城市区域出租车需求量预测方法研究

这是一篇关于时空数据,出租车需求量预测,图神经网络,注意力机制,可视化的论文, 主要内容为出租车是现代城市交通系统中的一种重要的交通方式。在互联网发展下的信息化浪潮中,网约车也已成为了打车的主流方式。伴随着网约车的兴起,相应的问题也接踵而至,例如乘客长时间打不到车、司机长时间接不到单等,造成了资源浪费严重、用户体验极差等问题。如果可以对区域出租车需求量进行准确的预测,网约车平台就可以提前对出租车进行调度或者引导,从而大大地减少了资源的浪费,既可以为乘客提供便利,又可以为司机增加营收。城市区域出租车需求量预测目前已是智能交通领域的一个热点研究问题。从空间维度来看,城市中区域与区域之间的出租车需求量存在空间相关性,此外人和车辆动态地分布在城市区域中并在空间维度上持续发生着运动,也体现出了复杂的空间动态相关性。从时间维度来看,人类的行为活动本就呈现出强烈的时间相关性。如果同时考虑时间和空间维度,会存在随着时间的推移,人和车辆在城市不同区域之间转移的的时空相关性。因此,本文尝试基于城市出租车历史订单数据,探索利用深度神经网络学习时空依赖关系,对城市区域的出租车需求量进行预测。本文的工作主要包括以下几个方面:(1)对城市区域与区域之间的空间相关性建模方法进行研究,以纽约曼哈顿地区的出租车订单数据为基础,基于用户打车历史数据构建区域间相关性,在空间维度上构建城市区域之间的相连性、便通性和相似性,实现空间相关性建模。(2)提出城市区域出租车需求量预测模型,结合了上下文门控循环神经网络和多图卷积神经网络,利用注意力机制计算每个时间步观测值的权重,再使用共享参数的上下文门控循环神经网络捕获城市中的全局信息,最后使用多个图卷积对提出的区域空间相关性进行学习并融合,从而构建出了能充分挖掘时空信息的区域出租车需求量预测模型。(3)设计并实现了城市区域出租车需求量预测可视化系统,通过可视化系统对曼哈顿地区的兴趣点(POI)信息进行获取,并对出租车需求量和预测结果进行可视化展示。系统整体设计采用前后端分离架构,后端采用Spring Boot框架,前端采用VUE框架,并调用了百度地图以及图表的JS接口等,实现了整体城市地区以及各个区域的历史需求量和预测结果的可视化,可用于城市区域出租车需求的观察分析和预测应用。

基于G/S模式的时空数据渲染方法及其在山洪灾害中的应用研究

这是一篇关于G/S模式,时空数据,三维渲染,可视化,山洪灾的论文, 主要内容为山洪灾害是保持自然生态平衡自然现象的一种方式。然而山洪灾害是最频繁的自然灾害之一，对国民经济的发展造成严重影响，且危害着人们的生命和财产。随着信息技术、数字化技术的深入研究，数字高程、图像数据结合GIS和RS技术在山洪灾害仿真应用方面得到了极大地发展。如何根据描述各种地理特征的时间、空间和属性信息的相关时空数据和实时采集数据对山洪淹没现场进行可视化表现，对山洪演进的模拟和山洪灾害损失的评估已经成为山洪灾害的主要研究方向之一。对提高山洪灾害应急管理手段具有重要的作用。 目前国内外对时空数据可视化模型进行了大量的研究，而对山洪灾害演进发展的时空数据可视化的研究成果却相对较少。大多数GIS应用系统可视化描述的空间目标都是静态的。因此对时空数据过程和时空数据目标描述和分析的可视化方法进行研究；将各种地理现象、空间信息和属性信息跟随时间的变化趋势，通过直观、易于接受、理解的方式进行表现；能够更加全面的了解复杂的地理现象发展过程，并对其发展过程中存在的规律进行分析，模拟其变化趋势。对于山洪灾害应急管理具有十分重要的意义。 G/S(Geo Browser/Service Cloud)模式，是空间信息网络应用服务模式。以―请求—聚合—服务‖的客户端聚合服务机制为理念，利用面向空间信息服务云的海量异构数据管理办法，有效解决存储管理、服务响应、网络带宽、信息表达、操作控制、技术和分析等应急管理应用中的空间信息技术面临的瓶颈问题。S端为提供各类综合服务的空间信息服务云，拥有分布式计算资源和海量空间信息数据资源。G端依托空间信息服务云为基础后台，全面采用基于HGML规范体系的地学浏览器，逐步发展为贯彻客户端聚合服务的表现中端与用户接口。 本课题针对时空数据的特点，结合G/S模式与时空可视化技术进行综合分析后，研究基于G/S模式的时空数据渲染方法，通过对时空数据渲染方法在山洪灾害应急中的初步研究，对山洪灾害中的时空数据可视化系统进行了设计与原型实现，对山洪淹没的整个过程进行动态的模拟和表现。 主要研究内容如下： (1)结合对G/S模式的深入探讨，对时空数据可视化关键技术进行研究。 (2)基于G/S模式基础理论与技术，分别研究G端、S端的时空数据渲染方法与流程。 基于HGML标准，定义时空数据可视化标记语言DVML（Date VisualizationMarkup Language）功能及语法规则，DVML作为时空数据可视化中数据交换和表达管理的统一规范。设计了在G/S模式下基于DVML的时空数据渲染方法，明确时空数据渲染流程，分别在G端（地学浏览器）和S端（空间信息服务云）定义其数据渲染处理流程与模式。 (3)针对山洪灾害演进规律，设计山洪灾害中时空数据可视化原型系统。 对山洪灾害中的时空数据、山洪淹没模拟进行了分析，基于G/S模式，运用以DVML为核心的时空数据渲染方法，研究山洪灾害中时空数据可视化原型系统架构的搭建和系统功能的设计。 (4)对原型系统进行实验。 通过搭建了针对山洪灾害的时空数据可视化原型系统，实现了在某区域中能够快速地将淹没结果以可视化的方式演示出来，动态模拟山洪淹没过程，直观的显示不同时刻和水位该区域山洪淹没情况，这样才能提出快速、准确、直观和有效的预防方案，以此能够加强对重要河流、水库、水利工程等的实时监测预警与灾情动画模拟，为防洪救灾作出重要的决策。 本文创新点及成果如下： (1)提出了一种基于DVML的时空数据渲染方法。 DVML是基于HGML标准，针对时空数据的可视化表达，定义和设计的时空数据可视化标记语言DVML（Data VisualizationMarkup Language），作为对时空数据可视化过程中时空数据信息交换、展示、组织和管理的标准。基于DVML的时空数据渲染方法，以DVML可视化标记语言为核心，将时空数据的渲染分成两个层面，由G端（地学浏览器）和S端（空间信息服务云）分别进行数据渲染。并对该数据渲染方法通过其在山洪灾害领域中的应用进行了印证。 (2)搭建了一套针对山洪灾害应急的时空数据可视化原型系统。 山洪灾害中时空数据可视化原型系统实现了在某区域中能够快速地将淹没结果以可视化的方式演示出来，动态模拟山洪淹没过程，直观显示该区域在不同时刻的水位变换及该区域山洪淹没情况，这样才能提出快速、准确、直观和有效的预防方案，加强对重要河流、水库、水利工程等的实时监测预警。

渔船作业行为分类与可视化

这是一篇关于时空数据,渔船作业分类,LightGBM,可视化的论文, 主要内容为渔船作业在海上作业中占有重要地位,对渔船作业行为进行有效的分类识别,有利于今后海上交通调度与渔业安全生产。但是由于信息收集或上传过程中存在数据缺失等问题,同时具备时空数据的特性,造成了渔船作业行为识别不准确,可能会导致海上人身安全与财产损失,同时增加了海上交通危险发生的几率。本文是以分析大量的渔船北斗设备记录的时空数据作为研究数据,通过分析每条渔船的历史轨迹信息,对其作业行为进行分类,辅助渔业管理部门识别出渔船作业类型,通过可视化渔船作业,分析、预测和研判渔船作业行为,指导安全生产。本文的主要研究内容如下:(1)构建特征工程。由于采集到的原始数据特征较少,同时数据在收集或上传的过程中容易出现缺失数据、误差数据与数据冗余等问题,因此对原始数据变量进行分析后构建特征工程。主要分为两个部分:第一部分是基于经纬度、速度和方向的特征工程,其中主要采用统计方法获得新特征;第二部分基于轨迹信息的特征工程,利用Geo Hash编码,采用自然语言处理的方式Word2Vec、TFIDF和Count Vectorizer构建新特征。(2)渔船作业行为分类模型训练。构建特征工程与原始数据融合得到的305维特征作为模型输入,利用5折机器学习方法Light GBM对渔船作业行为进行分类,判断渔船的作业行为。模型的构建充分利用了输入的特征信息,设置了该模型的参数,将精确率、召回率、F1-Score、准确率、宏平均和加权平均作为模型效果的评价指标,绘制出了该模型的特征重要性条形图,得到了对实验结果贡献最多的前10个特征。实现了能够在海上准确地识别出渔船的作业行为类型。与文献中已经使用的XGBoost、SVM、GBDT与Random Forest算法相比较,最终得到使用的Light GBM构建的模型的分类效果最好。(3)渔船作业可视化。基于Vue.js和Spring Boot框架,利用JPA实现与My SQL数据库的数据交互。使用ECharts工具引入可用图表,调用百度地图API实现百度地图的引入。一共实现了4个模块:群体作业模块包含渔船作业行为类型与出海情况两部分;海域分布模块包括围网作业、拖网作业和刺网作业三个部分,便于分析3种作业在近海的分布情况;船舶定位监控模块包括渔船定位监控和渔船轨迹两个部分;在渔船作业分类模块中应用训练的模型实现了分类计算。

基于深度学习的城市区域交通流量预测

这是一篇关于交通流量预测,深度学习,时空数据,卷积长短期记忆网络,注意力模型的论文, 主要内容为一个可靠且准确的交通流量预测手段对公共安全和交通管理具有重要意义,它能为城市交通管理者提供参考指标,便于他们完成决策,制定合适的交通管控制度,从而提升城市的运转速率,降低事故的发生率,缓解道路拥塞情况。然而,这也是一件具有挑战性的任务,因为交通流数据属于时空数据,易受到时间依赖性、空间依赖性与一些额外因素的影响。传统的交通流量预测领域常使用时间序列处理方法,如AR、ARIMA等,虽然时序模型较为简单,应用范围较广,但若数据量较大,应用场景复杂,则性能会变差,且仅能获取数据时序上的关联性,提取的特征信息不完全。近年来,受到深度学习在语音识别、自动驾驶等人工智能领域成功的启发,激发了研究人员使用深度学习技术解决交通预测问题的尝试。虽然神经网络模型相比于传统方法,预测性能的确有较大的提升,但仍存在不足之处。部分研究只从单一方面考虑了交通数据的属性,导致建模不充分,预测性能仍不理想。在此基础上,虽有研究方法在获取交通流量时间信息流的同时,也对空间上的依赖性进行捕捉,但获取的空间信息过于粗糙,且未将一些额外信息的考量也融入,所以预测的精确度还有上升的空间。因此,本文针对现有模型的不足,提出了一种端到端的深度学习模型ST-AttConvLSTM(Spatio-temporal Attention ConvLSTM),用于城市区域交通流量预测。ST-AttConvLSTM将整个模型架构分为三个分支进行建模,以此获取交通流时间属性的邻近性与周期性特征。对每个分支均采用残差神经网络提取局部的空间特征,同时结合天气等外部因素,再利用ConvLSTM与注意力模型两种部件进一步获取数据时序上的依赖性与空间关联性,提取更精细的时间特征,并挖掘出流量的潜在规律。最后将三个分支的输出通过线性加权和的方式融合在一起完成预测。本文使用北京市和纽约市两个真实的移动数据集来对ST-AttConvLSTM模型预测性能进行实验验证。实验结果表明,ST-AttConvLSTM相比于目前较为常用的交通流量预测方法,能提取更精细与准确的时空信息,预测的精确度更高。在此基础上,基于ST-AttConvLSTM,提出了一种优化模型,基于多时空单元块的神经网络模型 Multi-STUT(Multiple Spatio-temporal Unit)。虽然 ST-AttConvLSTM与其余基准方法相比,预测性能更优,但由于结构的复杂性,导致模型训练较为耗时,计算量较大。因此针对该问题,对ST-AttConvLSTM模型架构做出改进,Multi-STUT主要修改点在于采用时空单元块代替ConvLSTM,完成数据时序信息与空间特征的获取。时空单元块由三部分组成,时间分支,空间分支与输出分支。时间分支采用LSTM与一维卷积层的组合,实现刻画影响交通流量变化时间维度的因素,而空间分支主要由二维卷积层与激活函数的堆叠而成,用于获取数据空间上的依赖关系,最终的输出分支就是通过卷积的方式将两者进行融合,联结起来,以此反映时空维度的相互作用。时空单元块相比于ConvLSTM网络,在保有其优点的同时,结构较为简单,因此能有效减少计算量,降低模型总的训练时长。通过两个数据集的实验验证,表明Multi-STUT在预测性能与ST-AttConvLSTM基本相当的情况下,能缩短模型的训练时间,加快收敛速度,同时还对时空单元块不同参数下对预测性能的影响做出分析。最后,基于Flask的Web框架实现了一个B/S架构的交通流量预测系统。通过后端已训练好的ST-AttConvLSTM与Multi-STUT组成的算法模块来完成数据集的预测,将城市区域交通流量信息更直观的在前端页面展示给用户,便于完成相应的分析与评测工作,从而制定交通管控策略,使资源得到合理安排,避免可能出现的交通问题。

城市区域出租车需求量预测方法研究

这是一篇关于时空数据,出租车需求量预测,图神经网络,注意力机制,可视化的论文, 主要内容为出租车是现代城市交通系统中的一种重要的交通方式。在互联网发展下的信息化浪潮中,网约车也已成为了打车的主流方式。伴随着网约车的兴起,相应的问题也接踵而至,例如乘客长时间打不到车、司机长时间接不到单等,造成了资源浪费严重、用户体验极差等问题。如果可以对区域出租车需求量进行准确的预测,网约车平台就可以提前对出租车进行调度或者引导,从而大大地减少了资源的浪费,既可以为乘客提供便利,又可以为司机增加营收。城市区域出租车需求量预测目前已是智能交通领域的一个热点研究问题。从空间维度来看,城市中区域与区域之间的出租车需求量存在空间相关性,此外人和车辆动态地分布在城市区域中并在空间维度上持续发生着运动,也体现出了复杂的空间动态相关性。从时间维度来看,人类的行为活动本就呈现出强烈的时间相关性。如果同时考虑时间和空间维度,会存在随着时间的推移,人和车辆在城市不同区域之间转移的的时空相关性。因此,本文尝试基于城市出租车历史订单数据,探索利用深度神经网络学习时空依赖关系,对城市区域的出租车需求量进行预测。本文的工作主要包括以下几个方面:(1)对城市区域与区域之间的空间相关性建模方法进行研究,以纽约曼哈顿地区的出租车订单数据为基础,基于用户打车历史数据构建区域间相关性,在空间维度上构建城市区域之间的相连性、便通性和相似性,实现空间相关性建模。(2)提出城市区域出租车需求量预测模型,结合了上下文门控循环神经网络和多图卷积神经网络,利用注意力机制计算每个时间步观测值的权重,再使用共享参数的上下文门控循环神经网络捕获城市中的全局信息,最后使用多个图卷积对提出的区域空间相关性进行学习并融合,从而构建出了能充分挖掘时空信息的区域出租车需求量预测模型。(3)设计并实现了城市区域出租车需求量预测可视化系统,通过可视化系统对曼哈顿地区的兴趣点(POI)信息进行获取,并对出租车需求量和预测结果进行可视化展示。系统整体设计采用前后端分离架构,后端采用Spring Boot框架,前端采用VUE框架,并调用了百度地图以及图表的JS接口等,实现了整体城市地区以及各个区域的历史需求量和预测结果的可视化,可用于城市区域出租车需求的观察分析和预测应用。

基于G/S模式的时空数据渲染方法及其在山洪灾害中的应用研究

这是一篇关于G/S模式,时空数据,三维渲染,可视化,山洪灾的论文, 主要内容为山洪灾害是保持自然生态平衡自然现象的一种方式。然而山洪灾害是最频繁的自然灾害之一，对国民经济的发展造成严重影响，且危害着人们的生命和财产。随着信息技术、数字化技术的深入研究，数字高程、图像数据结合GIS和RS技术在山洪灾害仿真应用方面得到了极大地发展。如何根据描述各种地理特征的时间、空间和属性信息的相关时空数据和实时采集数据对山洪淹没现场进行可视化表现，对山洪演进的模拟和山洪灾害损失的评估已经成为山洪灾害的主要研究方向之一。对提高山洪灾害应急管理手段具有重要的作用。 目前国内外对时空数据可视化模型进行了大量的研究，而对山洪灾害演进发展的时空数据可视化的研究成果却相对较少。大多数GIS应用系统可视化描述的空间目标都是静态的。因此对时空数据过程和时空数据目标描述和分析的可视化方法进行研究；将各种地理现象、空间信息和属性信息跟随时间的变化趋势，通过直观、易于接受、理解的方式进行表现；能够更加全面的了解复杂的地理现象发展过程，并对其发展过程中存在的规律进行分析，模拟其变化趋势。对于山洪灾害应急管理具有十分重要的意义。 G/S(Geo Browser/Service Cloud)模式，是空间信息网络应用服务模式。以―请求—聚合—服务‖的客户端聚合服务机制为理念，利用面向空间信息服务云的海量异构数据管理办法，有效解决存储管理、服务响应、网络带宽、信息表达、操作控制、技术和分析等应急管理应用中的空间信息技术面临的瓶颈问题。S端为提供各类综合服务的空间信息服务云，拥有分布式计算资源和海量空间信息数据资源。G端依托空间信息服务云为基础后台，全面采用基于HGML规范体系的地学浏览器，逐步发展为贯彻客户端聚合服务的表现中端与用户接口。 本课题针对时空数据的特点，结合G/S模式与时空可视化技术进行综合分析后，研究基于G/S模式的时空数据渲染方法，通过对时空数据渲染方法在山洪灾害应急中的初步研究，对山洪灾害中的时空数据可视化系统进行了设计与原型实现，对山洪淹没的整个过程进行动态的模拟和表现。 主要研究内容如下： (1)结合对G/S模式的深入探讨，对时空数据可视化关键技术进行研究。 (2)基于G/S模式基础理论与技术，分别研究G端、S端的时空数据渲染方法与流程。 基于HGML标准，定义时空数据可视化标记语言DVML（Date VisualizationMarkup Language）功能及语法规则，DVML作为时空数据可视化中数据交换和表达管理的统一规范。设计了在G/S模式下基于DVML的时空数据渲染方法，明确时空数据渲染流程，分别在G端（地学浏览器）和S端（空间信息服务云）定义其数据渲染处理流程与模式。 (3)针对山洪灾害演进规律，设计山洪灾害中时空数据可视化原型系统。 对山洪灾害中的时空数据、山洪淹没模拟进行了分析，基于G/S模式，运用以DVML为核心的时空数据渲染方法，研究山洪灾害中时空数据可视化原型系统架构的搭建和系统功能的设计。 (4)对原型系统进行实验。 通过搭建了针对山洪灾害的时空数据可视化原型系统，实现了在某区域中能够快速地将淹没结果以可视化的方式演示出来，动态模拟山洪淹没过程，直观的显示不同时刻和水位该区域山洪淹没情况，这样才能提出快速、准确、直观和有效的预防方案，以此能够加强对重要河流、水库、水利工程等的实时监测预警与灾情动画模拟，为防洪救灾作出重要的决策。 本文创新点及成果如下： (1)提出了一种基于DVML的时空数据渲染方法。 DVML是基于HGML标准，针对时空数据的可视化表达，定义和设计的时空数据可视化标记语言DVML（Data VisualizationMarkup Language），作为对时空数据可视化过程中时空数据信息交换、展示、组织和管理的标准。基于DVML的时空数据渲染方法，以DVML可视化标记语言为核心，将时空数据的渲染分成两个层面，由G端（地学浏览器）和S端（空间信息服务云）分别进行数据渲染。并对该数据渲染方法通过其在山洪灾害领域中的应用进行了印证。 (2)搭建了一套针对山洪灾害应急的时空数据可视化原型系统。 山洪灾害中时空数据可视化原型系统实现了在某区域中能够快速地将淹没结果以可视化的方式演示出来，动态模拟山洪淹没过程，直观显示该区域在不同时刻的水位变换及该区域山洪淹没情况，这样才能提出快速、准确、直观和有效的预防方案，加强对重要河流、水库、水利工程等的实时监测预警。

城市区域出租车需求量预测方法研究

这是一篇关于时空数据,出租车需求量预测,图神经网络,注意力机制,可视化的论文, 主要内容为出租车是现代城市交通系统中的一种重要的交通方式。在互联网发展下的信息化浪潮中,网约车也已成为了打车的主流方式。伴随着网约车的兴起,相应的问题也接踵而至,例如乘客长时间打不到车、司机长时间接不到单等,造成了资源浪费严重、用户体验极差等问题。如果可以对区域出租车需求量进行准确的预测,网约车平台就可以提前对出租车进行调度或者引导,从而大大地减少了资源的浪费,既可以为乘客提供便利,又可以为司机增加营收。城市区域出租车需求量预测目前已是智能交通领域的一个热点研究问题。从空间维度来看,城市中区域与区域之间的出租车需求量存在空间相关性,此外人和车辆动态地分布在城市区域中并在空间维度上持续发生着运动,也体现出了复杂的空间动态相关性。从时间维度来看,人类的行为活动本就呈现出强烈的时间相关性。如果同时考虑时间和空间维度,会存在随着时间的推移,人和车辆在城市不同区域之间转移的的时空相关性。因此,本文尝试基于城市出租车历史订单数据,探索利用深度神经网络学习时空依赖关系,对城市区域的出租车需求量进行预测。本文的工作主要包括以下几个方面:(1)对城市区域与区域之间的空间相关性建模方法进行研究,以纽约曼哈顿地区的出租车订单数据为基础,基于用户打车历史数据构建区域间相关性,在空间维度上构建城市区域之间的相连性、便通性和相似性,实现空间相关性建模。(2)提出城市区域出租车需求量预测模型,结合了上下文门控循环神经网络和多图卷积神经网络,利用注意力机制计算每个时间步观测值的权重,再使用共享参数的上下文门控循环神经网络捕获城市中的全局信息,最后使用多个图卷积对提出的区域空间相关性进行学习并融合,从而构建出了能充分挖掘时空信息的区域出租车需求量预测模型。(3)设计并实现了城市区域出租车需求量预测可视化系统,通过可视化系统对曼哈顿地区的兴趣点(POI)信息进行获取,并对出租车需求量和预测结果进行可视化展示。系统整体设计采用前后端分离架构,后端采用Spring Boot框架,前端采用VUE框架,并调用了百度地图以及图表的JS接口等,实现了整体城市地区以及各个区域的历史需求量和预测结果的可视化,可用于城市区域出租车需求的观察分析和预测应用。

渔船作业行为分类与可视化

这是一篇关于时空数据,渔船作业分类,LightGBM,可视化的论文, 主要内容为渔船作业在海上作业中占有重要地位,对渔船作业行为进行有效的分类识别,有利于今后海上交通调度与渔业安全生产。但是由于信息收集或上传过程中存在数据缺失等问题,同时具备时空数据的特性,造成了渔船作业行为识别不准确,可能会导致海上人身安全与财产损失,同时增加了海上交通危险发生的几率。本文是以分析大量的渔船北斗设备记录的时空数据作为研究数据,通过分析每条渔船的历史轨迹信息,对其作业行为进行分类,辅助渔业管理部门识别出渔船作业类型,通过可视化渔船作业,分析、预测和研判渔船作业行为,指导安全生产。本文的主要研究内容如下:(1)构建特征工程。由于采集到的原始数据特征较少,同时数据在收集或上传的过程中容易出现缺失数据、误差数据与数据冗余等问题,因此对原始数据变量进行分析后构建特征工程。主要分为两个部分:第一部分是基于经纬度、速度和方向的特征工程,其中主要采用统计方法获得新特征;第二部分基于轨迹信息的特征工程,利用Geo Hash编码,采用自然语言处理的方式Word2Vec、TFIDF和Count Vectorizer构建新特征。(2)渔船作业行为分类模型训练。构建特征工程与原始数据融合得到的305维特征作为模型输入,利用5折机器学习方法Light GBM对渔船作业行为进行分类,判断渔船的作业行为。模型的构建充分利用了输入的特征信息,设置了该模型的参数,将精确率、召回率、F1-Score、准确率、宏平均和加权平均作为模型效果的评价指标,绘制出了该模型的特征重要性条形图,得到了对实验结果贡献最多的前10个特征。实现了能够在海上准确地识别出渔船的作业行为类型。与文献中已经使用的XGBoost、SVM、GBDT与Random Forest算法相比较,最终得到使用的Light GBM构建的模型的分类效果最好。(3)渔船作业可视化。基于Vue.js和Spring Boot框架,利用JPA实现与My SQL数据库的数据交互。使用ECharts工具引入可用图表,调用百度地图API实现百度地图的引入。一共实现了4个模块:群体作业模块包含渔船作业行为类型与出海情况两部分;海域分布模块包括围网作业、拖网作业和刺网作业三个部分,便于分析3种作业在近海的分布情况;船舶定位监控模块包括渔船定位监控和渔船轨迹两个部分;在渔船作业分类模块中应用训练的模型实现了分类计算。

渔船作业行为分类与可视化

这是一篇关于时空数据,渔船作业分类,LightGBM,可视化的论文, 主要内容为渔船作业在海上作业中占有重要地位,对渔船作业行为进行有效的分类识别,有利于今后海上交通调度与渔业安全生产。但是由于信息收集或上传过程中存在数据缺失等问题,同时具备时空数据的特性,造成了渔船作业行为识别不准确,可能会导致海上人身安全与财产损失,同时增加了海上交通危险发生的几率。本文是以分析大量的渔船北斗设备记录的时空数据作为研究数据,通过分析每条渔船的历史轨迹信息,对其作业行为进行分类,辅助渔业管理部门识别出渔船作业类型,通过可视化渔船作业,分析、预测和研判渔船作业行为,指导安全生产。本文的主要研究内容如下:(1)构建特征工程。由于采集到的原始数据特征较少,同时数据在收集或上传的过程中容易出现缺失数据、误差数据与数据冗余等问题,因此对原始数据变量进行分析后构建特征工程。主要分为两个部分:第一部分是基于经纬度、速度和方向的特征工程,其中主要采用统计方法获得新特征;第二部分基于轨迹信息的特征工程,利用Geo Hash编码,采用自然语言处理的方式Word2Vec、TFIDF和Count Vectorizer构建新特征。(2)渔船作业行为分类模型训练。构建特征工程与原始数据融合得到的305维特征作为模型输入,利用5折机器学习方法Light GBM对渔船作业行为进行分类,判断渔船的作业行为。模型的构建充分利用了输入的特征信息,设置了该模型的参数,将精确率、召回率、F1-Score、准确率、宏平均和加权平均作为模型效果的评价指标,绘制出了该模型的特征重要性条形图,得到了对实验结果贡献最多的前10个特征。实现了能够在海上准确地识别出渔船的作业行为类型。与文献中已经使用的XGBoost、SVM、GBDT与Random Forest算法相比较,最终得到使用的Light GBM构建的模型的分类效果最好。(3)渔船作业可视化。基于Vue.js和Spring Boot框架,利用JPA实现与My SQL数据库的数据交互。使用ECharts工具引入可用图表,调用百度地图API实现百度地图的引入。一共实现了4个模块:群体作业模块包含渔船作业行为类型与出海情况两部分;海域分布模块包括围网作业、拖网作业和刺网作业三个部分,便于分析3种作业在近海的分布情况;船舶定位监控模块包括渔船定位监控和渔船轨迹两个部分;在渔船作业分类模块中应用训练的模型实现了分类计算。