CN112699315B - 基于ais数据的船舶异常行为探测方法 - Google Patents
基于ais数据的船舶异常行为探测方法 Download PDFInfo
- Publication number
- CN112699315B CN112699315B CN202011611693.XA CN202011611693A CN112699315B CN 112699315 B CN112699315 B CN 112699315B CN 202011611693 A CN202011611693 A CN 202011611693A CN 112699315 B CN112699315 B CN 112699315B
- Authority
- CN
- China
- Prior art keywords
- track
- time
- threshold
- abnormal
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 69
- 206010000117 Abnormal behaviour Diseases 0.000 title claims abstract description 62
- 230000002159 abnormal effect Effects 0.000 claims abstract description 89
- 238000004140 cleaning Methods 0.000 claims abstract description 5
- 238000011160 research Methods 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 230000001133 acceleration Effects 0.000 claims description 56
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 claims description 51
- 238000005065 mining Methods 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 19
- 230000005856 abnormality Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 208000035851 morphological anomaly Diseases 0.000 claims description 10
- 230000001186 cumulative effect Effects 0.000 claims description 7
- 238000012850 discrimination method Methods 0.000 claims description 6
- 230000002441 reversible effect Effects 0.000 claims description 6
- 241000282376 Panthera tigris Species 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 3
- 230000001502 supplementing effect Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 6
- 230000008722 morphological abnormality Effects 0.000 description 6
- 230000002123 temporal effect Effects 0.000 description 6
- 230000036961 partial effect Effects 0.000 description 5
- 230000000877 morphologic effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Fuzzy Systems (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于AIS数据的船舶异常行为探测方法，包括：步骤1，获取AIS数据，将获取的AIS数据中的在船舶研究区域范围之外、时间异常和重复记录的AIS数据进行删除，通过卡尔曼滤波对删除数据后的AIS数据进行数据清洗，通过船舶运行的实际情况、轨迹点的船首方向和对地速度对清洗后的AIS数据进行插值补全。本发明利用停留点提取、非监督学习和道格拉斯‑普克抽稀算法保留了轨迹的全局特性和局部特性，通过自适应设定阈值减少了对历史数据量的依赖，充分挖掘了轨迹的异常特征，在全局异常挖掘算法下对时间距离进行定义，在局部异常挖掘算法下按照时序特征对轨迹进行检测，从全局和局部的角度对于船舶异常行为进行全方位多角度探测。
Description
技术领域
本发明涉及时空挖掘与时空统计技术领域，特别涉及一种基于AIS数据的船舶异常行为探测方法。
背景技术
海运占比全球贸易的百分之八十以上，构成了全球运输的大动脉，而船舶的活动情况反映出全球政治经济发展运行规律，能够帮助船东监控船舶位置，分析贸易方向和趋势等。我国在世界上是一个航运大国，但是在航运的生产管理上仍然存在很多的问题，特别是没有办法对于船只异常情况进行及时的探测，但船只在航行过程中发生突发事故最终引起异常情况的事件时而发生，所以对船舶异常轨迹的识别也已经成为航海领域的一个重要问题，对于船舶异常轨迹的识别与规律挖掘也成为研究的重点。
接下来，首先从数据的层面分析海域异常行为探测的数据可行性，然后从技术方法层面分析目前异常行为探测方法中存在的一些不足。
海事态势感知和异常检测与船舶及其属性和上下文地理关联信息有关，随着传感器技术的发展以及数据存储能力的增强，因此获得海上交通的相关数据的能力也在逐渐增强。船舶轨迹数据的按照数据获取方式可以分为自我报告数据和基于观测的数据。自我报告定位数据除了基本的轨迹信息，其还包括了比如航次相关的其他船舶附加属性信息，主要类型就是AIS数据。AIS数据主要使用卫星通信，通过给主管当局发送信号以保证安全，或向临近地区发送信号以避免碰撞。这种数据的特点就是会以不同的频率进行数据的更新且其空间覆盖率主要依靠于AIS地面接收电台的分布。基于观测的定位数据由主动或被动传感器手机，这种类型传感器探测能力受限于传感器的工作频率、天线大小等具体参数，海洋状况、气象因素等环境条件以及船只具体属性特征比如船只的大小、结构以及相对于观测点的方向。
应用船舶自动识别系统(Automatic Identification System)大数据即AIS数据由基站设施和船载设备共同组成，是一种新型的集网络技术、现代通讯技术、计算机技术、电子信息显示技术为一体的数字助航系统和设备。AIS数据量庞大、获取简单且信息丰富、可信度高，现已被国际航行的300总吨以上以及国内航行500吨以上的货船和客船进行强行安装，并且也渐渐的在各个渔船上进行了安装。数据中每个轨迹点包含有多个字段属性，比如MMSI编号、航行状态、转向率、对地航速等，轨迹点按照时间顺序构成了序列轨迹。相对于其他传统数据，AIS数据覆盖范围更加的广阔几乎与非近岸海域的船舶一一对应，可以从更大面积尺度上获得更多的海域信息，且AIS数据采样密度相对于传统轨迹数据更加密集，多样的轨迹信息有利于对异常进行多角度的分析，随着航海信息技术的迅速进步，传播自动识别系统生成的AIS数据呈爆炸式增长，结合AIS数据可以对于船舶行为进行多角度的统计、分析和挖掘，实现船舶的异常行为检测。
技术方法层面，在现有研究方法中基于不同的应用需求以及不同的实现原理,常见的海事异常行为的探测方法可以分为四种：
一种是基于分类异常轨迹检测方法。基于分类的异常轨迹检测方法从两步进行异常行为的探测，首先是根据原始数据对其进行标签构建一个标签分类器，接着根据分类器将测试数据划分为异常和正常两个部分。基于分类的异常轨迹检测方法相对于无监督分类方法可以获得更高精度的结果，但是其需要大量专家先验知识对于数据集进行提前标注，且鉴于轨迹的发展是不定向的、时变的，因此对于所有异常行为进行标签是困难的，所以基于分类的异常轨迹检测方法也不适用于在线流的检测。
二是基于历史轨迹相似性的异常轨迹检测方法。数据集分布是已知的，当缺乏先验知识时可以对于历史数据集建模挖掘数据的频繁度得到数据的全局特征，再基于数据全局特征对于有悖特征的轨迹进行发现。基于历史轨迹相似性的异常轨迹检测方法具有较高的检测精度，但是轨迹数据具有时变性，考虑数据增量进行模型重建耗费大量人力物力。
三是基于距离的轨迹异常探测。根据先验知识是否已知可以将数据流分为静态数据流和动态数据流，基于距离的轨迹异常探测从空间上对于远离轨迹群的目标进行探测，其侧重于某时间段内发现异常轨迹但是没有全面考虑轨迹非空间属性比如时间属性以及船舶基本信息等。
四是基于网格划分的异常行为检测。基于网格划分的异常行为检测对于数据所在区域进行格网划分减少对于历史数据量的依赖对于热点区域进行探测，基于相似性对于离群轨迹进行探测，但是其依赖于对于网格大小阈值的选取且没有办法从细节反应流的移动。
但是以上的方法都会存在一定的缺陷，因此兼顾现有的技术方法结合AIS数据，针对海事异常行为的特点提出了本项基于AIS数据的海事异常行为挖掘方法。
发明内容
本发明提供了一种基于AIS数据的船舶异常行为探测方法，其目的是为了解决传统的探测方法依赖于历史数据的质量和数据，探测精度容易受影响，未充分考虑个体在不同环境下的时间特征，没有考虑全面异常的情况和异常行为语义信息的问题。
为了达到上述目的，本发明的实施例提供了一种基于AIS数据的船舶异常行为探测方法，包括：
步骤1，获取AIS数据，将获取的AIS数据中的在船舶研究区域范围之外、时间异常和重复记录的AIS数据进行删除，通过卡尔曼滤波对删除数据后的AIS数据进行数据清洗，通过船舶运行的实际情况、轨迹点的船首方向和对地速度对清洗后的AIS数据进行插值补全；
步骤2，根据插值补全后的AIS数据所记录的船舶轨迹点的时间序列信息和地理位置信息，通过异常挖掘算法对AIS数据中的船舶历史行进规律中的船舶异常行为进行挖掘；
步骤3，根据船舶异常行为的区域范围分别采用为全局异常挖掘算法和局部异常挖掘算法；
步骤4，将全局异常挖掘算法与非监督学习判别方法和规则判别方法结合对轨迹的规律异常和形态异常进行检测，分别得到规律异常轨迹和形态异常轨迹，将规律异常轨迹和形态异常轨迹结合得到全局异常轨迹；
步骤5，将局部异常挖掘算法与规则判别方法结合从局部角度对轨迹的徘徊特征、加速特征和折返特征进行判别，分别得到徘徊异常特征、加速异常特征和折返异常特征，将徘徊异常特征、加速异常特征和折返异常特征结合得到局部异常特征。
其中，所述步骤4具体包括：
基于插值补全后的AIS数据中轨迹群计算每个轨迹两两之间的时间距离，并构建时间距离矩阵，轨迹i与轨迹j之间的时间距离计算公式如下所示：
Ti＝tei-tsi (1)
其中，Ti表示轨迹i的轨迹时间跨度，tei表示轨迹i的起始时间，tsi表示表示轨迹i的停止时间；
Tj＝tej-tsj (2)
其中，Tj表示轨迹j的轨迹时间跨度，tej表示轨迹j的起始时间，tsj表示表示轨迹j的停止时间；
ΔTij＝max(tsi,tsj)-min(tei,tej) (3)
其中，ΔTij表示轨迹i与轨迹j之间在时间区间上的时间差；
其中，Temporal_dis表示轨迹i与轨迹j之间的时间距离。
其中，所述步骤4还包括：
基于插值补全后的AIS数据中的轨迹群计算每两个轨迹之间的空间距离，并构建空间距离矩阵，计算轨迹i与轨迹j之间的空间距离，如下所示：
其中，Ddir表示按照时序顺序计算轨迹i与轨迹j之间的平均距离，xim表示轨迹i上第m个轨迹点的投影纬度坐标，xjm表示轨迹j上第m个轨迹点的投影纬度坐标，yim表示轨迹i上第m个轨迹点的投影经度坐标，yjm表示轨迹j上第m个轨迹点的投影经度坐标，M表示轨迹i和轨迹j上的总轨迹点数；
其中，Dopp表示按照时序倒序计算轨迹i与轨迹j之间的平均距离；
Spatial_dist＝min(Ddir,Dopp) (7)
其中，Spatial_dist表示两两轨迹之间的空间距离，min()表示返回按照时序顺序计算轨迹i与轨迹j之间的平均距离和按照时序倒序计算轨迹i与轨迹j之间的平均距离中的最小值。
其中，所述步骤4还包括：
基于时间距离矩阵和空间距离矩阵通过时空累计概率分布计算时间阈值timeThreh和空间阈值distThreh，如下所示：
F(x)＝P(X≤x) (8)
其中，F(x)表示累计概率分布，P表示所有小于等于x的值出现的概率的和；
timeThreh＝F(x＝0.45) (9)
其中，timeThreh表示以时间距离的累计概率达到45％对应的时间距离为时间阈值；
distThreh＝F(x＝0.45) (10)
其中，distThreh表示以空间距离的累计概率达到45％对应的空间距离为空间阈值；
通过时间阈值timeThreh和空间阈值distThreh分别来确定时间邻域的范围和空间邻域的范围。
其中，所述步骤4还包括：
设定最小轨迹数minLines；
根据AIS数据中船舶的标识信息，按照轨迹数据标识符顺序，循环遍历AIS数据中的每一条目标轨迹ik，当目标轨迹ik有超过minLines个其他轨迹ih(h≠k)，且其他轨迹ih(h≠k)与目标轨迹ik之间的时间距离Temporal_dis小于时间阈值timeThreh，其他轨迹ih(h≠k)与目标轨迹ik之间的空间距离Spatial_dist小于空间阈值distThreh时，则将目标轨迹ik当作一个簇Clusterj的核点，否则将目标轨迹ik看作为噪声轨迹；
给定一个簇Clusterj的核点，当有目标轨迹ik与簇Clusterj中的轨迹之间的时间距离Temporal_dis小于时间阈值timeThreh，空间距离Spatial_dist小于空间阈值distThreh时，则将目标轨迹ik加入到簇Clusterj中；
循环迭代上一步，直到没有新的轨迹添加到任何簇时，结束循环；
将每一个簇Clusterm作为一个群目标体，去寻找不在群目标体中的轨迹，将不在群目标中的轨迹认为具有规律异常行为。
其中，所述步骤4还包括：
设定道格拉斯-普克抽稀阈值dp_thre为轨迹所分布区域拟合椭圆的长半径，如下所示：
其中，dp_thre表示道格拉斯-普克抽稀阈值，area()表示轨迹i拟合椭圆的投影面积，length()表示轨迹i拟合椭圆的短半轴长度；
以唯一标识符为标识遍历所有原始轨迹P＝＜p1,p2,...,pn＞，并利用道格拉斯-普克抽稀算法对原始轨迹P＝＜p1,p2,...,pn＞进行轨迹内部简化得到抽稀轨迹Q＝＜q1,q2,...,qn＞；
根据轨迹的时序信息，对于原始轨迹和抽稀轨迹按照轨迹数据中的唯一标识符的顺序，从第一个轨迹点开始，向下一个轨迹点进行扫描，通过DTW算法依次计算原始轨迹和抽稀轨迹间基于时间动态规整的的相似度，如下所示：
其中，f(a,b)表示轨迹长度为a的轨迹与轨迹长度为b的轨迹之间的累加距离；
DTW(P,Q)＝f(a,b) (13)
其中，DTW(P,Q)表示原始轨迹和抽稀轨迹间的相似度，||·||表示两轨迹点坐标的二范数；
将抽稀轨迹作为离散轨迹点，以唯一标识符为单位进行遍历，计算所有轨迹内部离散程度，如下所示：
其中，μ表示所有轨迹的均值，N表示总的轨迹个数，xi表示轨迹i的投影纬度坐标；
其中，表示所有轨迹的标准差；
其中，表示所有轨迹内部离散程度；
设定轨迹内部离散阈值和轨迹间相似度阈值DTW_thre；
计算每一条轨迹与拟合正常轨迹之间的相似度和轨迹内部离散程度，当当前轨迹与拟合正常轨迹间的相似度小于轨迹间相似度阈值DTW_thre且当前轨迹与拟合正常轨迹间的轨迹内部离散程度小于轨迹内部离散阈值时，判定当前轨迹的形态异常，且将当前轨迹作为形态异常轨迹。
其中，所述步骤5具体包括：
计算轨迹i的空间阈值，如下所示：
其中，K表示轨迹数目阈值，dist()表示轨迹的实际长度；
distlist＝sort([d1,d2,...,dn]) (18)
其中，distlist表示排序后的轨迹i，d表示轨迹i中的轨迹点；
distthre＝meanK(distlist) (19)
其中，distthre表示轨迹i的空间阈值，meanK()表示轨迹i中的前K个轨迹点的均值。
其中，所述步骤5还包括：
设定时间阈值timethre和数量阈值MinPts；
根据时间阈值timethre、空间阈值distthre、速度阈值athre和数量阈值MinPts，按照时序顺序循环遍历每一个目标轨迹点，当目标轨迹点ek超过MinPts个其他停留点eh(h≠k)，且目标轨迹点ek与其他停留点eh(h≠k)之间的空间距离小于空间阈值distthre、目标轨迹点ek与其他停留点eh(h≠k)之间的时间距离小于时间阈值timethre时，将目标轨迹点ek当作一个簇的核点，否则将目标轨迹点ek看作为噪声点；
给定一个簇Clusterj的核点，当有目标轨迹点ek与簇Clusterj中的轨迹点之间的空间距离小于空间阈值distthre时，则将目标轨迹点ek加入到簇Clusterj中；
循环迭代上一步，直到没有新的轨迹点添加到任何簇时，结束循环，对簇Clusterj内的轨迹点进行提取，判定簇Clusterj内所有轨迹点在对应轨迹中具有徘徊异常行为。
其中，所述步骤5还包括：
结合停留点簇对所有轨迹进行分组，并计算所有轨迹内的所有轨迹点的瞬时加速度，如下所示：
按照时序遍历每一个轨迹点e，计算轨迹点e的瞬时加速度，如下所示：
其中，ae表示轨迹点e的瞬时加速度，Ve表示轨迹点e在Ti时刻的瞬时速度；
遍历所有簇，选取停留点簇内所有轨迹的加速度四分位点作为对应簇内的加速度阈值，如下所示：
athre＝Q1(sort(list_an)) (21)
其中，athre表示加速度阈值，sort()表示按照顺序排序后的所有轨迹点的瞬时加速度，Q1()表示选择数据集的四分位值；
对每个簇内的轨迹点以加速度阈值athre为标准，遍历所有轨迹点并进行判断，当当前轨迹点的瞬时加速度满足加速度阈值athre时，则判定当前轨迹点具有加速异常行为。
其中，所述步骤5还包括：
根据轨迹i的标识号遍历所有轨迹，将轨迹i的经纬度坐标投影到平面，如下所示：
z1＝(xi-xi-1,yi-yi-1) (22)
其中，z1表示轨迹i与临近轨迹构成的向量，yi表示轨迹i的投影经度坐标；
z2＝(xi+1-xi,yi+1-yi) (23)
其中，z2表示轨迹i与临近轨迹构成的向量；
根据时序三点计算所有轨迹点的转折角，如下所示：
其中，θe表示轨迹点e的转折角，||表示向量的模；
将轨迹点的转折角映射到三角函数空间，如下所示：
Ce＝cos(θe) (25)
对所有轨迹点的转折角进行遍历，设定转折角阈值thre_C，当当前轨迹点的转折角满足转折角阈值thre_C条件时，则判定当前轨迹点具有折返异常行为。
本发明的上述方案有如下的有益效果：
本发明的上述实施例所述的基于AIS数据的船舶异常行为探测方法，利用停留点提取、非监督学习和道格拉斯-普克抽稀算法保留了轨迹的全局特性和局部特性，通过自适应设定阈值减少了对历史数据量的依赖，充分挖掘了轨迹的异常特征，在全局异常挖掘算法下对时间距离进行定义，在局部异常挖掘算法下按照时序特征对轨迹进行检测，从全局和局部的角度对于船舶异常行为进行全方位多角度探测，探测精度准且稳定，充分考虑了船舶在不同环境下的时间特征、异常的情况和异常行为语义信息。
附图说明
图1为本发明的整体流程图；
图2为本发明的具体流程图；
图3(a)、(b)和(c)为本发明的部分海上目标全局异常检测中规律异常检测结果；
图4(a)、(b)和(c)为本发明的部分海上目标全局异常检测中形态异常检测结果；
图5(a)、(b)和(c)为本发明的部分海上目标局部异常检测中徘徊异常检测结果；
图6(a)、(b)和(c)为本发明的部分海上目标局部异常检测中加速异常检测结果；
图7(a)、(b)和(c)为本发明的部分海上目标局部异常检测中折返异常检测结果。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明针对现有的探测方法依赖于历史数据的质量和数据，探测精度容易受影响，未充分考虑个体在不同环境下的时间特征，没有考虑全面异常的情况和异常行为语义信息的问题，提供了一种基于AIS数据的船舶异常行为探测方法。
如图1至图7所示，本发明的实施例提供了一种基于AIS数据的船舶异常行为探测方法，包括：步骤1，获取AIS数据，将获取的AIS数据中的在船舶研究区域范围之外、时间异常和重复记录的AIS数据进行删除，通过卡尔曼滤波对删除数据后的AIS数据进行数据清洗，通过船舶运行的实际情况、轨迹点的船首方向和对地速度对清洗后的AIS数据进行插值补全；步骤2，根据插值补全后的AIS数据所记录的船舶轨迹点的时间序列信息和地理位置信息，通过异常挖掘算法对AIS数据中的船舶历史行进规律中的船舶异常行为进行挖掘；步骤3，根据船舶异常行为的区域范围分别采用为全局异常挖掘算法和局部异常挖掘算法；步骤4，将全局异常挖掘算法与非监督学习判别方法和规则判别方法结合对轨迹的规律异常和形态异常进行检测，分别得到规律异常轨迹和形态异常轨迹，将规律异常轨迹和形态异常轨迹结合得到全局异常轨迹；步骤5，将局部异常挖掘算法与规则判别方法结合从局部角度对轨迹的徘徊特征、加速特征和折返特征进行判别，分别得到徘徊异常特征、加速异常特征和折返异常特征，将徘徊异常特征、加速异常特征和折返异常特征结合得到局部异常特征。
本发明的上述实施例所述的基于AIS数据的船舶异常行为探测方法，异常挖掘算法通过从船舶轨迹的历史行进规律中挖掘异常的行为，按照异常的区域范围分为全局异常挖掘算法和局部异常挖掘算法，结合非监督学习与规则判别方法对全局异常轨迹的两种异常形式，形态异常和规律异常进行挖掘。
其中，所述步骤4具体包括：基于插值补全后的AIS数据中轨迹群计算每个轨迹两两之间的时间距离，并构建时间距离矩阵，轨迹i与轨迹j之间的时间距离计算公式如下所示：
Ti＝tei-tsi (1)
其中，Ti表示轨迹i的轨迹时间跨度，tei表示轨迹i的起始时间，tsi表示表示轨迹i的停止时间；
Tj＝tej-tsj (2)
其中，Tj表示轨迹j的轨迹时间跨度，tej表示轨迹j的起始时间，tsj表示表示轨迹j的停止时间；
ΔTij＝max(tsi,tsj)-min(tei,tej) (3)
其中，ΔTij表示轨迹i与轨迹j之间在时间区间上的时间差；
其中，Temporal_dis表示轨迹i与轨迹j之间的时间距离。
其中，所述步骤4还包括：基于插值补全后的AIS数据中的轨迹群计算每两个轨迹之间的空间距离，并构建空间距离矩阵，计算轨迹i与轨迹j之间的空间距离，如下所示：
其中，Ddir表示按照时序顺序计算轨迹i与轨迹j之间的平均距离，xim表示轨迹i上第m个轨迹点的投影纬度坐标，xjm表示轨迹j上第m个轨迹点的投影纬度坐标，yim表示轨迹i上第m个轨迹点的投影经度坐标，yjm表示轨迹j上第m个轨迹点的投影经度坐标，M表示轨迹i和轨迹j上的总轨迹点数；
其中，Dopp表示按照时序倒序计算轨迹i与轨迹j之间的平均距离；
Spatial_dist＝min(Ddir,Dopp) (7)
其中，Spatial_dist表示两两轨迹之间的空间距离，min()表示返回按照时序顺序计算轨迹i与轨迹j之间的平均距离和按照时序倒序计算轨迹i与轨迹j之间的平均距离中的最小值。
其中，所述步骤4还包括：基于时间距离矩阵和空间距离矩阵通过时空累计概率分布计算时间阈值timeThreh和空间阈值distThreh，如下所示：
F(x)＝P(X≤x) (8)
其中，F(x)表示累计概率分布，P表示所有小于等于x的值出现的概率的和；
timeThreh＝F(x＝0.45) (9)
其中，timeThreh表示以时间距离的累计概率达到45％对应的时间距离为时间阈值；
distThreh＝F(x＝0.45) (10)
其中，distThreh表示以空间距离的累计概率达到45％对应的空间距离为空间阈值；
通过时间阈值timeThreh和空间阈值distThreh分别来确定时间邻域的范围和空间邻域的范围。
其中，所述步骤4还包括：设定最小轨迹数minLines；
根据AIS数据中船舶的标识信息，按照轨迹数据标识符顺序，循环遍历AIS数据中的每一条目标轨迹ik，当目标轨迹ik有超过minLines个其他轨迹ih(h≠k)，且其他轨迹ih(h≠k)与目标轨迹ik之间的时间距离Temporal_dis小于时间阈值timeThreh，其他轨迹ih(h≠k)与目标轨迹ik之间的空间距离Spatial_dist小于空间阈值distThreh时，则将目标轨迹ik当作一个簇Clusterj的核点，否则将目标轨迹ik看作为噪声轨迹；
给定一个簇Clusterj的核点，当有目标轨迹ik与簇Clusterj中的轨迹之间的时间距离Temporal_dis小于时间阈值timeThreh，空间距离Spatial_dist小于空间阈值distThreh时，则将目标轨迹ik加入到簇Clusterj中；
循环迭代上一步，直到没有新的轨迹添加到任何簇时，结束循环；
将每一个簇Clusterm作为一个群目标体，去寻找不在群目标体中的轨迹，将不在群目标中的轨迹认为具有规律异常行为。
其中，所述步骤4还包括：设定道格拉斯-普克抽稀阈值dp_thre为轨迹所分布区域拟合椭圆的长半径，如下所示：
其中，dp_thre表示道格拉斯-普克抽稀阈值，area()表示轨迹i拟合椭圆的投影面积，length()表示轨迹i拟合椭圆的短半轴长度；
以唯一标识符为标识遍历所有原始轨迹P＝＜p1,p2,...,pn＞，并利用道格拉斯-普克抽稀算法对原始轨迹P＝＜p1,p2,...,pn＞进行轨迹内部简化得到抽稀轨迹Q＝＜q1,q2,...,qn＞；
根据轨迹的时序信息，对于原始轨迹和抽稀轨迹按照轨迹数据中的唯一标识符的顺序，从第一个轨迹点开始，向下一个轨迹点进行扫描，通过DTW算法依次计算原始轨迹和抽稀轨迹间基于时间动态规整的的相似度，如下所示：
其中，f(a,b)表示轨迹长度为a的轨迹与轨迹长度为b的轨迹之间的累加距离；
DTW(P,Q)＝f(a,b) (13)
其中，DTW(P,Q)表示原始轨迹和抽稀轨迹间的相似度，||·||表示两轨迹点坐标的二范数；
将抽稀轨迹作为离散轨迹点，以唯一标识符为单位进行遍历，计算所有轨迹内部离散程度，如下所示：
其中，μ表示所有轨迹的均值，N表示总的轨迹个数，xi表示轨迹i的投影纬度坐标；
其中，表示所有轨迹的标准差；
其中，表示所有轨迹内部离散程度；
设定轨迹内部离散阈值和轨迹间相似度阈值DTW_thre；
计算每一条轨迹与拟合正常轨迹之间的相似度和轨迹内部离散程度，当当前轨迹与拟合正常轨迹间的相似度小于轨迹间相似度阈值DTW_thre且当前轨迹与拟合正常轨迹间的轨迹内部离散程度小于轨迹内部离散阈值时，判定当前轨迹的形态异常，且将当前轨迹作为形态异常轨迹。
本发明的上述实施例所述的基于AIS数据的船舶异常行为探测方法，对差值补全后的AIS数据的船舶轨迹进行规律异常检测，设定时间阈值timeThreh和空间阈值distThreh用于全局异常中非监督规则判断，将累积概率0.45作为时间阈值和空间阈值的取值，规律异常结果如图3，对差值补全后的AIS数据中的船舶轨迹进行形态异常检测，设定轨迹内部离散阈值和轨迹间相似度阈值DTW_thre，用于形态异常的判定，将轨迹间相似度阈值取值为0.9，轨迹内部离散阈值取值为1，形态异常检测结果如图4，将规律异常轨迹和形态异常轨迹结合得到全局异常轨迹。
其中，所述步骤5具体包括：计算轨迹i的空间阈值，如下所示：
其中，K表示轨迹数目阈值，dist()表示轨迹的实际长度；
distlist＝sort([d1,d2,…,dn]) (18)
其中，distlist表示排序后的轨迹i，d表示轨迹i中的轨迹点；
distthre＝meanK(distlist) (19)
其中，distthre表示轨迹i的空间阈值，meanK()表示轨迹i中的前K个轨迹点的均值。
其中，所述步骤5还包括：设定时间阈值timethre和数量阈值MinPts；
根据时间阈值timethre、空间阈值distthre、速度阈值athre和数量阈值MinPts，按照时序顺序循环遍历每一个目标轨迹点，当目标轨迹点ek超过MinPts个其他停留点eh(h≠k)，且目标轨迹点ek与其他停留点eh(h≠k)之间的空间距离小于空间阈值distthre、目标轨迹点ek与其他停留点eh(h≠k)之间的时间距离小于时间阈值timethre时，将目标轨迹点ek当作一个簇的核点，否则将目标轨迹点ek看作为噪声点；
给定一个簇Clusterj的核点，当有目标轨迹点ek与簇Clusterj中的轨迹点之间的空间距离小于空间阈值distthre时，则将目标轨迹点ek加入到簇Clusterj中；
循环迭代上一步，直到没有新的轨迹点添加到任何簇时，结束循环，对簇Clusterj内的轨迹点进行提取，判定簇Clusterj内所有轨迹点在对应轨迹中具有徘徊异常行为。
其中，所述步骤5还包括：结合停留点簇对所有轨迹进行分组，并计算所有轨迹内的所有轨迹点的瞬时加速度，如下所示：
按照时序遍历每一个轨迹点e，计算轨迹点e的瞬时加速度，如下所示：
其中，ae表示轨迹点e的瞬时加速度，Ve表示轨迹点e在Ti时刻的瞬时速度；
遍历所有簇，选取停留点簇内所有轨迹的加速度四分位点作为对应簇内的加速度阈值，如下所示：
athre＝Q1(sort(list_an)) (21)
其中，athre表示加速度阈值，sort()表示按照顺序排序后的所有轨迹点的瞬时加速度，Q1()表示选择数据集的四分位值；
对每个簇内的轨迹点以加速度阈值athre为标准，遍历所有轨迹点并进行判断，当当前轨迹点的瞬时加速度满足加速度阈值athre时，则判定当前轨迹点具有加速异常行为。
其中，所述步骤5还包括：根据轨迹i的标识号遍历所有轨迹，将轨迹i的经纬度坐标投影到平面，如下所示：
z1＝(xi-xi-1,yi-yi-1) (22)
其中，z1表示轨迹i与临近轨迹构成的向量，yi表示轨迹i的投影经度坐标；
z2＝(xi+1-xi,yi+1-yi) (23)
其中，z2表示轨迹i与临近轨迹构成的向量；
根据时序三点计算所有轨迹点的转折角，如下所示：
其中，θe表示轨迹点e的转折角，||表示向量的模；
将轨迹点的转折角映射到三角函数空间，如下所示：
Ce＝cos(θe) (25)
对所有轨迹点的转折角进行遍历，设定转折角阈值thre_C，当当前轨迹点的转折角满足转折角阈值thre_C条件时，则判定当前轨迹点具有折返异常行为。
本发明的上述实施例所述的基于AIS数据的船舶异常行为探测方法，对差值补全后的AIS数据的船舶轨迹进行徘徊异常行为检测，设定空间阈值distthre数量为3，整体数量阈值为5，空间阈值distthre用于局部异常停留点识别中空间阈值判定，徘徊异常行为检测结果如图5，对差值补全后的AIS数据的船舶轨迹进行加速异常行为检测，遍历轨迹对轨迹点的加速度进行检测，加速异常行为检测结果如图6，对差值补全后的AIS数据的船舶轨迹进行折返异常行为检测，设定转折角阈值为45度，折返异常行为检测结果如图7，将徘徊异常特征、加速异常特征和折返异常特征结合得到局部异常特征。
本发明的上述实施例所述的基于AIS数据的船舶异常行为探测方法，采用国际2018年1月2日AIS数据，对AIS数据进行数据清洗和差值补全，基于差值补全后的AIS数据分别进行全局异常和局部异常检测，全局异常检测包括对差值补全后的AIS数据中的船舶轨迹分别进行轨迹规律异常检测和形态异常检测，轨迹规律异常检测通过对轨迹群从时空维度进行非监督学习判别，将时空轨迹进行聚类，聚类得到的结果包含若干个簇Clusterm和边缘轨迹Noisen，将时空簇中的离散轨迹提取出，将离散轨迹作为规律异常轨迹；形态异常检测通过形态特征检测算法结合格拉斯-普克抽稀算法对原始轨迹进行抽稀，得到抽稀轨迹，基于DTW算法判定抽稀轨迹和原始轨迹之间的轨迹相似度，将抽稀轨迹作为离散轨迹点，计算所有轨迹内部离散程度，通过将轨迹间相似度和轨迹内部离散程度分别与对应的轨迹间相似度阈值和轨迹内部离散阈值比较，判定形态异常轨迹；将规律异常轨迹和形态异常轨迹结合得到全局异常轨迹。局部异常检测包括徘徊特征判别、加速特征判别和折返特征判别，徘徊特征判别通过停留点识别和曲率突变点识别得到徘徊异常特征；加速特征判别通过QuickBuddles进行时空聚类，以簇为单位对于加速阈值进行判定，进而判定加速异常行为，得到加速异常特征；折返特征判别通过计算轨迹点的转折角并设定转折角阈值，通过判断轨迹点的转折角是否满足设定的转折角阈值确定折返异常特征，将徘徊异常特征、加速异常特征和折返异常特征结合得到局部异常特征。
本发明的上述实施例所述的基于AIS数据的船舶异常行为探测方法，利用停留点提取、非监督学习和道格拉斯-普克抽稀算法保留了轨迹的全局特性和局部特性，通过自适应设定阈值减少了对历史数据量的依赖，充分挖掘了轨迹的异常特征，在全局异常挖掘算法下对时间距离进行定义，在局部异常挖掘算法下按照时序特征对轨迹进行检测，从全局和局部的角度对于船舶异常行为进行全方位多角度探测，探测精度准且稳定，充分考虑了船舶在不同环境下的时间特征、异常的情况和异常行为语义信息。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于AIS数据的船舶异常行为探测方法，其特征在于，包括：
步骤1，获取AIS数据，将获取的AIS数据中的在船舶研究区域范围之外、时间异常和重复记录的AIS数据进行删除，通过卡尔曼滤波对删除数据后的AIS数据进行数据清洗，通过船舶运行的实际情况、轨迹点的船首方向和对地速度对清洗后的AIS数据进行插值补全；
步骤2，根据插值补全后的AIS数据所记录的船舶轨迹点的时间序列信息和地理位置信息，通过异常挖掘算法对AIS数据中的船舶历史行进规律中的船舶异常行为进行挖掘；
步骤3，根据船舶异常行为的区域范围分别采用为全局异常挖掘算法和局部异常挖掘算法；
步骤4，将全局异常挖掘算法与非监督学习判别方法和规则判别方法结合对轨迹的规律异常和形态异常进行检测，分别得到规律异常轨迹和形态异常轨迹，将规律异常轨迹和形态异常轨迹结合得到全局异常轨迹；
基于插值补全后的AIS数据中轨迹群计算每个轨迹两两之间的时间距离，并构建时间距离矩阵，轨迹i与轨迹j之间的时间距离计算公式如下所示：
Ti＝tei-tsi (1)
其中，Ti表示轨迹i的轨迹时间跨度，tei表示轨迹i的起始时间，tsi表示表示轨迹i的停止时间；
Tj＝tej-tsj (2)
其中，Tj表示轨迹j的轨迹时间跨度，tej表示轨迹j的起始时间，tsj表示表示轨迹j的停止时间；
ΔTij＝max(tsi,tsj)-min(tei,tej) (3)
其中，ΔTij表示轨迹i与轨迹j之间在时间区间上的时间差；
其中，Temporal_dis表示轨迹i与轨迹j之间的时间距离；
基于插值补全后的AIS数据中的轨迹群计算每两个轨迹之间的空间距离，并构建空间距离矩阵，计算轨迹i与轨迹j之间的空间距离，如下所示：
其中，Ddir表示按照时序顺序计算轨迹i与轨迹j之间的平均距离，xim表示轨迹i上第m个轨迹点的投影纬度坐标，xjm表示轨迹j上第m个轨迹点的投影纬度坐标，yim表示轨迹i上第m个轨迹点的投影经度坐标，yjm表示轨迹j上第m个轨迹点的投影经度坐标，M表示轨迹i和轨迹j上的总轨迹点数；
其中，Dopp表示按照时序倒序计算轨迹i与轨迹j之间的平均距离；
Spatial_dist＝min(Ddir,Dopp) (7)
其中，Spatial_dist表示两两轨迹之间的空间距离，min()表示返回按照时序顺序计算轨迹i与轨迹j之间的平均距离和按照时序倒序计算轨迹i与轨迹j之间的平均距离中的最小值；
基于时间距离矩阵和空间距离矩阵通过时空累计概率分布计算时间阈值timeThreh和空间阈值distThreh，如下所示：
F(x)＝P(X≤x) (8)
其中，F(x)表示累计概率分布，P表示所有小于等于x的值出现的概率的和；
timeThreh＝F(x＝0.45) (9)
其中，timeThreh表示以时间距离的累计概率达到45％对应的时间距离为时间阈值；
distThreh＝F(x＝0.45) (10)
其中，distThreh表示以空间距离的累计概率达到45％对应的空间距离为空间阈值；
通过时间阈值timeThreh和空间阈值distThreh分别来确定时间邻域的范围和空间邻域的范围；
设定最小轨迹数minLines；
根据AIS数据中船舶的标识信息，按照轨迹数据标识符顺序，循环遍历AIS数据中的每一条目标轨迹ik，当目标轨迹ik有超过minLines个其他轨迹ih，且其他轨迹ih与目标轨迹ik之间的时间距离Temporal_dis小于时间阈值timeThreh，其他轨迹ih与目标轨迹ik之间的空间距离Spatial_dist小于空间阈值distThreh时，则将目标轨迹ik当作一个簇Clusterj的核点，否则将目标轨迹ik看作为噪声轨迹；
给定一个簇Clusterj的核点，当有目标轨迹ik与簇Clusterj中的轨迹之间的时间距离Temporal_dis小于时间阈值timeThreh，空间距离Spatial_dist小于空间阈值distThreh时，则将目标轨迹ik加入到簇Clusterj中；
循环迭代上一步，直到没有新的轨迹添加到任何簇时，结束循环；
将每一个簇Clusterm作为一个群目标体，去寻找不在群目标体中的轨迹，将不在群目标中的轨迹认为具有规律异常行为；
设定道格拉斯-普克抽稀阈值dp_thre为轨迹所分布区域拟合椭圆的长半径，如下所示：
其中，dp_thre表示道格拉斯-普克抽稀阈值，area()表示轨迹i拟合椭圆的投影面积，length()表示轨迹i拟合椭圆的短半轴长度；
以唯一标识符为标识遍历所有原始轨迹P＝＜p1,p2,...,pn＞，并利用道格拉斯-普克抽稀算法对原始轨迹P＝＜p1,p2,...,pn＞进行轨迹内部简化得到抽稀轨迹Q＝＜q1,q2,...,qn＞；
根据轨迹的时序信息，对于原始轨迹和抽稀轨迹按照轨迹数据中的唯一标识符的顺序，从第一个轨迹点开始，向下一个轨迹点进行扫描，通过DTW算法依次计算原始轨迹和抽稀轨迹间基于时间动态规整的的相似度，如下所示：
其中，f(a,b)表示轨迹长度为a的轨迹与轨迹长度为b的轨迹之间的累加距离；
DTW(P,Q)＝f(a,b) (13)
其中，DTW(P,Q)表示原始轨迹和抽稀轨迹间的相似度，||·||表示两轨迹点坐标的二范数；
将抽稀轨迹作为离散轨迹点，以唯一标识符为单位进行遍历，计算所有轨迹内部离散程度，如下所示：
其中，μ表示所有轨迹的均值，N表示总的轨迹个数，xi表示轨迹i的投影纬度坐标；
其中，表示所有轨迹的标准差；
其中，表示所有轨迹内部离散程度；
设定轨迹内部离散阈值和轨迹间相似度阈值DTW_thre；
计算每一条轨迹与拟合正常轨迹之间的相似度和轨迹内部离散程度，当当前轨迹与拟合正常轨迹间的相似度小于轨迹间相似度阈值DTW_thre且当前轨迹与拟合正常轨迹间的轨迹内部离散程度小于轨迹内部离散阈值时，判定当前轨迹的形态异常，且将当前轨迹作为形态异常轨迹；
步骤5，将局部异常挖掘算法与规则判别方法结合从局部角度对轨迹的徘徊特征、加速特征和折返特征进行判别，分别得到徘徊异常特征、加速异常特征和折返异常特征，将徘徊异常特征、加速异常特征和折返异常特征结合得到局部异常特征。
2.根据权利要求1所述的基于AIS数据的船舶异常行为探测方法，其特征在于，所述步骤5具体包括：
计算轨迹i的空间阈值，如下所示：
其中，K表示轨迹数目阈值，dist()表示轨迹的实际长度；
distlist＝sort([d1,d2,...,dn]) (18)
其中，distlist表示排序后的轨迹i，d表示轨迹i中的轨迹点；
distthre＝meanK(distlist) (19)
其中，distthre表示轨迹i的空间阈值，meanK()表示轨迹i中的前K个轨迹点的均值。
3.根据权利要求2所述的基于AIS数据的船舶异常行为探测方法，其特征在于，所述步骤5还包括：
设定时间阈值timethre和数量阈值MinPts；
根据时间阈值timethre、空间阈值distthre、速度阈值athre和数量阈值MinPts，按照时序顺序循环遍历每一个目标轨迹点，当目标轨迹点ek超过MinPts个其他停留点eh，且目标轨迹点ek与其他停留点eh之间的空间距离小于空间阈值distthre、目标轨迹点ek与其他停留点eh之间的时间距离小于时间阈值timethre时，将目标轨迹点ek当作一个簇的核点，否则将目标轨迹点ek看作为噪声点；
给定一个簇Clusterj的核点，当有目标轨迹点ek与簇Clusterj中的轨迹点之间的空间距离小于空间阈值distthre时，则将目标轨迹点ek加入到簇Clusterj中；
循环迭代上一步，直到没有新的轨迹点添加到任何簇时，结束循环，对簇Clusterj内的轨迹点进行提取，判定簇Clusterj内所有轨迹点在对应轨迹中具有徘徊异常行为。
4.根据权利要求3所述的基于AIS数据的船舶异常行为探测方法，其特征在于，所述步骤5还包括：
结合停留点簇对所有轨迹进行分组，并计算所有轨迹内的所有轨迹点的瞬时加速度，如下所示：
按照时序遍历每一个轨迹点e，计算轨迹点e的瞬时加速度，如下所示：
其中，ae表示轨迹点e的瞬时加速度，Ve表示轨迹点e在Ti时刻的瞬时速度；
遍历所有簇，选取停留点簇内所有轨迹的加速度四分位点作为对应簇内的加速度阈值，如下所示：
athre＝Q1(sort(list_an)) (21)
其中，athre表示加速度阈值，sort()表示按照顺序排序后的所有轨迹点的瞬时加速度，Q1()表示选择数据集的四分位值；
对每个簇内的轨迹点以加速度阈值athre为标准，遍历所有轨迹点并进行判断，当当前轨迹点的瞬时加速度满足加速度阈值athre时，则判定当前轨迹点具有加速异常行为。
5.根据权利要求4所述的基于AIS数据的船舶异常行为探测方法，其特征在于，所述步骤5还包括：
根据轨迹i的标识号遍历所有轨迹，将轨迹i的经纬度坐标投影到平面，如下所示：
z1＝(xi-xi-1,yi-yi-1) (22)
其中，z1表示轨迹i与临近轨迹构成的向量，yi表示轨迹i的投影经度坐标；
z2＝(xi+1-xi,yi+1-yi) (23)
其中，z2表示轨迹i与临近轨迹构成的向量；
根据时序三点计算所有轨迹点的转折角，如下所示：
其中，θe表示轨迹点e的转折角，||表示向量的模；
将轨迹点的转折角映射到三角函数空间，如下所示：
Ce＝cos(θe) (25)
对所有轨迹点的转折角进行遍历，设定转折角阈值thre_C，当当前轨迹点的转折角满足转折角阈值thre_C条件时，则判定当前轨迹点具有折返异常行为。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011611693.XA CN112699315B (zh) | 2020-12-30 | 2020-12-30 | 基于ais数据的船舶异常行为探测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011611693.XA CN112699315B (zh) | 2020-12-30 | 2020-12-30 | 基于ais数据的船舶异常行为探测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112699315A CN112699315A (zh) | 2021-04-23 |
| CN112699315B true CN112699315B (zh) | 2023-08-15 |
Family
ID=75512584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011611693.XA Active CN112699315B (zh) | 2020-12-30 | 2020-12-30 | 基于ais数据的船舶异常行为探测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112699315B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113536948B (zh) * | 2021-06-22 | 2022-12-09 | 武汉理工大学 | 一种渔船捕捞行为识别方法及装置 |
| CN113868362B (zh) * | 2021-11-30 | 2022-02-25 | 亿海蓝（北京）数据技术股份公司 | 航路轨迹构建方法、系统、船舶和船舶管理系统 |
| CN114357322B (zh) * | 2022-03-16 | 2022-06-14 | 交通运输部规划研究院 | 一种基于时空分解的船舶轨迹异常检测方法 |
| CN114860706B (zh) * | 2022-05-05 | 2024-08-13 | 东北电力大学 | 一种基于时空联合的配电网量测数据清洗方法 |
| CN115577868B (zh) * | 2022-12-12 | 2023-04-07 | 亿海蓝（北京）数据技术股份公司 | 在途船舶的目的港预测方法、装置、可读存储介质和船舶 |
| CN116522671B (zh) * | 2023-05-18 | 2023-12-19 | 大连海事大学 | 一种ais数据驱动的动态椭圆船舶领域模型的构建方法 |
| CN116343533B (zh) * | 2023-05-26 | 2023-08-01 | 广州海洋地质调查局三亚南海地质研究所 | 海上测量船舶监测与预警方法、系统、设备及介质 |
| CN117892184A (zh) * | 2023-11-08 | 2024-04-16 | 中国人民解放军92493部队信息技术中心 | 一种基于ais的民船行为预测的区域告警方法 |
| CN117786428A (zh) * | 2024-02-27 | 2024-03-29 | 亿海蓝（北京）数据技术股份公司 | 确定船舶轨迹相似度的方法、装置和可读存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005125209A1 (en) * | 2004-06-22 | 2005-12-29 | Stratech Systems Limited | Method and system for surveillance of vessels |
| CN110210537A (zh) * | 2019-05-22 | 2019-09-06 | 中国电子科技集团公司第二十八研究所 | 一种基于无监督聚类的船舶历史航迹规律提取方法 |
| CN110210352A (zh) * | 2019-05-23 | 2019-09-06 | 中国人民解放军海军工程大学 | 基于航道模型的船舶轨迹异常检测方法 |
| CN110363115A (zh) * | 2019-06-28 | 2019-10-22 | 上海交通大学 | 基于ais轨迹数据的船舶作业异常半监督实时检测方法 |
-
2020
- 2020-12-30 CN CN202011611693.XA patent/CN112699315B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005125209A1 (en) * | 2004-06-22 | 2005-12-29 | Stratech Systems Limited | Method and system for surveillance of vessels |
| CN110210537A (zh) * | 2019-05-22 | 2019-09-06 | 中国电子科技集团公司第二十八研究所 | 一种基于无监督聚类的船舶历史航迹规律提取方法 |
| CN110210352A (zh) * | 2019-05-23 | 2019-09-06 | 中国人民解放军海军工程大学 | 基于航道模型的船舶轨迹异常检测方法 |
| CN110363115A (zh) * | 2019-06-28 | 2019-10-22 | 上海交通大学 | 基于ais轨迹数据的船舶作业异常半监督实时检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| abnormal ship behavior detection based on ais data;shi yan等;applied sciences;第12卷(第9期);1-24 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112699315A (zh) | 2021-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112699315B (zh) | 基于ais数据的船舶异常行为探测方法 | |
| Chen et al. | Video‐Based Detection Infrastructure Enhancement for Automated Ship Recognition and Behavior Analysis | |
| CN110309383B (zh) | 基于改进的dbscan算法的船舶轨迹聚类分析方法 | |
| Liu et al. | Adaptive douglas-peucker algorithm with automatic thresholding for AIS-based vessel trajectory compression | |
| CN113553682B (zh) | 一种数据驱动的多层次船舶航路网络构建方法 | |
| CN113032502B (zh) | 一种基于改进轨迹段dbscan聚类的船舶异常检测方法 | |
| Mazzarella et al. | Knowledge-based vessel position prediction using historical AIS data | |
| CN112526513B (zh) | 基于聚类算法的毫米波雷达环境地图构建方法及装置 | |
| CN110188093A (zh) | 一种基于大数据平台针对ais信息源的数据挖掘系统 | |
| Lee et al. | Maritime traffic route detection framework based on statistical density analysis from AIS data using a clustering algorithm | |
| Yan et al. | Vessel movement analysis and pattern discovery using density-based clustering approach | |
| CN113312438B (zh) | 融合航线提取与趋势判断的海上目标位置预测方法 | |
| CN110598730A (zh) | 基于决策树的航迹关联算法 | |
| Huang et al. | A maritime traffic route extraction method based on density-based spatial clustering of applications with noise for multi-dimensional data | |
| CN111582380A (zh) | 一种基于时空特征的船舶轨迹密度聚类方法及装置 | |
| CN114936332A (zh) | 一种风电场水域船舶交通流分析的方法、装置和存储介质 | |
| Xu et al. | Trajectory clustering for SVR-based Time of Arrival estimation | |
| Spiliopoulos et al. | Knowledge extraction from maritime spatiotemporal data: An evaluation of clustering algorithms on Big Data | |
| CN117611862B (zh) | Ais轨迹聚类方法、装置、电子设备和存储介质 | |
| Lu et al. | Historical AIS data-driven unsupervised automatic extraction of directional maritime traffic networks | |
| Xu et al. | Research on ship trajectory extraction based on multi-attribute DBSCAN optimisation algorithm | |
| CN113222040B (zh) | 海上固定目标识别方法、装置、计算机设备和存储介质 | |
| Liu et al. | Moving Ship Optimal Association for Maritime Surveillance: Fusing AIS and Sentinel-2 Data | |
| Liu et al. | An asynchronous trajectory matching method based on piecewise space-time constraints | |
| Yoo et al. | Statistical trajectory-distance metric for nautical route clustering analysis using cross-track distance |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |