隨著我國與世界各國貿(mào)易合作不斷加強,港口區(qū)域船舶密度不斷提高,致使港口區(qū)域交通狀況復雜度上升和船舶通航風險增加�？茖W準確的船舶交通流預測模型能為海事機關和港航部門,進行港口基礎設施建設以及港口交通流組織提供數(shù)據(jù)支持和理論依據(jù)。同時,對減少港口水域海上交通事故發(fā)生具有十分重要的意義�；谠麢C和概率模型的港口水域交通流預測模型應用元胞自動機理論和概率模型對整個港口區(qū)域進行交通流預測。該模型通過對港口歷史AIS數(shù)據(jù)挖掘結合港口實際通航條件,將整個港口區(qū)域劃分為航道內(nèi)和航道外兩個區(qū)域。針對兩個區(qū)域不同交通流特點應用上述兩種交通流預測模型分別進行港口水域交通流預測,并將兩部分集成到統(tǒng)一交通流預測平臺,進行兩個預測體系交互。本文主要工作如下:（1）通過對歷史數(shù)據(jù)處理結合實際通航條件將港口區(qū)域劃分為航道內(nèi)和航道外兩個區(qū)域。對歷史數(shù)據(jù)處理主要是進行航跡聚類,通過航跡聚類再結合實際港口區(qū)域航道劃分,將海圖上一些航跡類劃分為航道區(qū)域,并在聚類結果上進行航道繪制,海圖除該區(qū)域以外區(qū)域統(tǒng)一劃分為航道外區(qū)域。（2）對于航道內(nèi)區(qū)域應用元胞自動機理論進行交通流預測建模,具體過程包括:由船舶行為確立元胞狀態(tài)、根據(jù)船... 

【文章來源】：集美大學福建省

【文章頁數(shù)】：74 頁

【學位級別】：碩士

【部分圖文】：

網(wǎng)格化效果圖

集美大學碩士學位論文基于元胞機和概率模型的港口水域交通流預測42（2）錨地東山灣灣內(nèi)由眾多島嶼環(huán)繞構成天然防波屏障，灣內(nèi)錨地避風條件良好。港灣水域有2#、3#、4#三個錨地，還有檢疫錨地、10萬噸級油船專用錨地、15萬噸級原油船錨地和兩個5萬噸級散貨船專用錨地。其具體分布如圖（5-2）所示。圖5-2東山灣水域錨地現(xiàn)狀分布示意圖5.1.2交通流特征漳州海事局對古雷港區(qū)近5年進出港船舶統(tǒng)計數(shù)據(jù)如表（5-1）所示，2014年由于古雷港區(qū)PX項目的試運行，其進出港船舶數(shù)目約為2013年的1.7倍。由于該項目在試運營期間的爆炸事故，2016年進出港船舶比2015約減少了30%，2017年逐步恢復進出港船舶數(shù)目與2016年持平。該統(tǒng)計數(shù)據(jù)為大型船舶統(tǒng)計數(shù)據(jù)不包含進出港漁船。在該港區(qū)存在許多漁船作業(yè)，比如在古雷航道6#浮標南側水域常有漁船穿越古雷航道進入灣內(nèi)漁港或在此水域進行捕魚作業(yè)。表5-1古雷港區(qū)交通流年數(shù)據(jù)年份20132014201520162017進出港船次（艘次）205934673088204820605.2港口交通流預測應用python語言進行交通流預測平臺底層算法搭建，借助現(xiàn)有的mesa庫實現(xiàn)航段以及區(qū)域的模型構建。Mesa庫是基于Agent的模型模塊化框架，可用于進行模型構建、數(shù)據(jù)分析和模型可視化，其不同功能模塊組件保持分離，以實現(xiàn)對復雜系統(tǒng)的計算機仿真實現(xiàn)。平臺構建中涉及許多上文所說的數(shù)據(jù)前期處理，包括：數(shù)據(jù)插值、航跡聚類、初始船位轉

集美大學碩士學位論文基于元胞機和概率模型的港口水域交通流預測46舶行為，在船舶執(zhí)行元胞自動機更新規(guī)則時統(tǒng)計相應的船舶行為。同時該預測結果是接入真實交通流預測所得，將該水域獲取的某一時刻AIS數(shù)據(jù)進行坐標裝換航跡分析后進行分類，并將其實時位置坐標轉換為系統(tǒng)坐標，將與之對應ShipAgent()放置在對應網(wǎng)格點進行交通流預測。設置預測時常為6000個時間步長，即100分鐘，系統(tǒng)運行結束后將統(tǒng)計結果根據(jù)不同會遇態(tài)勢、會遇位置和會遇時間繪制船舶交通流預測結果統(tǒng)計圖如圖（5-5）所示。圖5-5交通流預測結果統(tǒng)計由圖（5-5）可以得出對于定線制雙向航道，航道內(nèi)船舶發(fā)生最多的會遇行為是船舶對遇行為，對遇行為在該航道相對集中位置為網(wǎng)格編號1000-3000處以及網(wǎng)格編號4900-5100處，網(wǎng)格4000附近因接入交通流坐標轉換后屬于該區(qū)域船舶數(shù)量相對較少導致該區(qū)域交通流分布相對離散，因此該區(qū)域船舶會遇統(tǒng)計較少。追越行為因制定追越判斷條件較為嚴格，故追越行為在該航道交通流預測中相對分散，按時間軸分布相對離散。根據(jù)該研究水域設置敏感水域對應網(wǎng)格編號2000-3000，故敏感水域會遇行為集中分布在該區(qū)域，并在設定時間步長內(nèi)時間參數(shù)對該行為影響較校交叉行為是根據(jù)概率模型進行航跡推演得到航道外船舶穿越航道時間和穿越位置的基礎上，根據(jù)預定機制和穿越規(guī)則形成的船舶行為，由圖可得該區(qū)域預測時間段內(nèi)網(wǎng)格編號1000-3000處會有穿越船在對應時間點進行穿越。為驗證預測結果的準確性，對接入AIS數(shù)據(jù)中初始船舶位置、初始船舶速度、概率模型推導穿越船穿越點和穿越時間進行人為改變，并重新定義敏感水域劃分將敏感水域按錨地進出口和航道交匯處分為3段區(qū)域，改變后的預測結果統(tǒng)計如圖（5-6）所示。

【參考文獻】：
期刊論文
[1]基于組合深度學習的快速路車道級速度預測研究[J]. 谷遠利,陸文琦,李萌,王碩,邵壯壯.  交通運輸系統(tǒng)工程與信息. 2019(04)
[2]基于聚類分析和馬爾科夫模型的交通狀態(tài)預測[J]. 郭驍煒,陳小妮,于泉,孫瑤.  公路. 2019(08)
[3]PSO-無偏灰色馬爾科夫模型在船舶交通流量預測中的應用[J]. 馬全黨,江福才,范慶波,朱蓉蓉.  中國航海. 2019(01)
[4]改進的考慮前車速度效應的交通流元胞自動機模型[J]. 李碩,夏運達.  公路工程. 2019(01)
[5]基于改進的隱馬爾可夫模型交通擁堵識別研究[J]. 王忻.  蘭州交通大學學報. 2018(05)
[6]基于灰色馬爾科夫模型的船舶交通流預測[J]. 劉成勇,萬偉強,陳蜀喆,甘浪雄.  中國航海. 2018(03)
[7]基于優(yōu)化的灰色馬爾可夫模型對船舶流的預測[J]. 張曉雷,黃洪瓊.  計算機技術與發(fā)展. 2018(10)
[8]基于集合經(jīng)驗模態(tài)分解和差分進化算法優(yōu)化BP神經(jīng)網(wǎng)絡的船舶交通流預測[J]. 肖進麗,李曉磊.  大連海事大學學報. 2018(02)
[9]基于小波分析與隱馬爾科夫模型的短時交通流預測[J]. 王川,張寶文.  交通節(jié)能與環(huán)保. 2018(01)
[10]基于ARMA和卡爾曼濾波的短時交通預測[J]. 楊高飛,徐睿,秦鳴,鄭凱俐,張兵.  鄭州大學學報(工學版). 2017(02)

博士論文
[1]基于元胞自動機的海上航道內(nèi)船舶交通流研究[D]. 齊樂.大連海事大學 2017
[2]基于隱馬爾可夫模型的車輛行程時間預測方法研究[D]. 歐陽黜霏.武漢大學 2015
[3]基于元胞自動機的交通流建模及實時誘導策略研究[D]. 向鄭濤.上海大學 2013

碩士論文
[1]交互式多模型的轉移概率自適應算法研究及應用[D]. 孫瀾瀾.西安理工大學 2019
[2]基于改進狼群算法和BP循環(huán)神經(jīng)網(wǎng)絡的短時交通流預測研究[D]. 邢家龍.北京交通大學 2019
[3]基于深度學習的短時交通流預測研究[D]. 翟冬梅.北京交通大學 2019
[4]基于隱馬爾可夫新狀態(tài)轉移機制的網(wǎng)絡風險動態(tài)評估方法[D]. 張曉.燕山大學 2019
[5]基于AIS數(shù)據(jù)挖掘的船舶領域模型研究[D]. 周田瑞.集美大學 2018
[6]基于AIS信息的船舶異常行為研究[D]. 黃靚瑩.杭州電子科技大學 2018
[7]基于卡爾曼濾波的長江武漢大橋段交通流預報[D]. 柳立春.大連海事大學 2018
[8]基于LSTM和灰色模型集成的短期交通流預測[D]. 談苗苗.南京郵電大學 2017
[9]基于Agent和元胞自動機的港口交通流建模與仿真[D]. 何鑫.大連海事大學 2017
[10]廈門港主航道VTS決策支持關鍵技術研究[D]. 趙一帆.集美大學 2017



本文編號：3218924