CN113052235B - 一种船舶的异常停留检测方法及装置 - Google Patents

一种船舶的异常停留检测方法及装置 Download PDF

Info

Publication number
CN113052235B
CN113052235B CN202110316510.XA CN202110316510A CN113052235B CN 113052235 B CN113052235 B CN 113052235B CN 202110316510 A CN202110316510 A CN 202110316510A CN 113052235 B CN113052235 B CN 113052235B
Authority
CN
China
Prior art keywords
track
ship
stay
data
abnormal
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
Application number
CN202110316510.XA
Other languages
English (en)
Other versions
CN113052235A (zh
Inventor
黄亮
张治豪
文元桥
朱曼
黄亚敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202110316510.XA priority Critical patent/CN113052235B/zh
Publication of CN113052235A publication Critical patent/CN113052235A/zh
Application granted granted Critical
Publication of CN113052235B publication Critical patent/CN113052235B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G01C21/203—Specially adapted for sailing ships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Navigation (AREA)

Abstract

本发明涉及一种船舶的异常停留检测方法及装置，该方法包括：获取船舶的多个包括轨迹信息的轨迹点；根据轨迹信息中包括的时间信息对轨迹点进行排序，确定按时间排序的排序轨迹点集合；遍历排序轨迹点集合，提取船舶对应的停留轨迹数据，并进行优化处理，确定优化轨迹数据；根据优化轨迹数据进行停留时间提取，确定船舶停留的第一时间分布；根据优化轨迹数据和第一时间分布进行分析统计，识别船舶的异常停留。本发明利用包括轨迹信息的轨迹点，确定对应的空间信息和时间信息，除此之外，结合孤立森林异常检测方法优化停留轨迹，剔除船舶在航行‑停留状态切换时出现的低速干扰轨迹，得到精确的船舶发生停留行为的空间和时间信息，保证异常分析的准确性。

Description

一种船舶的异常停留检测方法及装置
技术领域
本发明涉及航海技术领域，尤其涉及一种船舶的异常停留检测方法及装置。
背景技术
船舶停留位置是船舶活动过程中的关键节点，停留发生时间和停留时间长短能够反映船舶的出行规律，另外，异常的停留会反应一些意外或者违法情况，如船舶故障、非法交易等。因而，船舶停留行为的识别有助于加强船舶管理、海上交通监管。
船舶自动识别系统(AIS)是记录船舶活动时空特征信息的重要工具并催生了一些停留识别方法，主要包括基于密度聚类的方法和基于地理背景信息的方法。但这两种识别方法存在以下不足：第一，基于密度聚类的方法虽然能够挖掘到船舶停留的空间信息，但无法得到船舶停留的时间信息，并且计算量大；第二，基于地理背景信息的方法，计算过程简便高效，但是无法从地理背景信息缺失的区域提取到停留信息。综上，如何全面有效地识别船舶停留是亟待解决的问题。
发明内容
有鉴于此，有必要提供一种船舶的异常停留检测方法及装置，用以解决如何全面有效地识别船舶停留的问题。
本发明提供一种船舶的异常停留检测方法，包括：
获取多个包括轨迹信息的轨迹点；
根据所述轨迹信息中包括的时间信息对所述轨迹点进行排序，确定按时间排序的排序轨迹点集合；
遍历所述排序轨迹点集合，提取所述船舶对应的停留轨迹数据；
对所述停留轨迹数据进行优化处理，确定优化轨迹数据；
根据所述优化轨迹数据进行停留时间提取，确定船舶停留的第一时间分布；
根据所述优化轨迹数据和所述第一时间分布进行分析统计，识别船舶的异常停留。
进一步地，在所述根据所述轨迹信息中包括的时间信息对所述轨迹点进行排序，确定按时间排序的排序轨迹点集合之前，包括：去除所述轨迹信息错误的所述轨迹点。
进一步地，所述轨迹信息包括经纬度信息、所述时间信息、MMSI编码信息、对地航速信息以及对地航向信息中的至少一种。
进一步地，所述遍历所述排序轨迹点，提取所述船舶对应的停留轨迹数据包括：
在所述排序轨迹点集合中，将首个轨迹点作为对应的候选停留集合的起始轨迹点；
根据排序顺序，依次遍历所述起始轨迹点与对应的其他轨迹点之间的相对距离；
将所述相对距离小于预设距离的所述其他轨迹点依次加入到对应的所述候选停留集合；
将所述相对距离大于所述预设距离的所述其他轨迹点为标记轨迹点，则停止遍历，将对应的前一个遍历的所述其他轨迹点作为所述候选停留集合的结束轨迹点；
判断所述候选停留集合是否满足预设条件，若满足，则所述候选停留集合为停留轨迹点集合；
将所述标记轨迹点作为下一个起始轨迹点，返回至所述根据排序顺序，依次遍历所述起始轨迹点与对应的其他轨迹点之间的相对距离的步骤；
将所有所述停留轨迹点集合组成对应的所述停留轨迹数据。
进一步地，所述预设条件包括：所述起始轨迹点与所述结束轨迹点之间的时间差大于预设最小时间差，且所述起始轨迹点与所述结束轨迹点之间的轨迹点的数目大于预设轨迹值。
进一步地，所述对所述停留轨迹数据进行优化处理，确定优化轨迹数据包括：
将所述停留轨迹数据中的每个所述停留轨迹点集合，输入至训练完备的孤立森林算法模型，得到对应的优化轨迹点集合；
将所有所述优化轨迹点集合组成对应的所述优化轨迹数据。
进一步地，所述将所述停留轨迹数据中的每个所述停留轨迹点集合，输入至训练完备的孤立森林算法模型，得到对应的优化轨迹点集合包括：
对于所述停留轨迹数据为Ssum＝{S1，S2，…，Sx}，确定对应的每个所述停留轨迹点集合S1，S2，…，Sx；
将每个所述停留轨迹点集合S1，S2，…，Sx分别作为待检测数据集合，放入训练完备的所述孤立森林算法模型中的每棵孤立树，并计算对应的路径长度；
将所述待检测数据集合中的每个待测数据遍历每棵孤立树，计算所述待测数据最终落在每个树的层数，确定所述待测数据在每棵树的高度平均值；
确定所述待测数据的高度平均值后，根据预设异常阈值和高度平均值判断所述待测数据是否异常，若异常，则进行剔除，确定每个所述停留轨迹点集合S1，S2，…，Sx对应的所述优化轨迹点集合S1'，S2'，…，Sx'；
根据所述优化轨迹点集合S1'，S2'，…，Sx'，确定所述优化轨迹数据Ssum'＝{S1'，S2'，…，Sx'}。
进一步地，所述根据所述优化轨迹数据进行停留时间提取，确定船舶停留的第一时间分布包括：
根据所述优化轨迹数据，确定每个所述优化轨迹点集合对应的停留时间；
根据每个所述停留时间，确定所述第一时间分布。
进一步地，所述根据所述优化轨迹数据和所述第一时间分布进行分析统计，识别船舶的异常停留包括：
根据所述优化轨迹数据，确定每个停留位置坐标；
根据每个所述停留位置坐标和预设的范围阈值，划定对应的停留区域；
针对每个所述停留区域，统计区域内船舶停留的次数、停留过的船舶的数量；
根据所述船舶停留的次数、所述停留过的船舶的数量判断每个所述停留区域是否为异常停留区域；
根据所述第一时间分布，确定在所述异常停留区域中每个船舶停留的时间；
根据所述船舶停留的时间，判断对应的船舶是否为异常船舶。
进一步地，所述根据所述船舶停留的时间，判断对应的船舶是否为异常船舶包括：
判断所述船舶停留的时间是否小于预设的平均停留时间；
若是，则判断对应的船舶为所述异常船舶。
本发明还提供了一种船舶的异常停留检测装置，包括处理器以及存储器，存储器上存储有计算机程序，计算机程序被处理器执行时，实现如上所述的船舶的异常停留检测方法。
与现有技术相比，本发明的有益效果包括：首先，对多个包括轨迹信息的轨迹点进行有效的获取，以此有效捕获多种轨迹信息；然后，对多个轨迹点进行预处理操作，进行相关时间的排序，以便后续识别停留船舶，反馈时间特征；进而，从排序轨迹点集合中的第一个轨迹点开始遍历，得到每艘船的所有停留轨迹；接着，结合孤立森林算法，有效剔除船舶在航行-停留状态切换时出现的低速干扰轨迹；然后，结合优化轨迹数据中的空间信息和时间信息，确定各个船舶停留的时间，确定船舶停留的第一时间分布；最后，结合优化轨迹数据和第一时间分布，也就是结合时间特征和空间特征进行分析统计，识别船舶的异常停留。综上，本发明利用包括轨迹信息的轨迹点，确定对应的空间信息和时间信息，除此之外，结合孤立森林异常检测方法优化停留轨迹，剔除船舶在航行-停留状态切换时出现的低速干扰轨迹，得到精确的船舶发生停留行为的空间和时间信息，保证异常分析的准确性。
附图说明
图1为本发明提供的船舶的异常停留检测方法的流程示意图；
图2为本发明提供的确定排序轨迹点的流程示意图；
图3为本发明提供的提取船舶对应的停留轨迹数据的流程示意图；
图4为本发明提供的停留轨迹数据的示意图；
图5为本发明提供的确定优化轨迹数据的流程示意图；
图6为本发明提供的孤立森林优化停留轨迹示意图一；
图7为本发明提供的孤立森林优化停留轨迹示意图二；
图8为本发明提供的孤立森林优化停留轨迹示意图三；
图9为本发明提供的确定第一时间分布的流程示意图；
图10为本发明提供的识别船舶的异常停留的流程示意图；
图11为本发明提供的判断异常船舶的流程示意图；
图12为本发明提供的停留位置识别效果图；
图13为本发明提供的停留活动热力图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
实施例1
本发明实施例提供了一种船舶的异常停留检测方法，结合图1来看，图1为本发明提供的船舶的异常停留检测方法的流程示意图，包括步骤S1至步骤S6，其中：
在步骤S1中，获取船舶的多个包括轨迹信息的轨迹点；
在步骤S2中，根据轨迹信息中包括的时间信息对轨迹点进行排序，确定按时间排序的排序轨迹点集合；
在步骤S3中，遍历排序轨迹点集合，提取船舶对应的停留轨迹数据；
在步骤S4中，对停留轨迹数据进行优化处理，确定优化轨迹数据；
在步骤S5中，根据优化轨迹数据进行停留时间提取，确定船舶停留的第一时间分布；
在步骤S6中，根据优化轨迹数据和第一时间分布进行分析统计，识别船舶的异常停留。
在本发明实施例中，首先，对多个包括轨迹信息的轨迹点进行有效的获取，以此有效捕获多种轨迹信息；然后，对多个轨迹点进行预处理操作，进行相关时间的排序，以便后续识别停留船舶，反馈时间特征；进而，从排序轨迹点集合中的第一个轨迹点开始遍历，得到每艘船的所有停留轨迹；接着，结合孤立森林算法，有效剔除船舶在航行-停留状态切换时出现的低速干扰轨迹；然后，结合优化轨迹数据中的空间信息和时间信息，确定各个船舶停留的时间，确定船舶停留的第一时间分布；最后，结合优化轨迹数据和第一时间分布，也就是结合时间特征和空间特征进行分析统计，识别船舶的异常停留。
优选地，结合图2来看，图2为本发明提供的确定排序轨迹点的流程示意图，上述步骤S2之前还包括包括步骤S21，其中：
在步骤S21中，去除所述轨迹信息异常的所述轨迹点，生成过滤轨迹点集合。
作为具体实施例，本发明实施例在预处理的过程中，进行异常噪声的删除，即去除轨迹信息异常的轨迹点，保证数据精度，除此之外，依照时间顺序，进行排序，将空间特征和时间特征有效结合。
在本发明一个具体的实施例中，船舶轨迹为Tra＝{P1，P2，P3，…，Pn}，多个轨迹点包括P1，P2，P3，…，Pn，每个轨迹点P的轨迹信息包括船舶水上移动通信业务标识码(MMSI)、信息报送时间(T)、经度(LON)、纬度(LAT)、对地航速(Speed Over Ground,SOG)、对地航向(Course Over Ground,COG)，预处理过程如下：
第一，去除轨迹信息异常的轨迹点，即异常噪点，包括位置异常的点、信息异常的点，比如经纬度越界(纬度LAT>90°，经度LON>180°)、时间格式错误、MMSI编码为0、速度出现负值；
第二，每个轨迹点P按照时间信息T从小到大排序。
优选地，所述轨迹信息包括经纬度信息、所述时间信息、MMSI编码信息、对地航速信息以及对地航向信息中的至少一种。作为具体实施例，本发明实施例提取轨迹点的多种信息，有效构成轨迹信息。
优选地，结合图3来看，图3为本发明提供的提取船舶对应的停留轨迹数据的流程示意图，上述步骤S3包括步骤S31至步骤S37，其中：
在步骤S31中，在所述排序轨迹点集合中，将首个轨迹点作为对应的候选停留集合的起始轨迹点；
在步骤S32中，根据排序顺序，依次遍历所述起始轨迹点与对应的其他轨迹点之间的相对距离；
在步骤S33中，将所述相对距离小于预设距离的所述其他轨迹点依次加入到对应的所述候选停留集合；
在步骤S34中，将所述相对距离大于所述预设距离的所述其他轨迹点为标记轨迹点，则停止遍历，将对应的前一个遍历的所述其他轨迹点作为所述候选停留集合的结束轨迹点；
在步骤S35中，判断所述候选停留集合是否满足预设条件，若满足，则所述候选停留集合为停留轨迹点集合；
在步骤S36中，将所述标记轨迹点作为下一个起始轨迹点，返回至步骤S32；
在步骤S37中，将所有所述停留轨迹点集合组成对应的所述停留轨迹数据。
作为具体实施例，本发明实施例从每艘船舶的第一个轨迹点开始遍历，初步得到每艘船的所有停留轨迹，即停留轨迹数据，便于后续对船舶停留情况进行分析。
在本发明一个具体的实施例中，结合图4来看，图4为本发明提供的停留轨迹数据的示意图，遍历具体过程详述如下：
起始点Pstart为加入候选停留集合S的第1个点，后续点如果与起始点Pstart之间的距离小于距离阈值Dmin则相继加入候选停留集合S；
当遍历到某点与Pstart之间的距离大于距离阈值Dmin，则这个点记为Pex，它的前一个点记为结束点Pend作为最后一个加入候选停留集合S的点，S＝{Pstart，…，Pend}；
对候选停留集合S＝{Pstart，…，Pend}进行判断；
起始点Pstart(起始时刻)与结束点Pend(结束时刻)的时间差是否大于最小停留时间Tmin；
起始点Pstart与结束点Pend之间的轨迹点数目是否大于Nmin；
若满足以上两个条件则保留此段候选停留集合S并命名为Sx，x为船舶停留次数(从0递增)，即Sx为船舶第x次独立停留所产生停留轨迹点集合；
清空候选停留集合S，以Pex为新的Pstart回到步骤1开始新一轮遍历；
直到找出所有停留段结束遍历，整合得到停留数据集合Ssum，Ssum＝{S1，S2，…，Sx}。
优选地，所述预设条件包括：所述起始轨迹点与所述结束轨迹点之间的时间差大于预设最小时间差，且所述起始轨迹点与所述结束轨迹点之间的轨迹点的数目大于预设轨迹值。作为具体实施例，本发明实施例通过时间差和轨迹点数据有效判断停留轨迹点集合。
优选地，结合图5来看，图5为本发明提供的确定优化轨迹数据的流程示意图，上述步骤S4包括步骤S41和步骤S42，其中：
在步骤S41中，将所述停留轨迹数据中的每个所述停留轨迹点集合，输入至训练完备的孤立森林算法模型，得到对应的优化轨迹点集合；
在步骤S42中，将所有所述优化轨迹点集合组成对应的所述优化轨迹数据；
优选地，步骤S42具体包括：
对于所述停留轨迹数据为Ssum＝{S1，S2，…，Sx}，确定对应的每个所述停留轨迹点集合S1，S2，…，Sx；
将每个所述停留轨迹点集合S1，S2，…，Sx分别作为待检测数据集合，放入训练完备的所述孤立森林算法模型中的每棵孤立树，并计算对应的路径长度；
将所述待检测数据集合中的每个待测数据遍历每棵孤立树，计算所述待测数据最终落在每个树的层数，确定所述待测数据在每棵树的高度平均值；
确定所述待测数据的高度平均值后，根据预设异常阈值和高度平均值判断所述待测数据是否异常，若异常，则进行剔除，确定每个所述停留轨迹点集合S1，S2，…，Sx对应的所述优化轨迹点集合S1'，S2'，…，Sx'；
根据所述优化轨迹点集合S1'，S2'，…，Sx'，确定所述优化轨迹数据Ssum'＝{S1'，S2'，…，Sx'}。
作为具体实施例，本发明实施例基于孤立森林算法模型进行停留轨迹优化，需要说明的是，孤立森林算法是一种无监督异常检测算法，它将离群点定义为“孤立点”，通过不断切分数据集的方法寻找孤立数据，算法速度快、占用计算资源少。
其中，孤立森林算法包括训练阶段和检测阶段，其应用过程如下：
训练阶段：从给定数据中采样构建t棵孤立树：从给定数据中随机选择一个子样本s；在子样本s中随机选择一个超平面进行分割，s被分割成2个子空间；对子空间继续分割，直到子空间中只有一个样本或者达到事先设定的切割次数阈值停止；重复上述4步t次，最后生成t棵孤立树。
检测阶段：将给定数据放入每棵孤立树并计算路径长度；对于待检测数据数据x，令其遍历每棵孤立树，计算x最终落在每个树第几层，得出x在每棵树的高度平均值h(x)；获得每个测试数据的高度平均值后，需要指定一个阈值c(异常数据期望比例)判断数据是否异常。显然异常数据的h(x)会明显小于正常数据。
经过上述过程，结合图6至图8来看，图6为本发明提供的孤立森林优化停留轨迹示意图一，图7为本发明提供的孤立森林优化停留轨迹示意图二，图8为本发明提供的孤立森林优化停留轨迹示意图三，停留轨迹数据Ssum＝{S1，S2，…，Sx}，被进一步优化为优化轨迹数据Ssum'＝{S1'，S2'，…，Sx'}。
优选地，结合图9来看，图9为本发明提供的确定第一时间分布的流程示意图，上述步骤S5包括步骤S51和步骤S52，其中：
在步骤S51中，根据所述优化轨迹数据，确定每个所述优化轨迹点集合对应的停留时间；
在步骤S52中，根据每个所述停留时间，确定所述第一时间分布。
作为具体实施例，本发明实施例计算船舶每次停留的的停留时间，确定第一时间分布，得到船舶停留的详细时间分布。
在本发明一个具体的实施例中，针对优化轨迹数据Ssum'＝{S1'，S2'，…，Sx'}，其中的每一次停留轨迹Sx'＝{P1,P2,…,Pn}，对应的停留时间为Tx＝T(Pn)-T(P1)，多个停留时间组成第一时间分布。
优选地，结合图10来看，图10为本发明提供的识别船舶的异常停留的流程示意图，上述步骤S6包括步骤S61和步骤S66，其中：
在步骤S61中，根据所述优化轨迹数据，确定每个停留位置坐标；
在步骤S62中，根据每个所述停留位置坐标和预设的范围阈值，划定对应的停留区域；
在步骤S63中，针对每个所述停留区域，统计区域内船舶停留的次数、停留过的船舶的数量；
在步骤S64中，根据所述船舶停留的次数、所述停留过的船舶的数量判断每个所述停留区域是否为异常停留区域；
在步骤S65中，根据所述第一时间分布，确定在所述异常停留区域中每个船舶停留的时间；
在步骤S66中，根据所述船舶停留的时间，判断对应的船舶是否为异常船舶。
作为具体实施例，本发明实施例以上述方法得到的包含停留空间和时间信息的停留数据集合Ssum'为基础分析港口水域内每艘船舶的停留活动分布，结合通航规则识别单个船舶或多个船舶的异常停留活动。异常停留行为包括非规定区域的船舶停留，可能暗示偷渡、走私、搁浅等异常事件，在时空特征上可描述为在船舶远离热点停留区域或者停留时间十分短暂。
优选地，结合图11来看，图11为本发明提供的判断异常船舶的流程示意图，上述步骤S66包括步骤S661和步骤S662，其中：
在步骤S661中，判断所述船舶停留的时间是否小于预设的平均停留时间；
在步骤S662中，若是，则判断对应的船舶为所述异常船舶。
作为具体实施例，本发明实施例统计在相同停留区域每一艘船停留的时间，如果某艘船停留时间异常短，远远小于平均停留时间，标记这艘船为异常船舶，达到有效识别的目的。
在本发明一个具体的实施例中，结合图12、图13来看，图12为本发明提供的停留位置识别效果图，图13为本发明提供的停留活动热力图，其中，异常船舶的识别过程如下：
第一步，根据港口水域的停留数据集合Ssum'统计所有停留位置坐标；
第二步，设置停留范围阈值d，以停留范围d划分停留区域，得到港口水域内所有停留区域的位置信息；
第三步，统计在相同停留区域内船舶停留的次数、停留过的船舶的数量(船舶访问数量)；
第四步，根据第三步所统计的信息绘制停留热力图寻找港口水域内的停留热点、停留冷点，冷点区域即为停留次数少或极少船舶停留的区域，在这些区域停留的船舶就很可能存在异常事件或者突发事件，标记这些区域为异常停留区域；
第五步，根据第四步标记的异常停留区域的经纬度反向查询曾停留过的可疑船舶，标记这些船舶为异常船舶；
第六步，统计在相同停留区域每一艘船停留的时间，如果某艘船停留时间异常短，远远小于平均停留时间，标记这艘船为异常船舶。
实施例2
本发明实施例提供了一种船舶的异常停留检测装置，包括处理器以及存储器，存储器上存储有计算机程序，计算机程序被处理器执行时，实现如上所述的船舶的异常停留检测方法。
本发明公开了一种船舶的异常停留检测方法及装置，首先，对多个包括轨迹信息的轨迹点进行有效的获取，以此有效捕获多种轨迹信息；然后，对多个轨迹点进行预处理操作，进行相关时间的排序，以便后续识别停留船舶，反馈时间特征；进而，从排序轨迹点集合中的第一个轨迹点开始遍历，得到每艘船的所有停留轨迹；接着，结合孤立森林算法，有效剔除船舶在航行-停留状态切换时出现的低速干扰轨迹；然后，结合优化轨迹数据中的空间信息和时间信息，确定各个船舶停留的时间，确定船舶停留的第一时间分布；最后，结合优化轨迹数据和第一时间分布，也就是结合时间特征和空间特征进行分析统计，识别船舶的异常停留。
本发明技术方案，利用包括轨迹信息的轨迹点，确定对应的空间信息和时间信息，除此之外，结合孤立森林异常检测方法优化停留轨迹，剔除船舶在航行-停留状态切换时出现的低速干扰轨迹，得到精确的船舶发生停留行为的空间和时间信息，保证异常分析的准确性。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种船舶的异常停留检测方法，其特征在于，包括：
获取多个包括轨迹信息的轨迹点；
根据所述轨迹信息中包括的时间信息对所述轨迹点进行排序，确定按时间排序的排序轨迹点集合；
遍历所述排序轨迹点集合，提取所述船舶对应的停留轨迹数据；
对所述停留轨迹数据进行优化处理，确定优化轨迹数据；
根据所述优化轨迹数据进行停留时间提取，确定船舶停留的第一时间分布；
根据所述优化轨迹数据和所述第一时间分布进行分析统计，识别船舶的异常停留；
其中，所述根据所述优化轨迹数据和所述第一时间分布进行分析统计，识别船舶的异常停留包括：
根据所述优化轨迹数据，确定每个停留位置坐标；
根据每个所述停留位置坐标和预设的范围阈值，划定对应的停留区域；
针对每个所述停留区域，统计区域内船舶停留的次数、停留过的船舶的数量；
根据所述船舶停留的次数、所述停留过的船舶的数量判断每个所述停留区域是否为异常停留区域；
根据所述第一时间分布，确定在所述异常停留区域中每个船舶停留的时间；
根据所述船舶停留的时间，判断对应的船舶是否为异常船舶。
2.根据权利要求1所述的船舶的异常停留检测方法，其特征在于，在所述根据所述轨迹信息中包括的时间信息对所述轨迹点进行排序，确定按时间排序的排序轨迹点集合之前，包括：去除所述轨迹信息错误的所述轨迹点。
3.根据权利要求1所述的船舶的异常停留检测方法，其特征在于，所述遍历所述排序轨迹点，提取所述船舶对应的停留轨迹数据包括：
在所述排序轨迹点集合中，将首个轨迹点作为对应的候选停留集合的起始轨迹点；
根据排序顺序，依次遍历所述起始轨迹点与对应的其他轨迹点之间的相对距离；
将所述相对距离小于预设距离的所述其他轨迹点依次加入到对应的所述候选停留集合；
将所述相对距离大于所述预设距离的所述其他轨迹点为标记轨迹点，则停止遍历，将对应的前一个遍历的所述其他轨迹点作为所述候选停留集合的结束轨迹点；
判断所述候选停留集合是否满足预设条件，若满足，则所述候选停留集合为停留轨迹点集合；
将所述标记轨迹点作为下一个起始轨迹点，返回至所述根据排序顺序，依次遍历所述起始轨迹点与对应的其他轨迹点之间的相对距离的步骤；
将所有所述停留轨迹点集合组成对应的所述停留轨迹数据。
4.根据权利要求3所述的船舶的异常停留检测方法，其特征在于，所述预设条件包括：所述起始轨迹点与所述结束轨迹点之间的时间差大于预设最小时间差，且所述起始轨迹点与所述结束轨迹点之间的轨迹点的数目大于预设轨迹值。
5.根据权利要求4所述的船舶的异常停留检测方法，其特征在于，所述对所述停留轨迹数据进行优化处理，确定优化轨迹数据包括：
将所述停留轨迹数据中的每个所述停留轨迹点集合，输入至训练完备的孤立森林算法模型，得到对应的优化轨迹点集合；
将所有所述优化轨迹点集合组成对应的所述优化轨迹数据。
6.根据权利要求5所述的船舶的异常停留检测方法，其特征在于，所述将所述停留轨迹数据中的每个所述停留轨迹点集合，输入至训练完备的孤立森林算法模型，得到对应的优化轨迹点集合包括：
对于所述停留轨迹数据为Ssum＝{S1，S2，…，Sx}，确定对应的每个所述停留轨迹点集合S1，S2，…，Sx；
将每个所述停留轨迹点集合S1，S2，…，Sx分别作为待检测数据集合，放入训练完备的所述孤立森林算法模型中的每棵孤立树，并计算对应的路径长度；
将所述待检测数据集合中的每个待测数据遍历每棵孤立树，计算所述待测数据最终落在每个树的层数，确定所述待测数据在每棵树的高度平均值；
确定所述待测数据的高度平均值后，根据预设异常阈值和高度平均值判断所述待测数据是否异常，若异常，则进行剔除，确定每个所述停留轨迹点集合S1，S2，…，Sx对应的所述优化轨迹点集合S1'，S2'，…，Sx'；
根据所述优化轨迹点集合S1'，S2'，…，Sx'，确定所述优化轨迹数据Ssum'＝{S1'，S2'，…，Sx'}。
7.根据权利要求5所述的船舶的异常停留检测方法，其特征在于，所述根据所述优化轨迹数据进行停留时间提取，确定船舶停留的第一时间分布包括：
根据所述优化轨迹数据，确定每个所述优化轨迹点集合对应的停留时间；
根据每个所述停留时间，确定所述第一时间分布。
8.根据权利要求7所述的船舶的异常停留检测方法，所述根据所述船舶停留的时间，判断对应的船舶是否为异常船舶包括：
判断所述船舶停留的时间是否小于预设的平均停留时间；
若是，则判断对应的船舶为所述异常船舶。
9.一种船舶的异常停留检测装置，其特征在于，包括处理器以及存储器，存储器上存储有计算机程序，计算机程序被处理器执行时，实现根据权利要求1-8任一项所述的船舶的异常停留检测方法。
CN202110316510.XA 2021-03-24 2021-03-24 一种船舶的异常停留检测方法及装置 Active CN113052235B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110316510.XA CN113052235B (zh) 2021-03-24 2021-03-24 一种船舶的异常停留检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110316510.XA CN113052235B (zh) 2021-03-24 2021-03-24 一种船舶的异常停留检测方法及装置

Publications (2)

Publication Number Publication Date
CN113052235A CN113052235A (zh) 2021-06-29
CN113052235B true CN113052235B (zh) 2022-09-13

Family

ID=76515666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110316510.XA Active CN113052235B (zh) 2021-03-24 2021-03-24 一种船舶的异常停留检测方法及装置

Country Status (1)

Country Link
CN (1) CN113052235B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113720383A (zh) * 2021-08-23 2021-11-30 中电科海洋信息技术研究院有限公司 识别船舶异常行为的方法、设备及介质
CN114529864B (zh) * 2021-12-30 2022-10-28 东莞先知大数据有限公司 一种岸边走私行为检测方法、装置及存储介质
CN114374928B (zh) * 2021-12-31 2023-12-19 厦门市美亚柏科信息股份有限公司 一种基于多源位置数据的城市人员分布计算方法与系统
TWI811983B (zh) * 2022-01-28 2023-08-11 湛積股份有限公司 定位資訊的優化方法
CN115328903B (zh) * 2022-10-13 2022-12-23 亿海蓝（北京）数据技术股份公司 船舶停留状态识别方法和装置、电子设备和存储介质
CN116309708B (zh) * 2023-02-28 2023-10-27 武汉理工大学 一种锚地时空利用效率评价方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110188093A (zh) * 2019-05-21 2019-08-30 江苏锐天信息科技有限公司 一种基于大数据平台针对ais信息源的数据挖掘系统
CN111126235A (zh) * 2019-12-18 2020-05-08 浙江大华技术股份有限公司 一种船只违章停泊检测处理方法及装置
CN111260961A (zh) * 2020-01-17 2020-06-09 中国水产科学研究院东海水产研究所 一种渔船异地停靠信息提取方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10198005B2 (en) * 2016-03-01 2019-02-05 Brunswick Corporation Station keeping and waypoint tracking methods

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110188093A (zh) * 2019-05-21 2019-08-30 江苏锐天信息科技有限公司 一种基于大数据平台针对ais信息源的数据挖掘系统
CN111126235A (zh) * 2019-12-18 2020-05-08 浙江大华技术股份有限公司 一种船只违章停泊检测处理方法及装置
CN111260961A (zh) * 2020-01-17 2020-06-09 中国水产科学研究院东海水产研究所 一种渔船异地停靠信息提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Mobility pattern analysis of ship trajectories based on semantic transformation and topic model》;Huang, Liang et al;《Ocean Engineering》;20200430;第201卷;全文 *
《基于轨迹数据的船舶停留区域提取方法研究》;郑振涛;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20190715(第07期);第C036-91页 *

Also Published As

Publication number Publication date
CN113052235A (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
CN113052235B (zh) 一种船舶的异常停留检测方法及装置
KR102280395B1 (ko) 차선 후보 픽셀의 분류를 통해 차선을 검출하는 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치
CN110610166B (zh) 文本区域检测模型训练方法、装置、电子设备和存储介质
CN111507371B (zh) 自动评估对训练图像的标签可靠性的方法和装置
CN111460312A (zh) 空壳企业识别方法、装置及计算机设备
KR20200027889A (ko) CNN(Convolutional Neural Network)을 사용하여 차선을 검출하기 위한 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치
CN109118766A (zh) 一种基于交通卡口的同行车辆判别方法及装置
CN111488808B (zh) 基于交通违法图像数据的车道线检测方法
CN111259444B (zh) 一种融合隐私保护的轨迹数据标签聚类方法
CN111582380A (zh) 一种基于时空特征的船舶轨迹密度聚类方法及装置
CN110910360B (zh) 电网图像的定位方法和图像定位模型的训练方法
CN112784724A (zh) 一种车辆变道检测方法、装置、设备及存储介质
CN115273112A (zh) 表格识别方法、装置、电子设备及可读存储介质
CN111127465A (zh) 一种桥梁检测报告自动生成方法及系统
CN112309126A (zh) 车牌检测方法、装置、电子设备及计算机可读存储介质
CN107590486A (zh) 运动目标识别方法和系统、自行车流量统计方法和设备
CN115471739A (zh) 基于自监督对比学习的跨域遥感场景分类与检索方法
CN113255580A (zh) 抛洒物识别、车辆抛洒滴漏识别方法和装置
CN113516060B (zh) 基于多时相高分辨率数据的建筑空间融合判别方法及装置
CN116413740B (zh) 一种激光雷达点云地面检测方法及装置
CN111723664A (zh) 一种用于开放式区域的行人计数方法及系统
Fujita et al. Fine-tuned pre-trained mask R-CNN models for surface object detection
CN111507151A (zh) 使得能够评价自动行驶客体检测过程的支援方法及装置
CN113362286B (zh) 一种基于深度学习的自然资源要素变化检测方法
Fujita et al. Fine-tuned Surface Object Detection Applying Pre-trained Mask R-CNN Models

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