CN114139608A - 一种基于ais轨迹数据的多步聚类的渔船行为识别方法 - Google Patents

Abstract

本发明公开了一种基于AIS轨迹数据的多步聚类的渔船行为模式识别方法，包括轨迹数据处理、提取轨迹特征点、建立相似度距离模型得到计算轨迹点之间的时空距离矩阵、使用Mean Shift聚类算法对渔船的轨迹进行第一步聚类，使得时空距离相近且连续轨迹点聚在一起，对应着同一种捕捞行为、使用K‑means聚类算法对轨迹段的平均速度进行聚类，使得平均速度相似的轨迹段聚在一起，从而对一艘渔船所有的轨迹段按照抛锚，航行和捕捞行为进行分类。本发明方法降低计算开销，提高效率和通用性。

Description

一种基于AIS轨迹数据的多步聚类的渔船行为识别方法

技术领域

本发明属于渔船行为模式识别技术领域，尤其涉及一种基于AIS轨迹数据的多步聚类的渔船行为识别方法。

背景技术

时空轨迹是移动对象位置和时间的记录序列，作为一种重要的时空对象数据类型，时空轨迹在交通流模式和特性研究、资源分配、海冰监测等领域等方面有着广泛的应用，通过对各种时空轨迹数据进行分析，可以得到时空轨迹数据中的相似性特征，发现其中有意义的轨迹模式。

渔船轨迹数据是时空轨迹数据的一种，记录了渔船的航行过程和相应的行为特征。随着渔船自动识别系统(Automatic Identification System，AIS)在船上的广泛应用，渔船轨迹数据的获取越来越容易，这些包括船位、时间、船速、航向、转头角速度等属性的渔船AIS轨迹数据是分析渔船聚集特性的数据源，如何从这些海量的数据中挖掘出所蕴含的有价值的信息，对于研究渔船交通行为模式、分析渔船交通流特征具有重要的意义。

然而，轨迹数据只包含渔船航行状态数据，并不包含渔船的捕捞方式、作业状态、捕捞强度、渔场变动等信息。然而，这些捕捞信息的获取首先需要从渔船的轨迹中识别渔船的捕捞行为，才能对轨迹数据进行更深层次的分析。基于轨迹的渔船行为识别对渔船行为的实时监控、作业渔场、捕捞强度、掌握渔业资源变动等问题具有重要意义。在监测渔船捕捞行为方面，首先需要识别船只的捕鱼活动，然后根据禁渔区和船只所在的位置识别该船是否从事非法捕鱼活动。在发掘渔场方面，可以通过对所有渔船轨迹进行分析，统计出渔船捕捞的热点区域，然后便可以将捕捞热点区域定义为渔场。在渔业资源管理方面，国外已经从AIS轨迹数据中提取捕捞次数，计算累计捕捞量，用于渔业资源评估，从而对无节制的捕捞行为进行监管。在保证海产品安全方面，可以依据轨迹数据识别捕鱼区域，实现水产品的追溯，从而获取水产品的来源地。这些功能的实现都依赖于基于轨迹的渔船行为识别技术，因此，研究如何从轨迹中识别渔船行为的技术具有非常重要的意义。

渔船行为通常可分为三类，即停泊状态(Stopping Behavior)、捕捞状态(FishingBehavior)和航行状态(Steaming Behavior)。停泊状态(Stopping Behavior)是指渔船处在停船或收网等低速非捕捞状态，通常可细分为在港状态、海上抛锚状态和低速收网状态。海上抛锚状态下，渔船受锚链牵扯，轨迹结构以锚点为圆心的圆形或半圆形状，且速度基本为0；低速收网状态下，捕捞结束后短时减速，轨迹结构一般为捕捞轨迹后的个别轨迹点，速度明显比正常捕捞速度低；在港状态下，轨迹点集中在陆地边缘且高度重合，速度为0。捕捞状态(Fishing Behavior)下渔船常在一定区域内进行多次往返拖网作业。渔船在同一捕捞段内，捕捞航速与转角基本保持不变。通常渔船会连续多次捕捞，且两次捕捞状态之间有短暂收网动作。此外相邻两次捕捞状态的渔船航向一般差异明显，渔船捕捞轨迹形态甚至会呈Z字形转折结构。航行状态(Steaming Behavior)可分为三种状态：第一种是往返渔场与港口进出渔场航行状态，第二种为渔场之间转移的转场航行状态，第三种为收网状态结束后为的短暂航行状态。进出渔场航行状态与转场航行状态下，渔船轨迹结构多呈直线状态；在短暂航行状态，渔船轨迹结构多为介于两次捕捞状态之间的少量轨迹点，且常伴随在收网停泊状态轨迹点之后。相较于停泊和捕捞，航行状态的航速最高。研究人员通过利用以上不同状态下渔船的多维特征分布，进行渔船行为识别工作。

基于轨迹段的聚类方法应用于渔船行为判别最早始于2018年Zhang提出的基于多步聚类的渔船行为判别算法(Algorithm Fishing Behavior Identification,MSC-FBI)。MSC-BFI算法采用多维数据加权求和的方法建立轨迹点距离模型，并采用具有噪声的基于密度的聚类方法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)实现轨迹子段的划分，并通过K-means聚类算法对轨迹子段进行聚合，从而实现对所有轨迹点的聚类和判别。基于轨迹段的渔船行为判别算法MSC-FBI存在参数敏感、通用效果不佳等问题。其核心算法DBSCAN需要两个参数：扫描半径(eps)和最小包含点数(minPts)，参数敏感，并且易造成批量误判。

发明内容

本发明的一个目的是针对现有技术的不足，提供一种基于AIS轨迹数据的多步聚类的渔船行为识别方法，具体是一种效率较高，参数敏感度较低，鲁棒性较高，通用效果较佳的渔船行为模式识别方法。

为解决上述技术问题，本发明所采用的技术方案为：

本发明涉及的一种基于AIS轨迹数据的多步聚类的渔船行为模式识别方法，包括以下步骤：

S1.基于AIS轨迹数据得到不同渔船的渔船轨迹，每条渔船的渔船轨迹包括不同时刻的轨迹点，轨迹点包括船名、航速、航向、报位时间、经纬度等，然后进行异常轨迹处理。

S2.根据最小描述长度准则(Minimum Description Length，MDL)对渔船轨迹提取轨迹特征点；

S3.建立相似度距离模型；

S4.使用基于核密度估计的聚类算法Mean Shift对所有渔船的轨迹特征点进行第一步聚类，使得相似度距离相近且连续轨迹点聚在一起；

S5.使用K-means聚类算法对步骤S4处理后得到的所有簇进行二次聚类，使得平均航速相似的轨迹段聚在一起，对所有的轨迹段按照抛锚、航行和捕捞行为进行分类；

本发明的另一个目的是提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的方法。

本发明的又一个目的是提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现上述的方法。

本发明与现有技术相比，存在的以下有益效果：

本发明基于AIS轨迹数据，采用最小描述长度准则选取特征轨迹点，降低计算开销，提高模型效率；加权求和的方式建立轨迹点间相似度距离模型，实现航速距离、航向距离、时间距离和空间距离的融合；Mean Shift算法是一个单参数算法，减少参数敏感，易作为一个模块和别的算法集成，提高通用性。

附图说明

图1是本发明方法的总体实现框架图。

图2是轨迹特征点示例图。

图3是水平距离，垂直距离和角度距离示意图。

具体实施方式

为进一步了解本发明的内容，结合实施例对本发明作详细描述，以下实施例用于说明本发明，但不用来限制本发明的范围。

参照附图1所示，本发明涉及的基于AIS轨迹数据的多步聚类的渔船行为模式识别方法，包括以下步骤：

S1.基于AIS轨迹数据得到不同渔船的渔船轨迹，每条渔船的渔船轨迹包括不同时刻的轨迹点，轨迹点包括船名、航速、航向、报位时间、经纬度等，然后进行异常轨迹处理；

所述异常轨迹处理为：删除数据缺失的轨迹数据和重复的轨迹数据；

S2.根据最小描述长度准则(Minimum Description Length，MDL)对渔船轨迹提取轨迹特征点；

对于给定的一条线段，算法选择其特征点的标准是该点为特征点的MDL计算开销要小于不选择其作为特征点的MDL计算开销,通过逐次检查每个点是否满足该条件来选择特征点；具体是：

S2.1对每条渔船的渔船轨迹遍历所有轨迹点，依据最小描述长度原则计算每一个轨迹点的特征点计算开销MDL_par和非特征点计算开销MDL_nopar，如果MDL_par>MDL_nopar，则认为当前轨迹点为轨迹特征点，并将当前轨迹点加入特征点集X；反之则认为当前轨迹点不是轨迹特征点；

对于任一渔船的渔船轨迹{p₁,p₂,...,p_i...,p_N}，1≤i≤N，其中p_i表示第i时刻轨迹点；p_i的非特征点计算开销MDL_nopar和特征点计算开销MDL_par分别为：

MDL_nopar＝log₂(len(p₁p_i)) (1),

其中函数len(p₁p_i)表示p₁与p_i之间根据经纬度计算的欧式距离；

参照附图3所示，水平距离d_||，垂直距离d_⊥和角度距离d_θ计算公式分别为：

其中，L_α,L_β为两条不同的线段；

和

分别表示轨迹L_α两端点相对于L_β垂直方向上的距离；函数MIN表示取最小值，

和

分别表示两条轨迹两端点在水平方向上的距离；θ表示轨迹L_α,L_β的夹角；

参照附图2所示，对于轨迹{p₁,p₂,p₃,p₄}，p₄的非特征点计算开销MDL_nopar和特征点计算开销MDL_par分别为：

MDL_nopar＝log₂(len(p₁p₄)) (4),

MDL_par＝log₂(len(p₁p₄))+log₂(d_⊥(p₁p₄,p₁p₂))+log₂(d_⊥(p₁p₄,p₂p₃))+log₂(d_⊥(p₁p₄,p₃p₄))+log₂(d_θ(p₁p₄,p₁p₂))+log₂(d_θ(p₁p₄,p₂p₃))+log₂(d_θ(p₁p₄,p₃p₄)) (5),

S3.建立相似度距离模型，具体是：

S3.1航速距离是在航速维度上衡量轨迹点间在航速上的差异性，假设轨迹点p_i和p_j的航速分别为speed_i，speed_j，1≤i≤N，1≤j≤N，i≠j；采用速度差值的绝对值来衡量航速距离，即两轨迹点间航速距离计算式为：

V(i,j)＝|speed_i-speed_j| (6),

航向距离是在航向维度上描述轨迹点间在航向上的差异性，假设轨迹点p_i和p_j的航向分别为degree_i，degree_j，1≤i≤N，1≤j≤N，i≠j；因航向0°与360°为同一方向，采用航向夹角衡量航向距离，即轨迹点间航向距离D(i,j)为：

其中△degree表示轨迹点p_i和p_j的航向角度差的绝对值；

时间距离是在时间维度上描述轨迹点间在时间上的差异性，假设轨迹点p_i和p_j的报位时间分别为time_i和time_j，1≤i≤N，1≤j≤N，i≠j；采用绝对值衡量轨迹点间的时间距离，即两轨迹点时间距离T(i,j)计算式为：

T(i,j)＝|time_i+time_j| (8),

空间距离是在空间维度上描述轨迹点间的差异程度，假设轨迹点p_i和p_j的经纬度分别为<lon_i,lat_i>，<lon_j,lat_j>，1≤i≤N，1≤j≤N，i≠j；采用两轨迹点欧氏距离衡量空间距离，即两轨迹点的空间距离计算式为：

其中lon表示经度，lat表示纬度；

S3.2.为实现航速距离、航向距离、时间距离和空间距离的融合，采用加权求和的方式建立轨迹点间相似度距离模型。即轨迹点p_i和p_j的相似度距离S(i,j)计算式为：

S(i,j)＝ω_V×V(i,j)+ω_D×D(i,j)+ω_T×T(i,j)+ω_S×S(i,j) (10),

其中，ω＝{ω_V，ω_D，ω_T，ω_S}为权重矩阵，ω_V为航速距离的权重，ω_D为航向距离的权重，ω_T为时间距离的权重，ω_S为空间距离的权重；

S4.使用基于核密度估计的聚类算法Mean Shift对所有渔船的轨迹特征点进行第一步聚类，使得相似度距离S(i,j)相近且连续轨迹点聚在一起；

因为轨迹点的相似度距离综合考虑了轨迹的速度、方向和结构特征，因此相似度距离相近的轨迹点对应着同一种捕捞行为，从而达到对轨迹按照行为进行分段；具体是：

S4.1.初始化迭代次数k＝1；

S4.2在特征点集X中随机选择一个轨迹特征点x_k作为簇C_k的聚类中心；

S4.3找出所有与x_k相似度距离S(i,j)小于阈值h的轨迹特征点，加入到集合M_k，认为这些点属于簇C_k，记x_i∈M_k,i＝1,2,...,n_k，n_k表示集合M_k内轨迹特征点的总个数；

S4.4计算从聚类中心x_k到集合M_k中每个轨迹特征点的漂移均值M_h(x_k)：

其中，K()表示高斯核函数：

S4.5更新聚类中心：

x_k＝x_k+M_h(x_k) (13),

S4.6如果存在其他簇，且当前簇C_k的聚类中心x_k与某一其它簇C_e聚类中心的相似度距离小于阈值h则将当前簇C_k与簇C_e合并，并将聚类中心更新为簇C_e的聚类中心；同时更新k＝k+1；若不存在其他簇，直接更新k＝k+1；

S4.7重复步骤S4.2-S4.6，直到满足收敛条件；

S5.使用K-means聚类算法对步骤S4处理后得到的所有簇进行二次聚类，使得平均航速相似的轨迹段聚在一起，对所有的轨迹段按照抛锚、航行和捕捞行为进行分类；具体是：

S5.1步骤S4得到的所有簇的集合O为(C₁,C₂,...,C_m,...,C_M)，1≤m≤M，其中簇C_m中包含的轨迹特征点集合为(u₁,u₂,...,u_e,...,u_E)，1≤e≤E，计算每个簇中所有轨迹特征点的平均航速

其中v_e表示轨迹特征点u_e的航速；

S5.2对集合O随机选择3个不同的簇C_a,C_b,C_c∈O，作为3个初始聚类中心，对应停泊、捕捞和航行三种行为状态的类R_a，R_b和R_c；

S5.3对集合O中每个簇分别计算其到3个聚类中心的平均航速差

将该簇分到

值最小的聚类中心所对应的类中：

其中

表示C_a或C_b或C_c的平均航速；

S5.4对每个类R_r∈(R_a,R_b,R_c)重新计算各自的聚类中心Q：

其中|R_r|表示类R_r中簇的个数，C_r表示类R_r中的某一个簇，

表示簇C_r中所有轨迹特征点的平均航速；

S5.5重复步骤S5.3-S5.4，直到满足收敛条件；比较最终得到的3个类的平均航速，从小到大分别代表停泊行为状态、捕捞行为状态和航行行为状态；

以上结合实施例对本发明进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍属于本发明的专利涵盖范围之内。

Claims (7)

1.一种基于AIS轨迹数据的多步聚类的渔船行为识别方法，其特征在于包括以下步骤：

S1.基于AIS轨迹数据得到不同渔船的渔船轨迹，然后对渔船轨迹进行异常轨迹处理；其中每条渔船的渔船轨迹包括不同时刻的轨迹点，轨迹点包括船名、航速、航向、报位时间、经纬度；

S2.根据最小描述长度准则对渔船轨迹提取轨迹特征点；

S3.建立相似度距离模型，具体如下：

S3.1航速距离是在航速维度上衡量轨迹点间在航速上的差异性，假设轨迹点p_i和p_j的航速分别为speed_i，speed_j，1≤i≤N，1≤j≤N，i≠j；采用速度差值的绝对值来衡量航速距离，即两轨迹点间航速距离计算式为：

V(i,j)＝|speed_i-speed_j| (6)

航向距离是在航向维度上描述轨迹点间在航向上的差异性，假设轨迹点p_i和p_j的航向分别为degree_i，degree_j，1≤i≤N，1≤j≤N，i≠j；因航向0°与360°为同一方向，采用航向夹角衡量航向距离，即轨迹点间航向距离D(i,j)为：

其中Δdegree表示轨迹点p_i和p_j的航向角度差的绝对值；

时间距离是在时间维度上描述轨迹点间在时间上的差异性，假设轨迹点p_i和p_j的报位时间分别为time_i和time_j，1≤i≤N，1≤j≤N，i≠j；采用绝对值衡量轨迹点间的时间距离，即两轨迹点时间距离T(i,j)计算式为：

T(i,j)＝|time_i+time_j| (8),

空间距离是在空间维度上描述轨迹点间的差异程度，假设轨迹点p_i和p_j的经纬度分别为<lon_i,lat_i>，<lon_j,lat_j>，1≤i≤N，1≤j≤N，i≠j；采用两轨迹点欧氏距离衡量空间距离，即两轨迹点的空间距离计算式为：

其中lon表示经度，lat表示纬度；

S3.2.为实现航速距离、航向距离、时间距离和空间距离的融合，采用加权求和的方式建立轨迹点间相似度距离模型,即轨迹点p_i和p_j的相似度距离S(i,j)计算式为：

S(i,j)＝ω_V×V(i,j)+ω_D×D(i,j)+ω_T×T(i,j)+ω_S×S(i,j) (10),

其中，ω＝{ω_V，ω_D，ω_T，ω_S}为权重矩阵，ω_V为航速距离的权重，ω_D为航向距离的权重，ω_T为时间距离的权重，ω_S为空间距离的权重；

S4.使用基于核密度估计的聚类算法Mean Shift对所有渔船的轨迹特征点进行第一步聚类，使得相似度距离S(i,j)相近且连续轨迹点聚在一起；

S5.使用K-means聚类算法对步骤S4处理后得到的所有簇进行二次聚类，使得平均航速相似的轨迹段聚在一起，对所有的轨迹段按照抛锚、航行和捕捞行为进行分类。

2.如权利要求1所述的一种基于AIS轨迹数据的多步聚类的渔船行为识别方法，其特征在于步骤S1中所述异常轨迹处理为：删除数据缺失的轨迹数据和重复的轨迹数据。

3.如权利要求1所述的一种基于AIS轨迹数据的多步聚类的渔船行为识别方法，其特征在于步骤S2具体是：对每条渔船的渔船轨迹遍历所有轨迹点，依据最小描述长度原则计算每一个轨迹点的特征点计算开销MDL_par和非特征点计算开销MDL_nopar，如果MDL_par>MDL_nopar，则认为当前轨迹点为轨迹特征点，并将当前轨迹点加入特征点集X；反之则认为当前轨迹点不是轨迹特征点；

对于任一渔船的渔船轨迹{p₁,p₂,...,p_i...,p_N}，1≤i≤N，其中p_i表示第i时刻轨迹点；p_i的非特征点计算开销MDL_nopar和特征点计算开销MDL_par分别为：

MDL_nopar＝log₂(len(p₁p_i)) (1)

其中函数len(p₁p_i)表示p₁与p_i之间根据经纬度计算的欧式距离；

垂直距离d_⊥和角度距离d_θ计算公式分别为：

其中，L_α、L_β为两条不同的轨迹，α≠β；l_⊥1和l_⊥2表示轨迹L_α两端点相对于L_β垂直方向上的距离；θ表示轨迹L_α、L_β的夹角。

4.如权利要求1所述的一种基于AIS轨迹数据的多步聚类的渔船行为识别方法，其特征在于步骤S4中具体是：

S4.1.初始化迭代次数k＝1；

S4.2在特征点集X中随机选择一个轨迹特征点x_k作为簇C_k的聚类中心；

S4.3找出所有与x_k相似度距离S(i,j)小于阈值h的轨迹特征点，加入到集合M_k，认为这些点属于簇C_k，记x_i∈M_k,i＝1,2,...,n_k，n_k表示集合M_k内轨迹特征点的总个数；

S4.4计算从聚类中心x_k到集合M_k中每个轨迹特征点的漂移均值M_h(x_k)：

其中，K()表示高斯核函数：

S4.5更新聚类中心：

x_k＝x_k+M_h(x_k) (13),

S4.6如果存在其他簇，且当前簇C_k的聚类中心x_k与某一其它簇C_e聚类中心的相似度距离小于阈值h则将当前簇C_k与簇C_e合并，并将聚类中心更新为簇C_e的聚类中心；同时更新k＝k+1，重复步骤S4.2-S4.6，直到满足收敛条件；若不存在其他簇，直接更新k＝k+1。

5.如权利要求1所述的一种基于AIS轨迹数据的多步聚类的渔船行为识别方法，其特征在于步骤S5中具体是：

S5.1步骤S4得到的所有簇的集合O为(C₁,C₂,...,C_m,...,C_M)，1≤m≤M，其中簇C_m中包含的轨迹特征点集合为(u₁,u₂,...,u_e,...,u_E)，1≤e≤E，计算每个簇中所有轨迹特征点的平均航速

其中v_e表示轨迹特征点u_e的航速；

S5.2对集合O随机选择3个不同的簇C_a,C_b,C_c∈O，作为3个初始聚类中心，对应停泊、捕捞和航行三种行为状态的类R_a，R_b和R_c；

S5.3对集合O中每个簇分别计算其到3个聚类中心的平均航速差

将该簇分到

值最小的聚类中心所对应的类中：

其中

表示C_a或C_b或C_c的平均航速；

S5.4对每个类R_r∈(R_a,R_b,R_c)重新计算各自的聚类中心Q：

其中|R_r|表示类R_r中簇的个数，C_r表示类R_r中的某一个簇，

表示簇C_r中所有轨迹特征点的平均航速；

S5.5重复步骤S5.3-S5.4，直到满足收敛条件；比较最终得到的3个类的平均航速，从小到大分别代表停泊行为状态、捕捞行为状态和航行行为状态。

6.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-5中任一项所述的方法。

7.一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-5中任一项所述的方法。

Images