CN114357322B - 一种基于时空分解的船舶轨迹异常检测方法 - Google Patents

一种基于时空分解的船舶轨迹异常检测方法 Download PDF

Info

Publication number
CN114357322B
CN114357322B CN202210261165.9A CN202210261165A CN114357322B CN 114357322 B CN114357322 B CN 114357322B CN 202210261165 A CN202210261165 A CN 202210261165A CN 114357322 B CN114357322 B CN 114357322B
Authority
CN
China
Prior art keywords
ship
matrix
time
space
track
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
CN202210261165.9A
Other languages
English (en)
Other versions
CN114357322A (zh
Inventor
靳廉洁
李鹏林
王婧
刘影
孙鹏
韩舒怡
张然
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.)
Transport Planning And Research Institute Ministry Of Transport
Original Assignee
Transport Planning And Research Institute Ministry Of Transport
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 Transport Planning And Research Institute Ministry Of Transport filed Critical Transport Planning And Research Institute Ministry Of Transport
Priority to CN202210261165.9A priority Critical patent/CN114357322B/zh
Publication of CN114357322A publication Critical patent/CN114357322A/zh
Application granted granted Critical
Publication of CN114357322B publication Critical patent/CN114357322B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Navigation (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于时空分解的船舶轨迹异常检测方法，属于水运交通领域，包括以下步骤：获取AIS数据并预处理；对要进行船舶轨迹异常检测的区域进行区域划分；构建船舶轨迹时空矩阵；对船舶轨迹时空矩阵进行分解，获取作为船舶轨迹异常检测的参考时空矩阵；船舶轨迹异常检测；基于参考时空矩阵，对所需检测的船舶进行异常轨迹判断。本发明依据船舶轨迹构建船舶轨迹时空矩阵，从而将船舶轨迹的时空多维信息完整保留，同时，利用奇异值分解对船舶轨迹时空矩阵进行降维，在保留完整信息的同时极大降低了运算难度，更适用于同时对大量船舶轨迹的异常检测。本发明有助于交通管理部门快速掌握船舶轨迹异常信息，便于及时处置应对海上异常状况。

Description

一种基于时空分解的船舶轨迹异常检测方法
技术领域
本发明属于水运交通领域，具体涉及一种基于时空分解的船舶轨迹异常检测方法。
背景技术
近年来，随着全球经济的发展，国际与国内贸易日益增长，海运作为主要的运输方式也承担了较大的运输任务，而船舶的数量也随之不断增长，船舶种类更加丰富。但大量船舶的航行也使得航道更加拥堵和密集，特别是在一些狭窄的河道，这增加了船舶碰撞、搁浅等一系列船舶海上安全问题。因此，如何快速、准确地在大量船舶轨迹中准确识别出异常的船舶对于海上交通安全管理有着重要的意义。
当前关于船舶轨迹异常检测的研究较少，主要利用分类或聚类方法，依据历史船舶的空间轨迹数据，实现对异常船舶轨迹的检测。但这些方法主要考虑了船舶的二维空间轨迹信息，而没有将完整的多维时空信息完全包含，这可能会影响船舶异常轨迹检测的准确性。船舶轨迹包含了多维信息，检测方法所使用的信息越多，对于船舶异常轨迹检测的准确性就越高。
针对上述问题，提出了基于时空分解的船舶轨迹异常检测方法。该方法将研究区域进行划分，然后将船舶轨迹构建为船舶轨迹时空矩阵，并在此基础上，利用奇异值分解对船舶轨迹时空矩阵进行降维，最终实现船舶异常轨迹的检测。该方法包含了船舶更为完整的时空信息，同时，将船舶轨迹转化为时空矩阵，极大降低了运算难度，更适用于同时对大量船舶轨迹的检测。
发明内容
本发明要解决的技术问题是：克服上述现有技术的不足，提出一种船舶轨迹异常检测方法。
本发明的技术方案为：
一种基于时空分解的船舶轨迹异常检测方法，包括以下步骤：
步骤一：获取AIS数据并预处理；
本步骤中的AIS数据从船舶实际航行中获取，首先利用AIS解码算法对原始AIS数据进行解析，然后提取所需的AIS数据，包括船舶IMO号、船舶航行速度、时间、船舶经度、船舶纬度等。再对数据进行预处理，预处理的步骤包括数据清洗和轨迹缺失数据补全。
步骤二：区域划分
对要进行船舶轨迹异常检测的区域进行区域划分。首先得到研究区域的经纬度范围，将研究区域划分为栅格，并对栅格依次进行编号，然后得到N个栅格编号，其中，N为栅格的总数。再将船舶轨迹与研究区域进行匹配，在对应时刻，船舶的空间位置可以用船舶所在栅格表示。
步骤三：构建船舶轨迹时空矩阵
首先以船舶进入研究区域的时刻为开始时刻，然后取船舶在研究区域航行的前M分钟作为船舶研究的时间范围。以每分钟开始时刻作为一个时间节点，则可以得到M个时刻。然后再将船舶在每个时刻的所在栅格使用一个1* N维的空间向量
Figure DEST_PATH_IMAGE001
表示：
Figure DEST_PATH_IMAGE003
式中，当船舶在第n个栅格时，空间向量的第n个值为1，其余值为0。
由于共有M个时间段，则一条船舶轨迹可以被构建为一个M*N的时空矩阵
Figure 703867DEST_PATH_IMAGE004
:
Figure 823745DEST_PATH_IMAGE006
式中，
Figure DEST_PATH_IMAGE007
为1时，表示在航行时间的第m个时刻，船舶处在第n个栅格的范围内。
最后将所有船舶的时空矩阵进行累加，则构成了一个包含所有船舶轨迹信息的M*N维的船舶轨迹时空矩阵
Figure DEST_PATH_IMAGE009
。时空矩阵
Figure 97731DEST_PATH_IMAGE009
中的每一个值表示在航行时间对应的时刻，处在对应栅格范围内的船舶数量。
步骤四：船舶轨迹时空矩阵分解
在该步骤中，对步骤三得到船舶轨迹时空矩阵
Figure 495346DEST_PATH_IMAGE009
进行降维处理，从而提取出常见的船舶时空模式。采用奇异值分解对船舶轨迹时空矩阵进行降维。公式如下：
Figure DEST_PATH_IMAGE011
式中，
Figure 272809DEST_PATH_IMAGE012
是M*N的时空矩阵，它的秩为
Figure DEST_PATH_IMAGE013
，
Figure DEST_PATH_IMAGE015
是M*R的矩阵，
Figure 38289DEST_PATH_IMAGE016
为矩阵
Figure 393047DEST_PATH_IMAGE015
的第p列，
Figure DEST_PATH_IMAGE017
为对角矩阵，
Figure 63194DEST_PATH_IMAGE018
为对角矩阵中的第p个元素，即奇异值，
Figure 350956DEST_PATH_IMAGE020
是N*R的矩阵，
Figure DEST_PATH_IMAGE021
为矩阵
Figure 815567DEST_PATH_IMAGE020
的第p列，
Figure 64145DEST_PATH_IMAGE022
是矩阵
Figure 787251DEST_PATH_IMAGE020
转置矩阵，
Figure DEST_PATH_IMAGE023
为M*N的矩阵，其秩为1。
奇异值分解中的矩阵
Figure 414672DEST_PATH_IMAGE024
和
Figure 971556DEST_PATH_IMAGE020
满足如下条件：
Figure 832064DEST_PATH_IMAGE026
Figure 234227DEST_PATH_IMAGE028
式中，
Figure DEST_PATH_IMAGE029
为单位矩阵。
而奇异值
Figure 713225DEST_PATH_IMAGE018
则表示对应的
Figure 565643DEST_PATH_IMAGE023
矩阵在时空矩阵
Figure 523235DEST_PATH_IMAGE009
中的占比，奇异值越大，表示对应矩阵在时空矩阵中权重越大。同时，奇异值由大到小依次排列，即
Figure 870034DEST_PATH_IMAGE030
。奇异值的公式如下：
Figure 862261DEST_PATH_IMAGE032
式中，
Figure DEST_PATH_IMAGE033
为
Figure 88843DEST_PATH_IMAGE034
的第p个最大特征值。
通过奇异值分解，将船舶轨迹数据的时空矩阵分解为了R个秩为1的矩阵，每个矩阵为M*N维的
Figure 674676DEST_PATH_IMAGE023
矩阵，分别代表了一种船舶轨迹的时空模式。每个矩阵中的行向量代表了该种船舶轨迹的时空模式下的空间分布，而列向量则表示对应模式下的时间分布。最后，取分解后的前r
Figure DEST_PATH_IMAGE035
个矩阵作为船舶轨迹异常检测的参考时空矩阵。
步骤五：船舶轨迹异常检测
在该步骤中，基于步骤四中得到的参考时空矩阵，对所需检测的船舶进行异常轨迹判断。先将所需检测的船舶轨迹转化为步骤三中的时空矩阵，得到矩阵
Figure 746537DEST_PATH_IMAGE036
，矩阵
Figure 468637DEST_PATH_IMAGE036
包含了船舶随着时间变化的空间分布信息。
然后计算该矩阵
Figure 538224DEST_PATH_IMAGE036
与步骤四中得到的r个参考时空矩阵的相似度，矩阵相似度度量的公式如下：
Figure 595042DEST_PATH_IMAGE038
式中，
Figure DEST_PATH_IMAGE039
表示矩阵
Figure 767133DEST_PATH_IMAGE036
与第q个参考时空矩阵的相似度，
Figure 733952DEST_PATH_IMAGE040
表示矩阵
Figure 833495DEST_PATH_IMAGE036
中的第i行第j列的值，
Figure DEST_PATH_IMAGE041
表示第q个参考时空矩阵中的第i行第j列的值。
按参考时空矩阵的权重大小依次计算矩阵
Figure 862762DEST_PATH_IMAGE036
与r个参考时空矩阵的相似度，当矩阵
Figure 214109DEST_PATH_IMAGE036
与某一个参考时空矩阵的相似度
Figure 160068DEST_PATH_IMAGE042
时，则停止矩阵相似度计算，其中
Figure DEST_PATH_IMAGE043
为轨迹异常阈值。当该船舶轨迹的时空模式与某一类正常船舶轨迹相似时，即矩阵相似度大于等于
Figure 650087DEST_PATH_IMAGE043
，此时，判断该矩阵代表的船舶轨迹为正常船舶轨迹；当该船舶轨迹的时空模式与所有正常船舶轨迹不相似时，即所有矩阵相似度均小于
Figure 556863DEST_PATH_IMAGE043
，则说明该船舶轨迹存在异常。
本发明的有益效果在于：
本发明依据船舶轨迹构建船舶轨迹时空矩阵，从而将船舶轨迹的时空多维信息完整保留，同时，利用奇异值分解对船舶轨迹时空矩阵进行降维，在保留完整信息的同时极大降低了运算难度，更适用于同时对大量船舶轨迹的异常检测。本发明有助于交通管理部门快速掌握船舶轨迹异常信息，便于及时处置应对海上异常状况。
附图说明
图1是本发明提供的检测方法的整体流程框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
实施例1。
如图1所示，一种基于时空分解的船舶轨迹异常检测方法，包括以下步骤：
步骤一：AIS数据预处理
本步骤中的AIS数据从船舶实际航行中获取，首先利用AIS解码算法对原始AIS数据进行解析，然后提取所需的AIS数据，包括船舶IMO号、船舶航行速度、时间、船舶经度、船舶纬度等。再对数据进行预处理，预处理的步骤包括数据清洗和轨迹缺失数据补全。
先对数据进行清洗，内容包括统一数据格式、删除重复数据以及异常数据剔除。
然后对轨迹缺失数据进行补全，利用缺失轨迹的前后点位置和时间差值，使用线性插值法得到缺失位置。
步骤二：区域划分
对要进行船舶轨迹异常检测的区域进行区域划分。首先将要进行船舶轨迹异常检测的区域作为研究区域，得到研究区域的经纬度范围，将研究区域划分为500m*500m的栅格，并对栅格依次进行编号，然后得到N个栅格编号，其中，N为栅格的总数。再将船舶轨迹与研究区域进行匹配，在对应时刻，船舶的空间位置可以用船舶所在栅格表示。
步骤三：构建船舶轨迹时空矩阵
首先以船舶进入研究区域的时刻为开始时刻，然后取船舶在研究区域航行的前M分钟作为船舶研究的时间范围。以每分钟开始时刻作为一个时间节点，则可以得到M个时刻。然后再将船舶在每个时刻的所在栅格使用一个1* N维的空间向量
Figure 836534DEST_PATH_IMAGE001
表示：
Figure 512366DEST_PATH_IMAGE044
式中，当船舶在第n个栅格时，空间向量的第n个值为1，其余值为0。
由于共有M个时间段，则一条船舶轨迹可以被构建为一个M*N的时空矩阵
Figure 438865DEST_PATH_IMAGE004
:
Figure DEST_PATH_IMAGE045
式中，
Figure 426413DEST_PATH_IMAGE007
为1时，表示在航行时间的第m个时刻，船舶处在第n个栅格的范围内。
最后将所有船舶的时空矩阵进行累加，则构成了一个包含所有船舶轨迹信息的M*N维的船舶轨迹时空矩阵
Figure 726419DEST_PATH_IMAGE009
。时空矩阵
Figure 646971DEST_PATH_IMAGE009
中的每一个值表示在航行时间对应的时刻，处在对应栅格范围内的船舶数量。
步骤四：船舶轨迹时空矩阵分解
在该步骤中，对步骤三得到船舶轨迹时空矩阵
Figure 400163DEST_PATH_IMAGE009
进行降维处理，从而提取出常见的船舶时空模式。采用奇异值分解对船舶轨迹时空矩阵进行降维。公式如下：
Figure 891319DEST_PATH_IMAGE011
式中，
Figure 653738DEST_PATH_IMAGE009
是M*N的时空矩阵，它的秩为
Figure 163217DEST_PATH_IMAGE013
，
Figure 352890DEST_PATH_IMAGE024
是M*R的矩阵，
Figure 721554DEST_PATH_IMAGE016
为矩阵
Figure 959769DEST_PATH_IMAGE024
的第p列，
Figure 464699DEST_PATH_IMAGE017
为对角矩阵，
Figure 435061DEST_PATH_IMAGE018
为对角矩阵中的第p个元素，即奇异值，
Figure 25442DEST_PATH_IMAGE020
是N*R的矩阵，
Figure 988719DEST_PATH_IMAGE021
为矩阵
Figure 613735DEST_PATH_IMAGE020
的第p列，
Figure 492348DEST_PATH_IMAGE022
是矩阵
Figure 570026DEST_PATH_IMAGE020
转置矩阵，
Figure 805835DEST_PATH_IMAGE023
为M*N的矩阵，其秩为1。
奇异值分解中的矩阵
Figure 550937DEST_PATH_IMAGE024
和
Figure 331942DEST_PATH_IMAGE020
满足如下条件：
Figure 21550DEST_PATH_IMAGE026
Figure 201995DEST_PATH_IMAGE028
式中，
Figure 676970DEST_PATH_IMAGE029
为单位矩阵。
而奇异值
Figure 284669DEST_PATH_IMAGE018
则表示对应的
Figure 195993DEST_PATH_IMAGE023
矩阵在时空矩阵
Figure 180130DEST_PATH_IMAGE009
中的占比，奇异值越大，表示对应矩阵在时空矩阵中权重越大。同时，奇异值由大到小依次排列，即
Figure 509611DEST_PATH_IMAGE030
。奇异值的公式如下：
Figure 288211DEST_PATH_IMAGE032
式中，
Figure 952411DEST_PATH_IMAGE033
为
Figure 474659DEST_PATH_IMAGE034
的第p个最大特征值。
通过奇异值分解，将船舶轨迹数据的时空矩阵分解为了R个秩为1的矩阵，每个矩阵为M*N维的
Figure 390138DEST_PATH_IMAGE023
矩阵，分别代表了一种船舶轨迹的时空模式。每个矩阵中的行向量代表了该种船舶轨迹的时空模式下的空间分布，而列向量则表示对应模式下的时间分布。最后，取分解后的前r
Figure 339639DEST_PATH_IMAGE035
个矩阵作为船舶轨迹异常检测的参考时空矩阵。
步骤五：船舶轨迹异常检测
在该步骤中，基于步骤四中得到的参考时空矩阵，对所需检测的船舶进行异常轨迹判断。先将所需检测的船舶轨迹转化为步骤三中的时空矩阵，得到矩阵
Figure 491135DEST_PATH_IMAGE036
，矩阵
Figure 551495DEST_PATH_IMAGE036
包含了船舶随着时间变化的空间分布信息。
然后计算该矩阵
Figure 855568DEST_PATH_IMAGE036
与步骤四中得到的r个参考时空矩阵的相似度，矩阵相似度度量的公式如下：
Figure 241550DEST_PATH_IMAGE038
式中，
Figure 349183DEST_PATH_IMAGE039
表示矩阵
Figure 213234DEST_PATH_IMAGE036
与第q个参考时空矩阵的相似度，
Figure 106235DEST_PATH_IMAGE040
表示矩阵
Figure 663118DEST_PATH_IMAGE036
中的第i行第j列的值，
Figure 258048DEST_PATH_IMAGE041
表示第q个参考时空矩阵中的第i行第j列的值。
按参考时空矩阵的权重大小依次计算矩阵
Figure 191369DEST_PATH_IMAGE036
与r个参考时空矩阵的相似度，当矩阵
Figure 204455DEST_PATH_IMAGE036
与某一个参考时空矩阵的相似度
Figure 666660DEST_PATH_IMAGE042
时，则停止矩阵相似度计算，其中
Figure 14465DEST_PATH_IMAGE043
为轨迹异常阈值。当该船舶轨迹的时空模式与某一类正常船舶轨迹相似时，即矩阵相似度大于等于
Figure 485898DEST_PATH_IMAGE043
，此时，判断该矩阵代表的船舶轨迹为正常船舶轨迹；当该船舶轨迹的时空模式与所有正常船舶轨迹不相似时，即所有矩阵相似度均小于
Figure 344702DEST_PATH_IMAGE043
，则说明该船舶轨迹存在异常。
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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (3)

1.一种基于时空分解的船舶轨迹异常检测方法，其特征在于，包括以下步骤：
步骤一：获取AIS数据并预处理；
步骤二：对要进行船舶轨迹异常检测的区域进行区域划分；
步骤三：构建船舶轨迹时空矩阵；
步骤四：对船舶轨迹时空矩阵进行分解，获取作为船舶轨迹异常检测的区域的参考时空矩阵；
步骤五：船舶轨迹异常检测；基于步骤四中得到的参考时空矩阵，对所需检测的船舶进行异常轨迹判断；
步骤一中所述的AIS数据从船舶实际航行中获取，首先利用AIS解码算法对原始AIS数据进行解析，然后提取所需的AIS数据，包括船舶IMO号、船舶航行速度、时间、船舶经度、船舶纬度，再对数据进行预处理，预处理的步骤包括数据清洗和轨迹缺失数据补全；
步骤二中所述的对要进行船舶轨迹异常检测的区域进行区域划分，具体步骤为：首先将要进行船舶轨迹异常检测的区域作为研究区域，得到研究区域的经纬度范围，将研究区域划分为栅格，并对栅格依次进行编号，然后得到N个栅格编号，其中，N为栅格的总数；再将船舶轨迹与研究区域进行匹配，在对应时刻，船舶的空间位置用船舶所在栅格表示；
步骤三中所述的构建船舶轨迹时空矩阵，具体步骤为：
首先以船舶进入研究区域的时刻为开始时刻，然后取船舶在研究区域航行的前M分钟作为船舶研究的时间范围；以每分钟开始时刻作为一个时间节点，则得到M个时刻；然后再将船舶在每个时刻的所在栅格使用一个1*N维的空间向量F表示：
F＝[0 … 1 … 0]
式中，当船舶在第n个栅格时，空间向量的第n个值为1，其余值为0；
由于共有M个时间段，则一条船舶轨迹被构建为一个M*N的时空矩阵k:
Figure FDA0003631925420000011
式中，kmn为1时，表示在航行时间的第m个时刻，船舶处在第n个栅格的范围内；
最后将所有船舶的时空矩阵进行累加，则构成了一个包含所有船舶轨迹信息的M*N维的船舶轨迹时空矩阵K，时空矩阵K中的每一个值表示在航行时间对应的时刻，处在对应栅格范围内的船舶数量。
2.根据权利要求1所述的一种基于时空分解的船舶轨迹异常检测方法，其特征在于，步骤四中所述的船舶轨迹时空矩阵分解，具体步骤为：
对步骤三得到船舶轨迹时空矩阵K进行降维处理，从而提取出常见的船舶时空模式；采用奇异值分解对船舶轨迹时空矩阵进行降维，公式如下：
Figure FDA0003631925420000021
式中，K是M*N的时空矩阵，它的秩为R，U是M*R的矩阵，up为矩阵U的第p列，Σ为对角矩阵，σp为对角矩阵中的第p个元素，即奇异值，V是N*R的矩阵，vp为矩阵V的第p列，VT是矩阵V转置矩阵，upvp T为M*N的矩阵，其秩为1；
奇异值分解中的矩阵U和V满足如下条件：
UUT＝E
VVT＝E
式中，E为单位矩阵；
而奇异值σp则表示对应的upvp T矩阵在时空矩阵K中的占比，奇异值越大，表示对应矩阵在时空矩阵中权重越大；同时，奇异值由大到小依次排列，即σ1≥σ2≥…≥σR；奇异值的公式如下：
Figure FDA0003631925420000022
式中，θp为KTK的第p个最大特征值；
通过奇异值分解，将船舶轨迹数据的时空矩阵分解为了R个秩为1的矩阵，每个矩阵为M*N维的upvp T矩阵，分别代表了一种船舶轨迹的时空模式；每个矩阵中的行向量代表了该种船舶轨迹的时空模式下的空间分布，而列向量则表示对应模式下的时间分布；最后，取分解后的前r(1≤r≤R)个矩阵作为船舶轨迹异常检测的参考时空矩阵。
3.根据权利要求2所述的一种基于时空分解的船舶轨迹异常检测方法，其特征在于，步骤五中所述的基于步骤四中得到的参考时空矩阵，对所需检测的船舶进行异常轨迹判断，具体步骤为：
先将所需检测的船舶轨迹转化为步骤三中的时空矩阵，得到矩阵δ，矩阵δ包含了船舶随着时间变化的空间分布信息；
然后计算该矩阵δ与步骤四中得到的r个参考时空矩阵的相似度，矩阵相似度度量的公式如下：
Figure FDA0003631925420000031
式中，Sq表示矩阵δ与第q个参考时空矩阵的相似度，xij表示矩阵δ中的第i行第j列的值，yqij表示第q个参考时空矩阵中的第i行第j列的值；
按参考时空矩阵的权重大小依次计算矩阵δ与r个参考时空矩阵的相似度，当矩阵δ与某一个参考时空矩阵的相似度≥α(0<α<1)时，则停止矩阵相似度计算，其中α为轨迹异常阈值；当该船舶轨迹的时空模式与某一类正常船舶轨迹相似时，即矩阵相似度大于等于α，此时，判断该矩阵代表的船舶轨迹为正常船舶轨迹；当该船舶轨迹的时空模式与所有正常船舶轨迹不相似时，即所有矩阵相似度均小于α，则说明该船舶轨迹存在异常。
CN202210261165.9A 2022-03-16 2022-03-16 一种基于时空分解的船舶轨迹异常检测方法 Active CN114357322B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210261165.9A CN114357322B (zh) 2022-03-16 2022-03-16 一种基于时空分解的船舶轨迹异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210261165.9A CN114357322B (zh) 2022-03-16 2022-03-16 一种基于时空分解的船舶轨迹异常检测方法

Publications (2)

Publication Number Publication Date
CN114357322A CN114357322A (zh) 2022-04-15
CN114357322B true CN114357322B (zh) 2022-06-14

Family

ID=81094697

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210261165.9A Active CN114357322B (zh) 2022-03-16 2022-03-16 一种基于时空分解的船舶轨迹异常检测方法

Country Status (1)

Country Link
CN (1) CN114357322B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8321488B2 (en) * 2008-11-04 2012-11-27 Mediatek Inc. Singular value decomposing method and related singular value decomposing device
KR102161147B1 (ko) * 2019-10-31 2020-09-29 한국해양과학기술원 이상운항 선박 식별 장치 및 방법
CN111949750B (zh) * 2020-07-30 2024-06-11 智慧航海（青岛）科技有限公司 一种船舶轨迹模型建立及异常轨迹检测方法
CN112699315B (zh) * 2020-12-30 2023-08-15 中南大学 基于ais数据的船舶异常行为探测方法
CN113408640A (zh) * 2021-06-30 2021-09-17 电子科技大学 一种顾及多维语义的移动对象时空轨迹聚类方法
CN114116787B (zh) * 2021-12-03 2024-03-26 中国人民解放军国防科技大学 一种多粒度时空轨迹数据表示方法和查询方法

Also Published As

Publication number Publication date
CN114357322A (zh) 2022-04-15

Similar Documents

Publication Publication Date Title
CN110232350B (zh) 一种基于在线学习的实时水面多运动目标检测跟踪方法
CN111540193A (zh) 一种基于图卷积时序生成对抗网络的交通数据修复方法
CN107992818B (zh) 一种光学遥感图像海面船只目标的检测方法
Deng et al. Vessel track information mining using AIS data
Perera et al. Ship performance and navigation data compression and communication under autoencoder system architecture
Cao et al. PCA-based hierarchical clustering of AIS trajectories with automatic extraction of clusters
CN111694913A (zh) 一种基于卷积自编码器的船舶ais轨迹聚类方法和装置
Taghavi et al. Data driven digital twin applications towards green ship operations
Lu et al. Shape-based vessel trajectory similarity computing and clustering: A brief review
Zhang et al. A warning framework for avoiding vessel‐bridge and vessel‐vessel collisions based on generative adversarial and dual‐task networks
CN114550498B (zh) 一种海量ais数据驱动的船舶偏离航道智能预警系统
CN114357322B (zh) 一种基于时空分解的船舶轨迹异常检测方法
Sun et al. NSD‐SSD: a novel real‐time ship detector based on convolutional neural network in surveillance video
Li et al. Vessel trajectory similarity measure based on deep convolutional autoencoder
CN112373642B (zh) 一种基于船舶领域的内河船舶追越行为检测及跟踪方法
CN115239110A (zh) 一种基于改进topsis方法的通航风险评价方法
Li et al. Spatio-temporal vessel trajectory smoothing based on trajectory similarity and two-dimensional wavelet transform
Lu et al. A Novel CNN-LSTM Method for Ship Trajectory Prediction
Cai et al. Obstacle Detection of Unmanned Surface Vessel based on Faster RCNN
Jiang et al. A method for identifying marine targets based on mining of multi-characteristic movement patterns
Hong et al. OceanRoads: Fishing area separation and relation discovery through VMS trace analysis
Cui et al. Information theoretical similarity measure for change detection
CN112115891A (zh) 一种基于一维多向抽取的sar图像港口检测方法
Bi et al. Classification and identification of moving targets at sea
Lu et al. Vessel trajectory prediction with the introduction of channel information

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