航迹分割及路径搜索步骤，根据带有聚类标签的各航迹经过的簇的相邻关系分割航迹，然后在各簇的中心点生成的海域内网络上计算相邻网络节点之间的距离作为图的边权，采用dijkstra算法计算从网络节点的起始点到终点的最短路径，得到节点序列；
9.航迹匹配及二次聚类步骤，根据节点序列对除起始点和终点的航迹进行匹配/拼接，再对匹配/拼接生成的航迹采用quickbundles算法进行二次聚类；
10.航迹优化处理步骤，对二次聚类后的各航迹的首尾均添加真实位置的起始点和终点坐标，采用长短序列神经网络对航迹训练优化得到航迹规划。
11.优选地，所述聚类处理步骤中，将处理后的航迹数据聚类打标签，是利用标识航迹的字段直接生成标签，或按照相邻两条记录的出发时间和mmsi码进行归类并在mmsi码不同时作为不同类别打上标签；从经度、纬度两个维度做聚类，从而将航迹数据按照覆盖的区域做划分，birch算法为各簇标记中心点。
12.优选地，所述聚类处理步骤中，遍历带有聚类标签的轨迹数据，检测各航迹经过的簇并以各簇的中心点为网络节点，若相邻两个簇之间通过的航迹超过第三阈值，则在对应网络节点之间添加边，生成海域内网络，所述海域内网络为有向图。
13.优选地，所述簇内航迹分割及路径搜索步骤中，根据带有聚类标签的各航迹经过的簇的相邻关系分割航迹时，将一个簇内，从同一个邻簇中来到另外的同一个邻簇中去的航迹片段分为一类；采用dijkstra算法计算从网络节点的起始点到终点的最短路径时，若起始点或终点并非是簇中心点时，先计算起始点或终点所在的簇，坐标与哪个簇的中心点的欧氏距离最近则为哪个簇所属并将所属的簇的中心点临时指定为当前的起始点或终点。
14.优选地，所述航迹匹配及二次聚类步骤中，根据节点序列对除起始点和终点的航迹进行匹配/拼接，对中间经过的簇是在航迹片段库中匹配一条或一组航迹，并建立一个从航迹到沿途网络节点的索引；当网络节点匹配不到一条完整航迹时，将长为n的节点序列分成长为1和n-1的两个节点序列分别匹配，并按照拼接处距离最短原则进行组合，若仍未匹配成功再依次尝试2和n-2、3和n-3的逐层顺序，若均失败，则按拼接处两点距离小于第四阈值递归地组合每个簇内的航迹片段。
15.优选地，所述航迹优化处理步骤中，采用长短序列神经网络，对真实位置的起始点、真实位置的终点和二次聚类生成的航迹作为输入，通过训练超过第五阈值的次数对航迹进行优化补全，在二次聚类生成的航迹的基础上得到一条包括真实位置的起始点和终点的航迹规划。
16.一种历史航迹网络构成识别规划系统，其特征在于，包括依次连接的数据采集处理模块、聚类处理模块、簇内航迹分割及路径搜索模块、航迹匹配及二次聚类模块和航迹优化处理模块，
17.所述数据采集处理模块，采集特定区域内航行的船舶ais历史数据并对相邻船艏向大于第一阈值以及ais缺失率大于第二阈值的航迹数据进行去除处理；
18.所述聚类处理模块，采用birch算法对处理后的航迹数据聚类打标签，检测带有聚类标签的各航迹经过的簇并以各簇的中心点为网络节点生成海域内网络；
19.所述簇内航迹分割及路径搜索模块，根据带有聚类标签的各航迹经过的簇的相邻关系分割航迹，然后在各簇的中心点生成的海域内网络上计算相邻网络节点之间的距离作为图的边权，采用dijkstra算法计算从网络节点的起始点到终点的最短路径，得到节点序列；
20.所述航迹匹配及二次聚类模块，根据节点序列对除起始点和终点的航迹进行匹配/拼接，再对匹配/拼接生成的航迹采用quickbundles算法进行二次聚类；
21.所述航迹优化处理模块，对二次聚类后的各航迹的首尾均添加真实位置的起始点和终点坐标，采用长短序列神经网络对航迹训练优化得到航迹规划。
22.优选地，所述聚类处理模块中，将处理后的航迹数据聚类打标签，是利用标识航迹的字段直接生成标签，或按照相邻两条记录的出发时间和mmsi码进行归类并在mmsi码不同
时作为不同类别打上标签；从经度、纬度两个维度做聚类，从而将航迹数据按照覆盖的区域做划分，birch算法为各簇标记中心点；遍历带有聚类标签的轨迹数据，检测各航迹经过的簇并以各簇的中心点为网络节点，若相邻两个簇之间通过的航迹超过第三阈值，则在对应网络节点之间添加边，生成海域内网络，所述海域内网络为有向图。
23.优选地，所述簇内航迹分割及路径搜索模块根据带有聚类标签的各航迹经过的簇的相邻关系分割航迹时，将一个簇内，从同一个邻簇中来到另外的同一个邻簇中去的航迹片段分为一类；采用dijkstra算法计算从网络节点的起始点到终点的最短路径时，若起始点或终点并非是簇中心点时，先计算起始点或终点所在的簇，坐标与哪个簇的中心点的欧氏距离最近则为哪个簇所属并将所属的簇的中心点临时指定为当前的起始点或终点。
24.优选地，所述航迹优化处理模块采用长短序列神经网络，对真实位置的起始点、真实位置的终点和二次聚类生成的航迹作为输入，通过训练超过第五阈值的次数对航迹进行优化补全，在二次聚类生成的航迹的基础上得到一条包括真实位置的起始点和终点的航迹规划。
25.本发明的有益效果为：
26.本发明提供的一种历史航迹网络构成识别规划方法，采集特定区域内航行的船舶ais历史数据并对相邻船艏向大于第一阈值以及ais缺失率大于第二阈值的航迹数据进行去除处理，以保证不会出现往返、转圈的航迹，采用birch算法对处理后的航迹数据聚类打标签，检测带有聚类标签的各航迹经过的簇并以各簇的中心点为网络节点生成海域内网络；目标是把航迹数据按照覆盖的区域做一个划分，birch算法会给每个区域(簇)标记一个中心点，把它作为该区域内所有航迹片段的假想坐标，聚类后的数据总数不变(birch参数变化时，可能去除部分离群点)，每个ais历史数据记录带上聚类标签，依据聚类标签将航迹分割后分类保存，采用dijkstra算法计算从起始点到终点的最短路径，得到节点序列，然后根据节点序列对除起始点和终点的航迹进行匹配/拼接，起始点和终点的航迹是从簇的内部开始和结束，因此需要在次级生成或直接模拟补完，对中间经过的簇，可以在航迹片段库中匹配一条或一组合适的航迹，优先匹配完整的航迹，再对匹配/拼接生成的航迹采用quickbundles算法进行二次聚类，针对簇与簇之间存在大量航迹，通过二次聚类将多条航行进行分析聚类成一条，方便之后的航迹规划，再结合长短序列神经网络(lstm)对航迹进行优化。本发明主要是使用ais历史数据，改进了封闭海域内重要节点的定义规则，重新确定了海域内路网节点(way point)，并运用所产生的节点、区域划分等信息生成有效的航迹规划路线，运用birch聚类算法对每条航迹的经度、维度分类，将航迹数据按照覆盖区域做出划分，划分区域后根据区域中心点重新生成海域内网络，后可根据dijkstra等算法快速计算节点见最短路径。本发明根据ais历史数据，船舶动态数据，重新定义海域内网络节点(way point)并根据分类的簇构建航迹规划路网。改路网为多层次路网：在当前簇内从簇内经纬度至当前簇中心点(此为低级路网)，再生成簇与簇之间的航迹(此为高级路网)，以达到提高运算效率的目的。同时针对已完成的整条航迹通过lstm神经网络二次优化，使航迹不易出现毛刺等情况。该方案已在中国渤海湾等区域内验证。
27.本发明还涉及一种历史航迹网络构成识别规划系统，该系统与上述的历史航迹网络构成识别规划方法相对应，可理解为是一种实现上述历史航迹网络构成识别规划方法的系统，包括依次连接的数据采集处理模块、聚类处理模块、簇内航迹分割及路径搜索模块、
航迹匹配及二次聚类模块和航迹优化处理模块，各模块相互协同工作，通过相关算法进行数据清理、整合，进而运用聚类算法进行分析，再对分类后的区域进行航迹生成，航迹拼接和最后的整体航迹优化。该系统运用ais历史航迹数据，对航迹进行分类区分海域内覆盖区域。每块区域内存储多条通向其他临近区域的航迹，最后将航迹拼接再使用深度学习神经网络进行优化。已达到海域内任意经纬度航迹规划的效果。
附图说明
28.图1是本发明历史航迹网络构成识别规划方法的流程图。
29.图2是本发明渤海湾内聚类打标签和网络生成示意图。
30.图3是本发明从大连至天津航迹规划示意图。
具体实施方式
31.下面结合附图对本发明进行说明。
32.本发明涉及一种历史航迹网络构成识别规划方法，该方法的流程图如图1所示，包括如下步骤：
33.1、数据采集处理步骤，进行数据的采集和预处理，即ais数据提取/清理，采集特定区域内航行的船舶ais历史数据并对相邻船艏向大于第一阈值以及ais缺失率大于第二阈值的航迹数据进行去除处理。
34.具体地，以渤海湾为例(大连至营口)，可采集在渤海湾区域内航行的船舶的轨迹数据，得到具备经纬度、mmsi、船艏向cog、发出时间postime、pre_postime字段的ais历史数据(时间跨度可1月～半年)，单货种品类(否则数据量过大)。如有能标识航迹的字段最好加上，如dynamics表中的leg_start_postime+leg_end_positme。sql结果需以mmsi、postime字段递增排序。ais历史数据中去掉ais丢失率大于0.1(第二阈值)和航迹内相邻船艏向cog变化大于45(第一阈值)的航迹(以保证不会出现往返、转圈的航迹)。上述第一阈值和第二阈值仅为优选值，并非唯一限定，也可采用其它值，比如去除相邻cog》60和ais缺失率大于0.1的航迹。
35.2、聚类处理步骤，包括使用birch算法对航迹数据聚类和生成海域内网络，是采用birch算法对处理后的航迹数据聚类打标签，检测带有聚类标签的各航迹经过的簇并以各簇的中心点为网络节点生成海域内网络。
36.2.1、使用birch算法对航迹数据聚类
37.给预处理后的全部ais历史数据按所属航迹打上traj标签。两种逻辑：利用能标识航迹的字段直接生成、或者按相邻两条记录的postime＝pre_postime&&mmsi＝mmsi进行归类。用清洗后数据的经度、纬度两个维度做一个聚类(参数可以使用默认值)，目标是把航迹数据按照覆盖的区域做一个划分，birch算法会给每个区域(簇)标记一个中心点。中心点是区域内所有数据点的算术平均，把它作为该区域内所有航迹片段的假想坐标。聚类后的数据总数不变(birch参数变化时，可能去除部分离群点)，每个ais记录带上聚类标签。即为每条航迹打上标签，以经度lon、纬度lat属性做聚类，划分渤海湾内区域并记录标注中心点。如图2所示的渤海湾内聚类打标签(聚类分割)和网络生成示意图，图中的标签为簇序号。
38.2.2、生成海域内网络
39.遍历带有聚类标签的轨迹数据，检测每条轨迹经过的簇。以每个簇的中心点为网络节点，若相邻两个簇之间通过的航迹超过第三阈值，比如通过了超过十条航迹，则在对应网络节点之间添加边，生成海域内网络，如图2所示。所述海域内网络为有向图。生成的网络后续可以用dijkstra等算法快速计算网络节点间最短路径。
40.3、簇内航迹分割及路径搜索步骤，包括簇内航迹分割和路径搜索，是根据带有聚类标签的各航迹经过的簇的相邻关系分割航迹，然后在各簇的中心点生成的海域内网络上计算相邻网络节点之间的距离作为图的边权，采用dijkstra算法计算从网络节点的起始点到终点的最短路径，得到节点序列。
41.3.1、簇内航迹分割
42.依据聚类标签将航迹分割后分类保存。分类规则：将一个簇内，从同一个邻簇中来到另外的同一个邻簇中去的航迹片段分为一类，标签为“xx-xx-xx”。举例：分类为“20-24-13”标签下的航迹片段为：依次经过20、24、13三个簇的航迹在24簇区域内的所有轨迹片段。
43.3.2、路径搜索
44.在簇中心点构成的网络上，计算相邻网络节点之间的地理距离(haversine距离)作为图的边权，然后用dijkstra算法计算从起始点到终点的最短路径，得到一个节点序列。绝大多数情形下，起始点和终点并不恰好是簇中心点。此时首先计算起始点和终点所在的簇(计算方法：坐标与哪个中心点的欧式距离最近，即为哪个簇所属，此性质由birch算法保证)，将该簇的中心点临时指定为当前的起始点或终点，然后用dijkstra算法计算从起始点到终点的最短路径，得到一个节点序列。此处大连至天津序列为：17-12-20-24-13。
45.4、航迹匹配及二次聚类步骤，包括航迹匹配/拼接和航迹二次聚类，是根据节点序列对除起始点和终点的航迹进行匹配/拼接，再对匹配/拼接生成的航迹采用quickbundles算法进行二次聚类。
46.4.1、航迹匹配/拼接
47.依据得到的最短路径的节点序列，对除起始点和终点所在簇以外的簇进行航迹匹配和拼接。该实施例根据序列对除了起始点和终点(所在的簇)的航迹进行匹配(匹配12-20-24)。起始点和终点的航迹是从簇的内部开始或结束，因此需要在次级生成或直接模拟补完。对中间经过的簇，可以在航迹片段库中匹配一条或一组合适的航迹，优先匹配完整的航迹。为此要建立一个从航迹到沿途网络节点的索引，以便根据任一簇序列匹配依次经过这些簇的航迹。当网络节点序列匹配不到一条完整航迹的时候，依照如下逻辑匹配多条不同航迹片段：将长为n的序列分成长为1和n-1的两个序列分别匹配，并按照拼接处距离最短原则进行组合；若仍未匹配成功，再依次尝试2和n-2、3和n-3
……
若均失败，则按拼接处两点距离小于30公里为优选的第四阈值，递归地组合每个簇内的航迹片段。
48.4.2、二次聚类
49.对生成的航迹(匹配/拼接生成的航迹)使用dipy中的quickbundles算法进行二次聚类(参数threshhold为15)。此步骤的目的是针对簇与簇之间存在大量航迹，通过二次聚类将多条航行进行分析聚类成一条，方便之后的航迹规划。以12-20-24这一序列为例，分别提取12-20和20-24中的航迹并按照quickbundles的方法进行聚类，根据航迹分布情况可得到一条或多条具有代表意义的航迹。
50.5、航迹优化处理步骤，对二次聚类后的各航迹的首尾均添加真实位置的起始点和
终点坐标，采用长短序列神经网络(lstm)对航迹训练优化得到航迹规划。
51.该步骤是对(4.2)得到的聚类中心航迹，首尾添加真实位置的起起始点和真实位置的终点坐标，分别用lstm进行重绘。针对图2得到的12-20-24为序列的航迹，分别使用起始点坐标链接簇17中的航迹片段真实位置的起始点，终点坐标链接簇13中航迹真实位置的终点，使用lstm网络(隐藏层为128个神经元)，将真实位置的起始点、真实位置的终点和(4.2)中二次聚类生成的聚类航迹为输入，通过训练3000次(第五阈值)对航迹进行最终优化补全，在二次聚类生成的航迹的基础上得到一条包括真实位置的起始点和终点的航迹规划，如图3所示的从大连至天津航迹规划示意图。此处，起始点和终点的位置为真实地理位置，而非簇的中心点。此处假设了基于lstm方法所规划的起始点至第一个簇(如上例的17-12)和终点与倒数第二个簇(如上例的24-13)航迹可信。此假设是基于birch分类足够多，可以避免单点链接其他簇的边界出现穿越陆地的情况。
52.本发明还涉及一种历史航迹网络构成识别规划系统，该系统与上述的历史航迹网络构成识别规划方法相对应，可理解为是一种实现上述历史航迹网络构成识别规划方法的系统，包括依次连接的数据采集处理模块、聚类处理模块、簇内航迹分割及路径搜索模块、航迹匹配及二次聚类模块和航迹优化处理模块，各模块相互协同工作，通过相关算法进行数据清理、整合，进而运用聚类算法进行分析，再对分类后的区域进行航迹生成，航迹拼接和最后的整体航迹优化。
53.所述数据采集处理模块，采集特定区域内航行的船舶ais历史数据并对相邻船艏向大于第一阈值以及ais缺失率大于第二阈值的航迹数据进行去除处理；所述聚类处理模块，采用birch算法对处理后的航迹数据聚类打标签，检测带有聚类标签的各航迹经过的簇并以各簇的中心点为网络节点生成海域内网络；所述簇内航迹分割及路径搜索模块，根据带有聚类标签的各航迹经过的簇的相邻关系分割航迹，然后在各簇的中心点生成的海域内网络上计算相邻网络节点之间的距离作为图的边权，采用dijkstra算法计算网络节点的从起始点到终点的最短路径，得到节点序列；所述航迹匹配及二次聚类模块，根据节点序列对除起始点和终点的航迹进行匹配/拼接，再对匹配/拼接生成的航迹采用quickbundles算法进行二次聚类；所述航迹优化处理模块，对二次聚类后的各航迹的首尾均添加真实位置的起始点和终点坐标，采用长短序列神经网络对航迹训练优化得到航迹规划。
54.进一步地，所述聚类处理模块中，将处理后的航迹数据聚类打标签，是利用标识航迹的字段直接生成标签，或按照相邻两条记录的出发时间和mmsi码进行归类并在mmsi码不同时作为不同类别打上标签；从经度、纬度两个维度做聚类，从而将航迹数据按照覆盖的区域做划分，birch算法为各簇标记中心点；遍历带有聚类标签的轨迹数据，检测各航迹经过的簇并以各簇的中心点为网络节点，若相邻两个簇之间通过的航迹超过第三阈值，则在对应网络节点之间添加边，生成海域内网络，所述海域内网络为有向图。
55.进一步地，所述簇内航迹分割及路径搜索模块根据带有聚类标签的各航迹经过的簇的相邻关系分割航迹时，将一个簇内，从同一个邻簇中来到另外的同一个邻簇中去的航迹片段分为一类；采用dijkstra算法计算从网络节点的起始点到终点的最短路径时，若起始点或终点并非是簇中心点时，先计算起始点或终点所在的簇，坐标与哪个簇的中心点的欧氏距离最近则为哪个簇所属并将所属的簇的中心点临时指定为当前的起始点或终点。
56.进一步地，所述航迹优化处理模块采用长短序列神经网络，对真实位置的起始点、
真实位置的终点和二次聚类生成的航迹作为输入，通过训练超过第五阈值的次数对航迹进行优化补全，在二次聚类生成的航迹的基础上得到一条包括真实位置的起始点和终点的航迹规划。
57.本发明提供的历史航迹网络构成识别规划方法及系统，主要是利用ais历史数据，改进了封闭海域内重要节点的定义规则，重新确定了海域内路网节点(way point)，并运用所产生的网络节点、区域划分等信息生成有效的航迹规划路线，运用birch聚类算法对每条航迹的经度、维度分类，将航迹数据按照覆盖区域做出划分，划分区域后根据区域中心点重新生成海域内网络，后可根据dijkstra等算法快速计算节点见最短路径。本发明根据ais历史数据，船舶动态数据，重新定义海域内网络节点(way point)并根据分类的簇构建航迹规划路网。改路网为多层次路网：在当前簇内从簇内经纬度至当前簇中心点(此为低级路网)，再生成簇与簇之间的航迹(此为高级路网)。以达到提高运算效率的目的。同时针对已完成的整条航迹通过lstm神经网络二次优化，使航迹不易出现毛刺等情况，已达到海域内任意经纬度航迹规划的效果。
58.应当指出，以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造，但不以任何方式限制本发明创造。因此，尽管本说明书参照附图和实施例对本发明创造已进行了详细的说明，但是，本领域技术人员应当理解，仍然可以对本发明创造进行修改或者等同替换，总之，一切不脱离本发明创造的精神和范围的技术方案及其改进，其均应涵盖在本发明创造专利的保护范围当中。

技术特征：
1.一种历史航迹网络构成识别规划方法，其特征在于，包括以下步骤：数据采集处理步骤，采集特定区域内航行的船舶ais历史数据并对相邻船艏向大于第一阈值以及ais缺失率大于第二阈值的航迹数据进行去除处理；聚类处理步骤，采用birch算法对处理后的航迹数据聚类打标签，检测带有聚类标签的各航迹经过的簇并以各簇的中心点为网络节点生成海域内网络；簇内航迹分割及路径搜索步骤，根据带有聚类标签的各航迹经过的簇的相邻关系分割航迹，然后在各簇的中心点生成的海域内网络上计算相邻网络节点之间的距离作为图的边权，采用dijkstra算法计算从网络节点的起始点到终点的最短路径，得到节点序列；航迹匹配及二次聚类步骤，根据节点序列对除起始点和终点的航迹进行匹配/拼接，再对匹配/拼接生成的航迹采用quickbundles算法进行二次聚类；航迹优化处理步骤，对二次聚类后的各航迹的首尾均添加真实位置的起始点和终点坐标，采用长短序列神经网络对航迹训练优化得到航迹规划。2.根据权利要求1所述的历史航迹网络构成识别规划方法，其特征在于，所述聚类处理步骤中，将处理后的航迹数据聚类打标签，是利用标识航迹的字段直接生成标签，或按照相邻两条记录的出发时间和mmsi码进行归类并在mmsi码不同时作为不同类别打上标签；从经度、纬度两个维度做聚类，从而将航迹数据按照覆盖的区域做划分，birch算法为各簇标记中心点。3.根据权利要求2所述的历史航迹网络构成识别规划方法，其特征在于，所述聚类处理步骤中，遍历带有聚类标签的轨迹数据，检测各航迹经过的簇并以各簇的中心点为网络节点，若相邻两个簇之间通过的航迹超过第三阈值，则在对应网络节点之间添加边，生成海域内网络，所述海域内网络为有向图。4.根据权利要求1至3之一所述的历史航迹网络构成识别规划方法，其特征在于，所述簇内航迹分割及路径搜索步骤中，根据带有聚类标签的各航迹经过的簇的相邻关系分割航迹时，将一个簇内，从同一个邻簇中来到另外的同一个邻簇中去的航迹片段分为一类；采用dijkstra算法计算从网络节点的起始点到终点的最短路径时，若起始点或终点并非是簇中心点时，先计算起始点或终点所在的簇，坐标与哪个簇的中心点的欧氏距离最近则为哪个簇所属并将所属的簇的中心点临时指定为当前的起始点或终点。5.根据权利要求1至3之一所述的历史航迹网络构成识别规划方法，其特征在于，所述航迹匹配及二次聚类步骤中，根据节点序列对除起始点和终点的航迹进行匹配/拼接，对中间经过的簇是在航迹片段库中匹配一条或一组航迹，并建立一个从航迹到沿途网络节点的索引；当网络节点匹配不到一条完整航迹时，将长为n的节点序列分成长为1和n-1的两个节点序列分别匹配，并按照拼接处距离最短原则进行组合，若仍未匹配成功再依次尝试2和n-2、3和n-3的逐层顺序，若均失败，则按拼接处两点距离小于第四阈值递归地组合每个簇内的航迹片段。6.根据权利要求1至3之一所述的历史航迹网络构成识别规划方法，其特征在于，所述航迹优化处理步骤中，采用长短序列神经网络，对真实位置的起始点、真实位置的终点和二次聚类生成的航迹作为输入，通过训练超过第五阈值的次数对航迹进行优化补全，在二次聚类生成的航迹的基础上得到一条包括真实位置的起始点和终点的航迹规划。7.一种历史航迹网络构成识别规划系统，其特征在于，包括依次连接的数据采集处理
模块、聚类处理模块、簇内航迹分割及路径搜索模块、航迹匹配及二次聚类模块和航迹优化处理模块，所述数据采集处理模块，采集特定区域内航行的船舶ais历史数据并对相邻船艏向大于第一阈值以及ais缺失率大于第二阈值的航迹数据进行去除处理；所述聚类处理模块，采用birch算法对处理后的航迹数据聚类打标签，检测带有聚类标签的各航迹经过的簇并以各簇的中心点为网络节点生成海域内网络；所述簇内航迹分割及路径搜索模块，根据带有聚类标签的各航迹经过的簇的相邻关系分割航迹，然后在各簇的中心点生成的海域内网络上计算相邻网络节点之间的距离作为图的边权，采用dijkstra算法计算从网络节点的起始点到终点的最短路径，得到节点序列；所述航迹匹配及二次聚类模块，根据节点序列对除起始点和终点的航迹进行匹配/拼接，再对匹配/拼接生成的航迹采用quickbundles算法进行二次聚类；所述航迹优化处理模块，对二次聚类后的各航迹的首尾均添加真实位置的起始点和终点坐标，采用长短序列神经网络对航迹训练优化得到航迹规划。8.根据权利要求7所述的历史航迹网络构成识别规划系统，其特征在于，所述聚类处理模块中，将处理后的航迹数据聚类打标签，是利用标识航迹的字段直接生成标签，或按照相邻两条记录的出发时间和mmsi码进行归类并在mmsi码不同时作为不同类别打上标签；从经度、纬度两个维度做聚类，从而将航迹数据按照覆盖的区域做划分，birch算法为各簇标记中心点；遍历带有聚类标签的轨迹数据，检测各航迹经过的簇并以各簇的中心点为网络节点，若相邻两个簇之间通过的航迹超过第三阈值，则在对应网络节点之间添加边，生成海域内网络，所述海域内网络为有向图。9.根据权利要求7或8所述的历史航迹网络构成识别规划系统，其特征在于，所述簇内航迹分割及路径搜索模块根据带有聚类标签的各航迹经过的簇的相邻关系分割航迹时，将一个簇内，从同一个邻簇中来到另外的同一个邻簇中去的航迹片段分为一类；采用dijkstra算法计算从网络节点的起始点到终点的最短路径时，若起始点或终点并非是簇中心点时，先计算起始点或终点所在的簇，坐标与哪个簇的中心点的欧氏距离最近则为哪个簇所属并将所属的簇的中心点临时指定为当前的起始点或终点。10.根据权利要求7或8所述的历史航迹网络构成识别规划系统，其特征在于，所述航迹优化处理模块采用长短序列神经网络，对真实位置的起始点、真实位置的终点和二次聚类生成的航迹作为输入，通过训练超过第五阈值的次数对航迹进行优化补全，在二次聚类生成的航迹的基础上得到一条包括真实位置的起始点和终点的航迹规划。

技术总结
本发明提供了一种历史航迹网络构成识别规划方法及系统，该方法包括数据采集处理步骤、聚类处理步骤、簇内航迹分割及路径搜索步骤、航迹匹配及二次聚类步骤和航迹优化处理步骤，通过对船舶AIS历史数据通过相关算法进行数据清理、整合，进而运用聚类算法进行分析，再对分类后的区域进行航迹生成、航迹拼接以及整体航迹优化，能够提高运算效率并避免出现毛刺情况。情况。情况。


技术研发人员：蒋和 王绍函 任飞扬
受保护的技术使用者：上海船舶运输科学研究所有限公司
技术研发日：2023.05.08
技术公布日：2023/7/27