CN115730263B - 一种船舶行为模式侦测方法及装置 - Google Patents
一种船舶行为模式侦测方法及装置 Download PDFInfo
- Publication number
- CN115730263B CN115730263B CN202211504863.3A CN202211504863A CN115730263B CN 115730263 B CN115730263 B CN 115730263B CN 202211504863 A CN202211504863 A CN 202211504863A CN 115730263 B CN115730263 B CN 115730263B
- Authority
- CN
- China
- Prior art keywords
- track
- ship
- historical
- point
- simplified
- 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
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种船舶行为模式侦测方法及装置,该方法包括:获取历史船舶轨迹信息;所述历史船舶轨迹信息包括若干条历史船舶轨迹;每一条历史船舶轨迹由若干轨迹点组成,每个轨迹点包括经度信息、纬度信息和时间信息;对所述历史船舶轨迹信息进行处理,得到训练样本数据信息;利用所述训练样本数据信息,对预设的卷积神经网络模型进行训练,得到船舶异常行为侦测模型;获取待侦测的船舶轨迹信息,利用所述船舶异常行为侦测模型对所述待侦测的船舶轨迹信息进行处理,得到待侦测的船舶轨迹信息分类结果。可见,本发明方法能够确定不同轨迹所代表的船舶行为。
Description
技术领域
本发明涉及行为预测技术领域,尤其涉及一种船舶行为模式侦测方法及装置。
背景技术
我国拥有丰富的海洋资源与港口资源,随着人们对海洋资源的进一步开发和利用以及军用船舶、武器等试验的开展,各类船舶数量日益增加,海上交通活动日益频繁。船舶自动识别系统(Automatic Identification System,AIS)是一种新型助航系统,可以帮助有关部门协调海洋交通,监管海洋活动。基于AIS数据虽然可以近实时的获取船舶的位置、速度、船号等信息,但是还缺乏对AIS数据的分析处理,随着数据的爆炸式增长,采用传统人工查验的模式效率太低,给相关部门的监管带来了很大的挑战。
目前基于船舶的位置数据(AIS)可以分析船舶航行的异常行为。但这些异常行为的侦测一般都是在港口附近,基于历史数据对航行路径进行聚类,当某艘船舶的航迹偏离聚类的路径后确定为航行异常。这些方法虽然在侦测异常行为有一定的作用,然而对于一些正常的行为模式却无法侦测出来。同时一些船舶的正常航行行为,却更值得关注,但其行为模式需要被主动侦测,例如,潜艇的声呐试验、军舰的武器实验、科考船行为等典型活动。
发明内容
本发明所要解决的技术问题在于,提供一种船舶行为模式侦测方法及装置,能够识别船舶的运行轨迹,确定不同轨迹所代表的船舶行为。
为了解决上述技术问题,本发明实施例第一方面公开了一种船舶行为模式侦测方法,所述方法包括:
S1,获取历史船舶轨迹信息;所述历史船舶轨迹信息包括若干条历史船舶轨迹;每一条历史船舶轨迹由若干轨迹点组成,每个轨迹点包括经度信息、维度信息和时间信息;
S2,对所述历史船舶轨迹信息进行处理,得到训练样本数据信息,包括:
S21,对所述历史船舶轨迹信息进行预处理,得到历史船舶预处理轨迹;
S22,对所述历史船舶预处理轨迹进行关键点抽取处理,得到历史船舶简化轨迹,包括:
S221,对每一条历史船舶预处理轨迹的两个端点轨迹点进行连线,得到两个端点轨迹点之间的直线段;
S222,对每一条历史船舶预处理轨迹的两个端点轨迹点之外的其他轨迹点进行处理,得到与所述两个端点轨迹点之间的直线段距离最远的最远轨迹点,并计算该最远轨迹点到所述两个端点轨迹点之间的直线段的第一距离;
所述第一距离的计算公式为:
其中,船舶轨迹S的首尾两点为A和B,在A和B之间连接一条直线AB,选取轨迹上距离AB最远的点C,计算C到AB的距离为d,fabs()函数表示求绝对值,A点坐标为(Ax,Ay),B点坐标为(Bx,By),C点坐标为(Cx,Cy);
S223,当所述第一距离小于预设的距离阈值时,保留所述最远轨迹点,将所述最远轨迹点作为新的轨迹端点,将所述新的轨迹端点与其两侧的原端点轨迹点连线,得到两条新的直线段;
当所述第一距离大于预设的距离阈值时,删除两个原端点轨迹点之间的所有轨迹点;
S224,重复S221、S222、S223,直到无法形成新的直线段,将得到的各直线段的端点作为关键点,由各直线段构成历史船舶简化轨迹;
S23,对所述历史船舶简化轨迹进行处理,得到训练样本数据信息,包括:
S231,对各条历史船舶简化轨迹进行相似度计算,得到每一条历史船舶简化轨迹的相似性,包括:
S2311,利用三角分割法对任意两条历史船舶简化轨迹进行处理,得到所述任意两条历史船舶简化轨迹之间的面积,或计算所述任意两条历史船舶简化轨迹之间的单位长度面积;
所述单位长度面积APL的计算公式为:
APL=SA/Length
S2312,对所述任意两条历史船舶简化轨迹之间的面积进行处理,得到所述任意两条历史船舶简化轨迹之间的相似度值;
所述相似度值的计算公式为:
Similarity=1-SA/(Length*Length)
其中Similarity为相似度值,SA为通过三角分割法确定的两条历史船舶简化轨迹之间的面积,Length为两条历史船舶简化轨迹的长度的平均值;
S2313,当所述任意两条简化轨迹之间的相似度小于预设的相似度阈值时,所述任意两条历史船舶简化轨迹具有相似性,或当所述任意两条历史船舶简化轨迹之间的单位长度面积小于预设单位长度面积阈值时,所述任意两条历史船舶简化轨迹具有相似性;
S232,根据所述每一条历史船舶简化轨迹的相似性,对所述各条历史船舶简化轨迹进行聚类处理,得到若干个类簇;
S233,获取各类簇的模式标注,所述每一条历史船舶简化轨迹和所述各类簇的模式标注构成训练样本数据信息;
所述模式标注利用解析的事件类型标注,新闻自动标注不了的,通过人工进行标注;
S3,利用所述训练样本数据信息,对预设的卷积神经网络模型进行训练,得到船舶行为模式侦测模型;
所述船舶行为模式包括但不限于异常行为模式、声呐试验模式、武器试验模式、科考行为模型;
所述卷积神经网络模型为双向LSTM神经网络,上层的LSTM作为正向时间序列,下层的LSTM作为反向时间序列;
所述双向卷积神经网络模型的隐藏层要保存两个值,X参与正向计算,Y参与反向计算。最终的输出值y取决于X和Y;
S4,获取待侦测的船舶轨迹信息,利用所述船舶行为模式侦测模型对所述待侦测的船舶轨迹信息进行处理,得到待侦测的船舶轨迹信息分类结果。
作为一种可选的实施方式,在本发明实施例第一方面中,所述对所述历史船舶轨迹信息进行预处理,得到历史船舶预处理轨迹,包括:
S211,对每一条历史船舶轨迹的各轨迹点进行处理,得到该条历史船舶轨迹的绝对物理位置中心点;
S212,对每一条历史船舶轨迹的各轨迹点和该条历史船舶轨迹的绝对物理位置中心点进行处理,得到该条历史船舶轨迹的距离标准差;
S213,计算每一条历史船舶轨迹的各轨迹点与该条历史船舶轨迹的绝对物理位置中心点之间的距离,将与所述绝对物理位置中心点之间的距离大于该条历史船舶轨迹的距离标准差3倍的轨迹点删除,由剩余的轨迹点构成该条历史船舶轨迹的历史船舶预处理轨迹。
作为一种可选的实施方式,在本发明实施例第一方面中,所述对每一条历史船舶预处理轨迹的两个端点轨迹点之外的其他轨迹点进行处理,得到与所述两个端点轨迹点之间的直线段距离最远的最远轨迹点,包括:
S2221,利用向量外积方法,对每一条历史船舶预处理轨迹的两个端点轨迹点之外的相邻两个轨迹点依次进行处理,沿轨迹运动方向,将所述两个端点轨迹点之外的相邻两个轨迹点分为靠前轨迹点和靠后轨迹点;
S2222,计算所述靠前轨迹点和靠后轨迹点与所述两个端点轨迹点之间的直线段的距离,得到靠前轨迹点距离和靠后轨迹点距离;
S2223,当所述靠后轨迹点距离小于所述靠前轨迹点距离时,所述靠后轨迹点为状态驻点;
S2224,对每一条历史船舶预处理轨迹的所有状态驻点进行处理,得到与所述两个端点轨迹点之间的直线段距离最远的状态驻点,所述与所述两个端点轨迹点之间的直线段距离最远的状态驻点为与所述两个端点轨迹点之间的直线段距离最远的最远轨迹点。
本发明第二方面公开了一种船舶行为模式侦测装置,所述装置包括:
信息获取模块,用于获取历史船舶轨迹信息;所述历史船舶轨迹信息包括若干条历史船舶轨迹;每一条历史船舶轨迹由若干轨迹点组成,每个轨迹点包括经度信息、维度信息和时间信息;
训练数据生成模块,用于对所述历史船舶轨迹信息进行处理,得到训练样本数据信息,包括:
S21,对所述历史船舶轨迹信息进行预处理,得到历史船舶预处理轨迹;
S22,对所述历史船舶预处理轨迹进行关键点抽取处理,得到历史船舶简化轨迹,包括:
S221,对每一条历史船舶预处理轨迹的两个端点轨迹点进行连线,得到两个端点轨迹点之间的直线段;
S222,对每一条历史船舶预处理轨迹的两个端点轨迹点之外的其他轨迹点进行处理,得到与所述两个端点轨迹点之间的直线段距离最远的最远轨迹点,并计算该最远轨迹点到所述两个端点轨迹点之间的直线段的第一距离;
所述第一距离的计算公式为:
其中,船舶轨迹S的首尾两点为A和B,在A和B之间连接一条直线AB,选取轨迹上距离AB最远的点C,计算C到AB的距离为d,fabs()函数表示求绝对值,A点坐标为(Ax,Ay),B点坐标为(Bx,By),C点坐标为(Cx,Cy);
S223,当所述第一距离小于预设的距离阈值时,保留所述最远轨迹点,将所述最远轨迹点作为新的轨迹端点,将所述新的轨迹端点与其两侧的原端点轨迹点连线,得到两条新的直线段;
当所述第一距离大于预设的距离阈值时,删除两个原端点轨迹点之间的所有轨迹点;
S224,重复S221、S222、S223,直到无法形成新的直线段,将得到的各直线段的端点作为关键点,由各直线段构成历史船舶简化轨迹;
S23,对所述历史船舶简化轨迹进行处理,得到训练样本数据信息,包括:
S231,对各条历史船舶简化轨迹进行相似度计算,得到每一条历史船舶简化轨迹的相似性,包括:
S2311,利用三角分割法对任意两条历史船舶简化轨迹进行处理,得到所述任意两条历史船舶简化轨迹之间的面积,或计算所述任意两条历史船舶简化轨迹之间的单位长度面积;
所述单位长度面积APL的计算公式为:
APL=SA/Length
S2312,对所述任意两条历史船舶简化轨迹之间的面积进行处理,得到所述任意两条历史船舶简化轨迹之间的相似度值;
所述相似度值的计算公式为:
Similarity=1-SA/(Length*Length)
其中Similarity为相似度值,SA为通过三角分割法确定的两条历史船舶简化轨迹之间的面积,Length为两条历史船舶简化轨迹的长度的平均值;
S2313,当所述任意两条简化轨迹之间的相似度小于预设的相似度阈值时,所述任意两条历史船舶简化轨迹具有相似性,或当所述任意两条历史船舶简化轨迹之间的单位长度面积小于预设单位长度面积阈值时,所述任意两条历史船舶简化轨迹具有相似性;
S232,根据所述每一条历史船舶简化轨迹的相似性,对所述各条历史船舶简化轨迹进行聚类处理,得到若干个类簇;
S233,获取各类簇的模式标注,所述每一条历史船舶简化轨迹和所述各类簇的模式标注构成训练样本数据信息;
所述模式标注利用解析的事件类型标注,新闻自动标注不了的,通过人工进行标注;
船舶异常行为侦测模型生成模块,利用利用所述训练样本数据信息,对预设的卷积神经网络模型进行训练,得到船舶行为模式侦测模型;
所述船舶行为模式包括但不限于异常行为模式、声呐试验模式、武器试验模式、科考行为模型;
所述卷积神经网络模型为双向LSTM神经网络,上层的LSTM作为正向时间序列,下层的LSTM作为反向时间序列;
所述双向卷积神经网络模型的隐藏层要保存两个值,X参与正向计算,Y参与反向计算。最终的输出值y取决于X和Y;
船舶轨迹信息分类模块,用于获取待侦测的船舶轨迹信息,利用所述船舶行为模式侦测模型对所述待侦测的船舶轨迹信息进行处理,得到待侦测的船舶轨迹信息分类结果。
作为一种可选的实施方式,在本发明实施例第二方面中,所述对所述历史船舶轨迹信息进行预处理,得到历史船舶预处理轨迹,包括:
S211,对每一条历史船舶轨迹的各轨迹点进行处理,得到该条历史船舶轨迹的绝对物理位置中心点;
S212,对每一条历史船舶轨迹的各轨迹点和该条历史船舶轨迹的绝对物理位置中心点进行处理,得到该条历史船舶轨迹的距离标准差;
S213,计算每一条历史船舶轨迹的各轨迹点与该条历史船舶轨迹的绝对物理位置中心点之间的距离,将与所述绝对物理位置中心点之间的距离大于该条历史船舶轨迹的距离标准差3倍的轨迹点删除,由剩余的轨迹点构成该条历史船舶轨迹的历史船舶预处理轨迹。
作为一种可选的实施方式,在本发明实施例第二方面中,所述对每一条历史船舶预处理轨迹的两个端点轨迹点之外的其他轨迹点进行处理,得到与所述两个端点轨迹点之间的直线段距离最远的最远轨迹点,包括:
S2221,利用向量外积方法,对每一条历史船舶预处理轨迹的两个端点轨迹点之外的相邻两个轨迹点依次进行处理,沿轨迹运动方向,将所述两个端点轨迹点之外的相邻两个轨迹点分为靠前轨迹点和靠后轨迹点;
S2222,计算所述靠前轨迹点和靠后轨迹点与所述两个端点轨迹点之间的直线段的距离,得到靠前轨迹点距离和靠后轨迹点距离;
S2223,当所述靠后轨迹点距离小于所述靠前轨迹点距离时,所述靠后轨迹点为状态驻点;
S2224,对每一条历史船舶预处理轨迹的所有状态驻点进行处理,得到与所述两个端点轨迹点之间的直线段距离最远的状态驻点,所述与所述两个端点轨迹点之间的直线段距离最远的状态驻点为与所述两个端点轨迹点之间的直线段距离最远的最远轨迹点。
本发明第三方面公开了另一种船舶行为模式侦测装置,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明实施例第一方面公开的船舶行为模式侦测方法中的部分或全部步骤。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例中,通过获取历史船舶轨迹信息,对历史船舶轨迹信息进行处理,得到训练样本数据信息;利用训练样本数据信息,对卷积神经网络模型进行训练,得到船舶异常行为侦测模型;利用船舶异常行为侦测模型对待侦测的船舶轨迹信息进行处理,得到待侦测的船舶轨迹信息分类结果。本发明方法能够识别船舶的运行轨迹,确定不同轨迹所代表的船舶行为,在船舶行为模式侦测方面具有重要的应用价值。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种船舶行为模式侦测方法的流程示意图;
图2是本发明实施例公开的一种船舶行为模式侦测装置的结构示意图;
图3是本发明实施例公开的另一种船舶行为模式侦测装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种船舶行为模式方法及装置,能够通过获取历史船舶轨迹信息;所述历史船舶轨迹信息包括若干条历史船舶轨迹;每一条历史船舶轨迹由若干轨迹点组成,每个轨迹点包括经度信息、纬度信息和时间信息;对所述历史船舶轨迹信息进行处理,得到训练样本数据信息;利用所述训练样本数据信息,对预设的卷积神经网络模型进行训练,得到船舶异常行为侦测模型;获取待侦测的船舶轨迹信息,利用所述船舶异常行为侦测模型对所述待侦测的船舶轨迹信息进行处理,得到待侦测的船舶轨迹信息分类结果。
实施例一
请参阅图1,图1是本发明实施例公开的一种船舶行为模式侦测方法的流程示意图。其中,图1所描述的船舶行为模式侦测方法应用行为预测技术领域,如用于对船舶的行为模式、轨迹和船舶类型的检测等,本发明实施例不做限定。如图1所示,该船舶行为模式侦测方法可以包括以下操作:
S1,获取历史船舶轨迹信息;所述历史船舶轨迹信息包括若干条历史船舶轨迹;每一条历史船舶轨迹由若干轨迹点组成,每个轨迹点包括经度信息、纬度信息和时间信息;
S2,对所述历史船舶轨迹信息进行处理,得到训练样本数据信息;
S3,利用所述训练样本数据信息,对预设的卷积神经网络模型进行训练,得到船舶行为模式侦测模型;本发明中,船舶行为模式包括但不限于异常行为模式、声呐试验模式、武器试验模式、科考行为模型等。
S4,获取待侦测的船舶轨迹信息,利用所述船舶行为模式侦测模型对所述待侦测的船舶轨迹信息进行处理,得到待侦测的船舶轨迹信息分类结果。
可选的,卷积神经网络为双向LSTM神经网络,上层的LSTM作为正向时间序列,下层的LSTM作为反向时间序列。
双向卷积神经网络的隐藏层要保存两个值,X参与正向计算,Y参与反向计算。最终的输出值y取决于X和Y。
所述对所述历史船舶轨迹信息进行处理,得到训练样本数据信息,包括:
S21,对所述历史船舶轨迹信息进行预处理,得到历史船舶预处理轨迹;
S22,对所述历史船舶预处理轨迹进行关键点抽取处理,得到历史船舶简化轨迹;
S23,对所述历史船舶简化轨迹进行处理,得到训练样本数据信息。
所述对所述历史船舶轨迹信息进行预处理,得到历史船舶预处理轨迹,包括:
S211,对每一条历史船舶轨迹的各轨迹点进行处理,得到该条历史船舶轨迹的绝对物理位置中心点;
S212,对每一条历史船舶轨迹的各轨迹点和该条历史船舶轨迹的绝对物理位置中心点进行处理,得到该条历史船舶轨迹的距离标准差;
S213,计算每一条历史船舶轨迹的各轨迹点与该条历史船舶轨迹的绝对物理位置中心点之间的距离,例如通过二维坐标值计算两点之间的距离,将与所述绝对物理位置中心点之间的距离大于该条历史船舶轨迹的距离标准差3倍的轨迹点删除,由剩余的轨迹点构成该条历史船舶轨迹的历史船舶预处理轨迹。
可选的,基于封闭区域所有未经处理轨迹点,计算其绝对物理位置中心点,计算各个轨迹点与绝对物理位置中心点的距离,生成一组样本数据x1x2,…,xn,样本数据的平均值为其中平均值通过计算各数据之和后,然后除以数量即可得到平均值。由以下公式确定距离标准差:
其中,n为轨迹点数量,也即样本数量,i为变量。
可选的,将原始轨迹点与绝对物理位置中心点距离大于3s的轨迹点,判断为噪声点,即异常数据点。判断异常数据点出现的位置以及异常数据点的个数,并且对异常数点据根据不同情况采取数据清除或数据矫正,从而完成异常数据点的检测功能。
所述对所述历史船舶预处理轨迹进行关键点抽取处理,得到历史船舶简化轨迹,包括:
S221,对每一条历史船舶预处理轨迹的两个端点轨迹点进行连线,得到两个端点轨迹点之间的直线段;
S222,对每一条历史船舶预处理轨迹的两个端点轨迹点之外的其他轨迹点进行处理,得到与所述两个端点轨迹点之间的直线段距离最远的最远轨迹点,并计算该最远轨迹点到所述两个端点轨迹点之间的直线段的第一距离;
S223,当所述第一距离小于预设的距离阈值时,保留所述最远轨迹点,将所述最远轨迹点作为新的轨迹端点,将所述新的轨迹端点与其两侧的原端点轨迹点连线,得到两条新的直线段;
当所述第一距离大于预设的距离阈值时,删除两个原端点轨迹点之间的所有轨迹点;
S224,重复S221、S222、S223,直到无法形成新的直线段,将得到的各直线段的端点作为关键点,由各直线段构成历史船舶简化轨迹。
需要说明的是,一条历史船舶轨迹包含无数个点,计算机的存储是有限的,只能存储有限个轨迹点。一般来说,存储的轨迹点数越多,那么对该轨迹的描述也越精确。通过抽取轨迹上的关键点,并以这一系列关键点作为轨迹的近似,从而尽可能减少存储点的个数。
可选的,对于船舶轨迹S的首尾两点A、B之间连接一条直线AB,选取轨迹上距离AB最远的点C,计算C到AB的距离为d,其中fabs()函数表示求绝对值,A点坐标为(Ax,Ay),B点坐标为(Bx,By),C点坐标为(Cx,Cy),例如在点C处做AB的垂线,然后确定垂线端的长度即可,如果距离d小于距离阈值threshold,该距离阈值可以自行设定,例如取值为3,那么将该直线作为轨迹的拟合,该轨迹处理结束,如果距离d大于距离阈值threshold,则将轨迹分为AC和BC,递归进行处理AC和BC,当所有轨迹处理完毕,依次连接所有的分割点,即为轨迹的近似,得到船舶简化轨迹。
所述对每一条历史船舶预处理轨迹的两个端点轨迹点之外的其他轨迹点进行处理,得到与所述两个端点轨迹点之间的直线段距离最远的最远轨迹点,包括:
S2221,利用向量外积方法,对每一条历史船舶预处理轨迹的两个端点轨迹点之外的相邻两个轨迹点依次进行处理,沿轨迹运动方向,将所述两个端点轨迹点之外的相邻两个轨迹点分为靠前轨迹点和靠后轨迹点;
S2222,计算所述靠前轨迹点和靠后轨迹点与所述两个端点轨迹点之间的直线段的距离,得到靠前轨迹点距离和靠后轨迹点距离;
S2223,当所述靠后轨迹点距离小于所述靠前轨迹点距离时,所述靠后轨迹点为状态驻点;
S2224,对每一条历史船舶预处理轨迹的所有状态驻点进行处理,得到与所述两个端点轨迹点之间的直线段距离最远的状态驻点,所述与所述两个端点轨迹点之间的直线段距离最远的状态驻点为与所述两个端点轨迹点之间的直线段距离最远的最远轨迹点。
向量外积方法如下所示:
假设描述轨迹的有序点集合P为:
P={P1,P2,P3,…,Pn},其中Pn=(Φn,λn,tn);
式中,Φn,λn,tn分别代表第n条历史船舶轨迹的经度、纬度、时间信息。
从P中选择最能体现原轨迹特征与航行状态的点,并将这些点的下标由集合K={k1,k2,k3,…,km}表示,其中m≤n。则:
Q={Pk1,Pk2,Pk3,...,Pkm}。
计算向量外积的数值表达方式为:
(x1,y1,z1)(x2,y2,z2)=(y1z2-y2z1,z2x1-z1x2,x1y2-x2y1)
(x1,y1,z1)和(x2,y2,z2)为两个向量,x1,y1,z1和x2,y2,z2为向量的坐标。
由上述向量外积在这些轨迹点中可以找到所有状态驻点,接着依次计算所有状态驻点到首尾两点连线的距离并且从中找出距离最大值d。向量A、B作外积后得到了A×B。其中,A×B的意义在于保留了A在垂直于B方向上的运动状态。利用这个性质,可以通过A×B的方向来判断A的起点是靠近B还是远离B。在通过海伦公式计算首尾两点之间的所有点到首尾连线的距离之前,可以利用向量外积的这个性质,找出A从远离B转而靠近B的点,不妨称这些点为状态驻点。根据向量外积的数值表达方式,A×B只需根据A与B坐标通过简单的减法与乘法运算就可得到。
最后,比较d与距离阈值DST的大小,若d小于距离阈值DST,阈值DST可以由实验进行设定,本发明不做限制,表示首尾两点间的所有点对描述轨迹意义不大,可以用首尾两轨迹点来代替,输出首尾两轨迹点,子程序结束;若d大于距离阈值DST,表示此状态驻点对描述轨迹有较大意义且无法舍弃,记录该状态驻点并以该点为新的节点将轨迹分为两段,依次递归选取分裂点并分段,直到没有新的分裂点出现,子程序结束。
所述对所述历史船舶简化轨迹进行处理,得到训练样本数据信息,包括:
S231,对各条历史船舶简化轨迹进行相似度计算,得到每一条历史船舶简化轨迹的相似性;
S232,根据所述每一条历史船舶简化轨迹的相似性,对所述各条历史船舶简化轨迹进行聚类处理,得到若干个类簇;
所述聚类即把数据点分成不同的子集合,使得同一个子集合内的数据具有高相似性,子集合之间的数据具有低相似性。
可选的,用距离来代替相似性,距离大则相似性高,反之则相似性低,根据阈值DST能够确定相似性。
S233,获取各类簇的模式标注,所述每一条历史船舶简化轨迹和所述各类簇的模式标注构成训练样本数据信息。聚类后,分成多个子集合,也就是多个簇,例如表示科考船的簇,则模式标注为科考。
基于大量的历史船舶轨迹数据实现异常检测,需要从历史数轨迹据中提取船舶轨迹的正常模型。
可选的,对某类的轨迹标注为某种模式,模式的标注可以利用解析的事件类型标注,新闻自动标注不了的,可以通过人工进行标注。
所述对各条历史船舶简化轨迹进行相似度计算,得到每一条历史船舶简化轨迹的相似性,包括:
S2311,利用三角分割法对任意两条历史船舶简化轨迹进行处理,得到所述任意两条历史船舶简化轨迹之间的面积;
每条轨迹由若干离散点组成,将这两条轨迹之间形成多个连续的三角形,之后计算三角形面积之和,若小于阈值,则认为这两条轨迹很近,也即表明这两条轨迹实际上是相似的,但这些三角形互不重叠。
S2312,对所述任意两条历史船舶简化轨迹之间的面积进行处理,得到所述任意两条历史船舶简化轨迹之间的相似度值;
S2313,当所述任意两条简化轨迹之间的相似度小于预设的相似度阈值时,所述任意两条历史船舶简化轨迹具有相似性。
所述方法还包括计算所述任意两条历史船舶简化轨迹之间的单位长度面积;
当所述任意两条历史船舶简化轨迹之间的单位长度面积小于预设单位长度面积阈值时,所述任意两条历史船舶简化轨迹具有相似性。
两条历史船舶简化轨迹之间的相似度值Similarity的计算公式为:
Similarity=1-SA/(Length*Length)
两条历史船舶简化轨迹之间的单位长度面积APL的计算公式为:
APL=SA/Length
其中,SA为通过三角分割法确定的两条历史船舶简化轨迹之间的面积,Length为两条历史船舶简化轨迹的长度的平均值。
每一条历史船舶简化轨迹和所述各类簇的模式标注构成训练样本数据信息。将各类簇的模式标注作为学习样本,输入到卷积神经网,通过神经网学习过程将模式存储到卷积神经网中。
可选的,经过历史船舶轨迹信息的获取与预处理后,对历史船舶轨迹数据进行划分,得到训练数据集和测试数据集,之后经过神经网络训练建立船舶行为模式侦测模型后,针对异常行为检测结果和实际结果计算模型误差,完成对模型的评判。通过对历史船舶轨迹数据构建建立船舶行为模式侦测模型后,接入实时船舶轨迹数据流,获取船舶的实时行为检测结果,从而实现船舶行为的实时监管。
船舶行为模式侦测模型以船舶轨迹数据的时间序列作为输入,经过预处理、抽取若干关键点,由关键点组成简化轨迹,确定各简化轨迹的相似性,基于相似性对各所述简化轨迹进行聚类,形成多个类簇;获取由人工或新闻对各类簇的模式标注,以形成由简化轨迹与对应标注的模式所组合形成的测试样本,经过船舶行为模式侦测模型处理后,输出当前时刻的船舶行为模式检测结果。采用双向LSTM神经网络结构对船舶轨迹时间序列数据进行处理,每一个LSTM代表网络的一个隐藏层,由于隐藏层之间是全连接状态,隐藏层之间按照时间序列顺序进行逐次连接。上层的LSTM作为正向时间序列,下层的LSTM作为反向时间序列。
可见,实施本发明实施例所描述的船舶行为模式侦测方法,对历史船舶轨迹信息进行处理,得到训练样本数据信息;利用训练样本数据信息,对卷积神经网络模型进行训练,得到船舶异常行为侦测模型;利用船舶异常行为侦测模型对待侦测的船舶轨迹信息进行处理,得到待侦测的船舶轨迹信息分类结果。本发明方法能够识别船舶的运行轨迹,确定不同轨迹所代表的船舶行为,在船舶行为模式侦测方面具有重要的应用价值。
实施例二
请参阅图2,图2是本发明实施例公开的一种船舶行为模式侦测装置的流程示意图。其中,图2所描述的船舶行为模式侦测装置应用行为预测技术领域,如用于对船舶的行为模式、轨迹和船舶类型的检测等,本发明实施例不做限定。如图2所示,该船舶行为模式侦测装置可以包括以下操作:
S301,信息获取模块,用于获取历史船舶轨迹信息;所述历史船舶轨迹信息包括若干条历史船舶轨迹;每一条历史船舶轨迹由若干轨迹点组成,每个轨迹点包括经度信息、纬度信息和时间信息;
S302,训练数据生成模块,用于对所述历史船舶轨迹信息进行处理,得到训练样本数据信息;
S303,船舶异常行为侦测模型生成模块,利用所述训练样本数据信息,对预设的卷积神经网络模型进行训练,得到船舶行为模式侦测模型;
S304,船舶轨迹信息分类模块,用于获取待侦测的船舶轨迹信息,利用所述船舶行为模式侦测模型对所述待侦测的船舶轨迹信息进行处理,得到待侦测的船舶轨迹信息分类结果。
S21,对所述历史船舶轨迹信息进行预处理,得到历史船舶预处理轨迹;
S22,对所述历史船舶预处理轨迹进行关键点抽取处理,得到历史船舶简化轨迹;
S23,对所述历史船舶简化轨迹进行处理,得到训练样本数据信息。
可选的,所述对所述历史船舶轨迹信息进行预处理,得到历史船舶预处理轨迹,包括:
S211,对每一条历史船舶轨迹的各轨迹点进行处理,得到该条历史船舶轨迹的绝对物理位置中心点;
S212,对每一条历史船舶轨迹的各轨迹点和该条历史船舶轨迹的绝对物理位置中心点进行处理,得到该条历史船舶轨迹的距离标准差;
S213,计算每一条历史船舶轨迹的各轨迹点与该条历史船舶轨迹的绝对物理位置中心点之间的距离,将与所述绝对物理位置中心点之间的距离大于该条历史船舶轨迹的距离标准差3倍的轨迹点删除,由剩余的轨迹点构成该条历史船舶轨迹的历史船舶预处理轨迹。
可选的,所述对所述历史船舶预处理轨迹进行关键点抽取处理,得到历史船舶简化轨迹,包括:
S221,对每一条历史船舶预处理轨迹的两个端点轨迹点进行连线,得到两个端点轨迹点之间的直线段;
S222,对每一条历史船舶预处理轨迹的两个端点轨迹点之外的其他轨迹点进行处理,得到与所述两个端点轨迹点之间的直线段距离最远的最远轨迹点,并计算该最远轨迹点到所述两个端点轨迹点之间的直线段的第一距离;
S223,当所述第一距离小于预设的距离阈值时,保留所述最远轨迹点,将所述最远轨迹点作为新的轨迹端点,将所述新的轨迹端点与其两侧的原端点轨迹点连线,得到两条新的直线段;
当所述第一距离大于预设的距离阈值时,删除两个原端点轨迹点之间的所有轨迹点;
S224,重复S221、S222、S223,直到无法形成新的直线段,将得到的各直线段的端点作为关键点,由各直线段构成历史船舶简化轨迹。
可选的,所述对每一条历史船舶预处理轨迹的两个端点轨迹点之外的其他轨迹点进行处理,得到与所述两个端点轨迹点之间的直线段距离最远的最远轨迹点,包括:
S2221,利用向量外积方法,对每一条历史船舶预处理轨迹的两个端点轨迹点之外的相邻两个轨迹点依次进行处理,沿轨迹运动方向,将所述两个端点轨迹点之外的相邻两个轨迹点分为靠前轨迹点和靠后轨迹点;
S2222,计算所述靠前轨迹点和靠后轨迹点与所述两个端点轨迹点之间的直线段的距离,得到靠前轨迹点距离和靠后轨迹点距离;
S2223,当所述靠后轨迹点距离小于所述靠前轨迹点距离时,所述靠后轨迹点为状态驻点;
S2224,对每一条历史船舶预处理轨迹的所有状态驻点进行处理,得到与所述两个端点轨迹点之间的直线段距离最远的状态驻点,所述与所述两个端点轨迹点之间的直线段距离最远的状态驻点,为与所述两个端点轨迹点之间的直线段距离最远的最远轨迹点。
可选的,所述对所述历史船舶简化轨迹进行处理,得到训练样本数据信息,包括:
S231,对各条历史船舶简化轨迹进行相似度计算,得到每一条历史船舶简化轨迹的相似性;
S232,根据所述每一条历史船舶简化轨迹的相似性,对所述各条历史船舶简化轨迹进行聚类处理,得到若干个类簇;
S233,获取各类簇的模式标注,所述每一条历史船舶简化轨迹和所述各类簇的模式标注构成训练样本数据信息。
可选的,所述对各条历史船舶简化轨迹进行相似度计算,得到每一条历史船舶简化轨迹的相似性,包括:
S2311,利用三角分割法对任意两条历史船舶简化轨迹进行处理,得到所述任意两条历史船舶简化轨迹之间的面积;
S2312,对所述任意两条历史船舶简化轨迹之间的面积进行处理,得到所述任意两条历史船舶简化轨迹之间的相似度值;
S2313,当所述任意两条简化轨迹之间的相似度小于预设的相似度阈值时,所述任意两条历史船舶简化轨迹具有相似性。
可选的,所述方法还包括计算所述任意两条历史船舶简化轨迹之间的单位长度面积;
当所述任意两条历史船舶简化轨迹之间的单位长度面积小于预设单位长度面积阈值时,所述任意两条历史船舶简化轨迹具有相似性。
实施例三
请参阅图3,图3是本发明实施例公开的另一种船舶行为模式侦测装置的流程示意图。其中,图3所描述的船舶行为模式侦测装置应用行为预测技术领域,如用于对船舶的行为模式、轨迹和船舶类型的检测等,本发明实施例不做限定。如图3所示,该船舶行为模式侦测装置可以包括以下操作:
存储有可执行程序代码的存储器401;
与存储器401耦合的处理器402;
处理器402调用存储器401中存储的可执行程序代码,用于执行实施例一所描述的船舶行为模式侦测方法中的步骤。
以上所描述的装置实施例仅是示意性的,其中作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种船舶行为模式侦测方法及装置所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (5)
1.一种船舶行为模式侦测方法,其特征在于,所述方法包括:
S1,获取历史船舶轨迹信息;所述历史船舶轨迹信息包括若干条历史船舶轨迹;每一条历史船舶轨迹由若干轨迹点组成,每个轨迹点包括经度信息、维度信息和时间信息;
S2,对所述历史船舶轨迹信息进行处理,得到训练样本数据信息,包括:
S21,对所述历史船舶轨迹信息进行预处理,得到历史船舶预处理轨迹;
S22,对所述历史船舶预处理轨迹进行关键点抽取处理,得到历史船舶简化轨迹,包括:
S221,对每一条历史船舶预处理轨迹的两个端点轨迹点进行连线,得到两个端点轨迹点之间的直线段;
S222,对每一条历史船舶预处理轨迹的两个端点轨迹点之外的其他轨迹点进行处理,得到与所述两个端点轨迹点之间的直线段距离最远的最远轨迹点,并计算该最远轨迹点到所述两个端点轨迹点之间的直线段的第一距离;
所述第一距离的计算公式为:
其中,船舶轨迹S的首尾两点为A和B,在A和B之间连接一条直线AB,选取轨迹上距离AB最远的点C,计算C到AB的距离为d,fabs()函数表示求绝对值,A点坐标为(Ax,Ay),B点坐标为(Bx,By),C点坐标为(Cx,Cy);
S223,当所述第一距离小于预设的距离阈值时,保留所述最远轨迹点,将所述最远轨迹点作为新的轨迹端点,将所述新的轨迹端点与其两侧的原端点轨迹点连线,得到两条新的直线段;
当所述第一距离大于预设的距离阈值时,删除两个原端点轨迹点之间的所有轨迹点;
S224,重复S221、S222、S223,直到无法形成新的直线段,将得到的各直线段的端点作为关键点,由各直线段构成历史船舶简化轨迹;
S23,对所述历史船舶简化轨迹进行处理,得到训练样本数据信息,包括:
S231,对各条历史船舶简化轨迹进行相似度计算,得到每一条历史船舶简化轨迹的相似性,包括:
S2311,利用三角分割法对任意两条历史船舶简化轨迹进行处理,得到所述任意两条历史船舶简化轨迹之间的面积,或计算所述任意两条历史船舶简化轨迹之间的单位长度面积;
所述单位长度面积APL的计算公式为:
APL=SA/Length
S2312,对所述任意两条历史船舶简化轨迹之间的面积进行处理,得到所述任意两条历史船舶简化轨迹之间的相似度值;
所述相似度值的计算公式为:
Similarity=1-SA/(Length*Length)
其中Similarity为相似度值,SA为通过三角分割法确定的两条历史船舶简化轨迹之间的面积,Length为两条历史船舶简化轨迹的长度的平均值;
S2313,当所述任意两条历史船舶简化轨迹之间的相似度小于预设的相似度阈值时,所述任意两条历史船舶简化轨迹具有相似性,或当所述任意两条历史船舶简化轨迹之间的单位长度面积小于预设单位长度面积阈值时,所述任意两条历史船舶简化轨迹具有相似性;
S232,根据所述每一条历史船舶简化轨迹的相似性,对所述各条历史船舶简化轨迹进行聚类处理,得到若干个类簇;
S233,获取各类簇的模式标注,所述每一条历史船舶简化轨迹和所述各类簇的模式标注构成训练样本数据信息;
所述模式标注利用解析的事件类型标注,新闻自动标注不了的,通过人工进行标注;
S3,利用所述训练样本数据信息,对预设的卷积神经网络模型进行训练,得到船舶行为模式侦测模型;
所述船舶行为模式包括但不限于异常行为模式、声呐试验模式、武器试验模式、科考行为模型;
所述卷积神经网络模型为双向LSTM神经网络,上层的LSTM作为正向时间序列,下层的LSTM作为反向时间序列;
所述双向LSTM神经网络的隐藏层要保存两个值,X参与正向计算,Y参与反向计算;最终的输出值y取决于X和Y;
S4,获取待侦测的船舶轨迹信息,利用所述船舶行为模式侦测模型对所述待侦测的船舶轨迹信息进行处理,得到待侦测的船舶轨迹信息分类结果。
2.根据权利要求1所述的船舶行为模式侦测方法,其特征在于,所述对所述历史船舶轨迹信息进行预处理,得到历史船舶预处理轨迹,包括:
S211,对每一条历史船舶轨迹的各轨迹点进行处理,得到该条历史船舶轨迹的绝对物理位置中心点;
S212,对每一条历史船舶轨迹的各轨迹点和该条历史船舶轨迹的绝对物理位置中心点进行处理,得到该条历史船舶轨迹的距离标准差;
S213,计算每一条历史船舶轨迹的各轨迹点与该条历史船舶轨迹的绝对物理位置中心点之间的距离,将与所述绝对物理位置中心点之间的距离大于该条历史船舶轨迹的距离标准差3倍的轨迹点删除,由剩余的轨迹点构成该条历史船舶轨迹的历史船舶预处理轨迹。
3.根据权利要求1所述的船舶行为模式侦测方法,其特征在于,所述对每一条历史船舶预处理轨迹的两个端点轨迹点之外的其他轨迹点进行处理,得到与所述两个端点轨迹点之间的直线段距离最远的最远轨迹点,包括:
S2221,利用向量外积方法,对每一条历史船舶预处理轨迹的两个端点轨迹点之外的相邻两个轨迹点依次进行处理,沿轨迹运动方向,将所述两个端点轨迹点之外的相邻两个轨迹点分为靠前轨迹点和靠后轨迹点;
S2222,计算所述靠前轨迹点和靠后轨迹点与所述两个端点轨迹点之间的直线段的距离,得到靠前轨迹点距离和靠后轨迹点距离;
S2223,当所述靠后轨迹点距离小于所述靠前轨迹点距离时,所述靠后轨迹点为状态驻点;
S2224,对每一条历史船舶预处理轨迹的所有状态驻点进行处理,得到与所述两个端点轨迹点之间的直线段距离最远的状态驻点,所述与所述两个端点轨迹点之间的直线段距离最远的状态驻点,为与所述两个端点轨迹点之间的直线段距离最远的最远轨迹点。
4.一种船舶行为模式侦测装置,其特征在于,所述装置包括:
信息获取模块,用于获取历史船舶轨迹信息;所述历史船舶轨迹信息包括若干条历史船舶轨迹;每一条历史船舶轨迹由若干轨迹点组成,每个轨迹点包括经度信息、维度信息和时间信息;
训练数据生成模块,用于对所述历史船舶轨迹信息进行处理,得到训练样本数据信息,包括:
S21,对所述历史船舶轨迹信息进行预处理,得到历史船舶预处理轨迹;
S22,对所述历史船舶预处理轨迹进行关键点抽取处理,得到历史船舶简化轨迹,包括:
S221,对每一条历史船舶预处理轨迹的两个端点轨迹点进行连线,得到两个端点轨迹点之间的直线段;
S222,对每一条历史船舶预处理轨迹的两个端点轨迹点之外的其他轨迹点进行处理,得到与所述两个端点轨迹点之间的直线段距离最远的最远轨迹点,并计算该最远轨迹点到所述两个端点轨迹点之间的直线段的第一距离;
所述第一距离的计算公式为:
其中,船舶轨迹S的首尾两点为A和B,在A和B之间连接一条直线AB,选取轨迹上距离AB最远的点C,计算C到AB的距离为d,fabs()函数表示求绝对值,A点坐标为(Ax,Ay),B点坐标为(Bx,By),C点坐标为(Cx,Cy);
S223,当所述第一距离小于预设的距离阈值时,保留所述最远轨迹点,将所述最远轨迹点作为新的轨迹端点,将所述新的轨迹端点与其两侧的原端点轨迹点连线,得到两条新的直线段;
当所述第一距离大于预设的距离阈值时,删除两个原端点轨迹点之间的所有轨迹点;
S224,重复S221、S222、S223,直到无法形成新的直线段,将得到的各直线段的端点作为关键点,由各直线段构成历史船舶简化轨迹;
S23,对所述历史船舶简化轨迹进行处理,得到训练样本数据信息,包括:
S231,对各条历史船舶简化轨迹进行相似度计算,得到每一条历史船舶简化轨迹的相似性,包括:
S2311,利用三角分割法对任意两条历史船舶简化轨迹进行处理,得到所述任意两条历史船舶简化轨迹之间的面积,或计算所述任意两条历史船舶简化轨迹之间的单位长度面积;
所述单位长度面积APL的计算公式为:
APL=SA/Length
S2312,对所述任意两条历史船舶简化轨迹之间的面积进行处理,得到所述任意两条历史船舶简化轨迹之间的相似度值;
所述相似度值的计算公式为:
Similarity=1-SA/(Length*Length)
其中Similarity为相似度值,SA为通过三角分割法确定的两条历史船舶简化轨迹之间的面积,Length为两条历史船舶简化轨迹的长度的平均值;
S2313,当所述任意两条历史船舶简化轨迹之间的相似度小于预设的相似度阈值时,所述任意两条历史船舶简化轨迹具有相似性,或当所述任意两条历史船舶简化轨迹之间的单位长度面积小于预设单位长度面积阈值时,所述任意两条历史船舶简化轨迹具有相似性;
S232,根据所述每一条历史船舶简化轨迹的相似性,对所述各条历史船舶简化轨迹进行聚类处理,得到若干个类簇;
S233,获取各类簇的模式标注,所述每一条历史船舶简化轨迹和所述各类簇的模式标注构成训练样本数据信息;
所述模式标注利用解析的事件类型标注,新闻自动标注不了的,通过人工进行标注;
船舶异常行为侦测模型生成模块,利用所述训练样本数据信息,对预设的卷积神经网络模型进行训练,得到船舶行为模式侦测模型;
所述船舶行为模式包括但不限于异常行为模式、声呐试验模式、武器试验模式、科考行为模型;
所述卷积神经网络模型为双向LSTM神经网络,上层的LSTM作为正向时间序列,下层的LSTM作为反向时间序列;
所述双向LSTM神经网络的隐藏层要保存两个值,X参与正向计算,Y参与反向计算;最终的输出值y取决于X和Y;
船舶轨迹信息分类模块,用于获取待侦测的船舶轨迹信息,利用所述船舶行为模式侦测模型对所述待侦测的船舶轨迹信息进行处理,得到待侦测的船舶轨迹信息分类结果。
5.一种船舶行为模式侦测装置,其特征在于,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-3任一项所述的船舶行为模式侦测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211504863.3A CN115730263B (zh) | 2022-11-28 | 2022-11-28 | 一种船舶行为模式侦测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211504863.3A CN115730263B (zh) | 2022-11-28 | 2022-11-28 | 一种船舶行为模式侦测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115730263A CN115730263A (zh) | 2023-03-03 |
CN115730263B true CN115730263B (zh) | 2023-08-22 |
Family
ID=85298826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211504863.3A Active CN115730263B (zh) | 2022-11-28 | 2022-11-28 | 一种船舶行为模式侦测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115730263B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342657B (zh) * | 2023-03-29 | 2024-04-26 | 西安电子科技大学 | 一种基于编码-解码结构的tcn-gru船舶轨迹预测方法、系统、设备及介质 |
CN117093889A (zh) * | 2023-07-05 | 2023-11-21 | 广东海洋大学 | 一种先聚类再判别的轨迹预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569921A (zh) * | 2021-07-07 | 2021-10-29 | 中国人民解放军海军航空大学岸防兵学院 | 一种基于gnn的船舶分类识别方法及装置 |
CN113868362A (zh) * | 2021-11-30 | 2021-12-31 | 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 |
CN114155491A (zh) * | 2021-12-09 | 2022-03-08 | 杭州电子科技大学 | 一种基于ais数据的船舶行为识别方法及系统 |
WO2022068417A1 (zh) * | 2020-09-29 | 2022-04-07 | 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 |
CN114742150A (zh) * | 2022-04-06 | 2022-07-12 | 南京航空航天大学 | 一种基于面积划分和余弦距离的终端区航空器轨迹聚类方法 |
CN115100247A (zh) * | 2022-07-20 | 2022-09-23 | 大连海事大学 | 一种基于ais动态信息的分步预测船舶轨迹的方法 |
CN115169527A (zh) * | 2022-06-07 | 2022-10-11 | 兰州大学 | 基于ais数据的船舶异常状态检测方法 |
-
2022
- 2022-11-28 CN CN202211504863.3A patent/CN115730263B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022068417A1 (zh) * | 2020-09-29 | 2022-04-07 | 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 |
CN113569921A (zh) * | 2021-07-07 | 2021-10-29 | 中国人民解放军海军航空大学岸防兵学院 | 一种基于gnn的船舶分类识别方法及装置 |
CN113868362A (zh) * | 2021-11-30 | 2021-12-31 | 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 |
CN114155491A (zh) * | 2021-12-09 | 2022-03-08 | 杭州电子科技大学 | 一种基于ais数据的船舶行为识别方法及系统 |
CN114742150A (zh) * | 2022-04-06 | 2022-07-12 | 南京航空航天大学 | 一种基于面积划分和余弦距离的终端区航空器轨迹聚类方法 |
CN115169527A (zh) * | 2022-06-07 | 2022-10-11 | 兰州大学 | 基于ais数据的船舶异常状态检测方法 |
CN115100247A (zh) * | 2022-07-20 | 2022-09-23 | 大连海事大学 | 一种基于ais动态信息的分步预测船舶轨迹的方法 |
Non-Patent Citations (1)
Title |
---|
一种加入时间维的船舶轨迹高效离线压缩算法研究;徐凯 等;《计算机科学》;第44卷(第11期);第498-502页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115730263A (zh) | 2023-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115730263B (zh) | 一种船舶行为模式侦测方法及装置 | |
CN110363115B (zh) | 基于ais轨迹数据的船舶作业异常半监督实时检测方法 | |
CN108596030A (zh) | 基于Faster R-CNN的声呐目标检测方法 | |
CN110610165A (zh) | 一种基于yolo模型的船舶行为分析方法 | |
CN115512152A (zh) | 一种cnn和lstm神经网络组合的船舶轨迹分类方法及系统 | |
CN113887789A (zh) | 一种基于循环神经网络的改进船舶轨迹预测方法及其装置 | |
CN113283653A (zh) | 一种基于机器学习和ais数据的船舶轨迹预测方法 | |
CN112766308A (zh) | 一种远洋船舶分类方法 | |
Anagnostopoulos | Big data techniques for ship performance study | |
CN110674823A (zh) | 一种基于深海大型底栖动物自动识别的样本库构建方法 | |
Guo et al. | Toward multimodal vessel trajectory prediction by modeling the distribution of modes | |
CN116306790B (zh) | 一种基于cnn-gru和注意力机制的近海船舶轨迹实时预测方法、系统、设备及介质 | |
CN112883807A (zh) | 车道线检测方法和系统 | |
CN116738324A (zh) | 模型训练方法和渔船单拖作业行为的识别方法 | |
CN116168438A (zh) | 关键点检测方法、装置及电子设备 | |
CN114510961A (zh) | 基于递归神经网络和北斗定位的船舶行为智能监控算法 | |
CN114882293A (zh) | 基于ais数据特征优选的随机森林船舶目标分类方法 | |
CN114707749A (zh) | 基于改进编解码器架构的序列到序列渔船轨迹预测方法 | |
CN113917930A (zh) | 一种基于感知数据的无人船航行状态控制方法 | |
CN113128492A (zh) | 一种票据文本定位方法和装置 | |
CN116453514B (zh) | 一种基于多视角的语音关键词检测与定位方法及装置 | |
CN118053091A (zh) | 一种基于YOLOv5s结合Deepsort算法的红外多目标跟踪方法 | |
CN117333514B (zh) | 一种单目标视频跟踪方法、装置、存储介质及设备 | |
CN113434617B (zh) | 一种基于船舶轨迹的行为自动划分方法、系统及电子设备 | |
Qu et al. | Illation of video visual relation detection based on graph neural network |
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 |