基于ECharts的船舶航运信息可视化系统设计与开发.pdf
《基于ECharts的船舶航运信息可视化系统设计与开发.pdf》由会员分享,可在线阅读,更多相关《基于ECharts的船舶航运信息可视化系统设计与开发.pdf(5页珍藏版)》请在咨信网上搜索。
1、SOFTWARE软 件2023第 44 卷 第 8 期2023 年Vol.44,No.8作者简介:王方雄(1973),男,湖北汉川人,博士,副教授,研究方向:GIS 建模与集成、时空大数据分析。通讯作者:李莹(1999),女,辽宁铁岭人,硕士研究生,研究方向:GIS 建模与集成。基于 ECharts 的船舶航运信息可视化系统设计与开发王方雄1,2 李莹1,2(1.辽宁师范大学地理科学学院,辽宁大连 116029;2.辽宁师范大学辽宁省自然地理与空间信息科学重点实验室,辽宁大连 116029)摘要:本文从船舶轨迹数据的特点入手,采用基于密度的聚类算法对船舶轨迹实现聚类,同时调用高德地图 API
2、与ECharts 可视化库,对船舶航运信息进行可视化显示,揭示船舶轨迹特征,最终完成了系统的设计与开发。对于船舶轨迹聚类特征的探究,有助于揭示海域中船舶航道的分布特征、对港口主管部门实施的通航和环境管理工作奠定基础理论支持,进而为海上运输和交通规划建设提供更加直观的科学依据。关键词:AIS;大数据;时空聚类算法;KANN-DBSCAN;ECharts中图分类号:TP311 文献标识码:A DOI:10.3969/j.issn.1003-6970.2023.08.019本文著录格式:王方雄,李莹.基于ECharts的船舶航运信息可视化系统设计与开发J.软件,2023,44(08):080-084
3、Design and Development of Ship Shipping Information Visualization System Based on EChartsWANG Fangxiong1,2,LI Ying1,2(1.Liaoning Key Lab of Physical Geography and Geomatics,Liaoning Normal University,Dalian Liaoning 116029;2.School of Geographical Sciences,Liaoning Normal University,Dalian Liaoning
4、116029)【Abstract】:This paper starts with the characteristics of ship trajectory data,adopts density-based clustering algorithm to cluster ship trajectory,and invokes amap API and ECharts visualization library to visually display ship shipping information and reveal ship trajectory characteristics,an
5、d finally completes the design and development of the system.The exploration of ship trajectory clustering features is helpful to reveal the distribution characteristics of ship channels in the sea area,lay the basic theoretical support for the navigation and environmental management implemented by
6、the port authorities,and then provide a more intuitive scientific basis for Marine transport and traffic planning and construction.【Key words】:AIS;big data;spatio-temporal clustering algorithm;KANN-DBSCAN;ECharts设计研究与应用0 引言船舶自动识别系统(Automatic Identification System,AIS)是一种实用的海上通信手段,能够实现船与船、船与岸之间的实时数据交
7、换以及目标信息识别等功能1。传统的 AIS 数据表达大多是借助单一的 MATLAB 软件或 Python 语言进行聚类后直接输出结果,可视化表达效果并不理想。除此之外,传统方法不但对软件平台的依赖性较高,而且对使用系统的依赖性较强,不便于用户的日常操作及使用。近年来,关于船舶轨迹聚类的研究方法集中于基于统计学的、基于距离的2,3以及基于密度4的三种方法,其中基于密度进行聚类的方法最为流行。DBSCAN 算法是其中最常用的算法,并广泛应用于船舶 AIS 数据5。目前国内外对于 AIS 数据轨迹聚类的研究大多集中在分析主要航道、发现航行危险区域及相关算法的改进等方面6-10,在船舶轨迹聚类与其可视
8、化系统的实现方面应用较少。在算法方面,大多采用 DBSCAN 算法,但该算法在参数选择上有很强的主观性,且参数对81王方雄 李莹:基于 ECharts 的船舶航运信息可视化系统设计与开发聚类结果有较大的影响,故本文选择一种便捷的自适应DBSCAN 聚类算法,减少人为因素对参数选择的影响。在此基础上,调用高德开放平台提供的 API 与 ECharts提供的可视化库,实现地图与相关图表的显示,设计并开发一个可以将船舶航运信息进行可视化表达的系统。1 数据及预处理AIS 数据可分为静态数据与动态数据两类。静态数据包括呼号、船名、船舶尺寸、吃水深度、船舶类型等;动态数据主要包括经度、纬度、船速、航向和
9、时间等。受传感器在信号传输中产生的误差影响,原始 AIS数据具有采样不均匀、存在噪声数据、数据缺失等诸多问题。因此需要进行数据清洗,根据需求筛选出符合要求的数据,包括处理无效数据与验证有效数据。为完成系统测试,考虑到聚类效果及运行速度等方面的影响,本研究先从数据库中筛选出了位于渤海附近海域(经纬度为东经 113 06127 01、北纬 35 0244 09 间)的 AIS 数据,时间节点设置为 2020 年 3 月 15 日,从符合条件的数据点中提取了 24h 中的约 60 万条船舶轨迹数据,清洗掉轨迹缺失数据及其他问题数据,最终将处理后的数据用于轨迹聚类的系统测试。2 船舶轨迹提取算法聚类(
10、Cluster)是一种广泛应用于数据分析的统计技术。聚类算法以数据间的相似性为依据,对其进行有目标的分组,把相似的对象划分为同一类,同时该算法也是数据挖掘中的常用算法之一,有利于人们掌握数据的全局分布情况。在实际应用中,需根据研究方向、应用范围、数据属性等方面来选择适宜的方法。综合考虑了聚类形状、数据类型、抗干扰性等多方面的因素后,认为在本文中选择基于密度的聚类算法较为合适。2.1 DBSCAN 算法DBSCAN 算法是一种基于密度的空间聚类算法,该算法最早于 1996 年由 Martin Easter 等人提出4。其实质是判断空间中数据分布的紧密程度,将相邻点划分至同一个聚类类别。该算法无需
11、指定簇的个数,仅需设定两个参数(Eps,MinPts)并且可以在具有噪声的空间数据库中发现任意形状的簇。2.2 KANN-DBSCAN 算法2.2.1 KANN-DBSCAN 算法概述由于传统的 DBSCAN 聚类算法中参数的确定,通常是由专业人士通过相关经验经反复验证而设定的,聚类效果及准确性均难以保证。因此,通过如何科学的算法确定参数成为了当下对 DBSCAN 算法进行改进的重要思路之一。在研究对比了多种 DBSCAN 的自适应算法后,本文以参数寻优策略为依据,选定了一种将密度阈值Density 参数加入算法的改进算法:KANN-DBSCAN(K-Average Nearest Neigh
12、bor DBSCAN)算法。该方法率先由李文杰等人11提出,后罗文华12等人在该思想的基础上又对算法进行了扩展,实现了网络入侵类别检测。该方法将以 Eps 为半径画圆,在该圆内部存在的 MinPts 数据点个数与圆的面积之比,称为密度阈值Density。利用公式表达如式(1)所示:2MinPtsDensityEps=(1)将该参数引入聚类算法后,其值的大小将会直接影响最终结果,通过对前人的实验进行总结,得出了以下经验:在簇数正确的情况下,随着密度阈值的减小,噪声率会变低,聚类效果趋于正确。2.2.2 KANN-DBSCAN 算法实现对于如何选择合适的 Density 参数列表,是 KANN-D
13、BSCAN 算法实现的关键。聚类的精确度和运算量由列表的取值范围和参数间距决定,故需要在二者之间寻找平衡点9。因此,需考察数据本身的空间分布特点,以生成合适的密度阈值列表。具体实现如下:(1)生成 Eps 列表。基于K-平均最近邻算法(K-Average Nearest Neighbor,KANN)和数学期望法生成 Eps 列表,KANN 算法是平均最近邻算法的扩展。具体步骤如下:步骤 1 对待研究的数据集 D 进行操作,计算其距离分布矩阵 Dnn,表达式如式(2)所示:Dnn=distance(i,j)1 i n,1 j n (2)其中,n 表示数据集中对象的个数,distance(i,j)
14、表示对象 i 与对象 j 之间的距离。步骤 2 遍历距离矩阵 Dnn每一行元素,并对其进行升序排列。D0定义为对象到自身的距离,即为由第一列数据所组成的距离向量到自身距离全为 0,Dk表示第 K 列数据构成的 KANN 距离向量。步骤 3 计算距离向量 Dk中所有元素的平均值,记为kD,循环计算所有的 K 值,得到 Eps 的参数列表 DEps,表达式如式(3)所示:DEps=kD1 K n (3)(2)生成 MinPts 列表。利用数学期望法确定 MinPts 参数列表,具体步骤如下:步骤 1 根据得出的 Eps 参数列表,对所有对象按顺82软 件第 44 卷 第 8 期SOFTWARE序求
15、出每个 Eps 参数所对应邻域中对象的数量。步骤 2 对所有 Eps 参数所对应邻域中对象的数量数学期望,将其作为 MinPts 参数,表达式如式(4)所示:11niiMinPtsXn=(4)其中,n 为数据集 D 中对象的总数量,Xi为第 i 个对象在该 Eps 参数下邻域内对象总数。(3)自适应确定最优参数。在 Eps 列表与 MinPts 列表生成后,进行如下步骤,以得到最优参数。具体步骤如下:步骤 1 将参数输入 DBSCAN 算法,遍历集合 DEps中的每一个元素并依次使用,将其作为候选 Eps 参数,MinPts 参数是通过公式(8)求得的,基于此进行聚类分析。由于 K 值的不同,
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 ECharts 船舶 航运 信息 可视化 系统 设计 开发
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。