港口区域功能区提取的PortMiner无监督数据挖掘方法

《TRANSPORTATION RESEARCH PART E-LOGISTICS AND TRANSPORTATION REVIEW》:PortMiner: Unsupervised data mining for functional areas extraction in port areas

【字体: 大 中 小 】 时间:2026年02月03日 来源:TRANSPORTATION RESEARCH PART E-LOGISTICS AND TRANSPORTATION REVIEW 9.3

编辑推荐:

  港口水域功能区的精确提取对于增强港口运营监管、优化船舶调度以及支持海上安全至关重要。然而,现有方法通常依赖于监督学习、大量参数调整和标注数据集,这限制了它们的可扩展性、适应性和运营效率。为填补这些空白,本研究提出了PortMiner,一种新颖的无监督数据挖掘框

  
港口水域功能区的精确提取对于增强港口运营监管、优化船舶调度以及支持海上安全至关重要。然而,现有方法通常依赖于监督学习、大量参数调整和标注数据集,这限制了它们的可扩展性、适应性和运营效率。为填补这些空白,本研究提出了PortMiner,一种新颖的无监督数据挖掘框架,该系统无需人工标注,即可从原始船舶轨迹数据中系统地提取功能区。该框架引入了一种时空自适应滑动窗口(STASW)方法,利用直接从数据中推导出的自适应参数来动态检测停泊行为。轨迹首先被编码为基于Geohash的序列网格,从而实现停泊和港口进出港行为的高效检测。随后,通过多层次空间聚合和基于连通性的聚类,勾勒出泊位、锚地和航道等功能区域。在基准数据集上的实验结果表明,STASW达到了98.83%的准确率,优于最先进的深度学习方法,同时显著降低了计算时间和成本。与官方海图的验证结果证实了PortMiner在识别港口功能结构方面的高保真度。提取的结果还通过一个交互式平台(https://portminer.netlify.app/)公开发布,为智能港口运营和海事物流规划提供了实用见解。
### 论文解读:PortMiner:面向港口水域功能区提取的无监督数据挖掘框架

**研究背景与问题**

国际海运贸易的蓬勃发展对港口运营效率、安全性和智能化水平提出了更高要求。精准识别港口水域内的功能区,如泊位、锚地和航道,是优化船舶调度、加强交通监管、提升港口智能化管理水平的关键。然而,现有方法存在显著局限:首先,它们大多依赖监督学习,需要大量人工标注的轨迹数据和繁琐的参数调整,这不仅成本高昂,也限制了模型在不同港口间的泛化能力。其次,许多方法在完成停泊点识别后便终止,未能进一步进行功能区空间边界的划定,难以集成到需要结构化空间单元的港口智能系统中。此外,用于航道提取的现有方法,如基于聚类、网格或核密度估计(KDE)的方法,对网格划分敏感,参数调整需求高,且难以适应多变的港口交通状况。为克服这些挑战,本研究旨在开发一种集成的、无监督的、数据驱动的框架,以实现从原始自动识别系统(AIS)数据到港口功能区提取的端到端自动化流程。

**主要技术方法**

研究人员提出了一套名为PortMiner的无监督数据挖掘框架。该框架的核心技术创新包括:1. **时空自适应滑动窗口(STASW)算法**:用于识别船舶停泊行为,通过直接从轨迹内在特征中自适应确定行为模式,消除了对人工参数调整和标注数据的依赖。2. **基于Geohash的多分辨率轨迹表示与区域划定方法**:利用Geohash编码对轨迹进行空间索引,实现高效的空间聚合、多层次索引和实时功能区检索,避免了传统方法中计算昂贵的多边形操作。实验数据来源于两个数据集:一个是由Xin等人标注的纽约港基准数据集(Dataset 1),用于评估停泊行为识别性能;另一个是来自美国国家海洋和大气管理局(NOAA)的洛杉矶港2021年全年真实AIS数据(Dataset 2),用于实际场景下的功能区提取和案例研究。

**研究结果**

**4.1 实验数据集**:研究人员使用了两个数据集。Dataset 1(纽约港)包含186艘船舶的69,829条位置报告,带有泊位、锚地和航行状态标签,用于定量评估。Dataset 2(洛杉矶港)包含3,379艘船舶超过5309万条位置报告,数据量大且类别不平衡,用于验证框架在真实场景下的有效性。

**4.2 评估指标**:研究采用精确率、召回率、F1分数和准确率评估停泊行为识别性能。对于功能区提取质量,通过形态学指标(如碎片化程度、分支率、间隙密度)和与官方电子海图(ENCs)的一致性指标(如交并比IoU、归一化中心线距离HDnorm)进行衡量。

**4.3 参数设置与优化**:实验通过对比不同Geohash分辨率(5-8级),确定采用6级Geohash作为海岸线编码及进/出港通道提取的默认分辨率,因其在空间保真度、计算效率和稳定性之间取得了最佳平衡。对于STASW中的时间窗口、速度阈值、距离阈值和航向阈值等参数,通过数据统计驱动的方式自适应确定,并通过敏感性分析验证了其鲁棒性。例如,在停泊功能区提取中,采用了混合策略:港内使用7级Geohash以精细区分,港外使用6级Geohash以抑制噪声并提升计算效率。

**4.4 船舶停泊行为识别准确率**:在基准数据集上,STASW方法在准确率(98.857%)和F1分数(98.973%)上超越了所有对比方法,包括基于规则的方法(SBC)、基于聚类的方法(DBSCAN)以及四种图神经网络(GNN)模型(GCN、ChebNet、GAT、GraphSAGE)。消融实验表明,STASW的“自适应港内/港外参数切换”和“二次校验”模块均对性能提升有显著贡献。

**4.5 船舶停泊功能区**:通过对港内停泊点热力图和Geohash网格分析,研究人员揭示了不同船型(如拖船、货船、油轮)的泊位使用偏好和空间分布模式。对于锚地,通过与官方海图对比,PortMiner不仅成功识别了所有标注的锚地区域,还发现了海图上未标注的“溢出锚地”,这些区域在船舶高峰拥堵期间被使用。对锚地停留时间的统计分析进一步揭示了不同锚地子区域的功能分化。

**4.6 船舶进出港通道**:通过分析进/出港事件,研究人员识别出两条主要进港通道和两条主要出港通道。结果表明,进港船舶倾向于集中在靠近锚地区域的右侧通道,而出港交通则沿两条不同的分支扩散,形成了不对称的通道结构。与官方海图的对比验证了提取通道的准确性,且该方法还揭示了海图上未记录的港内航行路径。

**4.7 功能区提取方法实时效率比较**:在实时查询效率对比中,基于Geohash的方法在查询速度上显著优于传统的基于多边形的方法,特别是在处理多个不连续区域时,性能提升可达数十倍,证明了其在大规模实时应用中的计算优势和可扩展性。

**讨论与结论**

**讨论部分**:PortMiner框架对港口当局、航运运营商和技术开发者均有重要启示。它为港口当局提供了自动化、实时、高精度的功能区识别能力,有助于增强态势感知、优化泊位分配和提升运营效率。航运公司可利用其输出的行为洞察优化调度计划,减少燃油消耗和等待时间。从技术角度看,其无监督特性和Geohash索引方法增强了框架的可移植性和可扩展性,降低了部署复杂性。此外,该框架通过与港口关键绩效指标(KPI)关联,如锚地停留时间、泊位占用率和进出港不对称性,为运营效率的诊断提供了数据支撑。

**结论部分**:本研究提出了PortMiner,一个新颖的、无监督的、系统性的港口水域功能区挖掘框架。该框架通过STASW算法实现了无标注、自适应的停泊行为识别,并集成了基于Geohash的空间表示和基于连通性的聚类,高效地划定了泊位、锚地和航道。在洛杉矶港的真实AIS数据上进行的实验验证了PortMiner的有效性,其提取的功能区与官方海图高度吻合,并发现了现有研究未记录的新高流量区域。尽管该框架作为无监督设计,其参数推导仍依赖于统计启发式规则,且在不同类型港口(如强潮汐河口港)的完全泛化性有待验证。未来工作将探索提取的功能区与上下文特征(如季节性、船型)的关联分析,并引入多船交互模型以支持风险感知的海事运营。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号