CN113962321B - 一种船对船装卸货识别处理方法及*** - Google Patents
一种船对船装卸货识别处理方法及*** Download PDFInfo
- Publication number
- CN113962321B CN113962321B CN202111278564.8A CN202111278564A CN113962321B CN 113962321 B CN113962321 B CN 113962321B CN 202111278564 A CN202111278564 A CN 202111278564A CN 113962321 B CN113962321 B CN 113962321B
- Authority
- CN
- China
- Prior art keywords
- ship
- loading
- unloading
- ships
- ais
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000001914 filtration Methods 0.000 claims description 31
- 230000002093 peripheral effect Effects 0.000 claims description 23
- 238000007667 floating Methods 0.000 claims description 9
- 239000010779 crude oil Substances 0.000 claims description 8
- 239000007788 liquid Substances 0.000 claims description 6
- 239000003921 oil Substances 0.000 claims description 6
- 238000009434 installation Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 4
- 206010056292 Androgen-Insensitivity Syndrome Diseases 0.000 description 66
- 208000032382 Ischaemic stroke Diseases 0.000 description 66
- 230000006399 behavior Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241001442234 Cosa Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种船对船装卸货识别处理方法及***，该方法包括目标船舶识别步骤、目标船型判断识别步骤、船速及AIS上报时间判断步骤、船对船位置判断步骤和装卸货数据处理步骤，基于海量船舶AIS数据，通过船型判断两艘装卸货船，结合船速以及AIS上报时间差判断以及邻近算法，能够自动判断出船舶在某个时间段处于装卸货的行为，以达到相关人员能快速知道船舶装卸货情况。
Description
技术领域
本发明涉及航运信息化、智能化技术领域，具体涉及一种基于海量船舶AIS数据的船对船装卸货识别处理方法及***。
背景技术
船舶自动识别***(Automatic Identification System，简称AIS)是一种通过无线通讯技术、计算机技术等实现的船舶导航设备，AIS采用船舶全球唯一编码体制，即MMSI码来作为识别手段。每一船舶从开始建造到船舶使用解体，给予一个全球唯一的MMSI码。AIS配合全球定位***(Global Positioning System，简称GPS)可将船速、船位、改变航向率及航向等船舶动态结合船名、呼号、吃水及危险货物等船舶静态资料由甚高频(VeryHigh Frequency，简称VHF)频道向附近水域船舶及岸台广播，使邻近船舶及岸台能及时掌握附近海面所有船舶的动态消息。AIS数据就是船舶每次发送的所有数据的统称。
数据库PostgerSQL，PostgreSQL是一个免费的对象-关系数据库服务器(ORDBMS)，用来存储和管理的大数据量。所谓的关系型数据库，是建立在关系模型基础上的数据库，借助于集合代数等数学概念和方法来处理数据库中的数据。
PostGIS是一个开源程序，它是对象—关系型数据库PostgreSQL的一个扩展，为其提供了存储空间地理数据的支持，使得PostgreSQL成为了一个空间数据库，能够进行空间数据管理、数量测量和拓扑分析。
地理坐标是用纬度、经度表示地面点位置的球面坐标。地理坐标系以地轴为极轴，所有通过地球南北极的平面均称为子午面。地理坐标，就是用经纬度表示地面点位的球面坐标。
EPSG:4326坐标，EPSG(The European Petroleum Survey Group)维护着空间参照对象的数据集，EPSG:4326就是WGS84的代码。WGS84(World Geodetic System 1984)是为GPS全球定位***使用而建立的坐标***，是目前最流行的地理坐标***，在国际上，每个坐标***都会被分配一个EPSG代码，GPS就是基于WGS84的，所以通常我们得到的坐标数据都是WGS84的。
由于AIS数据是海量级别，且AIS获取的是一个位置点，每个AIS点时间又不匹配，无法判断两艘装卸货船是否属于临近，现有技术通常是由船舶主动上报装卸货记录，这就可能造成上报延迟，忘报漏报等情况，导致未能及时监控船舶装卸货。
发明内容
本发明针对现有船舶主动上报装卸货记录会因上报延迟，忘报漏报导致未能及时监控船舶装卸货等问题，本发明提供了一种船对船装卸货识别处理方法，基于海量船舶AIS数据，通过船型判断两艘装卸货船，结合船速以及AIS上报时间差判断以及邻近算法，能够自动判断出船舶在某个时间段处于装卸货的行为，以达到相关人员能快速知道船舶装卸货情况。本发明还涉及一种船对船装卸货识别处理***。
本发明的技术方案如下：
一种船对船装卸货识别处理方法，其特征在于，包括以下步骤：
目标船舶识别步骤，基于海量船舶AIS数据的MMSI码识别出目标船舶，并获取目标船舶AIS上报时间、位置、航速、尺寸、船型、载重和船首向信息；
目标船型判断识别步骤，根据目标船舶的船型及载重，先过滤掉不参与装卸货的船，再判断识别同类型船舶装卸货以及不同类型船舶装卸货；所述不同类型船舶装卸货的判断识别条件是一级船型为杂货船，装卸货不同类型的船舶；
船速及AIS上报时间判断步骤，进行船速过滤和AIS上报时间过滤，当获取的航速小于设定的航速阈值并且目标船舶AIS上报时间的时间差小于设定的时间差阈值时，满足条件；
船对船位置判断步骤，对满足条件的两艘装卸货船根据获取的位置、尺寸和船首向信息采用邻近算法计算船对船的位置是否邻近；
装卸货数据处理步骤，当船对船的位置邻近时，将AIS数据作为装卸货作业的意向数据，间隔一定时间内检测到有持续意向数据时，确定为装卸货数据处理。
优选地，在目标船型判断识别步骤中，过滤掉不参与装卸货的船的过滤条件为：一级船型过滤掉客船，且二级船型过滤掉推拖船、拖轮、渔船、加油船、邮轮、客船、高速客船、客货船、浮仓油、浮仓气、风电安装、浮吊，且三级船型过滤掉原油10000载重吨以下，成品油10000载重吨以下，原油/成品油10000载重吨以下、成品油/化学品船10000载重吨以下；
判断识别同类型船舶装卸货的判断识别条件为：一级船型为集装箱，装卸货一级船型为集装箱；一级船型为液体散货，装卸货一级船型为液体散货；一级船型为干散货，装卸货一级船型为干散货；一级船舶为杂货，装卸货一级船型为杂货。
优选地，在船速及AIS上报时间判断步骤中，当获取的航速小于设定的航速阈值0.2节并且两艘装卸货船AIS上报时间相差在设定的时间差阈值5分钟内，满足条件，进入船对船位置判断步骤。
优选地，在船对船位置判断步骤中，采用的邻近算法包括精准算法，所述精准算法是根据AIS位置、尺寸和船首向信息，分别计算出两艘装卸货船的整体轮廓区域，并将所述整体轮廓区域在原有区域上扩展，将两艘装卸货船使用相交函数来计算船对船的位置是否邻近。
优选地，在船对船位置判断步骤中，采用的邻近算法包括近似算法，所述近似算法是基于获取的位置、尺寸和船首向信息将两艘装卸船中载重吨大的船舶在船首和船尾方向各扩展船舶长度的距离，同时在船首向垂直方向的左右各扩展两艘装卸货船总宽度的距离，得到一个矩形区域，再基于所述矩形区域的边角点顺着经线和纬线设置一个***矩形，基于所述***矩形获取到最大经度，最小经度，最大纬度，最小纬度四个值；再判断两艘装卸船中载重吨小的船舶的位置的经度、纬度是否在***矩形范围内，当在范围内时识别为船对船的位置邻近。
优选地，在装卸货数据处理步骤中，当船对船的位置邻近时，将AIS数据作为装卸货意向数据存入数据库，并从数据库调取近期装卸货意向数据，将配对的两艘装卸货船的装卸货意向数据按时间顺序排列，在间隔一定时间内检测到有持续装卸货意向数据时，识别为一次连贯的行为，且装卸货结束时间与两艘装卸货船最新AIS上报时间相差在配置的时间阈值内，则认为这是一次装卸货行为，确定为装卸货数据处理，并存入数据库。
一种船对船装卸货识别处理***，其特征在于，包括依次连接的目标船舶识别模块、目标船型判断识别模块、船速及AIS上报时间判断模块、船对船位置判断模块和装卸货数据处理模块，
所述目标船舶识别模块，基于海量船舶AIS数据的MMSI码识别出目标船舶，并获取目标船舶AIS上报时间、位置、航速、尺寸、船型、载重和船首向信息；
目标船型判断识别模块，根据目标船舶的船型及载重，先过滤掉不参与装卸货的船，再判断识别同类型船舶装卸货以及不同类型船舶装卸货；所述不同类型船舶装卸货的判断识别条件是一级船型为杂货船，装卸货不同类型的船舶；
船速及AIS上报时间判断模块，进行船速过滤和AIS上报时间过滤，当获取的航速小于设定的航速阈值并且目标船舶AIS上报时间的时间差小于设定的时间差阈值时，满足条件；
船对船位置判断模块，对满足条件的两艘装卸货船根据获取的位置、尺寸和船首向信息采用邻近算法计算船对船的位置是否邻近；
装卸货数据处理模块，当船对船的位置邻近时，将AIS数据作为装卸货作业的意向数据，间隔一定时间内检测到有持续装卸货意向数据时，确定为装卸货数据处理。
优选地，在船速及AIS上报时间判断模块中，当获取的航速小于设定的航速阈值0.2节并且两艘装卸货船AIS上报时间相差在设定的时间差阈值5分钟内，满足条件，进入船对船位置判断模块。
优选地，在船对船位置判断模块中，采用的邻近算法包括精准算法，所述精准算法是根据AIS位置、尺寸和船首向信息，分别计算出两艘装卸货船的整体轮廓区域，并将所述整体轮廓区域在原有区域上扩展，将两艘装卸货船使用相交函数来计算船对船的位置是否邻近。
优选地，在船对船位置判断模块中，采用的邻近算法包括近似算法，所述近似算法是基于获取的位置、尺寸和船首向信息将两艘装卸船中载重吨大的船舶在船首和船尾方向各扩展船舶长度的距离，同时在船首向垂直方向的左右各扩展两艘装卸货船总宽度的距离，得到一个矩形区域，再基于所述矩形区域的边角点顺着经线和纬线设置一个***矩形，基于所述***矩形获取到最大经度，最小经度，最大纬度，最小纬度四个值；再判断两艘装卸船中载重吨小的船舶的位置的经度、纬度是否在***矩形范围内，当在范围内时识别为船对船的位置邻近。
本发明的有益效果为：
本发明提供一种船对船装卸货识别处理方法，基于海量船舶AIS数据，依次进行目标船型判断识别、船速判断识别、AIS上报时间差判断识别、船对船位置判断识别和装卸货数据处理，判断两艘装卸货船，结合时间识别算法、邻近算法以及监测技术，能够自动判断出船舶在某个时间段处于装卸货的行为，并控制在一定的误差内，以达到相关人员能快速知道船舶装卸货情况，避免了现有技术人工上报装卸货记录会因上报延迟，忘报漏报导致未能及时监控船舶装卸货等问题，使得船对船装卸货及时高效，提高了航运工作效率。
本发明还涉及一种船对船装卸货识别处理***，该***与上述的船对船装卸货识别处理方法相对应，可理解为是一种实现上述船对船装卸货识别处理方法的***，包括依次连接的目标船舶识别模块、目标船型判断识别模块、船速及AIS上报时间判断模块、船对船位置判断模块和装卸货数据处理模块，各模块协同工作，基于海量的AIS数据，通过AIS上报的各项相关数据自动获取识别装卸货，将持续一段时间以上的邻近的两艘装卸货船识别出来，使得能更及时准备反应船舶装卸货的情况。
附图说明
图1是本发明船对船装卸货识别处理方法的流程图。
图2是船对船位置判断的原理图。
具体实施方式
下面结合附图对本发明进行说明。
本发明涉及一种船对船装卸货识别处理方法，其流程图如图1所示，包括：
(1)目标船舶识别步骤，基于海量船舶AIS数据的MMSI码识别出目标船舶，并获取目标船舶AIS上报时间、位置、航速、尺寸、船型、载重和船首向信息。
船舶AIS数据是每艘船每隔一段时间(一般在秒级或者分钟级)就会发送一条记录，每次需要处理的数据就相当于每艘船舶有一条数据。首先根据MMSI获取船舶基础信息(船型、尺寸等)识别出目标船舶，并获取船舶AIS上报时间、位置、航速、船首向、长度、宽度等信息。
(2)目标船型判断识别步骤，根据目标船舶的船型及载重，先过滤掉不参与装卸货的船，再判断识别同类型船舶装卸货以及不同类型船舶装卸货。具体如下：
过滤掉不参与装卸货的船，即排除船型(不参与装卸货的判断的船，以下条件为且关系，需全部同时满足，DW表示载重吨)：
·一级船型不为客船；
·二级船型不为推拖船，拖轮，渔船，加油船；
·二级船型不为邮轮，客船，高速客船，客货船；
·二级船型不为浮仓油，浮仓气，风电安装，浮吊；
·三级船型不为原油10000DW以下，成品油10000DW以下，原油/成品油10000DW以下(30601)，成品油/化学品船10000DW以下；
·船舶公司主体不为中国船舶燃料有限责任公司，中石化中海船舶燃料供应有限公司。
同类型船舶装卸货的判断识别条件(过滤排除船型后，相同类型船舶互相装卸货，以下条件为或关系)：
·一级船型为集装箱，装卸货一级船型为集装箱；
·一级船型为液体散货，装卸货一级船型为液体散货；
·一级船型为干散货，装卸货一级船型为干散货；
·一级船舶为杂货，装卸货一级船型为杂货。
不同类型船舶装卸货的判断识别条件(过滤排除船型后，不同类型船舶互相装卸货，以下条件为或关系)：
一级船型为杂货船，装卸货其他所有类型的船舶。
(3)船速及AIS上报时间判断步骤，进行船速过滤和AIS上报时间过滤，当获取的航速小于设定的航速阈值并且目标船舶AIS上报时间的时间差小于设定的时间差阈值时，满足条件。
由于在装卸货过程中，船舶都是处于锚泊状态，处于相对静止状态，装卸货作业的船舶是由大船(载重吨大的船舶)等待小船(载重吨小的船舶)来装卸货，两艘装卸货船其中一艘的载重吨为一万吨以上，另一艘为一万吨以下。基于第一步获取的船舶信息，判断航速小于0.2节(海里/小时，也可设置其他航速阈值)，且两艘装卸货船AIS上报时间相差一定时间(比如5分钟，也可设置其他时间差阈值)内，满足条件。
(4)船对船位置判断步骤，对满足条件的两艘装卸货船根据获取的位置、尺寸和船首向信息采用邻近算法计算船对船的位置是否邻近。如果两艘装卸货船位置是邻近的，则将这部分数据***到数据库中，作为识别装卸货的意向数据。两艘装卸货船邻近算法，一种是精准算法，一种是近似算法。
精准算法，或者说是相对精准算法，特点是识别速度偏慢，但计算位置相对准：
由于AIS数据上报的具体的一个点POINT，需要根据AIS上报位置，以及AIS安装在船舶具体哪个位置，AIS距离船前后左右的距离以及船首向，分别计算出两艘装卸货船的整体轮廓区域(一个矩形区域)。
根据邻近范围参数的设置(如10米)，将大船(载重吨大的船舶)的矩形区域在原有区域上扩展，然后将两艘装卸货船使用PostGIS的相交函数ST_Intersects，如果两个区域相交则识别为这两首船位置是邻近的。
近似算法，特点是识别速度快：
由于小船(载重吨小的船舶)相对大船(载重吨大的船舶)是比较小的，如图2所示，直接将载重吨大的船舶1基于上报位置AIS点在船首和船尾方向前后各扩展船舶长度的距离，同时在船首向垂直方向的左右各扩展两船总宽度(载重吨小的船舶2宽度+载重吨大的船舶1宽度)的距离，得到一个矩形区域3，再基于该矩形区域3的四个边角点取一个包含该矩形的一个***矩形4(该***矩形4顺着经线和纬线)。基于***矩形4，获取到最大经度，最小经度，最大纬度，最小纬度四个值。
然后将装卸货载重吨小的那艘船舶的上报位置的经度、纬度分别与上述获取到的经度范围(最小经度和最大经度之间的范围)、纬度范围(最小维度和最大维度之间的范围)比较，看是否在范围内，在范围内，则识别为两艘装卸货船位置是邻近的。
地球子午线(南极到北极的连线)长度39940.67公里，纬度一度合111公里；赤道圈长度40075.36公里，经度一度合111公里，纬度为A的纬线上一经度是111*cosA千米。计算参数含义：
lat纬度，lon经度，len船长，hdg船首向，win两船总宽度，PI是圆周率，abs表示绝对值。
计算上报位置在东经北纬时(东经为正值，西经为负值，北纬为正值，南纬为负值)：
最大经度：lon+abs(len*sin(hdg*PI/180)+win*cos(hdg*PI/180))/(111000*cos(lat*PI/180))
最小经度：lon-abs(len*sin(hdg*PI/180)+win*cos(hdg*PI/180))/(111000*cos(lat*PI/180))
最大纬度：lat+abs(len*cos(hdg*PI/180)+win*sin(hdg*PI/180))/111000.0
最小纬度：lat-abs(len*cos(hdg*PI/180)+win*sin(hdg*PI/180))/111000.0
(5)装卸货数据处理步骤，当船对船的位置邻近时，将AIS数据作为装卸货意向数据，间隔一定时间内检测到有持续装卸货意向数据时，确定为装卸货数据处理。
当船对船的位置邻近时，将AIS数据作为装卸货意向数据存入数据库。船舶装卸货作业一般持续时长在几小时到几天之间，且相同两艘船在短时间(如12小时)不会再次装卸货。故从数据库取出近期比如最近6天(可变更配置，包含一次完整装卸货的记录)的装卸货意向数据(第2步识别并入库保存)，将配对的两艘装卸货船舶的数据按时间顺序排列，前后两条数据间隔时间在2小时(可变更配置)以内，都识别为这是一次连贯的装卸货行为，且所有连续记录的持续时间在2小时(可变更配置，小于这个时间可能是其他行为)以上，且装卸货结束时间(连续的最后结束时间)与两艘装卸货船舶的最新AIS上报时间相差在10分钟内(可变更配置)，则认为这是一次装卸货行为，并将这次装卸货数据(装卸货船舶的MMSI，装卸货开始时间，装卸货结束时间)存入数据库。
存入数据库时，需要根据装卸货船舶的MMSI，装卸货开始时间跟数据库里已有数据匹配。如果找到已经有一条数据，则更改装卸货结束时间为最新装卸货结束时间；否则***一条新纪录。装卸货结束时间不再更改时，就是识别出来的一次完整的装卸货记录。如果后继AIS丢失或者其他情况没来，也会把之前持续时间在2小时以上的数据作为一条完整装卸货记录。
下面以具体示例来说明。
假设来了新的AIS数据，如下表1所示：
表1
首先判断过滤出目标船型：
船舶MMSI为200000001的船型为集装箱，二级船型为全集装箱，且载重吨大于10000吨；船舶MMSI为200000002的船型为集装箱，二级船型为全集装箱，且载重吨小于10000吨，将这两艘船识别为装卸货目标船舶。
识别出来目标船舶后，再过滤其他条件：
航速：这两艘船均是小于0.2节；
AIS时间差：2021-01-19 21:19:11与2021-01-19 21:18:19就相差52秒，小于5分钟，满足条件；
以载重吨比较大船舶作为基准，用近似算法，计算矩形框的范围：
最大经度：lon+abs(len*sin(hdg*PI/180)+win*cos(hdg*PI/180))/(111000*cos(lat*PI/180))＝106.882700+abs(176.6*sin(180.4*PI/180)+(27.5+19.0)*cos(180.4*PI/180))/(111000*cos(-6.100356*PI/180))＝106.883132
最小经度：lon-abs(len*sin(hdg*PI/180)+win*cos(hdg*PI/180))/(111000*cos(lat*PI/180))＝106.882700+abs(176.6*sin(180.4*PI/180)+(27.5+19.0)*cos(180.4*PI/180))/(111000*cos(-6.100356*PI/180))＝106.882267
最大纬度：lat+abs(len*cos(hdg*PI/180)+win*sin(hdg*PI/180))/111000.0＝-6.100356+abs(176.6*cos(180.4*PI/180)+(27.5+19.0)*sin(180.4*PI/180))/111000.0＝-6.098762
最小纬度：lat-abs(len*cos(hdg*PI/180)+win*sin(hdg*PI/180))/111000.0＝-6.100356-abs(176.6*cos(180.4*PI/180)+(27.5+19.0)*sin(180.4*PI/180))/111000.0＝-6.101950
将载重吨小的船舶的经纬度判断是否在上面矩形框范围内：
经度判断：106.882267<106.882805<106.883132
纬度判断：-6.101950<-6.101358<-6.098762
符合条件，此时将这两条数据组合成一条装卸货意向数据，存入数据库。
由于上面只存入一条意向数据，此时没有持续时间可判断，暂时并不作为装卸货数据处理。如果在随后2小时，每隔10分钟，持续来了12条数据，此时获取到2021-01-19 21:19:11到2021-01-19 23:19:11，上述两艘船一直处于邻近状态，这时候才作为一条装卸货数据，存入数据库：
MMSI为200000001的船舶在经度106.882700，纬度-6.100356被MMSI为200000002的船舶装卸货，装卸货时间为2021-01-19 21:19:11到2021-01-19 23:19:11，持续2小时。
如果在2021-01-19 23:19:11之后还有这两艘船的数据持续过来，这时候在上述装卸货记录上更改装卸货结束时间。如2021-01-19 23:49:11又过来一条数据，此时装卸货时间就为2021-01-19 21:19:11到2021-01-19 23:49:11，持续2小时半。在接下来的6小时内，没有上述两艘船的装卸货意向数据再进来时，此时就是一条完整的装卸货数据。
本发明还涉及一种船对船装卸货识别处理***，该***与上述的船对船装卸货识别处理方法相对应，可理解为是一种实现上述船对船装卸货识别处理方法的***，包括依次连接的目标船舶识别模块、目标船型判断识别模块、船速及AIS上报时间判断模块、船对船位置判断模块和装卸货数据处理模块，各模块协同工作，基于海量的AIS数据，通过AIS上报的各项相关数据自动获取识别装卸货，将持续一段时间以上的邻近的两艘装卸货船识别出来，使得能更及时准备船舶反应装卸货的情况。
其中，目标船舶识别模块，基于海量船舶AIS数据的MMSI码识别出目标船舶，并获取目标船舶AIS上报时间、位置、航速、尺寸、船型、载重和船首向信息；目标船型判断识别模块，根据目标船舶的船型及载重，先过滤掉不参与装卸货的船，再判断识别同类型船舶装卸货以及不同类型船舶装卸货；所述不同类型船舶装卸货的判断识别条件是一级船型为杂货船，装卸货不同类型的船舶；船速及AIS上报时间判断模块，进行船速过滤和AIS上报时间过滤，当获取的航速小于设定的航速阈值并且目标船舶AIS上报时间的时间差小于设定的时间差阈值时，满足条件；船对船位置判断模块，对满足条件的两艘装卸货船根据获取的位置、尺寸和船首向信息采用邻近算法计算船对船的位置是否邻近；装卸货数据处理模块，当船对船的位置邻近时，将AIS数据作为装卸货作业的意向数据，间隔一定时间内检测到有持续装卸货意向数据时，确定为装卸货数据处理。
进一步地，在船速及AIS上报时间判断模块中，当获取的航速小于设定的航速阈值0.2节并且两艘装卸货船AIS上报时间相差在设定的时间差阈值5分钟内，满足条件，进入船对船位置判断模块。
进一步地，在船对船位置判断模块中，采用的邻近算法包括精准算法，所述精准算法是根据AIS位置、尺寸和船首向信息，分别计算出两艘装卸货船的整体轮廓区域，并将所述整体轮廓区域在原有区域上扩展，将两艘装卸货船使用相交函数来计算船对船的位置是否邻近。
又或者，进一步地，在船对船位置判断模块中，采用的邻近算法包括近似算法，所述近似算法是基于获取的位置、尺寸和船首向信息将两艘装卸船中载重吨大的船舶在船首和船尾方向各扩展船舶长度的距离，同时在船首向垂直方向的左右各扩展两艘装卸货船总宽度的距离，得到一个矩形区域，再基于所述矩形区域的边角点顺着经线和纬线设置一个***矩形，基于所述***矩形获取到最大经度，最小经度，最大纬度，最小纬度四个值；再判断两艘装卸船中载重吨小的船舶的位置的经度、纬度是否在***矩形范围内，当在范围内时识别为船对船的位置邻近。
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。
Claims (10)
1.一种船对船装卸货识别处理方法，其特征在于，包括以下步骤：
目标船舶识别步骤，基于海量船舶AIS数据的MMSI码识别出目标船舶，并获取目标船舶AIS上报时间、位置、航速、尺寸、船型、载重和船首向信息；
目标船型判断识别步骤，根据目标船舶的船型及载重，先过滤掉不参与装卸货的船，再判断识别同类型船舶装卸货以及不同类型船舶装卸货；所述不同类型船舶装卸货的判断识别条件是一级船型为杂货船，装卸货不同类型的船舶；
船速及AIS上报时间判断步骤，进行船速过滤和AIS上报时间过滤，当获取的航速小于设定的航速阈值并且目标船舶AIS上报时间的时间差小于设定的时间差阈值时，满足条件；
船对船位置判断步骤，对满足条件的两艘装卸货船根据获取的位置、尺寸和船首向信息采用邻近算法计算船对船的位置是否邻近；
装卸货数据处理步骤，当船对船的位置邻近时，将AIS数据作为装卸货作业的意向数据，间隔一定时间内检测到有持续意向数据时，确定为装卸货数据处理。
2.根据权利要求1所述的船对船装卸货识别处理方法，其特征在于，在目标船型判断识别步骤中，过滤掉不参与装卸货的船的过滤条件为：一级船型过滤掉客船，且二级船型过滤掉推拖船、拖轮、渔船、加油船、邮轮、客船、高速客船、客货船、浮仓油、浮仓气、风电安装、浮吊，且三级船型过滤掉原油10000载重吨以下，成品油10000载重吨以下，原油/成品油10000载重吨以下、成品油/化学品船10000载重吨以下；
判断识别同类型船舶装卸货的判断识别条件为：一级船型为集装箱，装卸货一级船型为集装箱；一级船型为液体散货，装卸货一级船型为液体散货；一级船型为干散货，装卸货一级船型为干散货；一级船舶为杂货，装卸货一级船型为杂货。
3.根据权利要求1所述的船对船装卸货识别处理方法，其特征在于，在船速及AIS上报时间判断步骤中，当获取的航速小于设定的航速阈值0.2节并且两艘装卸货船AIS上报时间相差在设定的时间差阈值5分钟内，满足条件，进入船对船位置判断步骤。
4.根据权利要求1至3之一所述的船对船装卸货识别处理方法，其特征在于，在船对船位置判断步骤中，采用的邻近算法包括精准算法，所述精准算法是根据AIS位置、尺寸和船首向信息，分别计算出两艘装卸货船的整体轮廓区域，并将所述整体轮廓区域在原有区域上扩展，将两艘装卸货船使用相交函数来计算船对船的位置是否邻近。
5.根据权利要求1至3之一所述的船对船装卸货识别处理方法，其特征在于，在船对船位置判断步骤中，采用的邻近算法包括近似算法，所述近似算法是基于获取的位置、尺寸和船首向信息将两艘装卸船中载重吨大的船舶在船首和船尾方向各扩展船舶长度的距离，同时在船首向垂直方向的左右各扩展两艘装卸货船总宽度的距离，得到一个矩形区域，再基于所述矩形区域的边角点顺着经线和纬线设置一个***矩形，基于所述***矩形获取到最大经度，最小经度，最大纬度，最小纬度四个值；再判断两艘装卸船中载重吨小的船舶的位置的经度、纬度是否在***矩形范围内，当在范围内时识别为船对船的位置邻近。
6.根据权利要求1所述的船对船装卸货识别处理方法，其特征在于，在装卸货数据处理步骤中，当船对船的位置邻近时，将AIS数据作为装卸货意向数据存入数据库，并从数据库调取近期装卸货意向数据，将配对的两艘装卸货船的装卸货意向数据按时间顺序排列，在间隔一定时间内检测到有持续装卸货意向数据时，识别为一次连贯的行为，且装卸货结束时间与两艘装卸货船最新AIS上报时间相差在配置的时间阈值内，则认为这是一次装卸货行为，确定为装卸货数据处理，并存入数据库。
7.一种船对船装卸货识别处理***，其特征在于，包括依次连接的目标船舶识别模块、目标船型判断识别模块、船速及AIS上报时间判断模块、船对船位置判断模块和装卸货数据处理模块，
所述目标船舶识别模块，基于海量船舶AIS数据的MMSI码识别出目标船舶，并获取目标船舶AIS上报时间、位置、航速、尺寸、船型、载重和船首向信息；
目标船型判断识别模块，根据目标船舶的船型及载重，先过滤掉不参与装卸货的船，再判断识别同类型船舶装卸货以及不同类型船舶装卸货；所述不同类型船舶装卸货的判断识别条件是一级船型为杂货船，装卸货不同类型的船舶；
船速及AIS上报时间判断模块，进行船速过滤和AIS上报时间过滤，当获取的航速小于设定的航速阈值并且目标船舶AIS上报时间的时间差小于设定的时间差阈值时，满足条件；
船对船位置判断模块，对满足条件的两艘装卸货船根据获取的位置、尺寸和船首向信息采用邻近算法计算船对船的位置是否邻近；
装卸货数据处理模块，当船对船的位置邻近时，将AIS数据作为装卸货作业的意向数据，间隔一定时间内检测到有持续装卸货意向数据时，确定为装卸货数据处理。
8.根据权利要求7所述的船对船装卸货识别处理***，其特征在于，在船速及AIS上报时间判断模块中，当获取的航速小于设定的航速阈值0.2节并且两艘装卸货船AIS上报时间相差在设定的时间差阈值5分钟内，满足条件，进入船对船位置判断模块。
9.根据权利要求7或8所述的船对船装卸货识别处理***，其特征在于，在船对船位置判断模块中，采用的邻近算法包括精准算法，所述精准算法是根据AIS位置、尺寸和船首向信息，分别计算出两艘装卸货船的整体轮廓区域，并将所述整体轮廓区域在原有区域上扩展，将两艘装卸货船使用相交函数来计算船对船的位置是否邻近。
10.根据权利要求7或8所述的船对船装卸货识别处理***，其特征在于，在船对船位置判断模块中，采用的邻近算法包括近似算法，所述近似算法是基于获取的位置、尺寸和船首向信息将两艘装卸船中载重吨大的船舶在船首和船尾方向各扩展船舶长度的距离，同时在船首向垂直方向的左右各扩展两艘装卸货船总宽度的距离，得到一个矩形区域，再基于所述矩形区域的边角点顺着经线和纬线设置一个***矩形，基于所述***矩形获取到最大经度，最小经度，最大纬度，最小纬度四个值；再判断两艘装卸船中载重吨小的船舶的位置的经度、纬度是否在***矩形范围内，当在范围内时识别为船对船的位置邻近。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111278564.8A CN113962321B (zh) | 2021-10-30 | 2021-10-30 | 一种船对船装卸货识别处理方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111278564.8A CN113962321B (zh) | 2021-10-30 | 2021-10-30 | 一种船对船装卸货识别处理方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113962321A CN113962321A (zh) | 2022-01-21 |
| CN113962321B true CN113962321B (zh) | 2024-04-09 |
Family
ID=79468537
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111278564.8A Active CN113962321B (zh) | 2021-10-30 | 2021-10-30 | 一种船对船装卸货识别处理方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113962321B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115310533B (zh) * | 2022-08-05 | 2024-01-19 | 中远海运科技股份有限公司 | 一种基于ais的海上风电场识别方法及*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101054246B1 (ko) * | 2010-07-15 | 2011-08-08 | (주)토탈소프트뱅크 | Ａｉｓ의 워크플로우를 이용한 선박의 위치정보 관리방법 |
| CN105208525A (zh) * | 2015-08-13 | 2015-12-30 | 重庆大学 | 一种基于移动通信终端gps和船舶ais判断移动通信终端与船舶的位置一致性的方法 |
| CN111583722A (zh) * | 2020-04-23 | 2020-08-25 | 大连理工大学 | 一种基于ais数据的船舶航行特征及偏好分析方法 |
-
2021
- 2021-10-30 CN CN202111278564.8A patent/CN113962321B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101054246B1 (ko) * | 2010-07-15 | 2011-08-08 | (주)토탈소프트뱅크 | Ａｉｓ의 워크플로우를 이용한 선박의 위치정보 관리방법 |
| CN105208525A (zh) * | 2015-08-13 | 2015-12-30 | 重庆大学 | 一种基于移动通信终端gps和船舶ais判断移动通信终端与船舶的位置一致性的方法 |
| CN111583722A (zh) * | 2020-04-23 | 2020-08-25 | 大连理工大学 | 一种基于ais数据的船舶航行特征及偏好分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于AIS数据挖掘的受限水域船舶动态领域研究;邵哲平;周田瑞;潘家财;张智铭;;地球信息科学学报;20180531(第05期);第33-38页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113962321A (zh) | 2022-01-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111581314B (zh) | 基于船舶轨迹的泊位识别方法及装置 | |
| US20150134558A1 (en) | Method and system for tracking shipping cargo | |
| CN114444315B (zh) | 一种船舶避台航线模拟方法及*** | |
| CN109188464B (zh) | 一种基于北斗船位数据的渔船在港和出海时间的分析方法 | |
| CN105390028A (zh) | 船舶航行轨迹的纠正方法和*** | |
| CN113962321B (zh) | 一种船对船装卸货识别处理方法及*** | |
| CN115571299B (zh) | 船舶的偏航判定方法、装置、可读存储介质和船舶 | |
| CN115060264A (zh) | 一种基于ais数据的prm航线规划方法 | |
| CN115855065B (zh) | 航路动态规划方法及***、可读存储介质 | |
| CN113704639B (zh) | 劣质加油站位置判断方法、装置、计算机设备及存储介质 | |
| CN112699315A (zh) | 基于ais数据的船舶异常行为探测方法 | |
| CN110750571A (zh) | 港口泊位数据挖掘方法、装置、设备和储存介质 | |
| CN113988213B (zh) | 一种船舶在坞修理识别方法及*** | |
| CN115995165A (zh) | 一种船舶航行风险管理方法和*** | |
| CN116863756B (zh) | 一种海上接驳实时预警方法、装置及存储介质 | |
| CN112435449A (zh) | 一种全数字智能化渔业违规船舶识别排查***及方法 | |
| CN115018368A (zh) | 一种基于海量ais数据的港口泊位占用率计算方法 | |
| CN115577324A (zh) | 雷达和船舶自动识别***数据融合方法及***、存储介质 | |
| CN115328903A (zh) | 船舶停留状态识别方法和装置、电子设备和存储介质 | |
| Lu et al. | Historical AIS data-driven unsupervised automatic extraction of directional maritime traffic networks | |
| WO2023035309A1 (zh) | 一种船对船加油识别处理方法及*** | |
| CN114003676A (zh) | 一种拖轮引航识别处理方法及*** | |
| CN110363369B (zh) | 船舶搁置状态判断方法、装置、设备及其存储介质 | |
| Cui et al. | Ship space-time AIS trajectory data compression method | |
| CN113776535A (zh) | 一种基于栅格化电子海图的无人艇航路规划方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |