船舶dedecms自动采集

第11卷第2期2011年4月交通运输工程学报JournalofTrafficandTransportationEngineeringVol.
11No.
2Apr.
2011收稿日期:20101218基金项目:上海市科委2009年度创新行动计划项目(09170502000)作者简介:李松(1981),男,河南项城人,上海海事大学工学博士研究生,从事水上交通安全研究.
导师简介:孔凡(1955),男,江苏南京人,上海海事大学教授.
文章编号:16711637(2011)02012106警戒区水上交通冲突数据自动采集系统李松,孔凡,关克平(上海海事大学商船学院,上海200135)摘要:基于ECDIS、AIS以及支持向量机,引入交通冲突研究方法,提出船舶定线制警戒区水上交通冲突数据自动采集解决方案.
方案利用支持向量机学习训练冲突样本数据,得到判别冲突严重程度SVM分类模型,并将SVM软件包和SVM分类模型嵌入到ECDIS,结合实时AIS数据建立水上交通冲突数据自动采集系统,应用该系统对长江口船舶定线制A警戒区进行72h水上交通冲突数据采集.
实例结果表明:警戒区72h船舶流量为681艘次,水上交通冲突为327个;严重、中等和一般冲突数量分别占总数的10.
7%、21.
4%和67.
9%.
系统运行稳定,可实现水上交通冲突数据自动采集与处理.
关键词:水路运输;船舶定线制;水上交通冲突;警戒区;数据自动采集中图分类号:U676.
1文献标志码:A犃狌狋狅犿犪狋犻犮犪犮狇狌犻狊犻狋犻狅狀狊狔狊狋犲犿狅犳狏犲狊狊犲犾狋狉犪犳犳犻犮犮狅狀犳犾犻犮狋犱犪狋犪犻狀狆狉犲犮犪狌狋犻狅狀犪狉狔犪狉犲犪LISong,KONGFancun,GUANKeping(SchoolofMerchantMarine,ShanghaiMaritimeUniversity,Shanghai200135,China)犃犫狊狋狉犪犮狋:Trafficconflictresearchmethodwasintroduced,andasolvingschemeofautomaticacquisitionforvesseltrafficconflictdatainshipsroutingprecautionaryareaswasproposedbasedonECDIS,AISandsupportvectormachine(SVM).
Inthesolvingscheme,SVMclassificationmodelwasacquiredthroughtrainingstudyofsampledata,andtheconflictdegreewasidentifiedbyusingthemodel.
SVMsoftwarepackageandSVMclassificationmodelwereembeddedinECDIS,andtheautomaticacquisitionsystemofvesseltrafficconflictdatawasachievedcombinedwiththerealtimedataofAIS.
ThevesseltrafficconflictdataofprecautionaryareaAforYangtzeestuaryshipsroutingin72hwereacquiredbyusingthesystem.
ExampleresultshowsthatthetrafficflowandvesseltrafficconflictdataofprecautionaryareaAin72hare681and327respectively.
Severe,moderateandmildconflictsaccountfor10.
7%,21.
4%and67.
9%ofthetotalrespectively.
Therunningofthesystemissteady,andvesseltrafficconflictdatacanbeacquiredandprocessedautomatically.
2tabs,5figs,15refs.
犓犲狔狑狅狉犱狊:waterwaytransportation;shipsrouting;vesseltrafficconflict;precautionaryarea;dataautomaticacquisition犃狌狋犺狅狉狉犲狊狌犿犲狊:LISong(1981),male,doctoralstudent,+862158850828,embody@126.
com;KONGFancun(1955),male,professor,+862158850828,fckong@mmc.
shmtu.
edu.
cn.
0引言船舶定线制作为"海上高速公路",代表着水上船舶航行秩序管理的发展方向,随着船舶定线制在中国沿区域化、网络化的方向发展,形成了大量类似于公路平交路口的船舶定线制航道交叉口,其中,交通流向复杂,船舶必须特别谨慎航行,事故多发的航道交叉口多以警戒区的形式管理.
目前,国内外船舶定线制警戒区的安全研究多是从通航管理、航行规则等角度定性分析,少有定量的研究[1],因此,若能将交通冲突技术结合船舶避碰领域的紧迫局面、碰撞危险度等概念,共同应用于船舶定线制警戒区的定量交通安全研究,其产生的安全效益将十分显著[2].
本文认为紧迫局面即为水上交通冲突,碰撞危险度反映了水上交通冲突的严重程度.
交通冲突数据是进行交通冲突机理分析,交通安全评价,优化设计方案及制定安全改善措施等一系列工作的基础,因此,一个合理规范的交通冲突数据采集方法显得尤为重要,数据采集的制约一定程度上阻碍了道路交通冲突技术的发展应用.
此外,在水上交通领域,现有的船舶碰撞危险度的研究多是分析两船之间的碰撞危险度求取方法[5],没有进一步进行局部水域的船舶碰撞危险的自动计算与统计,工程实践应用性不强.
电子海图信息显示系统(ElectronicChartDisplayandInformationSystem,ECDIS)和船舶自动识别系统(AutomaticIdentificationSystem,AIS)的普及应用,为水上交通冲突数据的自动采集提供了良好的技术平台.
本文基于ECDIS、AIS数据以及支持向量机理论(SupportVectorMachine,SVM),引入交通冲突相关研究方法,提出船舶定线制警戒区水上交通冲突数据自动采集解决方案,开发了水上交通冲突数据自动采集与处理系统,实现了船舶定线制警戒区水上交通冲突严重程度的实时分类与统计.
1定线制发展现状、趋势与安全问题1.
1发展现状和趋势1961年,第一个获得国际海事组织(IMO)审议通过的定线制———多佛尔海峡船舶定线制产生后,世界上大部分的重要国际航行水域都已建立了船舶定线制.
截止到2010年,全世界被IMO采纳的定线制措施总计261个,其中分道通航制159个,深水航路18条,避航区56个,其他定线制措施28个.
近十年来,中国交通运输部把做好船舶定线制的规划、研究和实施作为推进新安全管理理念的突破口,加大了船舶定线制的研究和实施力度,陆续在成山角、长江口、珠江口、长江上海段、青岛水域、曹妃甸、宁波舟山核心港区等十多个水域推行了船舶定线制[6].
未来数年内,中国将在主要的繁忙海域完善现有船舶定线制.
在规划方面,船舶定线制将朝着沿海整体规划、区域整体规划的方向发展,打造中国沿海的"海上高速公路网",从本质上提高中国沿海水域的整体交通安全水平.
1.
2定线制警戒区安全问题分析船舶定线制之所以能在实践中取得巨大的经济和安全效益,根本原因在于它对船舶交通流的成功规范,大幅减少了微观层面船舶会遇的紧迫局面次数.
实施船舶定线制虽然可以使航段上的船舶会遇率大大降低,但在航路交叉点附近,船舶会遇率不但没有降低,相反,由于船舶定线制对交通流的约束和引导,多股交通流向警戒区集中,使得警戒区交通流量更大,流向更复杂,船舶会遇问题更趋严重[7].
这说明以分道通航制为主的船舶定线制方案并没有很好地解决各主要交通流汇集区域的船舶会遇问题.
图1长江口船舶定线制A、B警戒区Fig.
1AandBprecautionaryareasofYangtzeestuaryshipsrouting随着船舶定线制在中国沿区域化、网络化的方向发展,警戒区的安全问题也将愈发突出.
长江口船舶定线制A、B警戒区示意见图1,C1、C2、C3、C4、C5为5条通航分道.
A、B警戒区是船舶进出长江的"门户",是典型的船舶定线制航道交叉口.
221交通运输工程学报2011年2冲突数据自动采集方案2.
1开发环境简介本数据采集系统开发环境为ECDIS、AIS、VC++6.
0、MATLABR2009a、LIBSVM软件包.
ECDIS是指符合有关国际标准,连接定位、雷达、AIS等设备,能综合反映船舶行驶状态的电子海图信息显示系统.
AIS系统由岸基设施和船载设备共同组成,使安装AIS设备的船舶之间能够自动、连续地交换航行数据,如船舶呼号、位置、航向和航速等,并在ECDIS上显示.
山东海事局2007年的调查表明,外国籍船舶AIS安装率约为99%,中国籍船舶AIS安装率约为73%[89].
中国海事局于2010年4月份发文,对中国沿海和内河航行船舶配备AIS做了更严格的规定,可以预测未来几年内,中国籍船AIS安装率也将达到95%以上.
本系统采用的SVM软件包是LIBSVM2.
91和具有MATLAB接口的LIBSVMMAT2.
893.
LIBSVM软件包是用C++开发的,开源的,用于分类、回归及分布估计的软件包,并且提供了多种语言接口,常用的有MATLAB、C#.
net、Java等.
2.
2数据采集方案设计船舶定线制警戒区水上交通冲突数据自动采集系统的主要实现步骤如下.
(1)分析船舶碰撞危险度影响因素,确定水上交通冲突参数.
(2)采集船舶定线制警戒区水上交通冲突数据样本,计算水上交通冲突参数值.
然后使用SVM进行学习训练,选择核函数及其最优的参数,建立SVM分类模型.
(3)在VC++6.
0环境中,将LIBSVM软件包嵌入到ECDIS程序,导入SVM分类模型,连接AIS数据中心,利用实时的船舶AIS数据,两两判断并记录水域内船舶冲突严重程度数据.
(4)在实现水上交通冲突严重程度判断的同时,系统同时完成警戒区船舶流量、流向统计,水上交通冲突发生时间、位置,发生冲突船舶的MMSI码、位置、航速、航向等数据的记录.
3冲突严重程度分类犛犞犕模型3.
1犛犞犕分类基本原理SVM分类器通过引入核函数,建立一个超平面作为决策曲面,将低维输入空间线性不可分样本映射到高维特征空间,达到线性可分或者近似线性可分,从而得到一个具有分类能力和推广泛化能力的学习机.
文献[10]对数据的多值分类问题进行了研究,结果表明神经网络技术在多个小样本数据集上的分类效果要略低于支持向量机.
SVM的基本思想可由图2说明,在二维两类线性可分情况下,有很多可能的线性分类器可以把这组数据分隔开,但是只有一个使两类的分类间隔犎最大,即图中的虚直线.
支持向量是指训练集中的某些最靠近分类决策面的训练点,是最难分类的数据点,图2中狓1、狓2即为支持向量,寻找最优分类超平面等价于求最大分类间隔.
本文采用了LIBSVM软件包来实现数据的支持向量机分类方法,并应用到水上交通冲突数据自动采集系统.
图2支持向量机基本原理Fig.
2Fundamentalofsupportvectormachine3.
2冲突参数确定船舶碰撞危险度影响因素很多,主要有最短会遇距离(犇CPA)、最小会遇时间(犜CPA)、目标船方位、目标船舷角、本船与目标船的航速、会遇时两船的航速比等.
其中犇CPA与犜CPA是影响船舶碰撞危险度最主要的因素,可以反映两船的距离、相对速度、方位及其变化率等[1112],犇CPA和犜CPA值越小,碰撞危险度越大.
此外,船舶定线制在设计时大都考虑了大小船的分流,所以不把船长作为一个重要影响因素,因此,本文将犇CPA和犜CPA确定为水上交通冲突参数.
3.
3基于犃犐犛数据的水上交通冲突参数推算3.
3.
1两船会遇的距离、方位算法设λ0、λT、φ0、φT分别为会遇两船位置的经度、纬度(°),犇λ、犇φ分别为两船位置之间的经度差和纬度差(′),可得犇λ=60(λT-λ0)犇φ=60(φT-φ0烅烄烆)(1)为计算方便,设两船之间经度值较大的为目标船,较小的为本船,则目标船相对于本船的真方位犅T(°)为321第2期李松,等:警戒区水上交通冲突数据自动采集系统犅T=arctan(犇λ/犇犕)+τ(2)犇T=犇φ/cos(犅T)犇φ≠0犇λ犇φ烅烄烆=0(3)犇犕=犕(φT)-犕(φ0)(4)τ=0犇λ≥0,犇φ≥0180犇φ0表示其他船过本船船首,犇CPAα≥180α180>α≥烅烄烆0(13)船舶避碰见图3.
图3船舶避碰Fig.
3Shipcollisionprevention3.
4警戒区水上交通冲突样本数据采集水上交通冲突事件的严重程度可分为一般冲突、中等冲突和严重冲突3类[1314],分别用数字1、2、3表示,样本数据采集过程如下.
(1)在ECDIS设备可视化的界面上,截取152个警戒区船舶危险会遇情况的图片,并根据AIS数据,记录相应船舶的位置、航速、航向等参数.
(2)由多名具有丰富航海经历的专家对船舶碰撞危险进行主观判断,分为不构成冲突、一般冲突、中等冲突和严重冲突4类.
(3)剔除不构成冲突的部分,计算出其他3部分样本的犇CPA、犜CPA值.
(4)应用累积频率法,对根据第(3)步获得的犇CPA、犜CPA两个参数的147个样本值进行初步处理,在累积频率85%水平下选定对应的犇CPA和犜CPA值作为下界,即当犇CPA和犜CPA值同时小于下界值时,85%的专家认为发生了水上交通冲突.
结合实际航海经验,取-1min<犜CPA<10min并且犇CPA<0.
5nmile时,认为构成水上交通冲突.
(5)由以上几个步骤共获得128个有效的船舶定线制警戒区水上交通冲突样本数据.
3.
5犛犞犕分类模型参数优选建立SVM分类模型,选择核函数及其最优的参数是关键,其选择的好坏直接影响SVM分类器性能的优劣.
本系统采用的核函数是支持向量机中应用最为广泛的一种核函数———径向基函数421交通运输工程学报2011年(RBF).
SVM分类模型参数的优选采用交叉验证测试法,其基本思想是把原始样本数据进行分组,一部分作为训练集,另一部分作为验证集,首先用训练集对分类器进行训练得到SVM分类模型,再利用验证集来测试训练得到的模型,并以分类准确率做为评价分类器的性能指标,具体操作步骤如下.
(1)将MATLAB版本的LIBSVMMAT2.
893安装在MATLABR2009a中.
(2)把128个水上交通冲突样本数据进行分组,随机选取64个样本作为训练集,另一部分作为验证集.
(3)让径向基函数的参数惩罚因子犮和参数犵在一定的范围内取值,利用交叉验证(KfoldCrossValidation,KCV)测试法和网格搜索法,在LIBSVM中进行训练,获取能够达到最高验证分类准确率的犮和犵做为最佳参数,实现了SVM分类模型的参数优选,见图4,当惩罚因子犮取8,犵取2.
83时,分类准确率达到97.
5%.
图4参数犮和犵的优选Fig.
4Optimizationof犮and犵(4)将最优参数下的SVM分类模型保存成磁盘文件,从而建立了船舶定线制警戒区水上交通冲突严重程度分类SVM模型.
4数据采集系统的实现与实例分析将LIBSVM2.
91工具箱,嵌入到ECDIS系统,导入SVM分类模型,通过网络连接AIS数据中心,获得中国沿海水域实时的船舶AIS数据,建立船舶定线制水上交通冲突数据采集系统.
应用该系统实时采集警戒区内船舶的MMSI码、位置、航速、航向等参数,每隔30s两两运算判断一次警戒区水上交通冲突及其严重程度.
两船在警戒区内航行的过程中可能会取得多个计算值,在记录时取严重程度最大的一次,当严重程度有并列时,取两船距离最近的一次.
记录内容包括冲突发生时间、位置,发生水上交通冲突船舶的MMSI码、位置、航速、航向等,在ECDIS界面上的显示位置设定在两船的中间位置.
同时,在警戒区4个方向上设置4条门线(L1、L2、L3、L4),记录船舶进出门线时的数据,从而实现警戒区各方向的交通流量、流向统计等[15].
应用本数据采集系统,对长江口船舶定线制A警戒区进行72h水上交通冲突数据采集,见图5.
图5中柱状图表示对应航道的交通流量统计,柱状图的方向表示交通流的方向,数据见表1.
图中三角形、矩形和圆形图标分别表示一般、中等和严重水上交通冲突,数据采集系统记录了每个水上交通冲突的位置,船舶航速、航向等详细参数,因此,可以将采集的数据做较精确的统计分析.
本文将A警戒区分为Ⅰ、Ⅱ、Ⅲ、Ⅳ四个区域,分别对水上交通冲突进行统计,数据见表2.
图5交通冲突及其严重程度分布Fig.
5Distributionoftrafficconflictsandseverities表1交通流量统计犜犪犫.
1犛狋犪狋犻狊狋犻犮狊狅犳狋狉犪犳犳犻犮狏狅犾狌犿犲狊艘进口门线L1门线L2门线L3门线L4240135186120出口L2L3L4L1L3L4L1L2L4L1L2L38178544221091162842126444合计681表2交通冲突数据统计犜犪犫.
2犛狋犪狋犻狊狋犻犮狊狅犳狋狉犪犳犳犻犮犮狅狀犳犾犻犮狋犱犪狋犪区域一般/次中等/次严重/次小计/次Ⅰ7317898Ⅱ4415665Ⅲ56211289Ⅳ4917975合计2227035327521第2期李松,等:警戒区水上交通冲突数据自动采集系统5结语船舶定线制水上交通冲突数据自动采集系统运行稳定,数据可靠,为交通冲突技术应用于船舶定线制警戒区交通安全研究提供了基础数据,为进一步寻找交通改善措施,减少警戒区航行船舶交通冲突次数的发生,降低事故率和事故严重程度,提高船舶定线制设计与安全运行水平等奠定了良好的基础.
同时,本数据采集系统也可用于其他交通密度较大水域的水上交通冲突数据采集.
参考文献:犚犲犳犲狉犲狀犮犲狊:[1]乔归民.
在警戒区内航行安全问题的分析[J].
中国航海,2009,32(1):102105.
QIAOGuimin.
Analysisofnavigationsafetyinrestrictedwaters[J].
NavigationofChina,2009,32(1):102105.
(inChinese)[2]谭箭,田博.
交通冲突技术在船舶避碰领域的应用[J].
物流工程与管理,2009,31(4):4142.
TANJian,TIANBo.
Theapplicationofthesafetyofshipcollisionavoidanceontrafficconflictstechnigue[J].
LogisticsEngineeringandManagement,2009,31(4):4142.
(inChinese)[3]罗石贵,周伟.
路段交通冲突的调查技术[J].
长安大学学报:自然科学版,2003,23(1):7175.
LUOShigui,ZHOUWei.
Surveywayofroadtrafficconflicttechnique[J].
JournalofChanganUniversity:NaturalScienceEdition,2003,23(1):7175.
(inChinese)[4]王俊骅,张方方,张兰芳.
基于OpenCV和Halcon的交通冲突视频自动检测及数据处理[J].
同济大学学报:自然科学版,2010,38(2):238244.
WANGJunhua,ZHANGFangfang,ZHANGLanfang.
HalconandOpenCVbasedtrafficautomaticconflictingdetectingmethodanddatatransaction[J].
JournalofTongjiUniversity:NaturalScience,2010,38(2):238244.
(inChinese)[5]严庆新.
船舶碰撞危险度评判模型[J].
武汉理工大学学报:交通科学与工程版,2002,26(2):7779.
YANQingxin.
Amodelforestimatingtheriskdegreesofcollisions[J].
JournalofWuhanUniversityofTechnology:TransportationScience&Engineering,2002,26(2):7779.
(inChinese)[6]翁跃宗,彭国均,张寿桂.
船舶交通数据分析及定线制方案表达[J].
船海工程,2007,36(2):121123.
WENGYuezong,PENGGuojun,ZHANGShougui.
Shiptrafficdataanalysisandshipsroutingschemepresentation[J].
Ship&OceanEngineering,2007,36(2):121123.
(inChinese)[7]FILIPOWICZW.
Vesseltrafficcontrolproblems[J].
TheJournalofNavigation,2004,57(1):1524.
[8]刑春光,王直,马晓军.
AIS信息处理及其与电子海图系统集成的研究[J].
舰船科学技术,2008,30(5):9294.
XINGChunguang,WANGZhi,MAXiaojun.
AresearchontheintegrationofAISandECDIS[J].
ShipScienceandTechnology,2008,30(5):9294.
(inChinese)[9]梁勤华.
渤海水域船舶定线制的研究[D].
大连:大连海事大学,2008.
LIANGQinhua.
StudyonshipsroutingsystemsinBohaiSea[D].
Dalian:DalianMaritimeUniversity,2008.
(inChinese)[10]孔安生,王洪澄,李国正.
神经网络集成与支持向量机在多值分类问题上的比较研究[J].
计算机工程与应用,2005,41(1):4647,119.
KONGAnsheng,WANGHongcheng,LIGuozheng.
Comparisonstudyonneuralnetworkensembleandsupportvectormachinesformultipleclassificationproblems[J].
ComputerEngineeringandApplications,2005,41(1):4647,119.
(inChinese)[11]王当立,黄立文.
基于AIS信息的船舶自动避碰模型及其算法与仿真[J].
船海工程,2007,36(2):129132.
WANGDangli,HUANGLiwen.
ThemodelofautopreventingcollisionforshipbasedonAISinformationanditssimulation[J].
Ship&OceanEngineering,2007,36(2):129132.
(inChinese)[12]周伟,李丽娜,熊振南,等.
多船紧迫危险局面的智能避碰决策与仿真[J].
集美大学学报:自然科学版,2010,15(5):347352.
ZHOUWei,LILina,XIONGZhennan,etal.
Simulationandmethodofintelligentcollisionavoidancedecisionmakinginimminentdangersituationformultiressels[J].
JournalofJimeiUniversity:NaturalScience,2010,15(5):347352.
(inChinese)[13]卢川,项乔君,张国强,等.
公路平交口交通冲突严重性的判定[J].
合肥工业大学学报:自然科学版,2008,31(5):683686.
LUChuan,XIANGQiaojun,ZHANGGuoqiang,etal.
Determinationoftheseverityoftrafficconflictathighwayintersections[J].
JournalofHefeiUniversityofTechnology:NaturalScience,2008,31(5):683686.
(inChinese)[14]孙智勇,葛书芳,荣建,等.
行人交通的数据采集方法研究[J].
北京工业大学学报,2006,32(6):530533.
SUNZhiyong,GEShufang,RONGJian,etal.
Studyonpedestriantrafficdatacollection[J].
JournalofBeijingUniversityofTechnology,2006,32(6):530533.
(inChinese)[15]秦岸,李淑庆,聂世刚.
基于CDMA网络的城市交通数据采集与处理技术[J].
重庆交通大学学报:自然科学版,2010,29(2):276279.
QINAn,LIShuqing,NIEShigang.
TrafficdatacollectingandprocessingtechnologybasedonCDMA[J].
JournalofChongqingJiaotongUniversity:NaturalScience,2010,29(2):276279.
(inChinese)621交通运输工程学报2011年