CN113901969A - 船舶异常行为检测方法、系统、电子设备和可读存储介质 - Google Patents
船舶异常行为检测方法、系统、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN113901969A CN113901969A CN202111488384.2A CN202111488384A CN113901969A CN 113901969 A CN113901969 A CN 113901969A CN 202111488384 A CN202111488384 A CN 202111488384A CN 113901969 A CN113901969 A CN 113901969A
- Authority
- CN
- China
- Prior art keywords
- ship
- signal
- data
- time
- identification system
- 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.)
- Granted
Links
- 206010000117 Abnormal behaviour Diseases 0.000 title claims abstract description 80
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 230000008034 disappearance Effects 0.000 claims abstract description 98
- 238000012544 monitoring process Methods 0.000 claims abstract description 84
- 230000002159 abnormal effect Effects 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000012216 screening Methods 0.000 claims abstract description 18
- 230000006399 behavior Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008033 biological extinction Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Alarm Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种船舶异常行为检测方法、系统、电子设备和可读存储介质。船舶异常行为检测方法，包括获取每个网格的信号热力值，获取网格数据异常消失时间，获取信号突然出现船舶自动识别系统数据和信号突然消失船舶自动识别系统数据，构建第三级监控队列，实现船舶异常行为的检测。本发明的技术方案，采用三级监控队列的方法，进行逐级筛选的方式，最终实现判断船舶是否是异常行为的船舶，能够实现船舶异常行为的自动发现，节约大量的人力成本，满足当前海量船舶行为的自动检测要求。
Description
技术领域
本发明涉及船舶技术领域，具体而言，涉及一种船舶异常行为检测方法、系统、电子设备和可读存储介质。
背景技术
船舶在运输货物的时候需要安装船舶自动识别系统（AIS），AIS设备可以连续的向其他船舶或者岸台发送和接收船舶的识别信息，具备水上航路管理，船舶识别，通信等功能，同时也可以对船舶规范经营行为起到监督行为。然而，一些不规范船舶为了逃避监管行为，存在故意关闭AIS设备、篡改AIS设备信息、套用他人MMSI（Maritime Mobile ServiceIdentify，水上移动通信业务标识码）号码、安装多个AIS设备等行为，对水上航路规范管理、船舶识别、避免碰撞带来了很多安全隐患。目前对一船多码现象主要是通过人工经验对轨迹和区域结合进行的判断，此种方法对人的经验要求很高，导致一船多码发现比较困难，准确率低。
发明内容
本发明旨在解决或改善上述技术问题的至少之一。
为此，本发明的第一目的在于提供一种船舶异常行为检测方法。
本发明的第二目的在于提供一种船舶异常行为的检测系统。
本发明的第三目的在于提供一种电子设备。
本发明的第四目的在于提供一种可读存储介质。
为实现本发明的第一目的，本发明的技术方案提供了一种船舶异常行为检测方法，包括：对全球经纬度进行网格划分，获取每个网格的信号热力值；获取第一时间段内每个网格接收的船舶自动识别系统数据，根据船舶自动识别系统数据得到网格数据异常消失时间；基于信号热力值，对网格数据异常消失时间进行修正，基于修正后的异常消失时间，获取信号消失事件时间和信号出现事件时间，进而得到信号突然出现船舶自动识别系统数据和信号突然消失船舶自动识别系统数据；将信号突然出现船舶自动识别系统数据和信号突然消失船舶自动识别系统数据中数据时间间隔小于第三时间段的数据去除，完成过滤；基于过滤后的信号突然出现船舶自动识别系统数据和信号突然消失船舶自动识别系统数据，构建第三级监控队列；基于第三级监控队列，通过第二级监控队列进行筛选，得到第一相似船舶对；采用第一级监控队列记录第一相似船舶对，并对相同的第一相似船舶对进行计数，同时记录事件发生时间，查找计数大于第二阈值的第一相似船舶对，判定第一相似船舶对对应的船舶存在异常行为。
本实施例是基于对信号突然出现事件（突现事件）和信号突然消失事件（消失事件），采用三级监控队列的方法，进行逐级筛选的方式，最终实现判断船舶是否是异常行为的船舶。解决了一船多码发现难，实时性差等问题，并能够实现船舶异常行为的自动发现，从而可以节约大量的人力成本，满足当前海量船舶行为的自动检测要求。同时可以对船舶的AIS设备的规范使用起到监督作用。
另外，本发明提供的技术方案还可以具有如下附加技术特征：
上述技术方案中，对全球经纬度进行网格划分，获取每个网格的信号热力值，具体包括：将全球经纬度按第二间隔分隔为多个网格；计算第一时间段内每个网格收到的船舶自动识别系统信号个数；基于信号个数，计算每个网格的信号热力值。
本实施例给出获取的信号热力值的具体方法，获取的信号热力值用于对网格数据异常消失时间进行修正，进而可以实现对船舶异常行为的检测。
上述任一技术方案中，根据船舶自动识别系统数据得到网格数据异常消失时间，具体包括：计算船舶自动识别系统数据在每个网格中接收时间差；根据接收时间差，计算上限；设定上限为网格数据异常消失时间，得到每个网格的数据异常消失时间。
本实施例中，给出了获取数据异常消失时间的具体方法，通过采用箱形图检测算法，得到每个网格的数据异常消失时间，基于数据异常消失时间，可以实现对船舶异常行为的检测。
上述任一技术方案中，基于修正后的异常消失时间，获取信号消失事件时间和信号出现事件时间，进而得到信号突然出现船舶自动识别系统数据和信号突然消失船舶自动识别系统数据，具体包括：获取网格接收船舶自动识别系统数据的第一时间间隔，设定第一时间间隔大于修正后的数据异常消失时间的接收时间点为信号消失事件时间；获取信号消失事件时间接收的船舶自动识别系统数据为信号突然消失船舶自动识别系统数据；设定在信号消失事件时间之后接收的第一个船舶自动识别系统数据的接收时间为信号出现事件时间；信号出现事件时间接收的船舶自动识别系统数据为信号突然出现船舶自动识别系统数据。
本实施例中，基于修正后的异常消失时间获取信号消失事件时间，根据信号消失事件时间自动获得信号突然消失船舶自动识别系统数据和信号突然出现船舶自动识别系统数据，进而实现后续船舶异常行为的自动检测。
上述任一技术方案中，基于过滤后的信号突然出现船舶自动识别系统数据和信号突然消失船舶自动识别系统数据，构建第三级监控队列，具体包括：基于检测到信号突然出现事件，对第一范围内出现的第四时间段内的信号突然消失事件建立关联，构建第三级监控队列列表，第三级监控队列列表包括信号突然出现事件列表和信号突然出现事件对应的信号突然消失事件列表。
本实施例中，基于船舶AIS信号数据的突然出现和突然消失事件，构建第三级监控队列列表，再基于第三级监控队列列表进行逐级筛选，最终实现判断船舶是否存在异常行为，本实施例能够及时构建第三级监控队列，进而可以实现船舶异常行为的自动发现，从而可以节约大量的人力成本，满足当前海量船舶行为的自动检测要求。
上述任一技术方案中，基于第三级监控队列，通过第二级监控队列进行筛选，得到第一相似船舶对，具体包括：获取信号突然出现事件的第一经纬度，获取对应的信号突然消失事件的第二经纬度，对第一经纬度、第二经纬度进行编码，得到编码数据，对编码数据采用加权技术，得到特征矩阵集合；获取信号突然出现事件和对应的信号突然消失事件所在的网格，计算每个网格的网格特征值；对特征值进行归一化处理；对于归一化后的特征值，采用欧式距离计算特征值之间的相似度，获取信号突然出现事件分别与信号突然消失事件列表中每个数据之间的欧式距离，创建欧几里德距离矩阵；获取信号突然出现事件分别与信号突然消失事件列表计算的距离最小值，根据距离最小值获取第一相似船舶对。
本实施例中，获取第一相似船舶对，再根据第一相似船舶对实现判断船舶是否存在异常行为，本实施例能够及时发现第一相似船舶对，进而可以实现船舶异常行为的自动发现，从而可以节约大量的人力成本，满足当前海量船舶行为的自动检测要求。
上述任一技术方案中，采用第一级监控队列记录第一相似船舶对，并对相同的第一相似船舶对进行计数，同时记录事件发生时间，具体包括：在第一级监控队列中存在第一相似船舶对的情况下，对第一级监控队列中的第一相似船舶对的计数加1，并记录事件发生时间，在第一级监控队列中不存在第一相似船舶对的情况下，对第一级监控队列中添加第一相似船舶对，计数置为1，并记录事件发生时间。
本实施例通过采用三级监控队列的方法，进行逐级筛选的方式，最终实现判断船舶是否存在异常行为，实时性好，能够实现船舶异常行为的自动发现，从而可以节约大量的人力成本，满足当前海量船舶行为的自动检测要求。
为实现本发明的第二目的，本发明的技术方案提供了一种船舶异常行为的检测系统，包括：第一模块、第二模块、第三模块、第四模块、第五模块、第六模块和第七模块；第一模块对全球经纬度进行网格划分，获取每个网格的信号热力值；第二模块获取第二时间段内每个网格接收的船舶自动识别系统数据，根据船舶自动识别系统数据得到网格数据异常消失时间；第三模块基于信号热力值，对网格数据异常消失时间进行修正，基于修正后的异常消失时间，获取信号消失事件时间和信号出现事件时间，进而得到信号突然出现船舶自动识别系统数据和信号突然消失船舶自动识别系统数据；第一模块将信号突然出现船舶自动识别系统数据和信号突然消失船舶自动识别系统数据中数据时间间隔小于第三时间段的数据去除，完成过滤；第五模块基于过滤后的信号突然出现船舶自动识别系统数据和信号突然消失船舶自动识别系统数据，构建第三级监控队列；第六模块基于第三级监控队列，通过第二级监控队列进行筛选，得到第一相似船舶对；第七模块采用第一级监控队列记录第一相似船舶对，并对相同的第一相似船舶对进行计数，同时记录事件发生时间，查找计数大于第二阈值的第一相似船舶对，判定第一相似船舶对对应的船舶存在异常行为。
本实施例是基于对信号突然出现和信号突然消失事件，采用三级监控队列的方法，进行逐级筛选的方式，最终实现判断船舶是否是异常行为的船舶。解决了一船多码发现难，实时性差等问题，并能够实现船舶异常行为的自动发现，从而可以节约大量的人力成本，满足当前海量船舶行为的自动检测要求。同时可以对船舶的AIS设备的规范使用起到监督作用。
为实现本发明的第三目的，本发明的技术方案提供了一种电子设备，包括：存储器和处理器，存储器存储有程序或指令，处理器执行程序或指令；其中，处理器在执行程序或指令时，实现如本发明任一技术方案的船舶异常行为检测方法的步骤。
本技术方案提供的电子设备实现如本发明任一技术方案的船舶异常行为检测方法的步骤，因而其具有如本发明任一技术方案的船舶异常行为检测方法的全部有益效果，在此不再赘述。
为实现本发明的第四目的，本发明的技术方案提供了一种可读存储介质，可读存储介质存储有程序或指令，程序或指令被执行时，实现上述任一技术方案的船舶异常行为检测方法的步骤。
本技术方案提供的可读存储介质实现如本发明任一技术方案的船舶异常行为检测方法的步骤，因而其具有如本发明任一技术方案的船舶异常行为检测方法的全部有益效果，在此不再赘述。
本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明一个实施例的船舶异常行为检测方法流程图之一；
图2为根据本发明一个实施例的船舶异常行为检测方法流程图之二；
图3为根据本发明一个实施例的船舶异常行为检测方法流程图之三；
图4为根据本发明一个实施例的船舶异常行为检测方法流程图之四；
图5为根据本发明一个实施例的船舶异常行为检测方法流程图之五；
图6为根据本发明一个实施例的船舶异常行为检测方法流程图之六；
图7为根据本发明一个实施例的船舶异常行为检测方法流程图之七；
图8为根据本发明一个实施例的船舶异常行为的检测系统组成示意图；
图9为根据本发明一个实施例的电子设备组成示意图。
其中，图8和图9中附图标记与部件名称之间的对应关系为：
100：船舶异常行为的检测系统，110：第一模块，120：第二模块，130：第三模块，140：第四模块，150：第五模块，160：第六模块，170：第七模块，200：电子设备，210：存储器，220：处理器。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
下面参照图1至图9描述本发明一些实施例的船舶异常行为检测方法、系统、电子设备和可读存储介质。
随着船舶的贸易的蓬勃发展，个体或者公司等各种形式船舶大量增加，并从事船舶运输，增加了航运市场经济活力，方便了水上客货的运输，对经济发展起到了巨大的积极作用。船舶在运输货物的时候需要安装船舶自动识别系统（AIS），AIS设备可以连续的向其他船舶或者岸台发送和接收船舶的识别信息，具备水上航路管理，船舶识别，通信等功能，同时也可以对船舶规范经营行为起到监督行为。然而，一些不规范船舶为了逃避监管行为，存在故意关闭AIS设备、篡改AIS设备信息、套用他人MMSI号码、安装多个AIS设备等行为，对水上航路规范管理、船舶识别、避免碰撞带来了很多安全隐患。上面的不规范行为在AIS数据上可以表现为一船多码现象，同时存在不同程度的信号突然消失和信号突然出现事件。通过AIS数据分析发现一船多码存在如下三种行为：一条船舶多个MMSI同时出现AIS信号，一条船舶多个MMSI交替出现AIS信号，一条船舶多个MMSI既有同时出现也有交替出现AIS信号情况。一船多码船舶在AIS历史轨迹数据中存在如下三种行为：船舶轨迹重合，船舶轨迹不重合，船舶轨迹部分重合。目前对一船多码现象主要是通过人工经验对轨迹和区域结合进行的判断，此种方法对人的经验要求很高，导致一船多码发现比较困难，也不能做到对一船多码现象的实时发现。
综上所述，本实施例的目的在于解决以上问题的至少之一，基于船舶AIS信号突然消失和突然出现判断一船多码，本实施例实现了判断船舶异常行为中的是否存在一船多码现象，同时可以对船舶的AIS设备的规范使用起到监督作用。
实施例1：
如图1所示，本实施例提供了一种船舶异常行为检测方法，包括以下步骤：
步骤S102，对全球经纬度进行网格划分，获取每个网格的信号热力值；
步骤S104，获取第一时间段内每个网格接收的船舶自动识别系统数据，根据船舶自动识别系统数据得到网格数据异常消失时间；
步骤S106，基于信号热力值，对网格数据异常消失时间进行修正，基于修正后的异常消失时间，获取信号消失事件时间和信号出现事件时间，进而得到信号突然出现船舶自动识别系统数据和信号突然消失船舶自动识别系统数据；
步骤S108，将信号突然出现船舶自动识别系统数据和信号突然消失船舶自动识别系统数据中数据时间间隔小于第三时间段的数据去除，完成过滤；
步骤S110，基于过滤后的信号突然出现船舶自动识别系统数据和信号突然消失船舶自动识别系统数据，构建第三级监控队列；
步骤S112，基于第三级监控队列，通过第二级监控队列进行筛选，得到第一相似船舶对；
步骤S114，采用第一级监控队列记录第一相似船舶对，并对相同的第一相似船舶对进行计数，同时记录事件发生时间，查找计数大于第二阈值的第一相似船舶对，判定第一相似船舶对对应的船舶存在异常行为。
相关技术中，对船舶异常行为（包括一船多码）的检测主要是通过人工经验对轨迹和区域结合进行的判断，此种方法对人的经验要求高，导致一船多码发现比较困难，也不能做到对一船多码现象的实时发现。
为了满足对船舶的异常行为的实时检测，尤其是一船多码行为，本实施例使用基于信号热力值的信号突然出现和信号突然消失事件，来判断船舶是否存在船舶异常行为（包括一船多码现象）。本实施例是基于对信号突然出现和信号突然消失事件，采用三级监控队列的方法，进行逐级筛选的方式，最终实现判断船舶是否是异常行为的船舶。解决了一船多码发现难，实时性差等问题，并能够实现船舶异常行为的自动发现，从而可以节约大量的人力成本，满足当前海量船舶行为的自动检测要求。同时可以对船舶的AIS设备的规范使用起到监督作用。
为了去除因为飞点以及偶尔出现少量的轨迹点引起的信号突然出现事件，把这种突然出现事件处理成信号突然消失事件。本实施例中，实际接收到的AIS数据中船舶AIS数据会偶尔收到很短时间的AIS信号出现，同时会产生相近时间的信号突然出现和信号突然消失，此时需要把相近时间的信号突然出现和突然消失事件去除，举例而言，可以把信号突然出现和突然消失时间小于1小时的数据去除，完成过滤。
本实施例中，基于信号热力值，对网格数据异常消失时间进行修正，采用修正后的网格数据异常消失时间进行后续计算，可以使得船舶异常行为判断更加准确。
本实施例中，对船舶的异常事件进行检测，尤其是一船多码现象需要进行长时间的监控检测，因此对检测出来的异常事件进行了三级监控，第三级监控队列为了对可能发生一船多码的船舶进行初步的筛选，以减少不必要的计算，提高判断效率，第二级监控队列基于分层聚类的思想，进行的特征相似性计算。
本实施例可以使用海量数据自动化排查船舶异常行为，自动化对船舶异常行为进行监控，实时判断出现异常行为的船舶，提高船舶异常行为判断的准确性，对水上航路规范管理、船舶识别、避免碰撞提供了技术支持，保证了船舶、航路的安全。
实施例2：
如图2所示，本实施例提供了一种船舶异常行为检测方法，除上述实施例的技术特征以外，本实施例进一步地包括了以下技术特征：
对全球经纬度进行网格划分，获取每个网格的信号热力值，具体包括以下步骤：
步骤S202，将全球经纬度按第一间隔分隔为多个网格；
步骤S204，计算第二时间段内每个网格收到的船舶自动识别系统信号个数；
步骤S206，基于信号个数，计算每个网格的信号热力值。
对于接收的AIS数据每个地方的信号覆盖程度不一致，就可能造成部分地区信号消失时间变长，为了解决这个问题，采用基于网格的信号热力值对信号消失时长进行修正。
本实施例中，首先对全球经纬度按固定间隔分隔成小网格，举例而言，可以采用0.1度网格，固定间隔可以根据实际情况进行调整，设网格间隔为S，S的单位为度，全球网格数量为M，
；然后，计算一段时间t（第二时间段）内网格收到的所有船舶AIS信号个数，设第i个网格AIS信号个数为
，
，第i个网格信号热力值使用
表示，则：
其中，t表示第二时间段，t的单位为小时，
表示第i个网格t时间内收到的船舶自动识别系统信号个数。
本实施例给出获取的信号热力值的具体方法，获取的信号热力值用于对网格数据异常消失时间进行修正，进而可以实现对船舶异常行为的检测。
实施例3：
如图3所示，本实施例提供了一种船舶异常行为检测方法，除上述实施例的技术特征以外，本实施例进一步地包括了以下技术特征：
根据船舶自动识别系统数据得到网格数据异常消失时间，具体包括以下步骤：
步骤S302，计算船舶自动识别系统数据在每个网格中接收时间差；
步骤S304，根据接收时间差，计算上限；
步骤S306，设定上限为网格数据异常消失时间，得到每个网格的数据异常消失时间。
本实施例中，使用第一时间段T内每个网格接收的船舶自动识别系统数据，计算数据在每个网格中接收时间差，举例而言，第一时间段T一般不少于一年，使用的数据时间越长，数据越符合正态分布。
本实施例中，根据所述接收时间差，计算上限，具体包括：
获取所述接收时间差的下四分位数、上四分位数和最大值，采用箱形图方法，基于所述下四分位数、上四分位数和最大值，计算上限。
具体而言，设一个网格的接收时间差为
，a>0。采用箱形图检测算法，使用接收时间差D计算出网格箱型图的Q1、Q3、最大值，其中，Q1表示下四分位数，Q3表示上四分位数。根据四分位间距公式计算四分位间距：
其中，IQR表示四分位间距。
使用箱型图检测算法，根据下列公式获取上限：
第i个网格的上限作为第i个网格的网格数据异常消失时间
，网格数据异常消失事件集合
。
本实施例中，给出了获取数据异常消失时间的具体方法，通过采用箱形图检测算法，得到每个网格的数据异常消失时间，基于数据异常消失时间，可以实现对船舶异常行为的检测。
实施例4：
如图4所示，本实施例提供了一种船舶异常行为检测方法，除上述实施例的技术特征以外，本实施例进一步地包括了以下技术特征：
基于修正后的异常消失时间，获取信号消失事件时间和信号出现事件时间，进而得到信号突然出现船舶自动识别系统数据和信号突然消失船舶自动识别系统数据，具体包括以下步骤：
步骤S402，获取网格接收船舶自动识别系统数据的第一时间间隔，设定第一时间间隔大于修正后的数据异常消失时间的接收时间点为信号消失事件时间；
步骤S404，获取信号消失事件时间接收的船舶自动识别系统数据为信号突然消失船舶自动识别系统数据；
步骤S406，设定在信号消失事件时间之后接收的第一个船舶自动识别系统数据的接收时间为信号出现事件时间；
步骤S408，信号出现事件时间接收的船舶自动识别系统数据为信号突然出现船舶自动识别系统数据。
本实施例中，基于信号热力值，对网格数据异常消失时间进行修正，公式为：
其中，
表示修正后的第i个网格的数据异常消失时间，A表示全部网格信号热力值80分位数，B表示第i个网格的信号热力值。
计算AIS数据接收时间间隔大于
的接收时间点做为消失事件的时间，此时接收的AIS信号数据做为信号突然消失AIS数据。接收时间大于异常消失时间
之后接收到的第一个接收AIS数据时间做为出现事件的时间，此时接收的AIS信号数据做为信号突然出现AIS数据。
本实施例中，基于修正后的异常消失时间获取信号消失事件时间，根据信号消失事件时间自动获得信号突然消失船舶自动识别系统数据和信号突然出现船舶自动识别系统数据，进而实现后续船舶异常行为的自动检测。
实施例5：
如图5所示，本实施例提供了一种船舶异常行为检测方法，除上述实施例的技术特征以外，本实施例进一步地包括了以下技术特征：
基于过滤后的信号突然出现船舶自动识别系统数据和信号突然消失船舶自动识别系统数据，构建第三级监控队列，具体包括以下步骤：
步骤S502，基于检测到信号突然出现事件，对第一范围内出现的第四时间段内的信号突然消失事件建立关联，构建第三级监控队列列表，第三级监控队列列表包括信号突然出现事件列表和信号突然出现事件对应的信号突然消失事件列表。
本实施例中，检测到信号突然出现的事件发生，对信号突然出现周围范围（例如0.5度范围）内出现信号突然消失的事件建立关联，即找到周围范围（例如0.5度范围）内所有的信号消失事件（建立关联的事件时间差应该控制在一定时间范围内，例如30天内），产生第三级监控队列列表，使用
表示所有信号突然出现事件，
表示为
，
。使用
表示每个信号突然出现事件对应的信号突然消失事件列表，
表示为
。
表示第d个信号突然出现事件，
表示第d个信号突然消失事件，
。
本实施例中，基于船舶AIS信号数据的突然出现和突然消失事件，构建第三级监控队列列表，再基于第三级监控队列列表进行逐级筛选，最终实现判断船舶是否存在异常行为，本实施例能够及时构建第三级监控队列，进而可以实现船舶异常行为的自动发现，从而可以节约大量的人力成本，满足当前海量船舶行为的自动检测要求。
实施例6：
如图6所示，本实施例提供了一种船舶异常行为检测方法，除上述实施例的技术特征以外，本实施例进一步地包括了以下技术特征：
基于第三级监控队列，通过第二级监控队列进行筛选，得到第一相似船舶对，具体包括以下步骤：
步骤S602，获取信号突然出现事件的第一经纬度，获取对应的信号突然消失事件的第二经纬度，对第一经纬度、第二经纬度进行编码，得到编码数据，对编码数据采用加权技术，得到特征矩阵集合；
步骤S604，获取信号突然出现事件和对应的信号突然消失事件所在的网格，计算每个网格的网格特征值；
步骤S606，对特征值进行归一化处理；
步骤S608，对于归一化后的特征值，采用欧式距离计算特征值之间的相似度，获取信号突然出现事件分别与信号突然消失事件列表中每个数据之间的欧式距离，创建欧几里德距离矩阵；
步骤S610，获取信号突然出现事件分别与信号突然消失事件列表计算的距离最小值，根据距离最小值获取第一相似船舶对。
本实施例中，第一相似船舶对表示船舶故意使用多个MMSI交替使用（可以是两个，也可以两个以上）。
本实施例中，对第一经纬度、第二经纬度进行geohash编码，得到geohash编码数据，对geohash编码数据采用TF-IDF加权技术，得到特征矩阵集合
，具体而言，即对
和
事件的经纬度做geohash7编码，对编码数据使用TF-IDF（term frequency–inverse document frequency，文本挖掘常用的加权技术）转化特征矩阵产生
，
表示第一个突然消失和第一个突然出现事件对应的使用TF-IDF（文本挖掘常用的加权技术）产生的特征矩阵，
表示第n个突然消失和第n个突然出现事件对应的使用TF-IDF（文本挖掘常用的加权技术）产生的特征矩阵，
表示特征矩阵集合。
本实施例中，获取信号突然出现事件和对应的信号突然消失事件所在的网格，即计算
和
事件的经纬度所在的网格（此处网格采用与信号热力值一样网格大小），然后，计算每个网格的网格特征值，网格特征值包括航速（sog）的均值Gsogmean、航向(cog)的均值Gcogmean、船首向(HDG)的均值Ghdgmean、旋转角速度(ROT)的均值Grotmean、航速（sog）的唯一值个数Gsognunique、航向(cog)的唯一值个数Gcognunique、船首向(HDG)的唯一值个数Ghdgnunique、旋转角速度(ROT)的唯一值个数Grotnunique。最终，产生包含Gsogmean、Gsognunique、Gcogmean、Gcognunique、Ghdgmean、Ghdgnunique、Grotmean、Grotnunique的网格特征值集合。
本实施例中，归一化处理公式为：
其中：
表示特征值，
表示归一化处理后的特征值，
表示特征值的最小值，
表示特征值的最大值，特征值可以包括以下之一：
信号突然出现事件中的航速（sog）、航向(cog)、船首向(HDG)、旋转角速度(ROT)、船长（length）、船宽（船宽）、左舷距（left）、船尾舷距(trail)；
信号突然消失事件中的航速（sog）、航向(cog)、船首向(HDG)、旋转角速度(ROT)、船长（length）、船宽（船宽）、左舷距（left）、船尾舷距(trail)；
特征矩阵集合
；
信号突然出现事件中对应的网格Gsogmean、Gsognunique、Gcogmean、Gcognunique、Ghdgmean、Ghdgnunique、Grotmean、Grotnunique；
信号突然消失事件中对应的网格Gsogmean、Gsognunique、Gcogmean、Gcognunique、Ghdgmean、Ghdgnunique、Grotmean、Grotnunique。
对以上特征值均进行归一化处理，得到归一化处理后的特征值。本实施例将有量纲表达式变为无量纲表达式，为了数据处理方便，将数据映射到0～1范围之内处理，更加便捷快速。
本实施例中，特征相似度计算使用的是欧式距离的来计算数据之间的相似度，欧式距离公式如下：
其中，
表示任意信号突然出现事件与信号突然消失事件之间的欧几里德距离，
表示信号突然出现事件，
表示信号突然消失事件。
计算任意突现事件和消失事件之间的欧几里德距离，构建欧几里德矩阵，距离计算使用的特征值是归一化处理之后的特征值。
本实施例中，第一相似船舶对
是
分别与
事件列表计算的距离最小值所对应的船舶MMSI和
事件的MMSI对。
本实施例中，获取第一相似船舶对，再根据第一相似船舶对实现判断船舶是否存在异常行为，本实施例能够及时发现第一相似船舶对，进而可以实现船舶异常行为的自动发现，从而可以节约大量的人力成本，满足当前海量船舶行为的自动检测要求。
实施例7：
如图7所示，本实施例提供了一种船舶异常行为检测方法，除上述实施例的技术特征以外，本实施例进一步地包括了以下技术特征：
采用第一级监控队列记录第一相似船舶对，并对相同的第一相似船舶对进行计数，同时记录事件发生时间，具体包括以下步骤：
步骤S702，在第一级监控队列中存在第一相似船舶对的情况下，对第一级监控队列中的第一相似船舶对的计数加1，并记录事件发生时间，在第一级监控队列中不存在第一相似船舶对的情况下，对第一级监控队列中添加第一相似船舶对，计数置为1，并记录事件发生时间。
本实施例中，第一级监控队列记录第二级监控队列计算的第一相似船舶对
并对相同的第一相似船舶对进行计数，同时记录事件发生时间。具体包括：
（1）先去除第一级监控队列中存在时间较长（大于第五时间段，第五时间段的时间一般不少于1个月）的记录，并减少对应的计数值（即大于一个月即去除，减去去除的记录数）。
（2）根据第二级监控队列计算的第一相似船舶对
，判断第一级监控队列中是否存在
，如果存在则对第一级监控队列中的
，计数加1，并记录事件发生时间。如果不存在则对第一级监控队列中添加
，计数置为1，并记录事件发生时间。
（3）查找计数大于M（M建议不小于3，M取值越大准确率会越大但是丢失一船多码的概率会变大，M取值小准确率会变小但是丢失一船多码的概率也会变小）的船舶即是判断的一船多码船舶。
本实施例通过采用三级监控队列的方法，进行逐级筛选的方式，最终实现判断船舶是否存在异常行为，实时性好，能够实现船舶异常行为的自动发现，从而可以节约大量的人力成本，满足当前海量船舶行为的自动检测要求。
实施例8：
如图8所示，本实施例提供了一种船舶异常行为的检测系统100，包括：第一模块110、第二模块120、第三模块130、第四模块140、第五模块150、第六模块160和第七模块170；第一模块110对全球经纬度进行网格划分，获取每个网格的信号热力值；第二模块120获取第二时间段内每个网格接收的船舶自动识别系统数据，根据船舶自动识别系统数据得到网格数据异常消失时间；第三模块130基于信号热力值，对网格数据异常消失时间进行修正，基于修正后的异常消失时间，获取信号消失事件时间和信号出现事件时间，进而得到信号突然出现船舶自动识别系统数据和信号突然消失船舶自动识别系统数据；第四模块140将信号突然出现船舶自动识别系统数据和信号突然消失船舶自动识别系统数据中数据时间间隔小于第三时间段的数据去除，完成过滤；第五模块150基于过滤后的信号突然出现船舶自动识别系统数据和信号突然消失船舶自动识别系统数据，构建第三级监控队列；第六模块160基于第三级监控队列，通过第二级监控队列进行筛选，得到第一相似船舶对；第七模块170采用第一级监控队列记录第一相似船舶对，并对相同的第一相似船舶对进行计数，同时记录事件发生时间，查找计数大于第二阈值的第一相似船舶对，判定第一相似船舶对对应的船舶存在异常行为。
本实施例是基于对信号突然出现和信号突然消失事件，采用三级监控队列的方法，进行逐级筛选的方式，最终实现判断船舶是否是异常行为的船舶。解决了一船多码发现难，实时性差等问题，并能够实现船舶异常行为的自动发现，从而可以节约大量的人力成本，满足当前海量船舶行为的自动检测要求。同时可以对船舶的AIS设备的规范使用起到监督作用。
本实施例可以使用海量数据自动化排查船舶异常行为，自动化对船舶异常行为进行监控，实时判断出现异常行为的船舶，提高船舶异常行为判断的准确性，对水上航路规范管理、船舶识别、避免碰撞提供了技术支持，保证了船舶、航路的安全。
实施例9：
如图9所示，本实施例提供了一种电子设备200，包括：存储器210和处理器220，存储器210存储有程序或指令，处理器220执行程序或指令；其中，处理器220在执行程序或指令时，实现如本发明任一实施例的船舶异常行为检测方法的步骤。
实施例10：
本实施例提供了一种可读存储介质，可读存储介质存储有程序或指令，程序或指令被处理器执行时，实现上述任一实施例的船舶异常行为检测方法的步骤。
在本发明中，术语“第一”、“第二”、“第三”仅用于描述的目的，而不能理解为指示或暗示相对重要性；术语“多个”则指两个或两个以上，除非另有明确的限定。术语“安装”、“相连”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；“相连”可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
本发明的描述中，需要理解的是，术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作，因此，不能理解为对本发明的限制。
在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种船舶异常行为检测方法，其特征在于，包括：
对全球经纬度进行网格划分，获取每个网格的信号热力值；
获取第一时间段内每个所述网格接收的船舶自动识别系统数据，根据所述船舶自动识别系统数据得到网格数据异常消失时间；
基于所述信号热力值，对所述网格数据异常消失时间进行修正，基于修正后的异常消失时间，获取信号消失事件时间和信号出现事件时间，进而得到信号突然出现船舶自动识别系统数据和信号突然消失船舶自动识别系统数据；
将所述信号突然出现船舶自动识别系统数据和所述信号突然消失船舶自动识别系统数据中数据时间间隔小于第三时间段的数据去除，完成过滤；
基于过滤后的所述信号突然出现船舶自动识别系统数据和所述信号突然消失船舶自动识别系统数据，构建第三级监控队列；
基于所述第三级监控队列，通过第二级监控队列进行筛选，得到第一相似船舶对；
采用第一级监控队列记录第一相似船舶对，并对相同的第一相似船舶对进行计数，同时记录事件发生时间，查找计数大于第二阈值的第一相似船舶对，判定第一相似船舶对对应的船舶存在异常行为。
2.根据权利要求1所述的船舶异常行为检测方法，其特征在于，所述对全球经纬度进行网格划分，获取每个网格的信号热力值，具体包括：
将所述全球经纬度按第一间隔分隔为多个所述网格；
计算第二时间段内每个所述网格收到的所述船舶自动识别系统信号个数；
基于所述信号个数，计算每个所述网格的信号热力值。
3.根据权利要求1所述的船舶异常行为检测方法，其特征在于，所述根据所述船舶自动识别系统数据得到网格数据异常消失时间，具体包括：
计算所述船舶自动识别系统数据在每个所述网格中接收时间差；
根据所述接收时间差，计算上限；
设定所述上限为网格数据异常消失时间，得到每个所述网格的数据异常消失时间。
4.根据权利要求1所述的船舶异常行为检测方法，其特征在于，所述基于修正后的异常消失时间，获取信号消失事件时间和信号出现事件时间，进而得到信号突然出现船舶自动识别系统数据和信号突然消失船舶自动识别系统数据，具体包括：
获取所述网格接收所述船舶自动识别系统数据的第一时间间隔，设定所述第一时间间隔大于所述修正后的数据异常消失时间的接收时间点为所述信号消失事件时间；
获取所述信号消失事件时间接收的所述船舶自动识别系统数据为所述信号突然消失船舶自动识别系统数据；
设定在所述信号消失事件时间之后接收的第一个所述船舶自动识别系统数据的接收时间为所述信号出现事件时间；
所述信号出现事件时间接收的所述船舶自动识别系统数据为所述信号突然出现船舶自动识别系统数据。
5.根据权利要求1所述的船舶异常行为检测方法，其特征在于，所述基于过滤后的所述信号突然出现船舶自动识别系统数据和所述信号突然消失船舶自动识别系统数据，构建第三级监控队列，具体包括：
基于检测到信号突然出现事件，对第一范围内出现的第四时间段内的信号突然消失事件建立关联，构建第三级监控队列列表，所述第三级监控队列列表包括信号突然出现事件列表和所述信号突然出现事件对应的信号突然消失事件列表。
6.根据权利要求1至5中任一项所述的船舶异常行为检测方法，其特征在于，基于所述第三级监控队列，通过第二级监控队列进行筛选，得到第一相似船舶对，具体包括：
获取所述信号突然出现事件的第一经纬度，获取对应的信号突然消失事件的第二经纬度，对所述第一经纬度、所述第二经纬度进行编码，得到编码数据，对所述编码数据采用加权技术，得到特征矩阵集合；
获取所述信号突然出现事件和对应的所述信号突然消失事件所在的网格，计算每个所述网格的网格特征值；
对特征值进行归一化处理；
对于归一化后的所述特征值，采用欧式距离计算所述特征值之间的相似度，获取所述信号突然出现事件分别与所述信号突然消失事件列表中每个数据之间的欧式距离，创建欧几里德距离矩阵；
获取所述信号突然出现事件分别与所述信号突然消失事件列表计算的距离最小值，根据所述距离最小值获取第一相似船舶对。
7.根据权利要求1至5中任一项所述的船舶异常行为检测方法，其特征在于，所述采用第一级监控队列记录第一相似船舶对，并对相同的第一相似船舶对进行计数，同时记录事件发生时间，具体包括：
在所述第一级监控队列中存在第一相似船舶对的情况下，对所述第一级监控队列中的第一相似船舶对的计数加1，并记录事件发生时间，在所述第一级监控队列中不存在第一相似船舶对的情况下，对所述第一级监控队列中添加第一相似船舶对，计数置为1，并记录事件发生时间。
8.一种船舶异常行为的检测系统，其特征在于，包括：
第一模块，所述第一模块对全球经纬度进行网格划分，获取每个网格的信号热力值；
第二模块，所述第二模块获取第二时间段内每个所述网格接收的船舶自动识别系统数据，根据所述船舶自动识别系统数据得到网格数据异常消失时间；
第三模块，所述第三模块基于所述信号热力值，对所述网格数据异常消失时间进行修正，基于修正后的异常消失时间，获取信号消失事件时间和信号出现事件时间，进而得到信号突然出现船舶自动识别系统数据和信号突然消失船舶自动识别系统数据；
第四模块，所述第四模块将所述信号突然出现船舶自动识别系统数据和所述信号突然消失船舶自动识别系统数据中数据时间间隔小于第三时间段的数据去除，完成过滤；
第五模块，所述第五模块基于过滤后的所述信号突然出现船舶自动识别系统数据和所述信号突然消失船舶自动识别系统数据，构建第三级监控队列；
第六模块，所述第六模块基于所述第三级监控队列，通过第二级监控队列进行筛选，得到第一相似船舶对；
第七模块，所述第七模块采用第一级监控队列记录第一相似船舶对，并对相同的第一相似船舶对进行计数，同时记录事件发生时间，查找计数大于第二阈值的第一相似船舶对，判定第一相似船舶对对应的船舶存在异常行为。
9.一种电子设备，其特征在于，包括：
存储器，存储有程序或指令；
处理器，执行所述程序或指令；
其中，所述处理器在执行所述程序或指令时，实现如权利要求1至7中任一项所述的船舶异常行为检测方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有程序或指令，所述程序或指令被处理器执行时，实现如权利要求1至7中任一项所述的船舶异常行为检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111488384.2A CN113901969B (zh) | 2021-12-08 | 2021-12-08 | 船舶异常行为检测方法、系统、电子设备和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111488384.2A CN113901969B (zh) | 2021-12-08 | 2021-12-08 | 船舶异常行为检测方法、系统、电子设备和可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113901969A true CN113901969A (zh) | 2022-01-07 |
| CN113901969B CN113901969B (zh) | 2022-03-04 |
Family
ID=79025592
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111488384.2A Active CN113901969B (zh) | 2021-12-08 | 2021-12-08 | 船舶异常行为检测方法、系统、电子设备和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113901969B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117391870A (zh) * | 2023-11-01 | 2024-01-12 | 亿海蓝（北京）数据技术股份公司 | 船舶保险风险识别方法、装置、电子设备和可读储存介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015127540A1 (en) * | 2014-02-25 | 2015-09-03 | Maerospace Corporation | System and method for tracking and forecasting the positions of marine vessels |
| CN109218985A (zh) * | 2018-08-08 | 2019-01-15 | 上海中交水运设计研究有限公司 | 一种基于模式相似度的船舶作业行为异常检测方法及系统 |
| CN111179638A (zh) * | 2020-01-08 | 2020-05-19 | 中国船舶重工集团公司第七二四研究所 | 一种基于时间序列的船舶ais目标航行监控方法 |
| WO2020142850A1 (en) * | 2019-01-11 | 2020-07-16 | Maerospace Corporation | System and method for tracking vessels |
| CN112182133A (zh) * | 2020-09-29 | 2021-01-05 | 南京北斗创新应用科技研究院有限公司 | 一种基于ais数据的船舶徘徊检测方法 |
| CN112347211A (zh) * | 2020-11-05 | 2021-02-09 | 北明软件有限公司 | 船舶自动识别系统数据的处理方法、系统和存储介质 |
| CN112395382A (zh) * | 2020-11-23 | 2021-02-23 | 武汉理工大学 | 基于变分自编码器的船舶异常航迹数据检测方法和装置 |
| CN113002726A (zh) * | 2021-03-15 | 2021-06-22 | 亿海蓝（北京）数据技术股份公司 | 异常船舶检测方法、装置、电子设备和存储介质 |
-
2021
- 2021-12-08 CN CN202111488384.2A patent/CN113901969B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015127540A1 (en) * | 2014-02-25 | 2015-09-03 | Maerospace Corporation | System and method for tracking and forecasting the positions of marine vessels |
| CN109218985A (zh) * | 2018-08-08 | 2019-01-15 | 上海中交水运设计研究有限公司 | 一种基于模式相似度的船舶作业行为异常检测方法及系统 |
| WO2020142850A1 (en) * | 2019-01-11 | 2020-07-16 | Maerospace Corporation | System and method for tracking vessels |
| CA3126292A1 (en) * | 2019-01-11 | 2020-07-16 | Maerospace Corporation | System and method for tracking vessels |
| CN111179638A (zh) * | 2020-01-08 | 2020-05-19 | 中国船舶重工集团公司第七二四研究所 | 一种基于时间序列的船舶ais目标航行监控方法 |
| CN112182133A (zh) * | 2020-09-29 | 2021-01-05 | 南京北斗创新应用科技研究院有限公司 | 一种基于ais数据的船舶徘徊检测方法 |
| CN112347211A (zh) * | 2020-11-05 | 2021-02-09 | 北明软件有限公司 | 船舶自动识别系统数据的处理方法、系统和存储介质 |
| CN112395382A (zh) * | 2020-11-23 | 2021-02-23 | 武汉理工大学 | 基于变分自编码器的船舶异常航迹数据检测方法和装置 |
| CN113002726A (zh) * | 2021-03-15 | 2021-06-22 | 亿海蓝（北京）数据技术股份公司 | 异常船舶检测方法、装置、电子设备和存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117391870A (zh) * | 2023-11-01 | 2024-01-12 | 亿海蓝（北京）数据技术股份公司 | 船舶保险风险识别方法、装置、电子设备和可读储存介质 |
| CN117391870B (zh) * | 2023-11-01 | 2024-04-19 | 亿海蓝（北京）数据技术股份公司 | 船舶保险风险识别方法、装置、电子设备和可读储存介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113901969B (zh) | 2022-03-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | A big data analytics method for the evaluation of ship-ship collision risk reflecting hydrometeorological conditions | |
| US10922981B2 (en) | Risk event identification in maritime data and usage thereof | |
| Mazzarella et al. | A novel anomaly detection approach to identify intentional AIS on-off switching | |
| CN113553682B (zh) | 一种数据驱动的多层次船舶航路网络构建方法 | |
| Mazzarella et al. | SAR ship detection and self-reporting data fusion based on traffic knowledge | |
| CN111179638B (zh) | 一种基于时间序列的船舶ais目标航行监控方法 | |
| CN110633353B (zh) | 一种基于集成学习的船舶类型仿冒监测方法 | |
| Zissis et al. | A distributed spatial method for modeling maritime routes | |
| Ristic | Detecting anomalies from a multitarget tracking output | |
| CN109615934A (zh) | 桥梁防撞风险评估方法及系统 | |
| CN113901969B (zh) | 船舶异常行为检测方法、系统、电子设备和可读存储介质 | |
| CN112699315A (zh) | 基于ais数据的船舶异常行为探测方法 | |
| CN115294804B (zh) | 一种基于船舶状态监测的海缆安全预警方法及系统 | |
| CN111428916B (zh) | 一种海上救援船舶巡航路径规划方法 | |
| 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 | |
| CN109977840A (zh) | 一种基于深度学习的机场场面监视方法 | |
| CN114235050A (zh) | 一种海洋环境监测预警方法、设备及系统 | |
| CN116026778B (zh) | 一种基于天空地的园区碳排放综合监控系统和方法 | |
| CN117037547B (zh) | 一种航道关键节点的拥堵程度评价方法、系统及存储介质 | |
| Xu et al. | Trajectory clustering for SVR-based Time of Arrival estimation | |
| CN115774804A (zh) | 船舶的异常识别方法、系统和可读存储介质 | |
| CN112464951A (zh) | 一种基于物联网的渔业安全应急处置系统及方法 | |
| Ding et al. | A robust assessment of inland waterway collision risk based on AIS and visual data fusion | |
| CN115457300A (zh) | 一种基于距离度量和隔离机制的船舶异常行为检测方法 | |
| CN116384597B (zh) | 基于地理信息系统的渔港船舶进出港动态预测方法及系统 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240320 Address after: Room 06, Floor 1, Building 9, Yuquan Huigu, No.3 Minzhuang Road, Haidian District, Beijing, 100089 Patentee after: ELANE Inc. Country or region after: Zhong Guo Patentee after: Yihailan (Beijing) Marine Information Technology Co.,Ltd. Address before: 100089 room 603, building a, Shuguang complex building, wangfuyuan East District, Haidian District, Beijing Patentee before: ELANE Inc. Country or region before: Zhong Guo |