一種基于海量船舶軌跡數據的細粒度網格海上交通密度計算方法*

?

一種基于海量船舶軌跡數據的細粒度網格海上交通密度計算方法*

修回日期：2015-10-23

通信地址：100029 北京市朝陽區北三環東路15號北京化工大學信息科學與技術學院Address:College of Information Science & Technology,15 Bei Sanhuan Rd East,Chaoyang District,Beijing,100029,P.R.China

寧建強，黃濤，刁博宇，趙瑞蓮，畢經平

(1.北京化工大學信息科學與技術學院,北京 100029;2.中國科學院計算技術研究所,北京 100190)

摘要：在“一路一帶”的戰略構想下，對于海上貿易的關注逐漸升溫。海上運輸是海上貿易的承載，掌握細粒度的海上交通密度，對于提取熱點航道熱點區域、分析全球貿易走勢、推斷海上交通連通性及相關的異常檢測等具備重要的意義。提出了一種面向海量船舶軌跡數據的細粒度網格海上交通密度計算方法，該方法將全球劃分為0.01°*0.01°的標準化細粒度網格，一方面為了適應細粒度網格對全球船舶真實軌跡數據特點設計了針對性的預處理方案，處理了異常點和停泊點；另外一方面設計并實現了一種面向該網格的利用海量軌跡數據對信息發送數目、信息發送間隔、經過船舶數目、經過船舶時間等多維交通密度特征進行量化計算的方法，具備良好的拓展性。最后采用2014年2個月共計8億余條數據對該方法的性能、準確性進行了評估驗證，證明了該方法的切實可行性。

關鍵詞：AIS；細粒度；交通密度

1引言

海運經濟是帶動經濟全球化發展的重要一環，日益頻繁的船舶活動和不斷增加的船舶數目，使全球海事環境更加復雜多變，由此引發的一系列水運安全隱患也接踵而至。對于海事監管部門而言，實現對海上交通的監管可以為海上貿易分析、經濟形勢預測、異常船舶行為分析提供數據支持。海上交通密度是單位時間單位區域內船舶活動情況的表征，在很大程度上反映了不同區域船舶活動的情況，是交通流十分重要的參數，也是判別交通流狀態的一個重要指標[1]，是海事監管部門實現海上交通監管的重要依據。因此，實現海上交通密度的計算是非常有必要的。

與陸地交通運行的方式不同，海上交通并不存在“固定道路”，兩點之間的行駛路線往往是不確定的。船舶自動識別系統AIS(Automatic Identification System)收集了豐富的船舶位置信息，且包含了船舶身份的唯一標識MMSI(Maritime Mobile Service Identity)[2]，這就為我們實現海量船舶信息下交通密度計算提供了充分的可行性。在一些海事監管型系統(如SeeCoast系統、BAE系統[3])中，海上交通密度是通過計算一段時間內某一位置附近的AIS信號數目來實現的。這樣的方法雖然可以反映船舶活動聚集區域的信息，但無法表征船舶“運動”的屬性。

為了實現海上交通密度的準確表征和計算，將結果用于海事監管活動的實踐之中，本文依托地理經緯度劃分的思想，提出了一種以細粒度網格為最小計算單元、充分考慮了船舶“運動”屬性的計算方法，從信息發送數目、信息發送間隔、船舶經過數目、船舶經過時間等多個維度表征和計算了海上交通密度。通過采用真實的AIS數據進行計算和實驗對比分析，表明了該方法計算的密度結果準確性高，同時可以滿足實時系統使用的響應要求。

2背景

海上貿易的升溫使得政府部門對于海事活動的監管越來越重視，獲取海上交通的狀況是監管部門實現監管的第一步也是最為重要的一步。在陸運領域，交通密度是指一條車道上車輛的密集程度，即在單位時間內某一車道單位長度上的車輛數，又稱車流密度[4]。而在水運領域，這一概念也可相應地被借鑒為某一時間段某一水域范圍內船舶的數目，水上交通密度可以很好地反映某一水域的交通繁忙程度。傳統的密度計算方式如人口密度、道路交通密度等主要是通過大規模調研[5]和路網監控系統的數據采集[6]后進行的統計分析，這類方式存在的問題主要包括時間開銷大和準確性無法保證等。

AIS是一種用于船舶之間、船岸之間自動應答和識別的船舶避碰系統，由AIS船臺和AIS岸站系統組成[7]。AIS標準自創立以來，受到了多方海事管理部門的充分肯定。SOLAS(international convention for the Safety Of Life At Sea)公約于2004年開始提出了AIS的相關要求，截止到2008年7月1日，航行于國際航線300總t以上的船舶，航行于非國際航線500總t以上的船舶，都必須配備AIS[8]。

AIS所提供的數據信息主要包括船舶動態信息和靜態信息兩類。利用AIS進行交通密度的計算研究主要應用的是動態AIS數據。動態AIS數據是船舶在海上作業(航行或停泊)時，定期發送(船位最快2 s，最慢3 min報告1次)[9]的狀態信息數據，包括GPS時間、終端碼MMSI、編碼類型、命令類型、緯度、經度、航向、首向、速度、轉向率等。在AIS提供的動態數據中，MMSI可以作為船舶身份的唯一標識，除了GPS時間、經度、緯度之外，其他信息的真實性往往會被許多人為因素所破壞[10]。

AIS動態數據的特征為我們進行海上交通相關的研究提供了充足的現實可能性，但相關的研究和應用數量十分有限。英國海洋管理協會MMO(the Marine Management Organization)在文獻[11]中利用了MCA(Maritime and Coastguard Agency)提供的既有數據計算了2012年英國周邊水域的船舶航行的繁忙程度；文獻[12]分析并可視化地再現了美國東海岸的某港口不同類型船舶的航行活動；文獻[13]利用Apriori關聯規則挖掘算法對中國遼東半島附近水域的船舶行為模式進行了挖掘和分析。文獻[11～13]除了需要經過繁瑣的數據預處理過程外，也僅針對特定部門的應用，具有區域局限性，這顯然無法滿足“全球化”發展的戰略要求。Scheepens R等人在文獻[14]中提出了一種基于可視化展示的交通密度和異常分析方法，但該方法并沒有提出量化的數據交通密度表征方法。Baldacci A和Carthel C在文獻[15,16]中提出并運用了一種劃分網格并統計信息覆蓋率作為海上交通密度表征的方式，這種方式已被若干海事監管的原型系統所使用，但該方法僅從信息覆蓋率的角度認識交通密度，不夠全面和精確。Giuliana P等人[10]提出了基于AIS數據對海上交通建模的方法，但是該方法建模的對象是單一船舶，因此并不能表征一個區域的交通態勢。

針對海上交通密度研究區域局限性、量化表征不全面、缺乏區域表征等問題，本文豐富了海上交通密度的表征方式，提出了一種可以應用于全球范圍內基于AIS所提供的海量船舶位置信息的密度計算方法，通過不同類型的值，量化地反映了不同區域多個維度的海上交通密度。

3細粒度網格交通密度計算方法

在不存在“固定道路”的情況下，為了計算和表征不同區域的海上交通密度，全球地理范圍將會依照經緯度的跨度劃分為若干大小相等的網格來作為交通密度的表征單元。以海量的AIS信息(包括船舶身份、時間、位置信息)為輸入，我們可以獲得不同船舶的信息集合，并通過在時間上相鄰的點構成船舶的“航段”。在AIS數據獲取的過程當中，由于人為的錯誤操作、船舶偽裝、信號丟失等原因可能造成信息的缺失和錯誤[16]，為了確保計算的準確性，在開始計算之前，需要依據船舶在網格間運動的特點對數據進行預處理。在去除干擾因素后，計算不同船舶在不同網格內的密度信息，最后可以得到不同網格的密度信息。

與文獻[9,14,15]中的方法僅通過AIS信息覆蓋來表征海上交通密度不同，本文方法用多維特征表征海上交通密度。這些特征包括：信息發送數目(DynamicDataCount)、信息發送間隔(MessageSendInterval)、經過船舶數目(VesselCount)、船舶經過時間(CrossingTimeSum)。其中，信息發送數目和間隔以信息發送的情況為基礎，體現了船舶聚集的“靜態”屬性特征，而經過船舶數目和船舶經過的時間則從船舶航行的路線和運行的速度方向考慮，反映了船舶航行的“動態”特征。圖1展示了該計算方法的基本流程。

Figure 1Fine-grained grid traffic density calculation process
圖1細粒度網格交通密度計算方法流程

3.1　網格構建

海上交通尤其是遠洋交通并沒有像陸地上一樣嚴格成型的道路，因此海上交通密度無法像陸地交通那樣利用道路流量來計算衡量。以地理經緯度劃分的思想為基礎，將全球區域構建為不同的網格，可以為海上交通密度提供可用的計算單元，為海上交通的管理提供規格化的支持。

不同粒度大小的網格可以反映不同精度的交通密度信息，過大的網格可能包含多個重點關心的區域，這會失去交通密度計算的意義。全球海洋總面積多達36 110萬km2，超過了全球總面積的70%，而一艘大型的貨輪的長度一般不會超過400 m，寬度不會超過60 m。在實際應用中，為了更加精準地追蹤船舶的行為，網格劃分的粒度可達0.01°*0.01°，約合1 km*1 km的范圍，即每跨過一個網格，相當于一艘普通貨輪移動兩到三個船位。

網格劃分后，全球范圍由集合G={gi |0

3.2　數據預處理

如第2節所述，AIS可以快速收集豐富的船舶身份信息和位置信息，在較短的時間內，船舶運動可以近似認為是勻速直線運動，連接任意在時間上鄰接的兩點，就構成了船舶的一條航段lps，pe(ps為航段起始點，pe為航段終止點)。對于某一船舶的記錄集合P0={p01，p02,…,p0n}，第一步是按照記錄時間升序排列得到有序集合P={p1，p2,…，pn}，其中每個記錄點為piLon，Lat，T(Lon、Lat代表的是p的經緯度坐標，T則指代當前數據的記錄時間)。

在排序完成后，要根據記錄分布的特點對數據進行進一步的處理，主要包括異常點和停泊點兩種類型。

(1) 數據異常點。

船舶在航行過程中，短時間內的速度是相對穩定的，同時船舶航行的速度在理論上也不會超過設計最大值。AIS信號的丟失和錯報的情況可能導致相鄰數據點之間船舶航行速度的計算值不合理，為了避免這類錯誤對結果帶來的不利影響，在進行計算之前要首先去除這些不合理的因素。因此，兩點之間的速度大小可以作為判斷數據是否不合理的標準，即：

其中，v[pi，p(i+1)]是集合P中在時序上相鄰兩點間的速度(單位是海里/小時)，分子中Distance()函數將pi和p(i+1)的經緯度信息轉化成實際的距離(單位是海里)，分母則計算了兩點的記錄時間差(單位是小時)。當上式的結果大于閾值v_max時，我們認為p(i+1)屬于數據異常點。

本方法針對異常點的處理方法是將原集合P以p(i+1)為中心，拆分為兩個集合P1和P2，其中，pi為P1的終止點，p(i+1)為P2的起始點。這樣既避免了過大跨度的錯誤，又可以保留最充足的原始數據信息。如圖2所示，由于v[p3，p4]>v[max]且p4為數據異常點，因此將原集合P={p1，p2，…，p7}拆分為P1={p1，p2，p3}和P2={p4，p5，p6，p7}。

Figure 2　Abnormal data points圖2　數據異常點

(2) 數據停泊點。

船舶在海上的行為除了航行等動態行為之外，還包括捕魚、停泊等靜態行為。由于船舶的停泊方式的特殊性，船舶的靜態行為并非完全的靜止行為，當船舶在某一位置(如錨地、漁區)停留時，位置往往會隨著水流或風向發生變化，如果計算網格粒度足夠小，可能會出現在不同的網格循環往復運動的情況，實際上船舶可以被看作始終停留在初始位置，這樣的位置即停泊點。如果僅按照原始數據處理，會出現重復計算船舶出現次數的錯誤。

滑動窗格的方法可以解決上述的問題，對于任意一個集合P，設置窗格的大小為n，當從pi到p(i+n-1)的所有連續的記錄點中有超過80%的記錄點落在同一網格中，我們就認為該船處于“靜態”行為當中，這些點的位置統一化為他們初始位置網格的中心點。如圖3所示，設定移動窗格的大小為6，從p2到p7的運動過程中，超過80%的點都落入了同一網格中，因此以上點統一化為p2所在網格的中心點。

Figure 3　Data mooring圖3　數據停泊點

3.3　基于網格的密度計算

數據預處理之后，可以得到不同的包含船舶軌跡記錄的數據集合P={pi|1

對于每個航段而言，起始點為ps，終止點為pe，那么船舶走過該航段的時間和經緯度跨度分別為:

ΔT=pe(T)-ps(T)

LLon=pe(Lon)-ps(Lon)

LLat=pe(Lat)-ps(Lat)

其中，LLon和LLat作為兩點之間的距離度量，單位與經緯度的單位相同。

若ps和pe都屬于同一個網格g0，那么我們將認為該船舶處于“停泊點”位置，因此只計算其所在網格的信息發送次數DC和船舶停留時間CT，而不對經過的船舶數目VC做多余計算，即：

若ps和pe屬于兩個網格g0和gn+1(n為船舶經過的網格數目)，則要根據他們所處的不同位置及航段穿過的網格來計算不同的密度信息。

g0和gn+1中信息發送的數目DC會增加，從g0到gn+1的每個網格中，經過的船舶數目VC和船舶經過的時間CT也會增加。

從ps到pe的運動是勻速直線運動，因此可以通過計算網格中每個網格所占據的航段長度占航段總長度的比例來得到船舶經過的時間。以赤道中心點為原點，經度遞增方向為X軸正向，緯度遞增方向為Y軸正向，每個航段就是該直角坐標系內的一條線段，求解網格中船舶停留時間的問題就轉化為了求解網格中線段的長度問題。然而，直接求解線段長度不僅公式復雜，且計算量大，容易造成性能的瓶頸。為了盡可能地降低算法的復雜度和運算的時間開銷，使算法可以在應對海量數據時滿足實際應用的性能要求，本文通過求解投影長度而不是求解點距來作為時間的度量，這種方法利用了船舶瞬時勻速運動的特性，保證準確性的前提下大大降低了運算的開銷。

如圖4a所示，當LLon=0，即ps和pe的連線平行于經度線時,ps和pe連接的線段所在直線的斜率不存在，除了起始網格g0和終止網格gn+1之外，船舶在其他網格中經過的時間都是相同的，經過時間占據航段總時間的比例均為當前網格的寬度與該航段總長度的比值，則網格各密度特征的計算為：

g0(DC)=DC+1

gn+1(DC)=DC+1

如圖4b所示，當LLon≠0，即ps和pe連接的線段所在直線的斜率存在時，可以將該航段對應線段投影在X軸的方向，除了起始點和終止點之外，任意兩個投影點之間的距離與投影總長度L(Lon)的比值即為網格中船舶經過時間占據航段總時間的比例。網格各密度特征的計算為：

g0(DC)=DC+1

gn(DC)=DC+1

Figure 4　Relationship between segment and the location of the grid圖4　航段與網格的位置關系

3.4　密度計算結果

依據3.2節中的方法，依次遍歷所有船舶的每個航段，我們可以計算出每個網格中包括信息發送總數、信息發送間隔、船舶經過的總時間等海上交通密度特征。其中信息發送總數不僅可以作為船舶高頻出現區域探測的證據，同時也可以為探測信息發送盲區和海上停泊區提供數據參考，以此作為信號接收基站位置選取的重要決策支持。船舶經過的總時間和經過的船舶總數則充分關注了船舶所經過的航段，為后續工作中的航道發現和異常檢測提供了原始數據支撐。

進一步，我們計算了一段時間內的信息發送的間隔。影響船舶活動的因素復雜而多變，短期內的頻繁活動會使一段時間內某網格的信息發送總數增加，但卻并不一定能準確反映該區域較長時期內的交通密度情況。信息發送間隔將船舶經過時間的因素加入考慮，從信息發送速率的角度反映了在一段較長的時間內每個網格區域內的信息發送的整體情況，可以有效地反映船舶活動過程中信息發送速率的特征，其計算公式為：

4結果展示和實驗分析

4.1　實驗數據

在第3節中，我們已提出了針對全球海上交通密度的計算方法，計算結果包括了不同的密度特征。表1列出了此次實驗運行環境的配置，表2列出了此次實驗采用的數據。

Table 1　Configuration of the

Table 2　Experimental datasets

海事活動中，船舶航行的周期比陸地長，距離也可能更遠，為了準確反映某一地區的交通密度，本實驗交通密度的計算周期將以月為單位，滑動窗格的大小設置為10，速度閾值vmax設置為120km/h(約64海里/小時),所采用的數據是自2014年11月1日至2014年12月31日的AIS真實信息。為了驗證算法的正確性，我們將算法得出的結果與公布的全球范圍內最活躍的港口數據作對比進行驗證

4.2　全球的密度信息圖

熱圖(Heatmap)展示是一種可以直觀展示不同區域參數數值的一種圖示展示方式，我們采用了超圖(SuperMap)[17]的方式實現了對結果的可視化展示。

從圖5可以看出，全球范圍內經過船舶數目較多的區域集中在了中國東南沿海、歐洲大部以及美國西海岸區域，其中以中國東南沿海地區密度最高。

Figure 5　Global maritime traffic density(the number of passing vessels)圖5　全球海上交通密度(經過船舶數目)

從圖5中可以清晰地看到，在各個高密度區域之間的“航行路線”，由此可以看出經過船舶數目這一交通密度特征對于全球航運連通性的發掘和研究意義重大。

圖6列出了局部區域內的船舶經過總數的密度信息。從圖6a中可以看出，歐洲西部的貿易繁忙地區中活躍船舶的總數要明顯多于東歐地區。從圖6b則看出了中國東南沿海地區船舶活動數目遠高于其他區域，這也印證了整個亞洲地區內，船舶出現數目和海上貿易發達程度最高的地區分布于中國領海周邊的事實。

Figure 6　Local maritime traffic density(number of passing vessels)圖6　局部海上交通密度(經過船舶數目)

4.3　算法性能實驗

與文獻[9,14,15]中僅計算AIS出現數目的方法相比，本文方法擴展了海上交通密度的表征特征。以2014年11月數據的計算結果為例，由圖7可以看出，本文方法輸出結果比原有方法更加豐富，并且與原有方法中遍歷網格的思路相比，在運算速度上有所提高。

當網格粒度大于0.1°時，運算時間控制在了2 500s之內，隨著網格粒度的進一步縮小，運算時間呈增長趨勢，當達到0.01°時，運行時間接近5 500s，在單機運行的環境下，該算法可以滿足實際數據分析的需求。

Figure 7　Algorithm running time圖7　算法運行時間

4.4　區域密度分析和數據驗證

表3列出了《2014全球港口發展報告》中世界前十大港口的信息以及在網格密度計算中對應位置所得到的密度信息。由表3記錄可以看出，在2014年全球范圍內水上交通密度最高的世界十大港口區域內，其信號發送總數和經過船舶數目和停留時間的數值也相對較大，名次均位于全球范圍的前列。其中，格子坐標為(30N，122E)的網格信號發送總數在這兩個月中都是排在全球第一位的，其所屬的位置恰在排名第一的寧波-舟山港口附近；坐標為(39N，118E)和(23N，113E)的網格信息發送間隔分別是這兩個月中是全球范圍內最小的，它們恰好位于繁忙的天津港區域和廣州港區域。

5結束語

海上交通密度是反映海洋船舶活動的重要特征之一。本文提出了一種基于海量船舶位置數據的全球海上交通密度的計算方法，將海上交通分析的區域擴展至了全球，并豐富了海上交通密度的量化特征指標。我們通過真實數據進行實驗得出的密度計算結果，以可視化的熱圖形式對密度計算結果進行了直觀的展示和分析，并通過性能測試證明了該算法的可行性，最后將運行結果與官方公布的水上交通熱點區域進行了比較，驗證了該算法的準確性。

海上交通密度的分布是海上交通情況最直觀的表示，在后續的工作中，可以通過挖掘連續的密集區域為航道挖掘提供原始的數據支持，或者觀測同一海域交通密度的變化來實現海事異常監測，最終為海事監管部門提供決策的依據。此外，利用海上交通密度的變化特征對全球海運形勢和發展做預測等也可以作為一個重要的研究方向。

參考文獻:附中文

[1]HuXiao-wen,YangDong-yuan.Theurbanrapidroadtrafficflowdensityestimation[J].JournalofTransportationSystemsEngineeringandInformation,2008,1(3):79-82. (inChinese)

[2]TangCun-bao,ShaoZhe-ping,TangQiang-rong,etal.TheshiptrackdistributionalgorithmbasedonAIS[J].JournalofJimeiUniversity(NaturalScienceEdition),2012,17 (2):109-112.(inChinese)

[3]MartineauE,RoyJ.Maritimeanomalydetection:Domainintroductionandreviewofselectedliterature[R]. 2010-460.Quebec:DefenceResearchandDevelopmentCanadaValcartier,2011.

[4]Transformationdensity[EB/OL].[2015-05-06].http://baike.baidu.comview1173046.htm.

[5]BalmatJF,LafontaF,MaifretR,etal.MAritimeRISkassessment(MARISA),afuzzyapproachtodefineanindividualshipriskfactor[J].OceanEngineering,2009,36(15):1278-1286.

[6]YuanChang-feng,LiuDe-qin,CuiXian-guo,etal.BasedontheanalysisofpopulationGISpopulationdensityspatialdistributionofBeijing[J].JournalofYangtzeUniversityNatu-

Table 3　World top ten port information in 2014

ral Science Edition:Medical Volumes,2004,1(4):40-42. (in Chinese)[7]Cai Xin-mei. AIS application and development [J]. Mechanical and Electrical Equipment,2011,28 (2):28-30.(in Chinese)

[8]Tang Cun-bao,Shao Zhe-ping,Wu Jian-sheng,et al. Based on the research of AIS information density distribution algorithm and implementation [J]. Journal of Guangzhou Maritime College,2012,20 (3):7-10. (in Chinese)

[9]Beaudreau T. AIS analysis of maritime traffic density[R].2010-13.Alaska:BOEM(Bureau of Ocean Energy Management),2010.

[10]Harati-Mokhtari A, Wall A, Brooks P, et al. Automatic identification system (AIS):Data reliability and human error implication[J].Journal of Navigation，2007,60(3):373-389.

[11]Mapping UK shipping density and routes technical[R].1066.UK:Marine Management Organization, 2014.

[12]Zhu Fei-xiang, Zhang Ying-jun,Gao Zong-jiang. Data mining research based on the ship’s behavior [J]. Navigation of China, 2012,35(2):50-54.(in Chinese)

[13]Scheepens R,Willems N,van de Wetering H,et al. Interactive density maps for anomaly detection[J].IEEE Computer Graphics and Applications, 2012,32(1):56-66.

[14]Baldacci A,Fabiani A. Contact-based AIS coverage estimation and distribution[R].NURC-MR Technical Report,2008-001.2008．

[15]Baldacci A,Carthel C. Maritime traffic characterization with the automated identification system[J]. NURC-MR Technical Report, 2009．

[16]Mazzarella F,Vespe M,Damalas D. Discovering vessel activities at sea using AIS data:Mapping of fishing footprints[C]∥Proc of the 17th International Conference on Information Fusion(FUSION), 2014:1-7.

[17]SuperMap[EB/OL].[2014-02-06].http://www.supermap.com/cn/.

[1]胡小文，楊東援. 城市快速道路交通流密度的估計[J]. 交通運輸系統工程與信息，2008，1(3):79-82．

[2]唐存寶,邵哲平,唐強榮,等. 基于 AIS 的船舶航跡分布算法[J]. 集美大學學報(自然科學版),2012,17(2):109-112.

[6]袁長豐,劉德欽,崔先國,等. 基于人口 GIS 的北京市人口密度空間分布分析[J]. 長江大學學報自然科學版:醫學卷,2004,1(4):40-42．

[7]蔡新梅. AIS 應用與發展[J]. 機電設備,2011,28(2):28-30．

[8]唐存寶,邵哲平,吳建生,等. 基于 AIS 信息的船舶密度分布

算法的研究與實現[J]. 廣州航海高等專科學校學報,2012,20(3):7-10．

[12]朱飛祥，張英俊，高宗江.基于數據挖掘的船舶行為研究[J]. 中國航海, 2012,35(2):50-54.

寧建強(1990-),男，山西繁峙人，碩士生，研究方向為數據融合和數據處理。E-mail:2013200762@grad.buct.edu.cn

NING Jian-qiang,born in 1990,MS candidate,his research interests include data fusion, and data processing.

黃濤(1992-),男，河南信陽人，碩士生，研究方向為數據融合。E-mail:huangtao01@ict.ac.cn

HUANG Tao,born in 1992,MS candidate,his research interest includes data fusion.

刁博宇(1989-),男，山東聊城人，碩士，研究方向為傳感器網絡和數據融合。E-mail:diaoboyu2012@ict.ac.cn

DIAO Bo-yu,born in 1989,MS,his research interests include wireless sensor network, and data fusion.

趙瑞蓮(1964-),女，山西忻州人，博士，研究方向為軟件測試和軟件可靠性。E-mail:rlzhao@mail.buct.edu.cn

ZHAO Rui-lian,born in 1964,PhD,her research interests include software testing, and software reliability.

畢經平(1974-),女，山東萊蕪人，博士，研究員，研究方向為計算機網絡和數據融合。E-mail:bjp@ict.ac.cn

BI Jing-ping,born in 1974,PhD,researcher fellow,her research interests include computer network, and data fusion.

A fine grained grid-based maritime traffic density algorithm for mass ship trajectory data

NING Jian-qiang,HUANG Tao,DIAO Bo-yu,ZHAO Rui-lian,BI Jing-ping

(1.College of Information Science & Technology,Beijing University of Chemical Technology,Beijing 100029;

2.Institute of Computing Technology,Chinese Academy of Sciences,Beijing 100190,China)

Abstract:The attention to maritime trades is heating up with the strategic plan of “One Belt, One Road”. Maritime transport is significant for maritime trades, and thus getting a fine-grained maritime traffic density is of great importance for extracting hot spots, analyzing global trade trends, inferring maritime traffic connectivity and handling maritime anomaly detection. We propose a fine-grained grid-based maritime traffic density calculation method for massive ship trajectory data, which divides the global area into a standard fine-grained grid of 0.01 * 0.01 degrees. On the one hand, in order to be adaptive to the granular characteristics of global ship real trajectory data, we design a corresponding pretreatment solution to deal with abnormal points and mooring. On the other hand, we design and implement a calculation method for multi-dimensional traffic density features utilizing mass trajectory data of the grid, including dynamic data count, message sending interval, vessel count, and the sum of crossing time, which shows good scalability. Experiments on more than 800 million records of two months in 2014 verify the desirable performance, accuracy and feasibility of the proposal.

Key words:AIS;fine-grained; traffic density

作者簡介:

doi:10.3969/j.issn.1007-130X.2015.12.008

中圖分類號：TP393

文獻標志碼：A

收稿日期：*2015-08-10;

文章編號：1007-130X(2015)12-2242-08