AIS大數(shù)據(jù)中蘊(yùn)含著大量的隱藏在數(shù)據(jù)當(dāng)中的無(wú)法直接依靠單一設(shè)備獲取到的重要信息�，F(xiàn)階段航海領(lǐng)域?qū)IS數(shù)據(jù)挖掘工作尚處在一個(gè)淺層次挖掘的階段,對(duì)于AIS數(shù)據(jù)的挖掘不夠充分,忽視了船舶交通流之間的關(guān)聯(lián)因素,對(duì)復(fù)雜數(shù)據(jù)信息的利用率較低。目前對(duì)于船舶AIS數(shù)據(jù)的挖掘重點(diǎn)主要集中在船舶位置信息在不同港口空間位置的宏觀表現(xiàn),對(duì)于軌跡時(shí)間等因素還處于輔助決策信息的環(huán)節(jié),對(duì)船舶AIS數(shù)據(jù)沒(méi)有做到充分挖掘及合理的應(yīng)用,對(duì)這一類的研究還有待探索與創(chuàng)新。本文綜合考慮了 AIS數(shù)據(jù)表征船舶運(yùn)動(dòng)狀態(tài)的特性,采用基于改進(jìn)譜聚類算法的數(shù)據(jù)挖掘方法進(jìn)行船舶軌跡聚類以及航跡的預(yù)測(cè),具體內(nèi)容主要包括以下幾點(diǎn):（1）在船舶軌跡預(yù)處理階段對(duì)AIS數(shù)據(jù)進(jìn)行壓縮處理,采用改進(jìn)Sliding Window算法的數(shù)據(jù)壓縮方式,結(jié)合AIS數(shù)據(jù)特點(diǎn),加入船舶航向作為壓縮變量參數(shù)之一,改變以往單純使用經(jīng)緯度變量造成的不符合航海實(shí)際、壓縮不合理等情況,提高數(shù)據(jù)挖掘的精度和速度,降低AIS軌跡數(shù)據(jù)的內(nèi)存。（2）結(jié)合譜聚類算法特性得出較為合理的算法復(fù)雜度及時(shí)間復(fù)雜度,改善傳統(tǒng)聚類方法過(guò)度依賴參數(shù)導(dǎo)致出現(xiàn)陷入局部最優(yōu)的情況,為船舶挖掘有效信息提... 

【文章頁(yè)數(shù)】：82 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及研究意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 船舶AIS數(shù)據(jù)挖掘的國(guó)內(nèi)外研究現(xiàn)狀分析
        1.2.2 針對(duì)譜聚類算法的國(guó)內(nèi)外研究現(xiàn)狀分析
        1.2.3 對(duì)船舶軌跡預(yù)測(cè)的國(guó)內(nèi)外研究現(xiàn)狀分析
    1.3 數(shù)據(jù)挖掘-聚類分析的主要步驟及評(píng)價(jià)標(biāo)準(zhǔn)
        1.3.1 聚類分析的一般過(guò)程
        1.3.2 聚類效果評(píng)價(jià)標(biāo)準(zhǔn)
    1.4 本文研究?jī)?nèi)容
    1.5 本文組織結(jié)構(gòu)
2 AIS數(shù)據(jù)預(yù)處理
    2.1 AIS數(shù)據(jù)采集
    2.2 AIS數(shù)據(jù)解碼
    2.3 AIS數(shù)據(jù)存在問(wèn)題及解決方案
    2.4 AIS數(shù)據(jù)壓縮
    2.5 本章小結(jié)
3 基于改進(jìn)譜聚類算法的船舶軌跡聚類
    3.1 譜聚類算法概述
        3.1.1 譜圖理論及劃分規(guī)則
        3.1.2 譜聚類的主要過(guò)程及思路
        3.1.3 譜聚類算法復(fù)雜度及存在問(wèn)題
    3.2 譜聚類算法的改進(jìn)
        3.2.1 相似度距離的改進(jìn)
        3.2.2 基于k-means算法的改進(jìn)
    3.3 基于天津港水域的船舶航路實(shí)驗(yàn)驗(yàn)證
        3.3.1 研究水域簡(jiǎn)介
        3.3.2 研究水域中研究對(duì)象的確定
        3.3.3 軌跡聚類結(jié)果展示及對(duì)比分析
    3.4 本章小結(jié)
4 基于GRU神經(jīng)網(wǎng)絡(luò)和軌跡聚類模型的船舶航跡預(yù)測(cè)
    4.1 GRU神經(jīng)網(wǎng)絡(luò)算法的應(yīng)用
        4.1.1 GRU神經(jīng)網(wǎng)絡(luò)算法的理論及優(yōu)勢(shì)
        4.1.2 基于GRU神經(jīng)網(wǎng)絡(luò)算法的預(yù)測(cè)步驟
    4.2 船舶航跡預(yù)測(cè)實(shí)驗(yàn)及結(jié)果對(duì)比
    4.3 本章小結(jié)
5 結(jié)論與展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)歷及攻讀碩士學(xué)位期間的科研成果


【參考文獻(xiàn)】：
期刊論文
[1]基于K近鄰字典的協(xié)同表示高光譜圖像分類方法[J]. 鄭鮮艷,陳湘,汪芝城,江帆.  湖北大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(06)
[2]基于BLSTM-RNN的船舶軌跡修復(fù)方法[J]. 王貴槐,鐘誠(chéng),初秀民,張代勇.  重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(10)
[3]基于軌跡段DBSCAN的船舶軌跡聚類算法[J]. 江玉玲,熊振南,唐基宏.  中國(guó)航海. 2019(03)
[4]基于極限學(xué)習(xí)機(jī)的船舶航行行為預(yù)測(cè)![J]. 謝新連,陳紫薇,魏照坤,趙瑞嘉.  重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(08)
[5]船舶AIS軌跡聚類方法研究進(jìn)展綜述[J]. 徐良坤,任律珍,周世波.  廣州航海學(xué)院學(xué)報(bào). 2019(02)
[6]基于蟻群算法與海量AIS數(shù)據(jù)的船舶航線規(guī)劃[J]. 姚肖肖,胡勤友,楊春.  交通信息與安全. 2019(03)
[7]拉普拉斯矩陣在聚類中的應(yīng)用[J]. 劉穎,張艷邦.  天津科技大學(xué)學(xué)報(bào). 2019(03)
[8]基于共享k-近鄰與共享逆近鄰的密度峰聚類[J]. 高月,楊小飛,馬盈倉(cāng),汪義瑞.  計(jì)算機(jī)工程與應(yīng)用. 2019(20)
[9]基于多項(xiàng)式卡爾曼濾波的船舶軌跡預(yù)測(cè)算法[J]. 姜佰辰,關(guān)鍵,周偉,陳小龍.  信號(hào)處理. 2019(05)
[10]聚類算法綜述[J]. 章永來(lái),周耀鑒.  計(jì)算機(jī)應(yīng)用. 2019(07)



本文編號(hào)：3651043