Многомерный кластерный анализ данных трафика морской акватории для планирования маршрутов судов

Работа посвящена проблеме планирования маршрутов судов на акваториях с интенсивным движением. В условиях насыщенного трафика навигационная безопасность может быть обеспечена только при координации движения судов и реализации ими определенной схемы движения. В статье рассматривается задача планирования маршрута таким образом, чтобы он соответствовал практике судоходства, сложившейся в конкретном районе. Предлагаемый в работе метод планирования маршрутов основан на кластеризации данных о движении судов. Выделенные кластеры представляют собой области в трех- или четырехмерном фазовом пространстве с близкими значениями скоростей и курсов судов, на основе которых формируется граф возможных маршрутов. Особенностью подхода к построению графа является уменьшение числа вершин и ребер за счет моделирования выделенных кластеров охватывающими многоугольниками. В работе показано, что во многих случаях могут использоваться не только вогнутые, но и выпуклые многоугольники, что может дополнительно уменьшить мощность графа. В статье дается метрика расстояния между точками в фазовом пространстве, по которой ведется кластеризация данных, обсуждаются проблемы выбора параметров метрики и алгоритма кластеризации. Отмечается перспективность использования алгоритма DBSCAN. Работа сопровождается расчетами планируемых маршрутов судов на данных реальной акватории (Сангарский пролив). Приводятся результаты кластеризации данных о движении, выделения местоположения кластеров путем построения охватывающих многоугольников, вычисления маршрута судна. Отмечается, что рассматриваемая задача может быть актуальна в контексте перспективного развития автономного судовождения. В этом случае рассчитанный маршрут судна будет соответствовать движению других судов, находившихся на акватории ранее. Это позволит снизить вероятность возникновения опасных ситуаций при движении автономного судна в общем судопотоке.

1. Ардельянов Н.П. Промежуточные результаты концепции е-навигации. Вестник государственного морского университета имени адмирала Ф.Ф. Ушакова. 2022;(2):8–11.

2. Ривкин Б.С. е-Навигация. Прошло 5 лет. Гироскопия и навигация. 2020;28(1):101–120. https://doi.org/10.17285/0869-7035.0026

3. Коренев А.С., Хабаров С.П., Шпекторов А.Г. Формирование траекторий движения безэкипажного судна. Морские интеллектуальные технологии. 2021;(4 1):158–165. https://doi.org/10.37220/MIT.2021.54.4.047

4. Дыда А.А., Пушкарев И.И., Чумакова К.Н. Алгоритм обхода статических препятствий для безэкипажного судна. Вестник государственного университета морского и речного флота имени адмирала С.О. Макарова. 2021;13(3):307–315. https://doi.org/10.21821/2309-5180-2021-13-3-307-315

5. Пинский А.С. Автономное судовождение. Морской вестник. 2021;(2):101–105.

6. Tsolakis A., Benders D., De Groot O., Negenborn R.R., Reppa V., Ferranti L. COLREGs-aware Trajectory Optimization for Autonomous Surface Vessels. IFAC-PapersOnLine. 2022;55(31):269–274. https://doi.org/10.1016/j.ifacol.2022.10.441

7. Wang H.-B., Li X.G., Li P.F., Veremey E.I., Sotnikova M.V. Application of Real-Coded Genetic Algorithm in Ship Weather Routing. The Journal of Navigation. 2018;71(4):989–1010. https://doi.org/10.1017/S0373463318000048

8. Zhao L., Shi G. Maritime Anomaly Detection using Density-based Clustering and Recurrent Neural Network. The Journal of Navigation. 2019;72(4):894–916. https://doi.org/10.1017/S0373463319000031

9. Таратынов В.В. Целесообразность разделения морских путей. Морской флот. 1969;(9):19–20.

10. Zhang B., Hirayama K., Ren H., Wang D., Li H. Ship Anomalous Behavior Detection Using Clustering and Deep Recurrent Neural Network. Journal of Marine Science and Engineering. 2023;11(4). https://doi.org/10.3390/jmse11040763

11. Гриняк В.М., Девятисильный А.С., Иваненко Ю.С. Поддержка принятия решений при обеспечении безопасности движения судов на основе кластеризации траекторий. Вестник государственного университета морского и речного флота имени адмирала С.О. Макарова. 2020;12(3):436–449. https://doi.org/10.21821/2309-5180-2020-12-3-436-449

12. Гриняк В.М., Шуленина А.В. Кластеризация данных траекторий морских судов для планирования маршрутов через акватории с интенсивным движением. Информационные технологии. 2021;27(11):607–615. https://doi.org/10.17587/it.27.607-615

13. Гриняк В.М., Девятисильный А.С. Планирование маршрутов судов на основе ретроспективных данных о движении на морской акватории. Транспорт: наука, техника, управление. Научный информационный сборник. 2022;(10):34–40. https://doi.org/10.36535/0236-1914-2022-10-6

14. Гриняк В.М., Прудникова Л.И., Артемьев А.В., Левченко Д.М. Планирование маршрутов судов по ретроспективным данным о движении на основе модельных представлений вычислительной геометрии. Моделирование, оптимизация и информационные технологии. 2023;11(2). https://doi.org/10.26102/2310-6018/2023.41.2.015

15. Гриняк В.М., Шурыгин А.В.; правообладатель Федеральное государственное бюджетное образовательное учреждение высшего образования «Владивостокский государственный университет экономики и сервиса». Программа сбора траекторных данных о движении судов из открытых интернет источников: опубл. 19.07.2018. Свидетельство о государственной регистрации программы для ЭВМ № 2018618729 Российская Федерация. Зарегистрировано в реестре программ для ЭВМ.

16. Головченко Б.С., Гриняк В.М. Информационная система сбора данных о движении судов на морской акватории. Вестник государственного университета морского и речного флота имени адмирала С.О. Макарова. 2014;(2):156–162.

17. Pallotta G., Vespe M., Bryan K. Vessel Pattern Knowledge Discovery from AIS Data: A Framework for Anomaly Detection and Route Prediction. Entropy. 2013;15(6):2218–2245. https://doi.org/10.3390/e15062218

18. Naus K. Drafting Route Plan Templates for Ships on the Basis of AIS Historical Data. The Journal of Navigation. 2020;73(3):726–745. https://doi.org/10.1017/S0373463319000948

19. Zhen R., Jin Y., Hu Q., Shao Zh., Niktakos N. Maritime Anomaly Detection within Coastal Waters Based on Vessel Trajectory Clustering and Naïve Bayes Classifier. The Journal of Navigation. 2017;70(3):648–670. https://doi.org/10.1017/S0373463316000850

20. Tang H., Wei L., Yin Y., Shen H., Qi Y. Detection of Abnormal Vessel Behaviour Based on Probabilistic Directed Graph Model. The Journal of Navigation. 2020;73(5):1014–1035. https://doi.org/10.1017/S0373463320000144