پیام خود را بنویسید
دوره 18، شماره 35 - ( 3-1401 )                   جلد 18 شماره 35 صفحات 127-111 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

ebrahimi mavini M, Shafieefar M. The analysis of the pattern of maritime traffic trajectory using the data mining in the Persian Gulf. marine-engineering 2022; 18 (35) :111-127
URL: http://marine-eng.ir/article-1-905-fa.html
ابراهیمی موینی مهدی، شفیعی فر مهدی. تحلیل الگوی مسیر ترافیک دریایی با استفاده از داده کاوی در خلیج فارس. مهندسی دریا 1401; 18 (35) :127-111

URL: http://marine-eng.ir/article-1-905-fa.html


1- دانشکده عمران و محیط ‌زیست، دانشگاه تربیت ‌مدرس
چکیده:   (474 مشاهده)
تحلیل مسیر کشتیرانی به منظور مدیریت ترافیک دریایی، به تجهیزاتی برای جمع‌آوری اطلاعات درباره رفتارهای کشتی بستگی دارد. بدین‌منظور، معتبرترین داده‌ها، داده‌های سیستم شناسایی خودکار (AIS) می‌باشند. پیچیدگی و حجم بالای داده‌های AIS، عملیات نظارت به‌صورت سنتی را بیشتر و تجزیه و تحلیل ترافیک دریایی را دشوارتر می‌کند. بنابراین یک رویکرد غیرنظارتی برای تبدیل موثر داده‌های خام AIS به الگوهای مسیر حمل و نقل دریایی منظم مطلوب است. مدل پیشنهادی برای تجزیه و تحلیل مسیرهای حمل و نقل دریایی شامل 4 بخش پیش‌پردازش داده‌ها‌ی AIS، اندازه‌گیری شباهت ساختاری، خوشه‌بندی مسیر شناور و استخراج مسیر نماینده است. ارزیابی تجربی مدل پیشنهادی با داده‌های واقعی منطقه مورد مطالعه نشان می‌دهد که در مجموع از لحاظ بصری خوب عمل کرده و نتیجه مورد انتظار حاصل شده است.  نتایج حاصله به درک بیشتر الگوهای مسیر حمل و نقل دریایی کمک کرده و مقامات دریایی را در مدیریت پایدار ترافیک دریایی کمک می‌کند.
 

 
متن کامل [PDF 2323 kb]   (174 دریافت)    
نوع مطالعه: مقاله پژوهشي | موضوع مقاله: سازه کشتی
دریافت: 1400/11/11 | پذیرش: 1401/4/22

فهرست منابع
1. B. Slack, P. Rodrigue, and C. Comtois, The geography of transport systems, no. January. Routledge Taylor & Francis Group, 2016. [DOI:10.4324/9781315618159]
2. M. Safarzadeh, E. Azizabadi, M. Shahba and H. Hamidi, Maritime Transportation, Asrar Danesh, 2006. (In Persian)
3. S. Pan and Y. Jingbo, "Extracting Shipping Route Patterns by Trajectory Clustering Model Based on Automatic Identification System Data," Sustain. Artic., vol. 13, no. July, pp. 1-13, 2018.
4. Y. Brain, "Predicting vessel trajectories from AIS data using R," NAVAL POSTGRADUATE SCHOOL, 2017.
5. H. Li, J. Liu, K. Wu, Z. Yang, R. W. Liu, and N. Xiong, "Spatio-Temporal Vessel Trajectory Clustering Based on Data Mapping and Density," IEEE Access, vol. 6, no. November, pp. 58939-58954, 2018. [DOI:10.1109/ACCESS.2018.2866364]
6. G. Pallotta, M. Vespe, and K. Bryan, "Traffic knowledge discovery from AIS data," Inf. Fusion (FUSION), 2013 16th Int. Conf., no. July 2015, pp. 1996-2003, 2013.
7. A. Harati-Mokhtari, "Automatic Identification System (AIS): Data Reliability and Human Eror Implications," R. Inst. Navig., vol. 17, pp. 374-389, 2007. [DOI:10.1017/S0373463307004298]
8. A. Sidibé and G. Shu, "Study of Automatic Anomalous Behaviour Detection Techniques for Maritime Vessels," J. Navig., vol. 70, no. 4, pp. 847-858, 2017. [DOI:10.1017/S0373463317000066]
9. Z. Li, J.-G. Lee, X. Li, and J. Han, "Incremental Clustering for Trajectories," in Database Systems for Advanced Applications, 15th International Conference, DASFAA, 2010, pp. 1-15.
10. J. Lee and J. Han, "Trajectory Clustering : A Partition-and-Group Framework," in Proceedings of the 2007 ACM SIGMOD international conference on Management of data, 2007, pp. 1-12.
11. M. Ester, H. Kriegel, X. Xu, and D.- Miinchen, "A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise," in the Second International Conference on Knowledge Discovery and Data Mining, 1996, pp. 226-231.
12. S. Gaffney and P. Smyth, "Trajectory Clustering with Mixtures of Regression Models," in the fifth ACM SIGKDD international conference on Knowledge discovery and data mining, 1999, vol. 20, no. June, pp. 1-20. [DOI:10.1145/312129.312198]
13. E. M. Knorr, R. T. Ng, and V. Tucakov, "Distance-based outliers : algorithms and applications," VLDB J., vol. 17, no. February, pp. 237-253, 2000. [DOI:10.1007/s007780050006]
14. N. A. Bomberger, B. J. Rhodes, M. Seibert, and A. M. Waxman, "Associative Learning of Vessel Motion Patterns for Maritime Situation Awareness," in Information Fusion, 2006 9th International Conference, 2006. [DOI:10.1109/ICIF.2006.301661]
15. A. Dahlbom and L. Niklasson, "Trajectory Clustering for Coastal Surveillance," in 10th International Conference on Information Fusion, 2007, pp. 1-8. [DOI:10.1109/ICIF.2007.4408114]
16. B. Auslander, K. M. Gupta, and D. W. Aha, "A Comparative Evaluation of Anomaly Detection Algorithms for Maritime Video Surveillance," in Sensors, and Command, Control, Communications, and Intelligence (C3I) Technologies for Homeland Security and Homeland Defense X, edited, 2011, vol. 8019, pp. 1-14. [DOI:10.1117/12.883535]
17. M. Vespe, I. Visentini, K. Bryan, and P. Braca, "unsupervised learning of maritime traffic patterns for anomaly detection," in 9th IET Data Fusion & Target Tracking Conference (DF&TT 2012): Algorithms & Applications, 2012, pp. 1-5. [DOI:10.1049/cp.2012.0414]
18. G. Pallotta, M. Vespe, and K. Bryan, "Vessel Pattern Knowledge Discovery from AIS Data," Entropy, vol. 28, no. June, pp. 2219-2245, 2013.
19. B. Liu, E. N. de Souza, S. Matwin, and M. Sydow, "Knowledge-based clustering of ship trajectories using Density-based Approach," in IEEE International Conference on Big Data, 2014, pp. 603-608. [DOI:10.1109/BigData.2014.7004281]
20. S. Spaccapietra et al., "A conceptual view on trajectories," Data Knowl. Eng., vol. 65, pp. 126-146, 2008. [DOI:10.1016/j.datak.2007.10.008]
21. P. Lei, "A framework for anomaly detection in maritime trajectory behavior," Knowl. Inf. Syst., vol. 26, no. May, pp. 189-214, 2015. [DOI:10.1007/s10115-015-0845-4]
22. R. Zhen, Y. Jin, Q. Hu, and Z. Shao, "Maritime Anomaly Detection within Coastal Waters Based on Vessel Trajectory Clustering and Naïve Bayes Classifier," R. Inst. Navig., vol. 23, no. February, pp. 1-23, 2017.
23. J. Han, M. Kamber, and J. Pei, Data Mining: Concepts and Techniques, Third. TheMorgan Kaufmann Series in DataManagement Systems, 2011.
24. M. Sanii Abadeh, S. Mahmoudi and M. Taherparvar, "Applied data mining", Niaz Danesh, 2014.( In Persian)

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

Creative Commons License
International Journal of Maritime Technology is licensed under a

Creative Commons Attribution-NonCommercial 4.0 International License.