基于信息熵的船舶轨迹自适应分段压缩算法

来源:用户上传      作者:杨家轩　马令琪　

　　摘要：对目前轨迹压缩研究仅考虑船舶位置而忽略船舶操纵特征以及目前轨迹分段研究需确定多种阈值等问题，提出一种基于信息熵的船舶轨迹自适应分段压缩算法。该算法综合考虑船舶位置、航向和速度等信息，引入信息熵作为评判轨迹特征点的指标，从船舶轨迹中提取分段关键点，进而自适应划分出多条子轨迹，再利用自顶向下时间比（topdown time ratio， TDTR）算法分别对子轨迹进行压缩。以老铁山水域船舶交通数据为实验样本，从压缩误差、运行效率等方面对比分段前后的轨迹压缩效果。结果表明，该算法能根据船舶的航向和速度信息对船舶轨迹进行自适应分段，分段后再压缩可大幅降低各种压缩误差，提升压缩效率，特别在轨迹数据量较大情况下效果更佳。
　　关键词： 船舶轨迹; 分段; 压缩; 信息熵
　　中图分类号： U675.7;U697.3文献标志码： A
　　An adaptive segmentation and compression algorithm of ship
　　trajectory based on entropy of information
　　Abstract： Aiming at the current trajectory compression research that only considers the ship position but ignores the ship maneuvering characteristics， and the current trajectory segmentation research that needs to determine multiple thresholds， an adaptive segmentation and compression algorithm based on the entropy of information is proposed. The algorithm comprehensively considers the ship position， heading and speed， introduces the entropy of information as an index to judge the trajectory feature points， extracts the key segmentation points from a ship trajectory to adaptively divide the trajectory into multiple subtrajectories， and then compresses subtrajectories separately using the topdown time ratio （TDTR） algorithm. The ship traffic data of Laotieshan waters are taken as the experimental sample， and the effects of trajectory compression before and after segmentation are compared in terms of the compression error and efficiency. The results show that， the algorithm can adaptively segment a ship trajectory according to the ship heading and speed information， and the segmentation compression can significantly reduce various compression errors and improve the compression efficiency， especially in the case of large amount of trajectory data.
　　Key words： ship trajectory; segmentation; compression; entropy of information
　　引言
　　海洋约覆盖了71%的地球表面，大多数国际贸易都是通过海运完成的。面对愈加复杂的海上航行环境，利用船舶自动识别系统（automatic identification system， AIS）感知海上态势越来越重要[1]。不同的船舶由于运动模式的不同，以大约2 s～6 min的时间间隔发送AIS信息，因此AIS数据量非常大[2]。为减少AIS数据处理过程中的存储和计算成本，通常需要对轨迹进行压缩。
　　目前，船舶轨迹压缩主要有在线压缩和离线压缩两类方法。在线压缩方法无须得到整艘船的轨迹。高邈等[3]将改进后的滑动窗（sliding window，SW）算法应用到AIS轨迹压缩中。SUN等[4]基于扫描拾取移动（scanpickmove，SPM）和SW的思想提出SWSPM算法。ZHANG等[5]提出一种考虑位置、方向和速度的在线多维船舶轨迹压缩算法。而离线压缩方法考虑完整的轨迹，比在线压缩方法更容易实现全局优化。道格拉斯普克（DouglasPeucker，DP）算法是一种常用的离线压缩方法。除地理位置信息之外，AIS数据还包含时间、速度、航向等重要信息[6]。一些学者在使用船舶位置进行船舶轨迹离线压缩的基础上拓展考虑了时间、速度、航向等其他信息。MERATNIA等[7]提出了自顶向下时间比（topdown time ratio， TDTR）算法，以同步欧氏距离（synchronous Euclidean distance， SED）代替欧氏距离对DP算法进行改进。QI等[8]提出一种识别船舶航向变化并提取船舶轨迹代表点的方法。ZHAO等[9]考虑轨迹点的航向信息，对DP压缩算法进行了改进。ZHU等[10]考虑轨迹点的位置、航向和航速，提出一种多维特征距离计算方法。根据航向和速度等信息对轨迹进行分段预处理可以使压缩轨迹保留航向和速度信息。YUAN等[11]提出一种基于轨迹转向角的分段方法，但该方法只考虑了轨迹方向的突变。何爱林等[12]考虑了转向角突变及其累计变化，但没有考虑速度因素。韩陈寿等[13]通过在给定距离内找轨迹的开放角和变速点对轨迹进行分段。金佳龙等[14]和盛凯等[15]提出基于船舶运动模式的轨迹分段算法。宋鑫等[16]在进行压缩前对轨迹进行了分段处理。这几种船舶轨迹分段方法虽然考虑了船舶的航向或速度信息，但需要人为确定航向阈值、速度阈值甚至时间阈值，不同的阈值对结果影响较大，因此具有一定局限性。

nlc202206292046

转载注明来源:https://www.xzbu.com/4/view-15435010.htm