基于改进DBSCAN 算法的船舶轨迹聚类与可视化应用

2023-09-08邱文轩许志远翟泽宇曲胜张晓鹏许航

中国水运 2023年8期

邱文轩，许志远，翟泽宇，曲胜，张晓鹏，许航

（大连海洋大学，辽宁大连 116023）

航运业作为庞大的基础性产业，不断产生海量数据存储在船舶识别系统（Automatic Identification System,AIS）中，涵盖船舶时空信息[1]，为船舶轨迹预测提供丰富的数据源。

刘涛[2]等人提出运用DBSCAN 算法对船舶轨迹进行聚类，分析航域交通流的拥挤区域，通过交通流评判交通拥挤区域；潘家财[3]等利用船舶信息的空间分布来发掘通航环境状况，得出航速变化率空间分布；Pan[4]等人对DBSCAN 算法进行改进，提出基于密度的对不同线路进行分类，在宏观视图上没有进行可视呈现。Ide K[5]利用AIS 数据计算船舶的港口吞吐量和全球海洋运输网络的拓扑结构。综上，专家学者在轨迹聚类领域做了很多工作，本文根据天津港水域解压清洗处理后的AIS 数据，改进DBSCAN 算法细化聚类簇后进行时空信息可视化呈现。

1 数据预处理

1.1 属性选择

AIS 收集的数据有用信息需要通过数据清洗来获取数据字段合理范围[6]，如表1 所示。

表1 船舶轨迹数据字段合理范围

1.2 数据清洗

假设同一轨迹段上的点pi-1,pi,pi+1为相邻点，pi对应的航行特征值(位置、航向、航速)为xi，基于pi,pi+1的航行状态预测pi+1处对应的航行特征值为x’i+1，即x’i+1=xi+f（xi，xi-1）。如果，表明数据发生漂移需要剔除[7]。

式1 为数据漂移算子，（x，y）代表船舶位置特征，v 代表航速特征，c 代表航向特征，w1、w2、w3对应位置、航速向异常阀值[8]。

2 改进DBSCAN 算法

2.1 DBSCAN 算法

DBSCAN 算法原理如图1 所示。

图1 DBSCAN 算法原理

2.2 算法改进

改进DBSCAN 算法，通过查询核心节点以及未标记的点，从而减少查询次数。在p 包含的对象数不小于MinPts 时，建立新簇C1，然后将点加入N，检查N 中每个点q,避免重复查询从而提升算法聚类执行效率。输入：数据集D，邻域半径Eps，最小邻域点数MinPts；输出：基于密度的簇的集合。

1：标记所有对象未unvisited;

2：Do；

3：随机选择unvisited 对象p；

4：If p 包含的对象数不小于MinPts；

5：创建新簇C1，把p 添加到候选集N；

6：For N 中每个点q；

7：If 点q 与对象p 不重叠不存在核心节点；

8：用新簇C2 标记；

9：Else if 点q 与对象p 重叠且存在核心节点；

10：将对象q 邻域内unvisited 的点归入C1；

11：Else if 对象q 与其他标记的节点邻域重叠；

12：将其中点加入候选集N；

13：End for；

14：Else 标记为噪声。

3 船舶典型轨迹相似性度量

融合距离MD(The Merge Distance)[9]表示融合后两条轨迹之间的最短距离，原理如图2 所示。

图2 最短子轨迹

通过假定a 和b 两条轨迹是二维空间内的一系列序列（a1,...,an）,（b1,..,bm）构成，使用d（ai，bj）表示两点之间在二维平面上的欧式距离，通过序列和a 和b 的最短超轨迹s（a，b）是长度最短的轨迹，a 和b 是s（a，b）的子序列，其长度用L（a，b）表示。通过公式2 从轨迹a 和b 的长度L（a），L（b）获得融合距离MD（a，b）。