PyVT：血管时空轨迹预处理和分析工具包 - 船舶轨迹数据管理与挖掘

软件X 21（2023）101316原始软件出版物PyVT：用于预处理和分析血管时空轨迹的工具包李叶a，c，任鸿翔a，李海江b，李a大连海事大学航海学院，辽宁大连116026b大连海事大学交通运输协同创新中心，辽宁大连116026c中国辽宁省大连市大连引航站116000ar t i cl e i nf o文章历史记录：2022年8月21日收到2023年1月13日收到修订版，2023年数据集链接：https：//github。com/PilotLeaf/PyVT保留字：血管时空轨迹预处理分析Pythona b st ra ct在本文中，我们介绍PyVT，一个开源的Python工具包，用于预处理和分析船舶时空轨迹。该工具包实现了轨迹预处理、轨迹数据管理、轨迹挖掘和轨迹可视化四个功能。该工具包易于使用，提供令人满意的默认参数设置，并使基本用户易于在专有应用程序中使用和复制其功能。更高级的用户可以通过优化参数来进一步调整功能以满足他们的需求。同时，它的设计注重可组合性和可重用性，使其功能模块化和可维护性，允许进一步开发。版权所有2023作者。由爱思唯尔公司出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）中找到。代码元数据当前代码版本V1用于此代码版本的代码/存储库的永久链接https://github.com/ElsevierSoftwareX/SOFTX-D-22-00252Code Ocean compute capsule不适用法律代码许可证MIT许可证（MIT）使用Git的代码版本控制系统使用Python的软件代码语言、工具和服务编译要求、操作环境依赖性提供了requirements.txt文件如果可用，链接到开发人员文档/手册https://github.com/PilotLeaf/PyVT/tree/main/userguide问题支持电子邮件leaf-pilot@outlook.com1. 动机和意义船舶时空轨迹数据主要指船舶自动识别系统（AIS）数据。AIS是一种先进的无线电技术，它结合了GPS、VHF和数据处理等技术在不同的海洋实体之间以严格定义的格式。正确使用AIS设备可以有效地减少船舶碰撞事故。国际海事组织（IMO）要求所有国际航行的船舶*通讯作者。电子邮件地址：dmu_rhx@dlmu.edu.cn（任洪祥），haijiang@dlmu.edu.cn（李海江）。https://doi.org/10.1016/j.softx.2023.101316300总吨及以上的非国际航行500总吨及以上船舶以及所有客船均应配备AIS [1]。AIS设备的强制配置为船舶轨迹数据的采集、分析和应用提供了条件。 通过分析和应用，可以跟踪船舶轨迹，统计和分析船舶交通流量和货物流量等，对船舶营运、海事监管和航运贸易具有极其重要的指导意义[2]。 目前，以数据驱动的方式从AIS数据中识别和分析各种船舶行为已成为海事领域的研究热点。近年来，许多学者对船舶时空数据进行了研究，并取得了一定的成果。为了提高AIS数据的可用性，Zhao等人[3]提出了2352-7110/©2023作者。 由Elsevier B.V.出版。这是一篇开放获取的文章，使用CC BY许可证（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表SoftwareX期刊主页：www.elsevier.com/locate/softx李叶任鸿翔李海江软件X 21（2023）1013162AIS数据质量维度的概念，用于校正AIS轨迹中的错误Zhang等人[4]提出了一种多区域血管轨迹重建模型，以允许在不同导航状态下重建血管轨迹。参考文献[5Rocha等人。[8]采取了方向的变化为主要方面，提出了一种在远洋渔船的作业轨迹中自动寻找真实位 置的 方 法。 Tang 等 人[9] 提 出了 一 种自 适 应阈 值Douglas-Peucker算法来压缩船舶AIS航迹。Wei等人[10]设计了一种考虑航迹空间和运动特性的航迹压缩算法，能够根据船舶行为特点对AIS航迹进行压缩。参考文献[11，12]从微观和宏观两个角度对船舶轨迹可视化和船舶行为可视化进行了研究。Wang等人[13]提出一种基于Hausdorff距离和HDBSCAN的船舶AIS航迹聚类方法。Yao等人[14]尝试使用深度学习来聚类船舶轨迹。Madadi等人[15]提出了一种考虑锚地时空利用率和船舶碰撞风险的多目标锚地规划算法。此外，也有学者[16，17]开展了基于AIS数据的船舶交通流预测研究。然而，现有的研究大多集中在某一点，而各种船舶航迹数据挖掘技术没有有机的结合，大多数论文没有提供开源的有效代码或分析工具。这使得一些学者花费大量的时间和精力进行数据预处理，无法有效地进行深入研究。例如，现有的船舶停留点检测和轨迹压缩算法的研究大多是基于公路交通或铁路交通演变而来的理论，没有结合船舶本身的运动特性进行研究，这使得一些研究成果有些此外，对于船舶锚泊泊位面积计算、船舶交通流预测等海事领域的轨迹挖掘任务，目前学术界研究不多，文献和可用代码不易获得。因此，一个多任务的，可用的，开源的船舶时空轨迹分析工具是迫切需要的和不可或缺的。鉴于上述考虑，本文开发了一种开源船舶轨迹分析工具包PyVT。PyVT是基于Python语言开发的，其设计重点是可组合性和可重用性，使工具功能模块化和可维护性。PyVT工具包不仅提供了船舶轨迹预处理、轨迹可视化等基本功能，还提供了轨迹聚类、锚泊泊位面积计算等高级功能。要使用它，用户首先需要加载船舶的AIS数据，可以是未经任何处理的AIS报文，也可以是经过解析的AIS数据。同时，PyVT还提供了示例数据供用户更好的使用。数据加载后，用户可以根据功能选择使用模块，每个模块可以单独使用或组合使用。例如，用户可以仅执行轨迹压缩，或者在压缩轨迹之前执行轨迹分割。工具包在使用过程中参数的选择取决于用户当然，工具包PyVT也提供了默认参数（如果用户对方法了解不够，建议使用默认参数）。对于每个函数，PyVT都提供了示例程序来说明该工具的使用。同时，对于大多数函数，PyVT提供了两种以上的实现供用户进行比较研究。最后，轨迹数据处理完成后，用户可以根据需要输出数据文件，从而完成相关工作。2. 软件描述PyVT是基于Python 3语言开发的开放源代码的船舶时空轨迹处理与分析工具包，旨在为不同学科的研究人员提供一种简单的方法，方便他们各自的研究目标处理和分析船舶轨迹。2.1. 软件构架在船舶航迹数据处理模型中，各个层次都是密切相关的。原始弹道数据存在大量冗余和噪声，需要通过数据清洗、弹道插值、弹道分割、弹道压缩等预处理方法将其转化为标定弹道。为了有效地访问它，需要使用存储管理技术对校准轨迹数据进行索引和检索。最后，对处理后的轨迹数据进行模式挖掘和可视化分析，获取有价值的知识。PyVT工具包采用模块化设计，每个模块既可以独立使用，也可以相互结合使用。该工具包主要包括轨迹预处理、轨迹数据管理、轨迹数据挖掘和轨迹可视化四个模块。采用的关键技术如图所示。1 .一、2.2. 软件功能PyVT工具包主要实现了船舶时空轨迹预处理、轨迹数据管理、轨迹数据挖掘和轨迹可视化四个功能。下面简要介绍每个功能和相关的关键技术2.2.1. 轨迹预处理船舶航迹数据作为航迹大数据处理的对象，其预处理效果将直接影响航迹数据挖掘的效果。同时根据针对不同的应用场景和挖掘任务，采用不同的预处理方法是很重要的。PyVT工具包实现了丰富的船舶轨迹预处理功能，包括AIS消息解码、轨迹清理、轨迹插值、轨迹分割和轨迹压缩五个部分。(i) 信息解码。 AIS设备不仅传输船名、船舶尺寸等静态信息，而且每2-180 s更新一次船舶位置、航速、航向等动态信息。相关数据的编码方式遵循ITU-RM.1371-5协议，分为明码和暗码两种方式[18]。PyVT提供了AIS报文解码脚本，实现了27种AIS原始报文的解码输出，完成了船舶轨迹数据（包括MMSI、时间戳、船舶大小、位置、速度、航向等）的from the raw原始data数据.(ii) 弹道清理。 AIS数据具有高采样率和异构性，数据中不可避免地会存在冗余和噪声，因此需要对数据进行清洗。AIS数据清洗主要包括去重、去噪等。对于噪声点的发现和处理，PyVT使用两种处理方法，一种是启发式过滤，另一种是均值过滤[19]。这两种方法都简单有效，均值滤波缺少对速度的考虑;启发式方法考虑了异常速度，但参数的选择依赖于经验。 因此，如果用户缺乏足够的经验，均值过滤方法是首选，否则，启发式方法可以优先考虑。李叶任鸿翔李海江软件X 21（2023）1013163Fig. 1. PyVT的技术架构(iii) 弹道插值。由AIS数据建立的船舶运动轨迹是一个离散的时空序列。删除轨迹中的异常值和AIS数据包的丢失将导致轨迹序列的不连续性。在实际应用中，需要进行同步插值处理以获得连续的轨迹。与其它插值算法相比，分段三次Hermite插值多项式（PCHIP）[20]该算法不仅能正确地保持船舶航迹的形状和变化趋势因此，PyVT使用PCHIP来插值轨迹之间的断点，这提高了轨迹数据的连续性和完整性。(iv) 轨迹分割。在获取特定区域、长时间跨度的船舶AIS轨迹时，轨迹可能存在自相交、重复行驶和长时间停留等现象。因此，需要将一个完整的轨迹分割成多个不同的轨迹段，即进行分割处理，如图1所示。二、PyVT选择时间间隔作为分割条件对轨迹进行第一次分割，并在第一次分割后根据停留点的识别停留点是航迹中最突出的部分，反映了船舶活动的意图和兴趣它的识别对船舶系泊、锚泊、海上作业、搁浅和机械故障分析都具有重要意义本文在前人研究[21-聚类算法[24]。这两种方法各有利弊。SPT方法简单、快速、易于理解，但存在参数选取困难、识别精度一般的缺点; ST-DBSCAN方法参数选取容易、识别精度高，但时间复杂度高。在实际使用中，用户可以根据数据大小、硬件计算性能、精度等选择使用。(v) 弹道压缩。由于AIS设备的高采样率，AIS数据量巨大。据统计，仅长江中下游地区，AIS单日信息量就达1.5亿条。由于数据量巨大，给数据的存储、查询、分析和传输带来了困难，因此往往需要对AIS轨迹数据进行压缩。PyVT提供了两种AIS轨迹压缩算法，包括Douglas-Peucker（DP）压缩算法[25]和基于参考文献[26]的改进压缩算法SBC，该算法考虑了船舶运动特性。 DP算法运行时间短，压缩比高，但只考虑了航迹的空间特征，缺乏对船舶运动特征的考虑; SBC算法考虑了船舶运动特征，虽然压缩比不如DP算法，但保留了更多的船舶行为信息。如果用户只追求压缩效率，那么DP算法是一个不错的选择，如果用户希望在压缩比和行为信息之间取得平衡，那么SBC算法是一个不错的选择。2.2.2. 轨迹数据管理本部分从轨迹查询和轨迹相似性度量两个方面对轨迹数据管理进行了描述。李叶任鸿翔李海江软件X 21（2023）1013164图二. 轨迹分割示意图。(i) 轨迹查询。通过加载外部文件或设置感兴趣区域的范围（矩形区域的经纬度坐标）和时间跨度（开始和结束时间），可以查询到在设置的时间段内查询结果列出了船舶当船舶的历史位置未知时，将无法进行通过感兴趣区域的轨迹查询。因此，通过设置目标船舶的呼号或MMSI和时间跨度，(ii) 轨迹相似性度量。轨迹相似性通常通过距离函数来计算。在本文中，快速动态时间弯曲（FastDTW）距离被用来表示两个轨迹之间的相似性。FastDTW距离的优点是DTW距离计算不受两个轨迹之间的点数是否相同的限制，但大大降低了DTW距离计算的复杂度，提高了聚类效率。FastDTW使用约束和数据抽象的组合来加速DTW的计算[27]。2.2.3. 轨迹开采船舶航迹数据挖掘是指从大量的航迹数据中发现特定信息和模式的过程。常用的算法包括分类、聚类和模式发现。PyVT提供了三个轨迹挖掘功能，包括轨迹聚类分析、船舶锚泊泊位面积计算和船舶交通流量预测。(i) 轨迹聚类。船舶航迹聚类是航迹分析的一个重要方面，它将具有不同时空相似性特征的航迹划分为多个类或簇，使得同一类内的目标相似性高，而不同类间的航迹数据相似性低。通过聚类可以发现船舶的航行模式，分析船舶的航行规则，检测异常行为，预测未来的PyVT使用HDBSCAN（具有噪声的应用程序的基于层次密度的空间聚类）算法[28]来聚类AIS轨迹。该算法具有无参数的特点，能够自动推荐最优聚类结果。(ii) 船舶锚泊泊位面积计算。合理计算船舶锚泊泊位面积对于优化锚地资源、提高锚泊效率和锚泊船舶的安全监管至关重要。AIS数据形成的船舶轨迹可以高精度地还原船舶锚泊场景。PyVT将船舶停留点识别算法与计算几何相结合，提出了一种利用AIS航迹数据计算锚泊泊位面积的方法。该方法能有效地识别船舶(iii) 船舶交通流量预测。船舶交通流的准确预测对于提高船舶航行能力、优化水资源配置、提高船舶航行安全具有重要意义。利用船舶AIS数据，PyVT提出了一种船舶交通流的统计方法，并基于长短期记忆编码解码器（LSTM-ED）预测模型对船舶交通流进行多步预测[29]。2.2.4. 轨迹可视化由于船舶AIS航迹数据是典型的时空数据，包含复杂的时间和地理信息，因此有效的可视化工具将有助于航迹数据的显示和PyVT是基于开源地图可视化工具PyRT [30]开发的，实现了单船轨迹显示和多船轨迹显示两种显示(i) 多船轨迹显示。AIS轨迹数据记录了该水域几乎所有船舶的轨迹，非常适合船舶轨迹分布图绘制、交通流分析、事故调查等任务。为此，PyVT开发了多船轨迹显示功能，通过加载外部文件导入轨迹数据，并设置感兴趣区域和时间跨度来过滤要显示的轨迹数据(ii) 单船轨迹显示。 当只需要将某艘船舶的轨迹数据可视化，并进行船舶运动特性、航行行为分析等微观研究时，多船模式将变得不太适用。为此，工具包PyVT开发了单船轨迹显示功能，可以显示船舶的位置、速度、航向等微观信息，并对靠泊、锚泊等船舶轨迹进行语义标注。2.3. 示例代码段分析清单1显示了使用本文提出的血管轨迹压缩算法SBC的示例代码，该算法考虑了血管算法设置锚点，然后逐渐打开“窗口”。在每个步骤中，验证两个停止条件：一个是同步距离测量（轨迹点的预测位置和实际位置之间的球面距离），另一个是前一个轨迹段和下一个轨迹段之间的平均速度差（速度不是船舶的实际速度，而是从时间戳和位置导出的速度值）。该算法的实现步骤如下：首先，用户加载带有时间戳和经纬度坐标字段的CSV格式的船舶轨迹数据。然后定义SBC算法所需参数的最大距离阈值和最大时间阈值，对轨迹数据进行压缩，得到压缩后的轨迹数据。最后，导出压缩后的轨迹数据。本节以MMSI 257892000船舶为例。图3、压缩结果最大距离阈值0.025，最大时间阈值0.25李叶任鸿翔李海江软件X 21（2023）1013165∗∗∗∗图三. SBC算法的压缩结果。压缩率为53.5%。在此图中，蓝线是原始轨迹，洋红色圆圈是SBC算法保留的点。1 进口大熊猫作PD2 vincenty进口 vincenty34 def SBC（s， max_dist_threhold，max_spd_threhold）：5scope = pd.DataFrame.copy（s，deep=True）6s = scope.reset_index（drop=True）7如果透镜= 2：8返回s9否则：10is_halt = False11e = 112whileelen（s）and notis_halt：13i = 114whilei eand not is_halt：15deltae = s.at[e，16deltai = s.at[ i，17xp = s.at[0，at[e，' latitu de ' ] − s.at[ 0 ， ' la titud e' ] ）de ltai /deltae18yp = s.at[0，at[e，' longi tud e' ] − s.at[ 0 ， 'long itud e' ]）de ltai /deltae19ptp =（xp，yp）20pta =（s.at[ i，’ latitude’S.在[ i，’ longitude’21Vi_1 = vincenty（pta，（s.at[i−1，'latitude' ]，s. at[ i−1，'longitude' ]））/（s. at[ i，1000 / 1852.25 360022Vi = vincenty（（s.at[i + 1，at[ i + 1，at[i +1，' timestamp' ] −s.at[i，'timestamp' ]）<$1000/ 1852.25 <$36002.4. 软件性能PyVT工具包采用模块化设计，各个模块的设计PyVT具有良好的可维护性，用户只需调整参数或修改少量代码即可完成代码维护; PyVT具有良好的灵活性，各个模块可以根据实际需要独立使用或组合使用; PyVT具有良好的可重用性，用户可以方便地在其他应用中使用和复制其功能; PyVT具有良好的可扩展性，用户可以使用Python由于Python是一种解释型语言，运行速度不高，因此PyVT的运行效率有限，特别是在数据量较大的情况下。对于一些计算开销较大的算法，PyVT通过优化算法、GPU加速等方式进行提速所以PyVT的运行时间基本上可以接受。例如，对一条由近1000个轨迹点组成的船舶轨迹进行预处理，所需时间不到200 ms，对680条船舶轨迹进行聚类，仅需16 s左右（超过17，000个轨迹点），仅用120分钟就训练出了基于LSTM-ED的船舶交通流预测模型。此外，受作者能力和精力的限制，PyVT只提供了基本的AIS轨迹预处理和分析功能，还提供了复杂的功能，如船舶航迹的语义识别，23Vi_12425262728如果文森特（pta，ptp）1000 / 1852.25 > max_dist_threhold或abs（-Vi）> max_spd_threhold：is_halt = True否则：i = i + 1ifis_halt：返回pd.concat（[s[0：1]，sbc（s[i：]，max_dist_threhold，船只遭遇情况的IOR和提取还没有已提供。3. 说明性实例为了演示PyVT的用法和功能，本文将介绍max_spd_threhold）]，ignore_index=True）29e = e +130如果没有is_halt：31returns.loc [[0，len（s）−1]]32我将举两个有代表性的例子。第一个示例显示了如何使用此工具对血管轨迹进行聚类。第二个实例介绍了船舶锚泊泊位面积计算的功能，包括两个部分：33 如果名称==主要“道：船舶停留点和锚泊泊位面积的计算所有34ipath =“./ data/raw_data/ais.csv”35df = pd.read_csv（ipath）36simpledf = sbc（df，0.025，0.25）37simpledf.to_csv（清单1：演示轨迹压缩算法“SBC”用法的示例代码本节中的示例可在工具包中找到，并在用户指南中详细描述。3.1. 轨迹聚类血管轨迹聚类包括轨迹预处理、相似性度量、聚类和结果∗李叶任鸿翔李海江软件X 21（2023）1013166见图4。 基于HDBSCAN的船舶轨迹聚类示意图：（一）2019/04/01长江口水域船舶原始轨迹至2019/04/05;（b）经过清洗、分割等预处理后的血管轨迹;（c）血管轨迹聚类结果，不同颜色代表不同轨迹聚类。（有关本图例中颜色的解释，请参阅本文的网络版本图五. M/V“DYNAMOGRACHT”锚泊位面积计算示意图。(a)船舶的原始轨迹和经过清洗、插值等预处理后的轨迹;（b）船舶停留点的识别结果，其中蓝点为船舶的锚点;（c）绿点是船舶在系泊期间的轨迹点，蓝色多边形是本文提取的船舶锚泊泊位边界，红点为船舶锚的大致位置(For对颜色的解释本图图例，读者可参考本文网络版显示.本文首先选取2019年4月1日至4月5日长江口水域国际航行船舶AIS数据为样本，共21.5万条AIS报文。原始轨迹如图所示。第4（a）段。其次，对AIS数据进行数据清洗、分割和压缩等预处理结果示于图4（b）. 第三，利用FastDTW算法完成弹道相似性测量。然后，HDBSCAN算法被用来聚类AIS轨迹。最后，使用PyVT中的多船轨迹显示功能显示聚类结果，如图所示。4（c）.结果表明，该算法将该水域中的船舶划分为16个不同的轨迹簇，代表16条不同的航线，与实际航行情况一致。聚类结果的轮廓系数为0.531，表明轨迹簇内实例紧凑，簇间距离大，聚类效果好。在计算速度方面，使用FastDTW算法和GPU加速后，消耗时间从几十分钟减少到20 s以内，算法的计算速度显著提升。3.2. 锚泊泊位面积PyVT首先对AIS轨迹数据进行清洗、分割、插值等预处理，然后采用基于ST-DBSCAN的方法提取船舶锚泊位信息，再利用单调链凸包算法计算锚泊位边界，最后利用鞋带定理和多边形质心公式分别计算船舶锚泊位面积和船舶锚的大致位置图图5是DYNAMOGRACHT船锚泊位面积244726000，船旗：荷兰，总长度：157米，宽度：23米，吃水：7.3米，类型：杂货船）于2019年4月4. 影响船舶时空轨迹的处理与分析对于船舶的运营、海事监督和航运贸易具有重要意义。虽然已有不少学者开展了船舶轨迹的研究，但大多没有整合各种挖掘技术，缺乏一套开源的、可用的、多功能的船舶轨迹分析代码或工具，不利于船舶时空轨迹研究的发展。本文提供的PyVT工具包是以开源代码的形式开发的，旨在帮助海事领域的相关研究人员解决这一问题。首先，通过直接指定输入参数和文件的方式，结合相关参数的通用性，证明了工具包的用户友好性;其次，工具包提供了一套全面的工具，允许用户快速、轻松地对血管轨迹数据进行预处理、可视化和分析特别是在轨迹分割、轨迹压缩、锚泊位面积计算等方面，PyVT方法实验结果证明了该工具包的创新性和合理性;最后通过发表的论文验证了该工具包PyVT的有效性和实用性。PyVT出现在同行评审的文献[31-此外，这些论文还证明了PyVT在船舶轨迹数据可视化分析中的有效性。李叶任鸿翔李海江软件X 21（2023）1013167鉴于目前船舶轨迹数据研究在海事领域的重要性和相关性，处理和分析弹道数据，该工具包是适合未来的研究。它可以应用于宏观的船舶交通流分析或微观的船舶航行行为研究。 它甚至可以用于船舶自主导航研究，因为即使自主导航研究通常需要构建深度学习模型，PyVT也可以帮助它进行数据集预处理，这是深度学习模型的基础。该模块还可以集成到其他项目中，甚至是商业项目。5. 结论在本文中，我们介绍PyVT，一个开源的Python工具包，用于预处理和分析船舶时空轨迹。PyVT工具包实现了四个功能：轨迹预处理、轨迹数据管理、轨迹数据挖掘和轨迹可视化。它的出现旨在为不同学科的研究人员提供一种简单的方法该工具包非常简单，并且已经提供了令人满意的默认参数设置，任何基于Python的研究人员都可以毫不费力地在专有应用程序中使用和复制其功能。更高级的用户可以通过参数调整进一步调整功能以满足该工具包已用于以前发表的研究，并有可能经常用于新的研究，同时，如有必要，它允许进一步发展。竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作数据可用性本 文 中 使 用 的 数 据 在 PyVT 中 是 公 开 的 ， 网 址 是https://github.com/PilotLeaf/PyVT。与本研究相关的其他数据可从第一作者Y.L.处获得。，在合理要求下。致谢本 工 作 得 到 了 国 家 自 然 科 学 基 金 项 目 （ No.52071312 和No.51939001）、辽宁省自然科学基金航运联合基金项目（No.2020-HYLH-29）和大连市科技创新基金项目（No.2020-HYLH-29）的资助。2021JJ12GX 031）。引用[1] Harati-Mokhtari A，Wall A，Brooks P，Wang J.自动识别系统（AIS）：数据可靠性和人为错误影响。J Navig2007;60：373-89.[2] 杨丹，吴立新，王萨，贾海艳，李凯新.大数据如何丰富海事研究-自动识别系统（AIS）数据应用的关键评论。《运输修订》2019;39：755-73。[3] 赵立波，石国荣，杨继新.基于AIS数据的船舶航迹预处理。J Navig 2018;71：1210-30.[4] Zhang L，Meng Q，Xiao Z，Fu X.一种基于AIS数据的船舶航迹重建新方法。海洋工程2018;159：165-74.[5] 严志杰，程玲，何荣，惠英 .从AIS数据中提取船舶停靠信息。海洋工程2022;250：111004。[6] 文玉清，张玉明，黄丽，周春春，肖传春，张芳，等。基于本体和动态贝叶斯网络的港口船舶行为语义建模。ISPRS Int J Geo-Inf2019;8：107.[7]黄丽，张志红，温玉琴，朱梅，黄玉梅.停止行为识别，分类的船基于对轨迹 特色交通运输工程杂志2021;5：189-98.[8]Rocha JAMR，Times VC，Oliveira G，Alvares LO，Bogorny V. DB-smot：基于方向的时空聚类方法。在：Panagiotis C，编辑. 智能数据库和知识发现。IS 2010 ： 第 五 届 IEEE 智 能 系 统 国 际 会 议 论 文 集 。 London ， UK ，Piscataway：IEEE; 2010，p. 114比9[9]唐春春，王红，赵俊华，唐玉琴，严宏红，肖玉军。 提出了一种基于自适应阈值Douglas-Peucker算法的AIS航迹数据压缩方法。海洋工程2021;232 ：109041。[10]魏志坤，谢晓丽 ，张晓娟.考虑船舶行为的 AIS航迹简化算法 。海洋工程2020;216：108086.[11]金丽，罗志英，高松.船舶行为分析的可视化分析方法。J Navig2018;71：1195[12]Scheepens R，Hurter C，Van De Wetering H，Van Wijk JJ.交通流的可视化、选择和分析。IEEE Trans Vis Comput Graphics2015;22：379-88.[13]王丽，陈萍，陈丽，牟建梅.船舶AIS轨迹聚类：基于HDBSCAN的方法。2021年3月科学工程杂志;9：566。[14]姚丹，张聪，朱忠，黄俊华，毕太平。通过深度表示学习的轨迹聚类。在：IJCNN 2017：2017年神经网络国际联合会议的会议记录。Anchorage，AK，USA，Piscataway：IEEE; 2017，p. 3880-7[15]Madadi B，Aksakalli V.多目标时空锚地规划的随机逼近方法。专家系统应用2020;146：113170。[16]徐晓芳，白晓芳，肖永军，何军，徐勇，任宏新.基于自动识别系统和门控递归单元的港口船舶流量预测模型。J Mar Sci Appl 2021;20：572[17]张志国，尹建春，王楠，惠志国.基于AIS数据的改进PSO-BP算法船舶交通流分析与预测。EvolSyst2019;10：397-407.[18]国际电联无线电通信部门。在VHF海上移动频带中使用时分多路存取的自动识别系统的技术特性. ITU-RM. 1371 -5建议。日内瓦，瑞士：国际电信联盟（国际电联;2014年。[19]郑 宇 TrajectoryDataMining ： AnOverview.ACMTransIntellSystTechnol2015;6：1-41.[20][10]杨文，李文，李文.模糊数据的Hermite和分段三次Hermite插值。J IntellFuzzy Syst 2014;26：2889[21]Alvares LO ， Bogorny V ， Kuijpers B ， de Macedo JAF ， Moelans B ，Vaisman A. 一种利用语义地理信息丰富轨迹的模型。In：Hanan S，CyrusS，editors.公路网。ACM GIS 2007：第15届ACM地理信息系统进展国际研讨会论 文 集 。关闭MT，USA.New York：ACM; 2007，p.1-8号。[22]Spaccapietra S ， Parent C ， Damiani ML ， de Macedo JA ， Porto F ，Vangenot C. 关于轨迹的概念性观点。Data Knowl Eng2008;65：126-46.[23]Nishad A，Abraham S. SemTraClus：一种用于聚类和优先化时空轨迹语义区域的算法。Int J Comput Appl2019;43：841-50.[24]Birant D ， Kut A. ST-DBSCAN ： 一 种 时 空 数 据 聚 类 算 法 。 Data KnowlEng2007;60：208-21.[25]唐春春，王红，赵俊华，唐玉琴，严宏红，肖玉军。 提出了一种基于自适应阈值Douglas-Peucker算法的AIS航迹数据压缩方法。海洋工程2021;232 ：109041。[26]Meratnia N ， de By RA. 运 动 点 目 标 的 时 空 压 缩 技 术 。 In ： Bertino E ，Christodoulakis S ， Plexousakis D ， Christophides V ， Koubarakis M ，Böhm K，Ferrari E，editors.数据库技术的进步。EDBT 2004：第九届扩展数据库技术国际会议论文集。Heraklion，Crete，Greece，Berlin：Springer;2004，p. 765-82.[27]Salvador S ， Chan P. Toward accurate dynamic time warping in lineartimeandspace. Intell Data Anal 2007;11：561[28]McInnes L，Healy J，Astels S. HDBScan：基于层次密度的聚类。J OpenSource Softw2017;2：205.[29]王智明，苏欣，丁智明。 长时间交通预测基于LSTM编码器-解码器架构。IEEE Trans Intell Transp Syst2020;22：6561-71.[30] GitHub [Internet]. San Francisco： Github Inc; c2022 [cited 2022 Jul 31].（ 约 20 个 屏 幕 ） 可 从 以 下 网 址 获 得 ： https://github.com/python-visualization/folium。[31]李毅，任宏新。基于轨迹数据的船舶行为可视化分析：以长江口为例ISPRSInt J Geo-Inf 2022;11：244.[32]李毅，任宏新。基于lstm编解码器的船舶交通流预测。SPML2022：第五届信号处理和机器学习国际会议论文集。New York：ACM; 2022，p. 1 -7号。[33]李英，任宏翔，程良明.基于AIS数据的船舶锚泊泊位面积计算。华中科技大学学报（自然科学版）2022.电子版