原文传递
考虑速度离散特性的船舶交通状态识别研究
| 论文题名： | 考虑速度离散特性的船舶交通状态识别研究 |
| 关键词： | 船舶交通流;速度离散特性;状态识别;模糊聚类;神经网络 |
| 摘要： | 船舶交通流是海上交通工程的重要研究方向之一，通过对船舶交通流的深入研究，从定性和定量的角度分析和揭示船舶交通的行为特征和运行规律，能够为识别海上航行风险，提高船舶交通效率提供有效的手段和方法。现有的研究，对于船舶交通流特征描述所使用的交通流参数，大部分是从宏观、整体的角度出发，没有考虑到个体行为差异同宏观整体表现的相互作用，因此无法全面、准确的描述船舶交通流实际的运行状况。引入速度离散特性的研究，认识船舶交通流运行中个体的差异性，对于船舶交通状态机理的研究具有重要意义。 本文在传统的，从宏观角度描述船舶交通流的基础上，引入速度离散特性的研究，分析速度离散特性同宏观交通流参数之间的关系，从而为个体行为差异同宏观整体表现之间建立联系，从定性的角度研究了船舶交通流的运行机理；在上述的基础上，通过数据挖掘，从定量的角度上，建立船舶交通状态的评价与识别模型，所做的主要内容有： （1）船舶交通流速度离散特性研究。首先在速度离散特性定义总结的基础上，提出了船舶交通流速度离散特性的定义，对速度离散度在交通流基本图上的分布情况进行研究，对速度离散度同宏观交通流参数之间的关系进行了分析。 （2）船舶交通状态评价研究。针对传统的交通状态研究中使用的宏观参数具有的局限性，引入速度离散度作为评价指标，使用模糊均值聚类算法（Fuzzy-C-Means，FCM）进行交通状态评价。为解决模糊均值算法在初始聚类中心的选择上，容易陷入局部最优的问题，使用了改进的K-Mean算法进行优化，提出了改进FCM的船舶交通聚类算法。 （3）船舶交通状态识别研究。通过对船舶交通状态聚类结果的数据特征进行提取，应用广义回归神经网络（GeneralizedRegressionNeuralNetwork，GRNN）和概率神经网络（ProbabilisticNeuralNetwork，PNN）对各类交通状态数据集进行学习，建立了基于GRNN、PNN的船舶交通状态识别模型。通过多次训练和结果验证，准确率在95%以上，证明了该船舶交通状态识别模型的可行性和有效性。 综上所述，本文通过对船舶交通流运行中速度离散特性的认识，能够更加全面准确地描述船舶交通流特征；在这一基础上，对船舶交通状态聚类与识别做了比较充分的研究，可以为相关研究提供一定参考价值。 |
| 作者： | 田序伟 |
| 专业： | 海上交通工程 |
| 导师： | 郑中义 |
| 授予学位： | 硕士 |
| 授予学位单位： | 大连海事大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
