1.目的及意义（含国内外的研究现状分析）

1.1目的

随着国家经济的快速发展，国际间和国内南北之间的货物运输不断增加，作为货物运输的最重要的组成部分---海上运输日益繁忙，如何确保新形势下海上运输的安全已经成为一个重要的研究课题。

目前国家海事局管辖河段大多实行船舶定线制，交通非常繁忙。通过对装备有AIS设备的船舶交通流的研究来分析成某某水域的交通流特点和规律。而且通过研究风向风速对交通流的影响找出其中的规律，得出一个相关性的交通流预测方法。

1.2意义

海上交通运输是国家队外和内部之间开展经济贸易的重要组成部分，海上交通运输业的发展水平也逐步成为了国家兴旺发达的重要标志之一。海上交通运输成为沿海区域经济发展的重要保障 ，也是衡量沿海区域发展现代化程度的重要指标，同时，在国际政治和军事方面也具有重要的意义。因此，对于海上交通运输这样一个实时的复杂系统，要达到目的就是在尽可能短的时间内，获取尽可能多的，准确的交通信息，并进行合理的分析，掌握其中的运行规律，这些规律对海上交通的规则，管理，控制与预测的研究是非常重要的。因此研究气象条件对交通流的影响从而得出可以预测短期内交通流的偏移量将对海上交通运输的安全性提供保障，以及国家海事部门对管辖水域的管理将更加便捷。

1.3国内外研究现状分析

（1）国内对AIS数据处理研究现状

上海海事大学的冯宏祥等人在《基于AIS的元胞自动机模型的船舶交通流特征参数分析》中利用基于AIS的元胞自动机船舶交通流模型模拟再现船舶交通流，发现船舶交通流包含自由流、同步流和拥挤流三种相态，同时也给出船舶密度-速度之间不明确的多值关系，并应用微观模拟求取出航道船舶交通流的最大自由速度、航道堵塞等。

大连海事大学的张连东发表的《基于AIS数据的成山头水域船舶交通流研究》，作者根据成山头水域的通航现状和特点，将交通流分为南下和北上交通流，用统计的方法将船舶速度和交通量按照小时分布状况进行了统计研究，运用小波理论对统计数据进行去噪处理研究他们的分布状况，为研究船舶交通量与船舶速度之间的关系提供了一种新方法。

大连海事大学的林威发表的《基于AIS数据的船舶交通流特性统计平台研究》，文献中表示对AIS调查所得的海上交通基本数据进行必要的统计处理，可以获得更好的反映交通流特性的数据，同时还可以深入挖掘船舶在某个水域航行的风险数据，作者建立了船舶交通流特性统计平台，对不同的船舶交通流特性进行统计，包括船舶交通量、船舶密度、船舶航迹等一系列的交通流特性进行统计，利用平台从AIS数据中挖掘出船舶交通流特性。

大连海事大学李永攀等人发表的《基于AIS数据约束聚类的海上交通特征分析》，利用AIS数据点的多种属性约束，采用AIS数据点的方法，引入航速、航向和MMSI属性，改进DBSCAN算法，对大量船舶AIS数据进行约束聚类分析，从大量AIS数据中解析不同类型的船舶交通流，计算平均航向和航速。

大连海事大学的李笑晨等人发表的《基于AIS原始数据的天津港交通流模型》中，作者，考虑到AIS原始数据结构复杂，而OD交通流模型能够准确模拟船舶运动轨迹、便于仿真等特点，在OD交通流模型理论的基础上处理分析AIS原始数据，设置合理间隔进行统计，选出合适的概率密度行数建立数学模型，根据数学模型生成船舶对应断面上的模拟位置信息，基于OD交通流模型理论建立船舶交通流模型。

（2）国外对AIS数据处理研究现状

Yigit C. Altana和Emre N. Otay发表的《Spatial mapping of encounter probability in congested waterwaysusing AIS》中基于分子碰撞理论开发了碰撞模型，模型允许使用长期AIS数据作为输入来计算二维水道中的遭遇概率，并且利用该模型在伊斯坦布尔海峡进行测试，为合理进行海上空间规划提供了依据。

在国外《Ocean Engineering》期刊上发表的文章《A novel method for restoring the trajectory of the inland waterwayship by using AIS data》中则提供了一种处理AIS原始数据的思路，提出了多机制船舶轨迹重建模型，包括异常值去除，船舶航行状态估计和船舶轨迹拟合，该模型允许在不同的导航状态下进行船舶轨迹重建，使用条件模型估计正常速度导航轨迹，并通过测试新加坡港500多艘船舶的AIS数据集，表明该模型性能优于线性回归模型，为研究船舶交通流提供了一个很好的工具。

同样发表在《Ocean Engineering》期刊上的《Ship classification based on ship behavior clustering from AIS data》开发了一种基于行为聚类的港口船舶分类新方法，除了正确的数据准备之外，所提出的方法包括两个步骤，在港口区域中聚类船舶行为并识别群集的特征，根据船舶特征将船舶分类为此类行为群。结果显示了船舶路径和地面速度的行为模式和行为变化模式，可以揭示一些整体船舶行为。

（2）国内外研究气象对船舶交通流影响的现状

近年来，随着我国经济的迅速发展，国内外贸易迅猛发展，海上交通运输量不断增加，特别是某些重要的水道，船舶交通非常繁忙，沿海运输对于保证我过经济的快速发展起着非常重要的作用，为了更好地保障海上运输地安全，如何更好的保护我国沿海水域环境安全和正常地海上交通的安全，高效运行，已经成为了一个重要的课题。另外随着装载AIS设备的船舶数量越来越多，如何利用AIS设备童工的准确数据进行船舶交通研究已经时一个新的研究方向。（引用自文献基于AIS数据成山头水域船舶交通流与研究）

目前国内外对风速风向对单体船舶航行的研究已经十分的成熟，但是对于船舶交通流的影响尚且处于中等层次的水平，因为影响交通流的因素很多，只不过研究的对象从单个船舶转移到了全部船舶。近年来，由于AIS设备的普及，使得这方面的研究变得具有可行性，因此该方面的研究将会越来越深入。

而且，10年前国内外对于交通的研究仅限于城市道路交通流，极少有关于船舶交通流的研究文献，而且目前能查阅到的文献关于海上船舶交通流的研究非常的局限，很片面很单一的研究某一个点。例如目前有关于船舶的速度对船舶交通流的影响，有地理环境对船舶交通流的影响。其实关于船舶交通流可以研究的地方非常的多。例如自然条件对船舶交通的影响这一块研究非常的空白。但是现在由于科技的进步发展，进行船舶交通流的研究可行而且十分有必要。

2.基本内容与研究方法

2.1基本内容

2.1.1AIS数据与信息特征分析

利用AIS船舶航行动态轨迹的数据和当天的气候条件（风速，风向，能见度）的信息整合，研究长江口流域，芜湖流域和连云港附近水域一个长时间跨度的动态轨迹偏移及变化，记录所得数据与当天其后条件的相关性。

2.1.2船舶交通流轨迹的变化与气候条件的相关性分析

参考《基于SVM和BP神经网络的短时交通流预测与实现》利用网上已有的对城市道路交通流的研究模型套入船舶航行轨迹变化量及气象条件数据的变化，研究其二者之间的相关性。或者利用数据值的变化量通过长时间跨度，大数据的整合基础下，寻找出其二者之间的变化存在的某种关系，得出一个日后能根据某个气象条件而预测出当天船舶交通流轨迹的预测方式。

2.2研究方法

2.2.1相关数据和资料的搜集

关于舟山港管辖海域近一年的气候条件数据的搜集（包括风速，风向，温度，能见度），以及对应日期该海域或河段在当天的轨迹数据记录。以及对于AIS提供数据的准确性及气象局提供气候数据的精准度的初步分析，来确保获取的信息具有可研究性。

2.2.2采集的数据整合应用于船舶交通流的具体方法

利用已有的AIS数据系统观测划定水域的船舶交通轨迹的变化，测量出变化量。参考文献《基于关联规则的曹妃甸海上交通流管理研究》通过控制变量，研究单变量及后期附加变量对船舶轨迹的影响得出结论，即在大数据中筛选流的大小及方向不变的日期，研究这些天不同的风速风向对该天船舶交通流的影响，得出一个更加具有准确性的结论，使最终得出的预测交通流的方法或者公式更加具有普及性和准确性。再代入收集的对应日期的风速风向的资料，确定风速风向对每天交通流偏移量的影响。利用公式y=kx b(x) c(x)计算出常数k和b（x）,c(x)值。

4.参考文献

[1]程胜利,海事大数据收集与利用方式研究[J],科技视界,2015,24:321-322.

[2]张连东,基于AIS数据成山头水域船舶交通流与研究[D],大连海事大学,2010.

[3]郑滨,基于数据挖掘的海上交通流数据特征分析[D],上海海事大学,2009.

[4]贺国光;李宇;马寿峰,基于数学模型的短时交通流预测[D],天津大学,2000

[5] 景辉鑫;钱伟;车凯,基于灰色 ELM 神经网络的短时交通流量预测[D],河南理工大学,2019.

[6]Dellios;Kleanthis;Papanikas;Dimitrios,Deployinga Maritime Cloud[J], IT Professional Magazine,2014,165:

[7]Dellios Kleanthis，Polemi Despina. Maritime Clouds for the European Ports[J].Proceedings of the 2012 16th Panhellenic Conference on Informatics. 2012.422.

[8]Adam Weintrit，E-Navigation Revolution– Maritime Cloud Concept[J]. Springer Berlin Heidelberg, 2014, 471:80-90.

[9]李志强.基于关联规则的曹妃甸海上交通流管理研究[D],燕山大学,2013.

[10] 黄廷辉;王玉良;汪振;崔更申,基于Spark的分布式交通流数据预测系统[J],计算机应用研究, 2017-08-1817:02.

[11] 姚志洪;蒋阳升,基于Robertson模型的异质交通流车队离散研究[J].交通运输系统工程与信息,2018.

[12] 王祥雪;许伦辉,基于深度学习的短时交通流预测研究[J],交通运输系统工程与信息

,2018.

[13]杨双双；吴传生；刘钊；刘敬贤，基于非凸低秩稀疏约束的船舶交通流量预测[J],计算机应用研究,2017-01-19 15:38.

[14] 钱伟;车凯;李冰锋，基于组合模型的短时交通流量预测[J],中国知网控制工程,2019-01-20.

[15] 曹洁;沈钧珥;张红;侯亮;陈作汉,基于小波和多维重构的BP神经网络交通流短时预测

[J],计算机应用与软件,2018,12-12.

[16] 李欣. 基于Spark的多阶空间权重矩阵STARIMA交通流预测分析方法[J].中山大学学报（自然科学板）,2018-11-15.

[17]余涛.基于SVM和BP神经网络的短时交通流预测与实现[J],南京邮电大，2018-11-14.