JP7454079B2 - Maritime traffic congestion prediction system and method - Google Patents
Maritime traffic congestion prediction system and method Download PDFInfo
- Publication number
- JP7454079B2 JP7454079B2 JP2023036394A JP2023036394A JP7454079B2 JP 7454079 B2 JP7454079 B2 JP 7454079B2 JP 2023036394 A JP2023036394 A JP 2023036394A JP 2023036394 A JP2023036394 A JP 2023036394A JP 7454079 B2 JP7454079 B2 JP 7454079B2
- Authority
- JP
- Japan
- Prior art keywords
- traffic
- track data
- congestion
- region
- traffic volume
- 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
- 238000000034 method Methods 0.000 title claims description 34
- 238000012800 visualization Methods 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 12
- 239000003086 colorant Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Ocean & Marine Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
Description
本発明は、海上交通混雑度予測システム及び方法に関し、特に、分析対象海域の航跡データを用いて交通ネットワークを生成し、対象海域を分割し、分割された領域に基づいて航跡データを分類した後、時間順に整列し、整列された航跡データを設定時間単位で区分して時系列特性を抽出し、これに基づいて今後の交通量を予測し、予測された交通量を考慮して領域別混雑度を予測する海上交通混雑度予測システム及び方法に関する。 The present invention relates to a system and method for predicting maritime traffic congestion, and in particular, to a system and method for predicting maritime traffic congestion, and in particular, after generating a traffic network using track data of a target sea area, dividing the target sea area, and classifying the track data based on the divided areas. , sort the track data in time order, divide the arranged track data into set time units, extract time-series characteristics, predict future traffic volume based on this, and calculate congestion by area by considering the predicted traffic volume. This invention relates to a system and method for predicting maritime traffic congestion.
通常、海上交通管制システム（Ｖｅｓｓｅｌ Ｔｒａｆｆｉｃ Ｓｅｒｖｉｃｅ ｓｙｓｔｅｍ）は、海上交通量の暴走や危険貨物の増加、潜在的な環境汚染の危険などから港湾安全または港湾運営の効率性を高めるために通航サービスを提供するシステムであって、ＶＴＳ区域内で周辺状況及び海上交通状況を適時に提供して船舶での航海意思決定に役立つように情報サービスを提供する。 Normally, a vessel traffic control system (Vessel Traffic Service system) provides navigation services to improve port safety and the efficiency of port operations to prevent runaway maritime traffic, an increase in dangerous cargo, and potential environmental pollution. The system provides information services to assist ships in making navigational decisions by providing timely information on surrounding conditions and maritime traffic conditions within the VTS area.
海上交通管制士は、対象管制区域で今後発生する可能性のある交通状況を予め予測して船舶の交通流を効率よく管理する役割を果たす。海上交通管制士は、個別船舶の運航経路を予測して衝突リスクに対する管制を行ったり、対象海域全体の交通量または混雑度を予測して入港、出港、停泊、接岸スケジュールを調整したりする。 Marine traffic controllers play the role of efficiently managing vessel traffic flow by predicting traffic conditions that may occur in the target control area in advance. Maritime traffic controllers predict the navigation routes of individual ships and perform control to reduce the risk of collision, as well as predict the overall traffic volume or congestion level in the target area and adjust port entry, departure, berthing, and berthing schedules.
しかし、海上交通管制士が対象海域の交通量を予測するためには、港内施設使用の現況、季節、時間、天気、海域の交通特性などを複合的に分析しなければならないので、交通量の予測は、多年間の管制経験が求められる、難しくて複雑なことである。特に、交通混雑度は単に交通量の多い状況を意味しないため、海上交通管制の観点から交通混雑度を定義し、これを予測することができなければならない。 However, in order for marine traffic controllers to predict the traffic volume in the target area, they must conduct a complex analysis of the current status of port facility use, season, time, weather, and traffic characteristics of the area. Forecasting is a difficult and complex task that requires many years of air traffic control experience. In particular, since the degree of traffic congestion does not simply mean a situation where there is a large amount of traffic, it is necessary to be able to define and predict the degree of traffic congestion from the perspective of maritime traffic control.
したがって、本発明は、かかる点に着目してなされたもので、その目的は、海上交通管制士に対象海域に対する交通量を予測するのに役立つことができ、交通混雑度情報を容易に認知することができるようにする海上交通混雑度予測システム及び方法を提供することにある。 Therefore, the present invention has been made with attention to this point, and its purpose is to be able to help marine traffic controllers predict the traffic volume for a target sea area, and to easily recognize traffic congestion level information. An object of the present invention is to provide a system and method for predicting maritime traffic congestion.
上記目的を達成するために、本発明の実施形態による海上交通混雑度予測システムは、交通混雑度を予測しようとする対象海域の航跡データを航跡データベースから抽出し、前記航跡データを用いて、ノード及びエッジからなる交通ネットワークを生成するように構成された交通ネットワーク生成部と、前記交通ネットワークのノード位置情報に基づいて前記対象海域を分割するように構成された対象海域分割部と、前記航跡データベースから抽出された航跡データを前記対象海域の分割された領域に基づいて分類し、各領域に含まれている航跡データを時間順に整列するように構成された領域別航跡データ分類部と、前記領域別に整列された航跡データを設定時間単位で区分して、時間による交通量特性である時系列特性を抽出し、前記航跡データに対する時系列特性に基づいて交通量を予測するように構成された交通量予測部と、予測された前記交通量を考慮して領域別混雑度を予測するように構成された領域別混雑度予測部と、を含むことを特徴とする。 In order to achieve the above object, a marine traffic congestion prediction system according to an embodiment of the present invention extracts track data of a target sea area whose traffic congestion level is to be predicted from a track database, and uses the track data to and a traffic network generation unit configured to generate a traffic network consisting of edges; a target sea area dividing unit configured to divide the target sea area based on node position information of the traffic network; and the track database. a regional track data classification unit configured to classify the track data extracted from the target sea area based on the divided regions of the target sea area and arrange the track data included in each region in chronological order; Traffic configured to divide separately arranged track data in set time units, extract time-series characteristics that are traffic volume characteristics by time, and predict traffic volume based on the time-series characteristics for the track data. The present invention is characterized in that it includes a traffic volume prediction section and a region-specific congestion degree prediction section configured to predict a region-specific congestion degree in consideration of the predicted traffic volume.
前記実施形態による海上交通混雑度予測システムは、前記領域別混雑度に応じて、周囲ノードに連結されるエッジの色を決定して、グラフの形態で電子海図上に表示するように構成された混雑度可視化部をさらに含むことができる。 The marine traffic congestion level prediction system according to the embodiment is configured to determine the color of edges connected to surrounding nodes according to the area-specific congestion level and display the color on the electronic chart in the form of a graph. It may further include a congestion degree visualization unit.
前記実施形態による海上交通混雑度予測システムにおいて、前記対象海域分割部は、前記交通ネットワークのノード位置情報に基づいてボロノイ（ｖｏｒｏｎｏｉ）法を用いて前記対象海域を均等に分割することができる。 In the maritime traffic congestion degree prediction system according to the embodiment, the target sea area dividing unit may equally divide the target sea area using the Voronoi method based on node position information of the transportation network.
前記実施形態による海上交通混雑度予測システムにおいて、前記交通量予測部は、前記航跡データに対する時系列特性に基づいてＡＲＩＭＡ（ＡｕｔｏＲｅｇｒｅｓｓｉｖｅ Ｉｎｔｅｇｒａｔｅｄ Ｍｏｖｉｎｇ Ａｖｅｒａｇｅ）またはＥＴＳ（ＥｘｐｏｎｅｎＴｉａｌ Ｓｍｏｏｔｈｉｎｇ）の方法を用いて今後２４時間の交通量を予測することができる。 In the marine traffic congestion level prediction system according to the embodiment, the traffic volume prediction unit uses an ARIMA (AutoRegressive Integrated Moving Average) or ETS (ExponenTial Smoothing) method based on the time series characteristics of the track data to predict the next 24 hours. traffic volume can be predicted.
前記実施形態による海上交通混雑度予測システムにおいて、前記交通量予測部は、前記航跡データに対する時系列特性に基づいて機械学習（ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ）方法を用いて今後２４時間の交通量を予測することができる。 In the marine traffic congestion level prediction system according to the embodiment, the traffic volume prediction unit may predict traffic volume for the next 24 hours using a machine learning method based on time series characteristics of the track data. can.
前記実施形態による海上交通混雑度予測システムにおいて、前記領域別混雑度予測部は、予測された前記交通量を考慮して次の［数式１］を用いて領域別混雑度（ In the maritime traffic congestion degree prediction system according to the embodiment, the region-specific congestion degree prediction unit calculates the region-specific congestion degree (
）を予測することができる。 ) can be predicted.
［ここで、 [here,
は予測された交通量を示し、 indicates the predicted traffic volume,
は teeth
領域での交通量平均を示し、 shows the average traffic volume in the area,
は流入する交通量を示し、 indicates the incoming traffic volume,
は交通ネットワークのノードに入るエッジの数を示す。］
上記目的を達成するために、本発明の他の実施形態による海上交通混雑度予測方法は、交通ネットワーク生成部が、交通混雑度を予測しようとする対象海域の航跡データを航跡データベースから抽出し、前記航跡データを用いて、ノード及びエッジからなる交通ネットワークを生成するステップと、対象海域分割部が前記交通ネットワークのノード位置情報に基づいて前記対象海域を分割するステップと、領域別航跡データ分類部が、前記航跡データベースから抽出された航跡データを前記対象海域の分割された領域に基づいて分類し、各領域に含まれている航跡データを時間順に整列するステップと、交通量予測部が、前記領域別に整列された航跡データを設定時間単位で区分して、時間による交通量特性である時系列特性を抽出し、前記航跡データに対する時系列特性に基づいて交通量を予測するステップと、領域別混雑度予測部が、予測された前記交通量を考慮して領域別混雑度を予測するステップと、を含むことを特徴とする。
denotes the number of edges entering a node of the transportation network. ]
In order to achieve the above object, a marine traffic congestion level prediction method according to another embodiment of the present invention includes a traffic network generation unit that extracts track data of a target sea area whose traffic congestion level is to be predicted from a track database; a step of generating a transportation network consisting of nodes and edges using the track data; a step of a target sea area dividing unit dividing the target sea area based on node position information of the traffic network; and a region-based track data classification unit. is a step of classifying the track data extracted from the track database based on the divided regions of the target sea area and arranging the track data included in each region in chronological order; a step of dividing the track data arranged by area into set time units, extracting time-series characteristics that are traffic volume characteristics by time, and predicting traffic volume based on the time-series characteristics of the track data; The method is characterized in that the congestion degree prediction unit includes the step of predicting the congestion degree for each area in consideration of the predicted traffic volume.
前記他の実施形態による海上交通混雑度予測方法は、混雑度可視化部が、前記領域別混雑度に応じて、周囲ノードに連結されるエッジの色を決定して、グラフの形態で電子海図上に表示するステップをさらに含むことができる。 In the marine traffic congestion degree prediction method according to the other embodiment, the congestion degree visualization unit determines the color of edges connected to surrounding nodes according to the area-specific congestion degree, and displays the result on the electronic nautical chart in the form of a graph. The method may further include the step of displaying.
本発明の実施形態による海上交通混雑度予測システム及び方法によれば、交通混雑度を予測しようとする対象海域の航跡データを航跡データベースから抽出し、当該航跡データを用いて交通ネットワークを生成し、交通ネットワークのノード位置情報に基づいて対象海域を分割し、航跡データベースから抽出された航跡データを対象海域の分割された領域に基づいて分類し、各領域に含まれている航跡データを時間順に整列し、領域別に整列された航跡データを設定時間単位で区分して時間による交通量特性である時系列特性を抽出し、航跡データに対する時系列特性に基づいて交通量を予測し、予測された交通量を考慮して領域別混雑度を予測するように構成されることにより、海上交通管制士に、対象海域に対する交通量を予測するのに役立つという優れた効果がある。 According to the maritime traffic congestion prediction system and method according to the embodiments of the present invention, track data of a target sea area whose traffic congestion level is to be predicted is extracted from a track database, and a traffic network is generated using the track data. Divide the target sea area based on the node position information of the transportation network, classify the track data extracted from the track database based on the divided areas of the target sea area, and arrange the track data included in each area in chronological order. Then, the track data arranged by region is divided into set time units to extract time-series characteristics, which are traffic volume characteristics by time, and the traffic volume is predicted based on the time-series characteristics of the track data. By being configured to predict the degree of congestion by area by considering the volume, it has an excellent effect of helping marine traffic controllers predict the traffic volume for a target sea area.
また、上記で予測された領域別混雑度に応じて、周囲ノードに連結されるエッジの色を決定して、グラフの形態で電子海図上に表示するように構成されることにより、海上交通管制士に対象海域に対する交通混雑度情報を容易に認知することができるようにするという優れた効果がある。 In addition, the color of the edges connected to surrounding nodes is determined according to the congestion level of each area predicted above, and the color is displayed on the electronic chart in the form of a graph, thereby controlling maritime traffic control. This has the excellent effect of allowing the operator to easily recognize traffic congestion information for the target sea area.
本発明の実施形態を説明するにあたり、本発明による公知技術についての具体的な説明が本発明の要旨を不要にぼやけるおそれのあると判断された場合には、その詳細な説明を省略する。そして、後述する用語は、本発明における機能を考慮して定義された用語であり、これは、ユーザ、運用者の意図または慣例などによって変わり得る。このため、その定義は、本明細書全般にわたった内容に基づいて下されるべきである。詳細な説明で使用される用語は、本発明の実施形態を記述するためのものに過ぎず、決して制限的に解釈されてはならない。特に明記しない限り、単数形の表現は複数形の意味を含む。本説明において、「含む」または「具備」などの表現は、ある特性、数字、ステップ、動作、要素、これらの一部または組み合わせを指すためのものであり、記述されたもの以外に１つまたはそれ以上の他の特性、数字、ステップ、動作、要素、これらの一部または組み合わせの存在または可能性を排除すると解釈されてはならない。 In describing the embodiments of the present invention, if it is determined that detailed description of known techniques according to the present invention may unnecessarily obscure the gist of the present invention, the detailed description will be omitted. The terms described below are defined in consideration of the functions of the present invention, and may change depending on the intention or custom of the user or operator. Therefore, the definition should be based on the content throughout this specification. The terminology used in the detailed description is for the purpose of describing embodiments of the invention only and is not to be construed as limiting in any way. Unless otherwise specified, singular expressions include plural meanings. In this description, expressions such as "comprises" or "comprising" are used to refer to certain characteristics, numbers, steps, actions, elements, parts or combinations thereof, and include one or more features other than those described. Nothing shall be construed as excluding the existence or possibility of further features, numbers, steps, acts, elements, parts or combinations thereof.
図面に示されている各システムにおいて、いくつかの場合における要素は、それぞれ同じ参照番号または異なる参照番号を有し、表現された要素が異なるまたは類似する可能性があることを示唆することができる。しかし、要素は、異なる実現を有し、本明細書に見られる或いは記述されたシステムのうちの幾つかまたは全部と作動することができる。図面に示されている要素は、同じでも異なってもよい。どれが第１の要素と呼ばれるか、及びどれが第２の要素と呼ばれるかは任意である。 In each system shown in the drawings, elements in some cases have the same or different reference numbers, respectively, which may indicate that the depicted elements may be different or similar. . However, the elements may have different implementations and work with some or all of the systems seen or described herein. The elements shown in the drawings may be the same or different. Which one is called the first element and which one is called the second element is arbitrary.
本明細書において、ある一つの構成要素が他の構成要素へデータまたは信号を「伝送」、「伝達」または「提供」するというのは、ある一つの構成要素が他の構成要素へ直接データ又は信号を伝送するのはもとより、少なくとも一つの別の構成要素を介してデータまたは信号を他の構成要素へ伝送することを含む。 As used herein, when one component "transmits", "conveys" or "provides" data or signals to another component, it refers to one component directly transmitting data or signals to the other component. It includes transmitting signals as well as transmitting data or signals to other components via at least one other component.
以下、本発明の実施形態を図面を参照して詳細に説明する。 Embodiments of the present invention will be described in detail below with reference to the drawings.
図１は、本発明の実施形態による海上交通混雑度予測システムのブロック構成図である。
本発明の実施形態による海上交通混雑度予測システムは、図１に示すように、交通ネットワーク生成部１００、対象海域分割部２００、領域別航跡データ分類部３００、交通量予測部４００、領域別混雑度予測部５００、及び混雑度可視化部６００を含む。
FIG. 1 is a block diagram of a marine traffic congestion prediction system according to an embodiment of the present invention.
As shown in FIG. 1, the marine traffic congestion level prediction system according to the embodiment of the present invention includes a traffic network generation unit 100, a target sea area division unit 200, a track data classification unit 300 by area, a traffic volume prediction unit 400, congestion by area. The congestion level prediction unit 500 and the congestion level visualization unit 600 are included.
交通ネットワーク生成部１００は、交通混雑度を予測しようとする対象海域（以下、対象海域という）の航跡データを航跡データベースＤから抽出し、抽出された航跡データを用いて交通ネットワークを生成する役割を果たす。 The transportation network generation unit 100 has the role of extracting the track data of the target sea area (hereinafter referred to as the target sea area) for which the degree of traffic congestion is to be predicted from the track database D, and generating a traffic network using the extracted track data. Fulfill.
航跡データベースＤは、船舶の航跡が累積格納されたデータベースであり、主にＡＩＳ（Ａｕｔｏｍａｔｉｃ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ Ｓｙｓｔｅｍ）及びレーダー（ＲＡＤＡＲ）から受信された物標（水路測量及び航海の目標となる顕著な地形と地物）情報を用いる。 The track database D is a database in which the tracks of ships are stored cumulatively, and mainly includes landmarks (remarkable topography and landforms that are targets for hydrographic surveying and navigation) received from AIS (Automatic Identification System) and radar (RADAR). object) using information.
航跡データは、下記［表１］の情報を含み、受信された時間に応じて船舶識別番号と共に航跡データベースに格納されている。 The track data includes the information shown in Table 1 below, and is stored in the track database along with the vessel identification number according to the time it was received.
生成される交通ネットワークは、図２に示すように、船舶の運航経路及びパターンをグラフの形態で表現するものであって、ノード（ｎｏｄｅ）とエッジ（ｅｄｇｅ）から構成される。 As shown in FIG. 2, the generated traffic network represents the ship's operating route and pattern in the form of a graph, and is composed of nodes and edges.
ノードは、緯度と経度で表示され、航跡データから前処理（航跡分類、航跡単純化）された船舶の変針点位置である。 The nodes are displayed in latitude and longitude, and are the ship's waypoint positions that have been preprocessed (track classification, track simplification) from track data.
船舶の運航経路に基づいて、ノードを連結するエッジの情報を決定することができ、エッジは方向性を有し、重みはノード間の連結頻度で表す。 Information on edges that connect nodes can be determined based on the ship's route, the edges have directionality, and the weight is expressed as the frequency of connections between nodes.
対象海域分割部２００は、交通ネットワーク生成部１００で生成された交通ネットワークのノード位置情報に基づいて対象海域を分割する役割を果たす。対象海域を分割する方法は、ボロノイ（ｖｏｒｏｎｏｉ）法を使用し、図３に示すように、周囲ノードの位置を考慮して領域を均等に分割することができる。 The target sea area dividing section 200 serves to divide the target sea area based on the node position information of the transportation network generated by the transportation network generation section 100. The Voronoi method is used to divide the target sea area, and as shown in FIG. 3, the area can be equally divided by taking into account the positions of surrounding nodes.
領域別航跡データ分類部３００は、航跡データベースＤから抽出された航跡データを、対象海域分割部２００によって分割された対象海域の領域に基づいて分類し、各領域に含まれている航跡データを時間順に整列する役割を果たす。 The region-based track data classification unit 300 classifies the track data extracted from the track database D based on the regions of the target sea area divided by the target sea area dividing unit 200, and classifies the track data included in each region by time. It plays the role of lining up in order.
交通量予測部４００は、領域別航跡データ分類部３００によって領域別に整列された航跡データを設定時間（例えば１０分）単位で区分して時間による交通量特性である時系列特性を抽出し、航跡データに対する時系列特性に基づいて、例えば今後２４時間の交通量を予測する役割を果たす。 The traffic volume prediction unit 400 divides the track data sorted by region by the region-based track data classification unit 300 in units of set time (for example, 10 minutes), extracts time-series characteristics that are traffic volume characteristics by time, and extracts time-series characteristics that are traffic volume characteristics by time. Based on the time series characteristics of the data, it plays a role in predicting traffic volume for the next 24 hours, for example.
交通量予測は、航跡データに対する時系列特性に基づいて時系列予測方法であるＡＲＩＭＡ（ＡｕｔｏＲｅｇｒｅｓｓｉｖｅ Ｉｎｔｅｇｒａｔｅｄ Ｍｏｖｉｎｇ Ａｖｅｒａｇｅ）又はＥＴＳ（ＥｘｐｏｎｅｎＴｉａｌ Ｓｍｏｏｔｈｉｎｇ）の方法を用いるか、或いはＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ）などの機械学習方法を用いることができる。 For traffic volume prediction, a time series prediction method such as ARIMA (AutoRegressive Integrated Moving Average) or ETS (ExponenTial Smoothing), which is a time series prediction method based on the time series characteristics of track data, is used, or LSTM (Long Short-T) is used. erm Memory) etc. Machine learning methods can be used.
機械学習方法を用いて交通量を予測する場合、航跡データに対する時系列データ及び交通量データのデータセットによって機械学習された、人工ニューラルネットワークに抽出された航跡データに対する時系列特性データを入力させれば、交通量予測データを抽出することができる。 When predicting traffic volume using a machine learning method, time series characteristic data for the track data extracted into an artificial neural network that has been machine learned using a dataset of time series data and traffic volume data for the track data is input. For example, traffic volume prediction data can be extracted.
領域別混雑度予測部５００は、交通量予測部４００によって予測された交通量を考慮して、次の［数式１］を用いて領域別混雑度 The region-specific congestion degree prediction unit 500 calculates the region-specific congestion degree using the following [Formula 1], taking into consideration the traffic volume predicted by the traffic volume prediction unit 400.
を予測する役割を果たす。 plays a role in predicting.
［ここで、 [here,
は予測された交通量を示し、 indicates the predicted traffic volume,
は teeth
領域での交通量平均を示し、 shows the average traffic volume in the area,
は流入する交通量を示し、 indicates the incoming traffic volume,
は交通ネットワークのノードに入るエッジの数を示す。］
図４は、図１の領域別混雑度予測部５００によって予測された領域別混雑度を示す例示図である。
denotes the number of edges entering a node of the transportation network. ]
FIG. 4 is an exemplary diagram illustrating the degree of congestion by region predicted by the degree of congestion by region prediction unit 500 of FIG. 1. Referring to FIG.
混雑度は、海上交通管制士の観点から単純に交通量が増加する状況ではなく、遭遇する船舶（すなわち、管制が必要な船舶）が多くなる状況を意味する。 From the perspective of a marine traffic controller, the degree of congestion refers to a situation where the number of ships encountered (that is, ships that need to be controlled) increases, rather than a situation where the traffic volume simply increases.
図４では、Ｃ領域における混雑度を計算することが例示されている。 In FIG. 4, calculation of the degree of congestion in area C is illustrated.
Ｃ領域は、船舶がＡ領域とＢ領域から入り、Ｄ領域へ出る交通特性を持つ。 Area C has traffic characteristics in which ships enter from areas A and B and exit to area D.
左右両側の図では、任意の時間に対してＣ領域での交通量が５０隻であると仮定する。 In the left and right figures, it is assumed that the traffic volume in area C is 50 ships at any given time.
左側の図は、大部分の船舶がＡ領域からＤ領域へ進む状況を示し、右側の図は、船舶がＡ領域とＢ領域からＣ領域に合わせられた後、Ｄ領域へ出る状況を示す。 The diagram on the left shows a situation in which most ships proceed from area A to area D, and the diagram on the right shows a situation in which ships exit to area D after being aligned with area C from areas A and B.
したがって、右側の図の交通状況は、Ｃ領域で船舶間遭遇の可能性が高いため、管制が必要な場合が多いと予想され、より混雑な状況と判断することができる。 Therefore, in the traffic situation shown in the diagram on the right, there is a high possibility of an encounter between ships in area C, so it is expected that air traffic control will be required in many cases, and it can be determined that the situation is more congested.
このような状況は、同じ領域でも、時間帯によって交通特性が異なる可能性があり、これを考慮して混雑度を計算しなければならず、上記の［数式１］に詳細に示されている。 In such a situation, even in the same area, traffic characteristics may differ depending on the time of day, and the degree of congestion must be calculated taking this into account, as shown in detail in [Formula 1] above. .
混雑度可視化部６００は、領域別混雑度予測部５００によって予測された領域別混雑度に応じて、周囲ノードに連結されるエッジの色を決定して、グラフの形態で電子海図上に表示する役割を果たす。 The congestion level visualization unit 600 determines the color of edges connected to surrounding nodes according to the area-specific congestion level predicted by the area-specific congestion level prediction unit 500, and displays the color on the electronic chart in the form of a graph. play a role.
図５は、図１の混雑度可視化部によってエッジの色が決定されてグラフの形態で表示されることを示す図である。 FIG. 5 is a diagram illustrating that the edge color is determined by the congestion degree visualization unit of FIG. 1 and displayed in a graph form.
領域別混雑度予測部５００によって予測された各領域の時間による混雑度に応じて、周囲ノードに連結されるエッジの色を異ならせてグラフの形態で電子海図上に表示される。 Depending on the degree of congestion over time of each region predicted by the region-by-region congestion degree prediction unit 500, edges connected to surrounding nodes are displayed in different colors on the electronic chart in the form of a graph.
混雑度グラフは、方向性グラフ（ｄｉｒｅｃｔｅｄ ｇｒａｐｈ）であり、混雑度（例えば、－１．０～１．０）によって色を異ならせて表示する。 The congestion degree graph is a directed graph, and is displayed in different colors depending on the congestion degree (for example, −1.0 to 1.0).
すなわち、混雑：混雑度０．３～１．０、赤
正常：混雑度－０．３～０．３、緑
閑散：混雑度－１．０～－０．３、青
ユーザは、混雑度予測対象時間を今後２４時間内でスライドバーを用いて選択することができ、混雑度結果可視化用のユーザインターフェースの例は、図６に示されている。
In other words, congestion: congestion level 0.3 to 1.0, red Normal: congestion level -0.3 to 0.3, green Quiet: congestion level -1.0 to -0.3, blue The user can predict the congestion level. A target time within the next 24 hours can be selected using a slide bar, and an example of a user interface for visualization of congestion results is shown in FIG.
以下、上述したように構成された本発明の実施形態による海上交通混雑度予測システムを用いた海上交通混雑度予測方法について説明する。 Hereinafter, a method for predicting the degree of marine traffic congestion using the marine traffic congestion degree prediction system according to the embodiment of the present invention configured as described above will be described.
図７は、図１の海上交通混雑度予測システムを用いた海上交通混雑度予測方法を説明するためのフローチャートであり、ここで、Ｓはステップ（ｓｔｅｐ）を意味する。 FIG. 7 is a flowchart for explaining a marine traffic congestion prediction method using the marine traffic congestion prediction system of FIG. 1, where S means step.
まず、交通ネットワーク生成部１００が、交通混雑度を予測しようとする対象海域の航跡データを航跡データベースＤから抽出し、抽出された航跡データを用いて、ノード及びエッジからなる交通ネットワークを生成する（Ｓ１０）。 First, the traffic network generation unit 100 extracts the track data of the target sea area whose traffic congestion level is to be predicted from the track database D, and uses the extracted track data to generate a traffic network consisting of nodes and edges ( S10).
次に、対象海域分割部２００が、ステップＳ１０で生成された交通ネットワークのノード位置情報に基づいてボロノイ（ｖｏｒｏｎｏｉ）法を用いて対象海域を均等に分割する（Ｓ２０）。 Next, the target sea area dividing unit 200 equally divides the target sea area using the Voronoi method based on the node position information of the transportation network generated in step S10 (S20).
次に、領域別航跡データ分類部３００が、航跡データベースＤから抽出された航跡データを対象海域の分割された領域に基づいて分類し（Ｓ３０）、各領域に含まれている航跡データを時間順に整列する（Ｓ４０）。 Next, the region-specific track data classification unit 300 classifies the track data extracted from the track database D based on the divided regions of the target sea area (S30), and sorts the track data included in each region in chronological order. Arrange them (S40).
次に、交通量予測部４００が、ステップＳ４０で領域別に整列された航跡データを設定時間単位で区分して時間による交通量特性である時系列特性を抽出し（Ｓ５０）、航跡データに対する時系列特性に基づいてＡＲＩＭＡ、ＥＴＳ及び機械学習のうちの１つの方法を用いて例えば今後２４時間の交通量を予測する（Ｓ６０）。 Next, the traffic prediction unit 400 divides the track data arranged by area in step S40 into set time units to extract time series characteristics that are time-based traffic volume characteristics (S50), and extracts time series characteristics for the track data. For example, traffic volume for the next 24 hours is predicted using one of ARIMA, ETS, and machine learning based on the characteristics (S60).
次に、領域別混雑度予測部５００が、ステップＳ６０で予測された交通量を考慮して次の［数式１］を用いて領域別混雑度を予測する（Ｓ７０）。 Next, the region-specific congestion degree prediction unit 500 predicts the region-specific congestion degree using the following [Formula 1] in consideration of the traffic volume predicted in step S60 (S70).
［ここで、 [here,
は予測された交通量を示し、 indicates the predicted traffic volume,
は teeth
領域での交通量平均を示し、 shows the average traffic volume in the area,
は流入する交通量を示し、 indicates the incoming traffic volume,
は交通ネットワークのノードに入るエッジの数を示す。］
次に、混雑度可視化部６００が、ステップＳ７０で予測された領域別混雑度に応じて、周囲ノードに連結されるエッジの色を決定して、グラフの形態で電子海図上に表示する（Ｓ８０）。
denotes the number of edges entering a node of the transportation network. ]
Next, the congestion degree visualization unit 600 determines the color of edges connected to surrounding nodes according to the congestion degree for each region predicted in step S70, and displays the color on the electronic chart in the form of a graph (S80 ).
本発明の実施形態による海上交通混雑度予測システム及び方法によれば、交通混雑度を予測しようとする対象海域の航跡データを航跡データベースから抽出し、当該航跡データを用いて交通ネットワークを生成し、交通ネットワークのノード位置情報に基づいて対象海域を分割し、航跡データベースから抽出された航跡データを対象海域の分割された領域に基づいて分類し、各領域に含まれている航跡データを時間順に整列し、領域別に整列された航跡データを設定時間単位で区分して時間による交通量特性である時系列特性を抽出し、航跡データに対する時系列特性に基づいて交通量を予測し、予測された交通量を考慮して領域別混雑度を予測するように構成されることにより、海上交通管制士に、対象海域に対する交通量を予測するのに役立つことができる。 According to the maritime traffic congestion prediction system and method according to the embodiments of the present invention, track data of a target sea area whose traffic congestion level is to be predicted is extracted from a track database, and a traffic network is generated using the track data. Divide the target sea area based on the node position information of the transportation network, classify the track data extracted from the track database based on the divided areas of the target sea area, and arrange the track data included in each area in chronological order. Then, the track data arranged by area is divided into set time units to extract time-series characteristics, which are traffic volume characteristics by time, and the traffic volume is predicted based on the time-series characteristics for the track data. By being configured to predict the congestion degree by area by considering the volume, it can be useful for marine traffic controllers to predict the traffic volume for a target sea area.
また、上記で予測された領域別混雑度に応じて、周囲ノードに連結されるエッジの色を決定して、グラフの形態で電子海図上に表示するように構成されることにより、海上交通管制士に対象海域に対する交通混雑度情報を容易に認知することができるようにする。 In addition, the color of the edges connected to surrounding nodes is determined according to the congestion level of each area predicted above, and the color is displayed on the electronic chart in the form of a graph, thereby controlling maritime traffic control. To enable an operator to easily recognize traffic congestion degree information for a target sea area.
図面及び明細書には最適な実施形態が開示されており、特定の用語が使用されたが、これは、本発明の実施形態を説明するための目的で使用されたものであり、意味を限定するか、或いは特許請求の範囲に記載された本発明の範囲を制限するために使用されたものではない。したがって、当該技術分野における通常の知識を有する者であれば、これから様々な変形及び均等な他の実施形態が可能であることを理解することができるであろう。したがって、本発明の真正な技術的保護範囲は、添付の特許請求の範囲の技術的思想によって定められるべきである。 Although the drawings and specification disclose a preferred embodiment and certain terminology is used, it is used for the purpose of describing embodiments of the invention and is not intended to limit meaning. They are not intended to be used in any way or to limit the scope of the invention as claimed. Accordingly, those of ordinary skill in the art will appreciate that various modifications and equivalent other embodiments are possible. Therefore, the true technical protection scope of the present invention should be determined by the technical spirit of the appended claims.
１００ 交通ネットワーク生成部
２００ 対象海域分割部
３００ 領域別航跡データ分類部
４００ 交通量予測部
５００ 領域別混雑度予測部
６００ 混雑度可視化部
Ｄ 航跡データベース
100 Traffic network generation unit 200 Target sea area division unit 300 Track data classification unit by area 400 Traffic volume prediction unit 500 Congestion level prediction unit by area 600 Congestion level visualization unit D Track database
Claims (12)
前記交通ネットワークのノード位置情報に基づいて前記対象海域を分割するように構成された対象海域分割部と、
前記航跡データベースから抽出された航跡データを前記対象海域の分割された領域に基づいて分類し、各領域に含まれている航跡データを時間順に整列するように構成された領域別航跡データ分類部と、
前記領域別に整列された航跡データを設定時間単位で区分して、時間による交通量特性である時系列特性を抽出し、前記航跡データに対する時系列特性に基づいて交通量を予測するように構成された交通量予測部と、
予測された前記交通量を考慮して領域別混雑度を予測するように構成された領域別混雑度予測部と、を含む、海上交通混雑度予測システム。 a traffic network generation unit configured to extract track data of a target sea area whose degree of traffic congestion is to be predicted from a track database, and generate a traffic network consisting of nodes and edges using the track data;
a target sea area dividing unit configured to divide the target sea area based on node position information of the transportation network;
a region-by-region track data classification unit configured to classify the track data extracted from the track database based on the divided regions of the target sea area, and arrange the track data included in each region in chronological order; ,
The track data arranged by region is divided into set time units, time-series characteristics that are traffic volume characteristics by time are extracted, and traffic volume is predicted based on the time-series characteristics for the track data. traffic forecasting department,
A maritime traffic congestion degree prediction system, comprising: a region-by-region congestion degree prediction unit configured to predict a region-by-region congestion degree in consideration of the predicted traffic volume.
）を予測する、請求項１に記載の海上交通混雑度予測システム。
［ここで、
は予測された交通量を示し、
は
領域での交通量平均を示し、
は流入する交通量を示し、
は交通ネットワークのノードに入るエッジの数を示す］ The region-specific congestion degree prediction unit calculates the region-specific congestion degree (
) The maritime traffic congestion degree prediction system according to claim 1, which predicts the degree of traffic congestion.
[here,
indicates the predicted traffic volume,
teeth
shows the average traffic volume in the area,
indicates the incoming traffic volume,
indicates the number of edges entering the node of the transportation network]
交通ネットワーク生成部が、交通混雑度を予測しようとする対象海域の航跡データを航跡データベースから抽出し、前記航跡データを用いて、ノード及びエッジからなる交通ネットワークを生成するステップと、
対象海域分割部が前記交通ネットワークのノード位置情報に基づいて前記対象海域を分割するステップと、
領域別航跡データ分類部が、前記航跡データベースから抽出された航跡データを前記対象海域の分割された領域に基づいて分類し、各領域に含まれている航跡データを時間順に整列するステップと、
交通量予測部が、前記領域別に整列された航跡データを設定時間単位で区分して、時間による交通量特性である時系列特性を抽出し、前記航跡データに対する時系列特性に基づいて交通量を予測するステップと、
領域別混雑度予測部が、予測された前記交通量を考慮して領域別混雑度を予測するステップと、を含む、海上交通混雑度予測方法。 A marine traffic congestion prediction method using a marine traffic congestion prediction system,
a step in which the transportation network generation unit extracts track data of a target sea area whose traffic congestion level is to be predicted from a track database, and uses the track data to generate a traffic network consisting of nodes and edges;
a step in which a target sea area division unit divides the target sea area based on node position information of the transportation network;
a region-specific track data classification unit classifying the track data extracted from the track database based on the divided regions of the target sea area, and arranging the track data included in each region in chronological order;
The traffic volume prediction unit divides the track data arranged by area into set time units, extracts time-series characteristics that are traffic volume characteristics by time, and calculates traffic volume based on the time-series characteristics for the track data. a step of predicting;
A method for predicting a degree of maritime traffic congestion, comprising the step of a region-by-region congestion degree prediction unit predicting a region-by-region congestion degree in consideration of the predicted traffic volume.
）を予測する、請求項７に記載の海上交通混雑度予測方法。
［ここで、
は予測された交通量を示し、
は
領域での交通量平均を示し、
は流入する交通量を示し、
は交通ネットワークのノードに入るエッジの数を示す］
In the region-specific congestion degree prediction step, the region-specific congestion degree (
) The marine traffic congestion degree prediction method according to claim 7, wherein the method predicts the degree of marine traffic congestion.
[here,
indicates the predicted traffic volume,
teeth
shows the average traffic volume in the area,
indicates the incoming traffic volume,
indicates the number of edges entering the node of the transportation network]
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR10-2022-0045182 | 2022-04-12 | ||
| KR1020220045182A KR102429235B1 (en) | 2022-04-12 | 2022-04-12 | System and method for predicting maritime traffic congestion |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2023156231A JP2023156231A (en) | 2023-10-24 |
| JP7454079B2 true JP7454079B2 (en) | 2024-03-21 |
Family
ID=82837196
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023036394A Active JP7454079B2 (en) | 2022-04-12 | 2023-03-09 | Maritime traffic congestion prediction system and method |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP7454079B2 (en) |
| KR (1) | KR102429235B1 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240040931A (en) | 2022-09-22 | 2024-03-29 | (주)세이프텍리서치 | Modular maritime traffic congestion prediction system |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014026516A (en) | 2012-07-27 | 2014-02-06 | Nissan Motor Co Ltd | Target route generation device and target route generation method |
| US20170052029A1 (en) | 2015-08-19 | 2017-02-23 | Furuno Electric Co., Ltd. | Ship display device |
| US20170206452A1 (en) | 2016-01-14 | 2017-07-20 | Uptake Technologies, Inc. | Localized temporal model forecasting |
| JP2021163437A (en) | 2020-04-02 | 2021-10-11 | コリア インスティテュート オブ オーシャン サイエンス テクノロジー | Device and method for generating movement path network of vessel |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170034254A (en) | 2015-09-18 | 2017-03-28 | 한국전력공사 | Apparatus of vessel management within offshore wind farm and method thereof |
| KR102195378B1 (en) * | 2019-02-21 | 2020-12-24 | 충북대학교 산학협력단 | Method and apparatus for predicting ship traffic density based on convolutional network |
-
2022
- 2022-04-12 KR KR1020220045182A patent/KR102429235B1/en active IP Right Grant
-
2023
- 2023-03-09 JP JP2023036394A patent/JP7454079B2/en active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014026516A (en) | 2012-07-27 | 2014-02-06 | Nissan Motor Co Ltd | Target route generation device and target route generation method |
| US20170052029A1 (en) | 2015-08-19 | 2017-02-23 | Furuno Electric Co., Ltd. | Ship display device |
| JP2017041071A (en) | 2015-08-19 | 2017-02-23 | 古野電気株式会社 | Display device for ship |
| US20170206452A1 (en) | 2016-01-14 | 2017-07-20 | Uptake Technologies, Inc. | Localized temporal model forecasting |
| JP2019503540A (en) | 2016-01-14 | 2019-02-07 | アップテイク テクノロジーズ、インコーポレイテッド | Localized temporal model prediction |
| JP2021163437A (en) | 2020-04-02 | 2021-10-11 | コリア インスティテュート オブ オーシャン サイエンス テクノロジー | Device and method for generating movement path network of vessel |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2023156231A (en) | 2023-10-24 |
| KR102429235B1 (en) | 2022-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8674854B2 (en) | Traffic control apparatus and method using navigation route information of vehicle for each navigational situation | |
| JP6998576B2 (en) | Navigation support method and navigation support system adapted to the risks on the route | |
| US5822712A (en) | Prediction method of traffic parameters | |
| EP2481039B1 (en) | Air traffic control | |
| JP7454079B2 (en) | Maritime traffic congestion prediction system and method | |
| CN108769924A (en) | A kind of scenic spot tourist chain type trip service system and method | |
| EP3327700A1 (en) | Flight plan segmentation for en route diversion destinations | |
| KR102056777B1 (en) | Method And Apparatus for Predicting Vessel Destination by Using Port Data based on Deep Learning Algorithm | |
| JP2002259888A (en) | Simulation control program, method and device | |
| CN109459050B (en) | Navigation route recommendation method and device | |
| US20190266902A1 (en) | Method and system for generating a grid map that shows air traffic intensity | |
| JP4506663B2 (en) | Traffic situation prediction apparatus, method and program, route search system, and traffic situation provision system | |
| US7933693B2 (en) | System and method for harvesting business intelligence from maritime communications | |
| CN109949616A (en) | A kind of anti-ship of bridge active hits monitoring and warning system | |
| Silveira et al. | AIS based shipping routes using the Dijkstra algorithm | |
| JPWO2006098311A1 (en) | Road landscape map creation device, method and program | |
| KR102186520B1 (en) | System and method for analyzing marine traffic using network theory | |
| US10876841B2 (en) | Moving body management system and method | |
| CN114936332A (en) | Method and device for analyzing ship traffic flow in water area of wind power plant and storage medium | |
| JP7188444B2 (en) | Information processing device, information processing method and program | |
| KR102185782B1 (en) | A Technique to Plan a route based on risk contour mapping | |
| Liu et al. | Trade-offs between bus and private vehicle delays at signalized intersections: Case study of a multiobjective model | |
| Lindeberg et al. | Simulation model of the Finnish winter navigation system | |
| CN115440043B (en) | Real-time road condition information road monitoring management system based on RFID vehicle identification | |
| Bellsolà Olba et al. | A method to estimate the capacity of an intersection of waterways in ports |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230309 |
|
| TRDD | Decision of grant or rejection written | ||
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240221 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240227 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240308 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7454079 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |