船舶轨迹数据挖掘与可视化技术研究
这是一篇关于船舶轨迹,轨迹数据挖掘,轨迹聚类,轨迹预测,轨迹可视分析的论文, 主要内容为近年来,GNSS(Global Navigation Satellite System,全球卫星导航系统,包括北斗、GLONASS、GPS、Galileo等系统)技术迅速发展并得到广泛应用,已经成为国防军事、国民经济发展中必不可少的基础设施。随着世界海洋经济的迅速发展,各国海洋贸易中的船舶数量随之剧增,基于GNSS的船舶自动识别系统(Auto Identification System,AIS)已被世界各国广泛采用,由此产生的船舶轨迹数据数量已达到前所未有的水平,并呈现高速化、大型化、智能化的发展趋势。数据可视化与数据挖掘技术有机结合,从而有效、深入地揭示海量船舶轨迹数据中的隐含规律与潜在价值,并将挖掘结果准确、直观地呈现给用户,这更体现了卫星导航信息服务的价值所在,同时,也将对我国BDS(Bei Dou Navigation Satellite System,北斗卫星导航系统)、大洋航路建设、数字海战场及智能情报获取等新兴应用起到较为积极的推动作用。船舶轨迹数据挖掘与可视化技术研究已经成为数据挖掘领域的一个重要分支,近年来深受学术界的关注。但是,当前的众多研究主要以船舶轨迹聚类算法的实现与应用为导向展开,如利用AIS数据中船舶运动信息进行聚类分析等,对船舶轨迹数据的时空特性理解不深,导致对船舶轨迹数据的价值利用不够深入和全面。因此本文针对船舶轨迹数据的挖掘技术、船舶轨迹预测技术以及船舶可视化系统开发等方面开展研究,采用B/S架构,在分布式数据库存储与管理技术的基础上,通过微服务的方式实现了数据的管理、聚类分析、预测分析、可视化等功能,充分结合实验海域船舶AIS数据和北斗应用数据,设计并实现了“4层+5模块”架构的船舶轨迹数据挖掘与可视化系统。主要工作和贡献如下:1.系统阐述了船舶轨迹数据挖掘与可视化的技术理论,介绍了船舶轨迹数据的基本特征和开展数据挖掘的技术路线,总结归纳了船舶轨迹数据具有时序、空间、网络及多维的特征,既为提取船舶运动模式特征提供了丰富的信息,也为后续船舶轨迹数据挖掘技术研究奠定基础。2.为了更好地发现船舶的运动规律,提出了基于起始点、停留点以及特征点的轨迹特征点提取方法,并提出了船舶轨迹时空聚类模型,在聚类过程中同时考虑船舶轨迹包含的时间和空间信息,在空间聚类的基础上提出了船舶子轨迹段之间的时间距离的度量方法,并通过设置权重调整时空特征敏感度,使用DBSCAN算法对时空邻域密度进行聚类分析,挖掘船舶典型的时空运动模式。3.为了预测船舶轨迹的未来运动趋势,提出了包括航道边界多边形提取、航道多边形平滑处理、航道中心线等步骤在内的船舶轨迹预测模型,充分利用船舶轨迹的数据特征构建起航道网络,在此基础上实现航道级别的船舶轨迹预测。4.基于B/S结构,综合运用分布式数据库存储与管理技术,按照4个结构层次(功能层—服务层—框架层—功能层)和5个系统模块(管理—处理—聚类—预测—可视化)的总体架构,设计了船舶轨迹数据挖掘与可视化系统并进行了功能验证。结果表明,本文提出的顾及时间特征的船舶轨迹聚类算法和基于航道网的船舶轨迹预测算法能够直观、准确地反映船舶轨迹运动规律和运动趋势,可为海上交通监管、海上信息情报获取和海上战场环境分析等方面提供辅助决策和有力支撑。
船舶轨迹数据挖掘与可视化技术研究
这是一篇关于船舶轨迹,轨迹数据挖掘,轨迹聚类,轨迹预测,轨迹可视分析的论文, 主要内容为近年来,GNSS(Global Navigation Satellite System,全球卫星导航系统,包括北斗、GLONASS、GPS、Galileo等系统)技术迅速发展并得到广泛应用,已经成为国防军事、国民经济发展中必不可少的基础设施。随着世界海洋经济的迅速发展,各国海洋贸易中的船舶数量随之剧增,基于GNSS的船舶自动识别系统(Auto Identification System,AIS)已被世界各国广泛采用,由此产生的船舶轨迹数据数量已达到前所未有的水平,并呈现高速化、大型化、智能化的发展趋势。数据可视化与数据挖掘技术有机结合,从而有效、深入地揭示海量船舶轨迹数据中的隐含规律与潜在价值,并将挖掘结果准确、直观地呈现给用户,这更体现了卫星导航信息服务的价值所在,同时,也将对我国BDS(Bei Dou Navigation Satellite System,北斗卫星导航系统)、大洋航路建设、数字海战场及智能情报获取等新兴应用起到较为积极的推动作用。船舶轨迹数据挖掘与可视化技术研究已经成为数据挖掘领域的一个重要分支,近年来深受学术界的关注。但是,当前的众多研究主要以船舶轨迹聚类算法的实现与应用为导向展开,如利用AIS数据中船舶运动信息进行聚类分析等,对船舶轨迹数据的时空特性理解不深,导致对船舶轨迹数据的价值利用不够深入和全面。因此本文针对船舶轨迹数据的挖掘技术、船舶轨迹预测技术以及船舶可视化系统开发等方面开展研究,采用B/S架构,在分布式数据库存储与管理技术的基础上,通过微服务的方式实现了数据的管理、聚类分析、预测分析、可视化等功能,充分结合实验海域船舶AIS数据和北斗应用数据,设计并实现了“4层+5模块”架构的船舶轨迹数据挖掘与可视化系统。主要工作和贡献如下:1.系统阐述了船舶轨迹数据挖掘与可视化的技术理论,介绍了船舶轨迹数据的基本特征和开展数据挖掘的技术路线,总结归纳了船舶轨迹数据具有时序、空间、网络及多维的特征,既为提取船舶运动模式特征提供了丰富的信息,也为后续船舶轨迹数据挖掘技术研究奠定基础。2.为了更好地发现船舶的运动规律,提出了基于起始点、停留点以及特征点的轨迹特征点提取方法,并提出了船舶轨迹时空聚类模型,在聚类过程中同时考虑船舶轨迹包含的时间和空间信息,在空间聚类的基础上提出了船舶子轨迹段之间的时间距离的度量方法,并通过设置权重调整时空特征敏感度,使用DBSCAN算法对时空邻域密度进行聚类分析,挖掘船舶典型的时空运动模式。3.为了预测船舶轨迹的未来运动趋势,提出了包括航道边界多边形提取、航道多边形平滑处理、航道中心线等步骤在内的船舶轨迹预测模型,充分利用船舶轨迹的数据特征构建起航道网络,在此基础上实现航道级别的船舶轨迹预测。4.基于B/S结构,综合运用分布式数据库存储与管理技术,按照4个结构层次(功能层—服务层—框架层—功能层)和5个系统模块(管理—处理—聚类—预测—可视化)的总体架构,设计了船舶轨迹数据挖掘与可视化系统并进行了功能验证。结果表明,本文提出的顾及时间特征的船舶轨迹聚类算法和基于航道网的船舶轨迹预测算法能够直观、准确地反映船舶轨迹运动规律和运动趋势,可为海上交通监管、海上信息情报获取和海上战场环境分析等方面提供辅助决策和有力支撑。
船舶轨迹数据挖掘与可视化技术研究
这是一篇关于船舶轨迹,轨迹数据挖掘,轨迹聚类,轨迹预测,轨迹可视分析的论文, 主要内容为近年来,GNSS(Global Navigation Satellite System,全球卫星导航系统,包括北斗、GLONASS、GPS、Galileo等系统)技术迅速发展并得到广泛应用,已经成为国防军事、国民经济发展中必不可少的基础设施。随着世界海洋经济的迅速发展,各国海洋贸易中的船舶数量随之剧增,基于GNSS的船舶自动识别系统(Auto Identification System,AIS)已被世界各国广泛采用,由此产生的船舶轨迹数据数量已达到前所未有的水平,并呈现高速化、大型化、智能化的发展趋势。数据可视化与数据挖掘技术有机结合,从而有效、深入地揭示海量船舶轨迹数据中的隐含规律与潜在价值,并将挖掘结果准确、直观地呈现给用户,这更体现了卫星导航信息服务的价值所在,同时,也将对我国BDS(Bei Dou Navigation Satellite System,北斗卫星导航系统)、大洋航路建设、数字海战场及智能情报获取等新兴应用起到较为积极的推动作用。船舶轨迹数据挖掘与可视化技术研究已经成为数据挖掘领域的一个重要分支,近年来深受学术界的关注。但是,当前的众多研究主要以船舶轨迹聚类算法的实现与应用为导向展开,如利用AIS数据中船舶运动信息进行聚类分析等,对船舶轨迹数据的时空特性理解不深,导致对船舶轨迹数据的价值利用不够深入和全面。因此本文针对船舶轨迹数据的挖掘技术、船舶轨迹预测技术以及船舶可视化系统开发等方面开展研究,采用B/S架构,在分布式数据库存储与管理技术的基础上,通过微服务的方式实现了数据的管理、聚类分析、预测分析、可视化等功能,充分结合实验海域船舶AIS数据和北斗应用数据,设计并实现了“4层+5模块”架构的船舶轨迹数据挖掘与可视化系统。主要工作和贡献如下:1.系统阐述了船舶轨迹数据挖掘与可视化的技术理论,介绍了船舶轨迹数据的基本特征和开展数据挖掘的技术路线,总结归纳了船舶轨迹数据具有时序、空间、网络及多维的特征,既为提取船舶运动模式特征提供了丰富的信息,也为后续船舶轨迹数据挖掘技术研究奠定基础。2.为了更好地发现船舶的运动规律,提出了基于起始点、停留点以及特征点的轨迹特征点提取方法,并提出了船舶轨迹时空聚类模型,在聚类过程中同时考虑船舶轨迹包含的时间和空间信息,在空间聚类的基础上提出了船舶子轨迹段之间的时间距离的度量方法,并通过设置权重调整时空特征敏感度,使用DBSCAN算法对时空邻域密度进行聚类分析,挖掘船舶典型的时空运动模式。3.为了预测船舶轨迹的未来运动趋势,提出了包括航道边界多边形提取、航道多边形平滑处理、航道中心线等步骤在内的船舶轨迹预测模型,充分利用船舶轨迹的数据特征构建起航道网络,在此基础上实现航道级别的船舶轨迹预测。4.基于B/S结构,综合运用分布式数据库存储与管理技术,按照4个结构层次(功能层—服务层—框架层—功能层)和5个系统模块(管理—处理—聚类—预测—可视化)的总体架构,设计了船舶轨迹数据挖掘与可视化系统并进行了功能验证。结果表明,本文提出的顾及时间特征的船舶轨迹聚类算法和基于航道网的船舶轨迹预测算法能够直观、准确地反映船舶轨迹运动规律和运动趋势,可为海上交通监管、海上信息情报获取和海上战场环境分析等方面提供辅助决策和有力支撑。
船舶轨迹数据挖掘与可视化技术研究
这是一篇关于船舶轨迹,轨迹数据挖掘,轨迹聚类,轨迹预测,轨迹可视分析的论文, 主要内容为近年来,GNSS(Global Navigation Satellite System,全球卫星导航系统,包括北斗、GLONASS、GPS、Galileo等系统)技术迅速发展并得到广泛应用,已经成为国防军事、国民经济发展中必不可少的基础设施。随着世界海洋经济的迅速发展,各国海洋贸易中的船舶数量随之剧增,基于GNSS的船舶自动识别系统(Auto Identification System,AIS)已被世界各国广泛采用,由此产生的船舶轨迹数据数量已达到前所未有的水平,并呈现高速化、大型化、智能化的发展趋势。数据可视化与数据挖掘技术有机结合,从而有效、深入地揭示海量船舶轨迹数据中的隐含规律与潜在价值,并将挖掘结果准确、直观地呈现给用户,这更体现了卫星导航信息服务的价值所在,同时,也将对我国BDS(Bei Dou Navigation Satellite System,北斗卫星导航系统)、大洋航路建设、数字海战场及智能情报获取等新兴应用起到较为积极的推动作用。船舶轨迹数据挖掘与可视化技术研究已经成为数据挖掘领域的一个重要分支,近年来深受学术界的关注。但是,当前的众多研究主要以船舶轨迹聚类算法的实现与应用为导向展开,如利用AIS数据中船舶运动信息进行聚类分析等,对船舶轨迹数据的时空特性理解不深,导致对船舶轨迹数据的价值利用不够深入和全面。因此本文针对船舶轨迹数据的挖掘技术、船舶轨迹预测技术以及船舶可视化系统开发等方面开展研究,采用B/S架构,在分布式数据库存储与管理技术的基础上,通过微服务的方式实现了数据的管理、聚类分析、预测分析、可视化等功能,充分结合实验海域船舶AIS数据和北斗应用数据,设计并实现了“4层+5模块”架构的船舶轨迹数据挖掘与可视化系统。主要工作和贡献如下:1.系统阐述了船舶轨迹数据挖掘与可视化的技术理论,介绍了船舶轨迹数据的基本特征和开展数据挖掘的技术路线,总结归纳了船舶轨迹数据具有时序、空间、网络及多维的特征,既为提取船舶运动模式特征提供了丰富的信息,也为后续船舶轨迹数据挖掘技术研究奠定基础。2.为了更好地发现船舶的运动规律,提出了基于起始点、停留点以及特征点的轨迹特征点提取方法,并提出了船舶轨迹时空聚类模型,在聚类过程中同时考虑船舶轨迹包含的时间和空间信息,在空间聚类的基础上提出了船舶子轨迹段之间的时间距离的度量方法,并通过设置权重调整时空特征敏感度,使用DBSCAN算法对时空邻域密度进行聚类分析,挖掘船舶典型的时空运动模式。3.为了预测船舶轨迹的未来运动趋势,提出了包括航道边界多边形提取、航道多边形平滑处理、航道中心线等步骤在内的船舶轨迹预测模型,充分利用船舶轨迹的数据特征构建起航道网络,在此基础上实现航道级别的船舶轨迹预测。4.基于B/S结构,综合运用分布式数据库存储与管理技术,按照4个结构层次(功能层—服务层—框架层—功能层)和5个系统模块(管理—处理—聚类—预测—可视化)的总体架构,设计了船舶轨迹数据挖掘与可视化系统并进行了功能验证。结果表明,本文提出的顾及时间特征的船舶轨迹聚类算法和基于航道网的船舶轨迹预测算法能够直观、准确地反映船舶轨迹运动规律和运动趋势,可为海上交通监管、海上信息情报获取和海上战场环境分析等方面提供辅助决策和有力支撑。
基于网格的出租车载客点推荐
这是一篇关于位置服务,轨迹数据挖掘,载客点分布,载客量预测,推荐算法的论文, 主要内容为目前我国很多城市都面临着交通拥堵的问题,城市居民出行变得越来越困难,如何有效的改善出租车与乘客之间的供求关系是一个亟待解决的问题。出租车轨迹数据中包含着时间属性、空间属性和载客状态等丰富的信息,通过挖掘这些数据中所潜藏的知识,可以向出租车提供基于位置的服务,对出租车的载客行为作出指导,使人们出行更加便利,让城市的运行更加合理。本文利用了上海市共4000辆出租车一个月的轨迹数据,主要完成了以下研究内容:1)数据处理,通过数据去重、清洗、重新排序等预处理操作,得到选定区域内所有载客点的相关数据,并将地图划分为200m×200m的网格,将载客点对应至相应网格,基于网格的载客点是本文分析的基础;2)对载客点的时空分布建立模型,分析居民的出行规律。提出一种基于网格的高斯混合模型(GGMM)来描述载客点的分布,该模型可以统一载客点的时间属性和空间属性,将不同时空的载客点分成k个基于网格的高斯类别,通过与高斯混合模型和移动周期模型对比,GGMM在拟合准确度和困惑度两个指标上表现最好,对于不同的高斯类别数(5-30),在困惑度指标上,GGMM比GMM模型要降低6.5%-27.1%,说明GGMM模型可以有效拟合载客点的分布;3)预测基于网格的载客量,对每个网格的载客量建立时间序列,提出一种改进的ARIMA模型预测每个网格的载客量,实验结果表明该模型预测准确度较高且具有较好的短时和长时预测能力;4)载客点推荐,针对现有的基于出租车的载客点推荐系统往往只考虑各个地点的载客量,而没有考虑司机个人偏好的问题,分析了两种推荐模型:基于协同过滤和基于隐含因子的推荐模型,同时考虑到载客时间,在协同过滤模型中增加了时间因子,有效提高了基于用户的推荐模型的准确率,在推荐个数为2时,准确率提高了近10%,之后,本文利用了一种求解隐含因子的矩阵分解算法,实验对比了基于上下文的协同过滤推荐算法,证明此法所得的离线准确率是最高的,在不同的推荐个数下,准确率要高4%左右。最后,提出一种混合推荐模型,将载客量和司机个人偏好同时考虑在内,将预测模型和推荐模型混合,来提高司机的用户体验。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码助手 ，原文地址：https://m.bishedaima.com/lunwen/50306.html
