CN115774804A - 船舶的异常识别方法、系统和可读存储介质 - Google Patents
船舶的异常识别方法、系统和可读存储介质 Download PDFInfo
- Publication number
- CN115774804A CN115774804A CN202211479631.7A CN202211479631A CN115774804A CN 115774804 A CN115774804 A CN 115774804A CN 202211479631 A CN202211479631 A CN 202211479631A CN 115774804 A CN115774804 A CN 115774804A
- Authority
- CN
- China
- Prior art keywords
- ship
- abnormal
- abnormal behavior
- behavior
- 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.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Alarm Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种船舶的异常识别方法、系统和可读存储介质,涉及船舶识别技术领域。船舶的异常识别方法包括:确定异常行为聚集区;对异常行为聚集区内的船舶的行为进行异常分析,生成每艘船舶的异常行为事件;根据异常行为事件确认船舶是否为异常船舶;根据确认的异常船舶生成异常船舶报警记录和/或对确认的异常船舶进行报警。本申请中的船舶的异常识别方法,能够提前确定出异常行为聚集区,然后对异常行为聚集区内的船舶行为进行分析,以此就可以智能识别出异常船舶,避免了现有的异常船舶的确定方式具有主观性强的问题,提高了异常船舶的识别准确性。
Description
技术领域
本发明涉及船舶识别技术领域,具体而言,涉及一种船舶的异常识别方法、系统和可读存储介质。
背景技术
大量的船舶在利益的驱使下,进行违反相关规定的运输作业,不仅存在极大的安全隐患,更关系到人民生命财产安全,因此对违反相关规定的运输作业的船舶的治理工作的任务迫在眉睫。
违反相关规定的运输作业的船舶为躲避监管和治理,在作业的时候会选择避开相关部门的执法时间,经常选择“昼伏夜出”。
参与违反相关规定运输作业的船舶基本都会远离岸边航行,不会靠泊在正规的码头和泊位,作业时经过管辖海域而不停留,发现其违反相关规定运输作业的行为较为困难。为了逃避海上相关部门的监管,很多船舶更是伪装成其他船舶的信息进行作业,单纯地通过观察船舶播放的信号信息很难察觉。对海上船舶违反相关规定的运输作业的情况,仅仅依靠传统的海上执法单位现场纠正相关行为的处理方式已经远远不能满足现代海上交通管理发展的需求,因此,以现代科技手段为基础的非现场处理方式应运而生,故而,如何充分运用现代科技手段,不断完善海上动态感知设施,及时掌握船舶动态成为目前亟待解决的问题。
而现有的对违反相关规定运输作业的船舶的识别方式存在如下问题:1、主观性强、过度依赖专家经验,需要人为设定各字段权重和阈值,依靠经验去主观设置,而不是通过客观存在的数据如AIS轨迹数据等去挖掘船舶行为,由于人思维的惯性或思维定式,往往也会忽略一些关联关系或者很难发现的间接关联关系。2、普适性差、模型不灵活,针对每个场景、案件类型,都要独立建模分析,模型没有很好的复用性和可扩展性,一旦环境或条件变化,新模型调参或重训练成本较高。
因此,如何提出一种解决现有技术中主观性强,普适性差、模型不灵活的船舶的异常识别方法成为目前亟待解决的问题。
发明内容
为解决上述技术问题,本发明的目的在于提供一种普适性强、模型灵活的船舶的异常识别方法。
因此,本发明的第一方面提出了一种船舶的异常识别方法。
本发明的第二方面还提出了一种船舶的异常识别系统。
本发明的第三方面还提出了一种船舶的异常识别系统。
本发明的第四方面还提出了一种可读存储介质。
有鉴于此,本发明第一方面提出了一种船舶的异常识别方法,包括:确定异常行为聚集区;对异常行为聚集区内的至少一艘船舶的行为进行异常分析,生成每艘船舶的异常行为事件;根据异常行为事件确认船舶是否为异常船舶;根据确认的异常船舶生成异常船舶报警记录和/或对确认的异常船舶进行报警。
根据本发明提供的船舶的异常识别方法,异常行为聚集区的确认包括现有的易出现异常行为的海域,以及通过对往年具有异常行为的船舶进行分析而得到的航路密集的海域作为异常行为聚集区,异常行为聚集区出现异常行为的可能性要高于其他的海域。在确定了异常行为聚集区后,对路过异常行为聚集区的船舶进行异常分析,包括但不限于信号异常和轨迹异常等情况,以此可以确定出每艘船舶的异常行为事件。由于信号异常可能是由于设备的故障或者是信道拥挤的原因造成的,因此,在确定了每艘船舶的异常行为事件后,需要进一步的根据异常行为事件确认船舶是否是异常船舶,即船舶上是否出现了异常行为。具体的,包括有如果两艘船舶的轨迹在同一时间范围内,空间距离过近或在进入辖区内时由第一船舶信息变成第二船舶信息,并在离开辖区后又由第二船舶信息变成第一船舶信息,且第一船舶信息和第二船舶信息在空间轨迹上具有连续性,这时即认为出现了异常行为的船舶为异常船舶。在确定了异常船舶后,生成异常船舶报警记录和/或对确认的异常船舶进行报警,从而实现对异常船舶进行提前预警或对异常船舶的行为进行取证并生成报警记录。由于本申请中是对经过异常行为聚集区的所有船舶进行检测,并且使用大数据分析的方式,从而避免了现有方案中的异常船舶的确定方式具有主观性强的问题,提高了异常船舶的识别准确性。同时该种方式模型简单,能够不断的通过改变异常行为聚集区即可实时更新数据,进而对新的异常行为聚集区进行排查,十分的灵活。
另外,本发明提供的上述技术方案中的船舶的异常识别方法还可以具有如下附加技术特征:
在上述技术方案中,确定异常行为聚集区的步骤包括:确定预设时间段内满足预设特征的船舶的历史轨迹信息;对满足预设特征的船舶的历史轨迹信息进行分析确定出异常行为聚集区。
在该技术方案中,由于海上的异常行为往往有一定的时效性,如定期的更换船舶,使得指定的船舶仅在一段时间内参与了异常行为,但是在最初启用的一段时间内,由于可参考的数据较少,因此往往会被执法单位所忽视,且异常船舶之间的交易方式和交易地点也会发生变化,因此时间过长的数据对分析异常行为聚集区并无好处,反而会扩大检测的范围而导致违反相关规定的船舶有可乘之机,因此需要限定预设的时间段的历史轨迹信息,而异常船舶往往具有一定的共性,如起始地相同,或者所属的组织或国家相同,虽然具有这些特征的船舶并非均会发生异常行为,但是发生异常行为的可能性就会变大,而这些船舶的历史轨迹信息就成为了能够判断船舶是否发生异常行为的关键。在不知道哪些船舶会发生异常行为的前提下,为了降低检索范围可以重点排查易发生异常行为的船舶,比如满足预设特征的船舶,同时对易发生异常行为的船舶(比如满足预设特征的船舶)的历史轨迹信息进行分析,以此就可以确定出异常行为聚集区。然后通过对经过异常行为聚集区的船舶进行进一步的排查,从而提高了对异常船舶的排查力度。
在上述技术方案中,预设时间段内满足预设特征的船舶包括在预设时间段内具有异常特征的船舶,或在预设时间段内的预设国籍地发出的船舶以及在预设时间段内从预设出发地发出的船舶;和/或预设时间段为一年。
在该技术方案中,由于异常行为聚集区的判断主要是对历史航行数据的分析,因此选择何种历史航行数据就成为了异常行为聚集区的实际范围的标准,过大的异常行为聚集区会导致工作量加大,从而给了异常船舶可乘之机,而过小的异常行为聚集区则会导致出现大量的漏网之鱼,会有大量的异常船舶无法被发现,因此异常行为聚集区的范围就是能够实施本申请的关键,本申请中通过将预设时间段内具有异常特征的船舶,或在预设时间段内从预设国籍或预设出发地,或预设组织的船舶的历史航线信息进行整合,从而提前预警到这些异常船舶的行动,由于预定的国籍或出发地本就是重点管控的对象,因此具有预定特征的船舶出现异常行为的可能性更高,重点对具有预设特征的船舶进行排查能够有效的提高预警的效率。同时,可检测到全新的具有异常行为的航线和船舶,因此还可以对预设时间段内的所有船舶进行分析,从而实现更加全面的检测。由于考虑到违反相关规定的人员的心理,不会采用已经被重点排查的航线和船舶,因此时间过长的船舶和航线就可能会对现有的情况发生误导,从而给了违反相关规定的人员可乘之机,因此最优的方案是将预设时间设定为一年,一年的时间相对于较为隐蔽的异常行为不会过短,而对经常进行更换船舶或航线的异常行为又不会过长。
同时,船舶的原始数据应为一年内的全球航行轨迹数据,如仅考虑船舶在我国海域附近的航线数据,就使得异常行为聚集区的确定具有一定的局限性,而异常行为是全球性的,无论异常行为聚集区处于任何海域,当异常船舶经过我国领海均需被我国的执法部门检查,为了防止外国的异常船舶驶入我国领海进行异常行为,使用的历史轨迹信息应为全球航行轨迹数据。
进一步地,对满足预设特征的船舶的历史轨迹信息进行分析确定出异常行为聚集区的步骤包括:基于空间密度的改进DBSCAN算法(Density-Based Spatial Clustering ofApplications with Noise,有代表性的基于密度的聚类算法)对历史轨迹信息进行分析确定出异常行为聚集区。
在上述技术方案中,确定预设时间段内满足预设特征的船舶的历史轨迹信息的步骤包括:获取预设时间段内的满足预设特征的船舶的原始数据;对原始数据进行处理,以去除原始数据中的异常信息;将去除异常信息后的原始数据,按照时间进行连线,生成满足预设特征的船舶的航行轨迹;对航行轨迹进行修正,得出在预设时间段内满足预设特征的船舶的历史轨迹信息;原始数据包括水上移动通信业务标识码、经纬度、船舶速度和船首方向。
在该技术方案中,确定预设时间段的满足预设特征的船舶的历史轨迹信息的步骤包括:获取预设时间段内的满足预设特征的船舶的原始数据;对原始数据进行处理,以去除原始数据中的异常信息;将去除异常信息后的原始数据,按照时间进行连线,生成满足预设特征的船舶的航行轨迹线;对航行轨迹进行修正,得出在预设时间段内满足预设特征的船舶的历史轨迹信息;原始数据包括水上移动通信业务标识码、经纬度、船舶速度和船首方向。由于在实际的使用时,本申请所收到的原始数据可能是人为篡改的,或者由于设备故障和信道拥挤的原因,使得原始数据中存在异常的信息,如经纬度明显超过180°,船舶的航速过大,缺少关键记录的情况,而具有错误信息的原始数据并不能作为确定异常行为聚集区的标准,因此需要对原始数据进行清理,尽可能的还原出真实合理的原始数据,而在清理后还需要对原始数据按照时间进行连线,进而生成预设船舶的航行轨迹线,由于在数据清理时并不能将所有的不合理的数据均清除,因此在连接航线轨迹线时会将不平滑且不合理的点处理,得到预设船舶的历史轨迹信息,从而提高对历史轨迹信息的准确性,提高了异常行为聚集区的可靠性。
进一步地,船舶的原始数据为一年内的全球航行轨迹数据,如仅考虑船舶在我国海域附近的航线数据,就使得异常行为聚集区的确定具有一定的局限性,而异常行为是全球性的,无论异常行为聚集区处于任何海域,当异常船舶经过我国领海均需被我国的执法部门检查,为了防止外国的异常船舶驶入我国领海进行异常行为,使用的历史轨迹信息应为全球航行轨迹数据。
其中,原始数据包括水上移动通信业务标识码、经纬度、船舶速度以及船首方向中的一种或多种数据,原始数据之间能够相互提供证据,证明数据的合理性,如船舶的速度和船首的方向确定的情况下,在非极端天气下,下一个原始数据中的经纬度,船舶速度和船首方向就具有一定的区间,从而使得原始数据具有客观性,进而提高了历史轨迹信息的准确性。
在上述技术方案中,对异常行为聚集区内的至少一艘船舶的行为进行异常分析,生成每艘船舶的异常行为事件的步骤包括:根据每艘船舶的预抵行为、停留行为和离开行为进行异常分析,以生成每艘船舶的异常行为事件;对异常行为聚集区内的船舶的行为进行异常分析的步骤包括:判断船舶的预抵、停留和离开过程中的信号是否异常,其中,信号异常至少包括信号消失与复现;判断船舶的预抵、停留和离开过程中的轨迹是否异常,其中,轨迹异常包括按照时间序列连接位置点形成的船舶轨迹出现离群点、轨迹稀疏、分段轨迹中的至少一种。
在该技术方案中,常规的船舶均会定时的反馈原始数据,并按照指定的轨迹进行航行,当发生轨迹变更时也需要进行报备,无论是预抵、停留还是离开的过程具有一定的规则,而异常船舶则会想办法避开这些规则,因此无论是反馈原始信息还是轨迹都可能不符合规则,因此对异常的行为需要重点关注。其中异常的行为包括信号异常,如信号消失和信号复现;航行轨迹异常,如按照时间序列连接的位置点形成的船舶会将出现了离群点、轨迹稀疏,甚至出现分段轨迹的情况,这就说明船舶具有异常行为,应重点关注。
在上述技术方案中,根据异常行为事件确认船舶是否为异常船舶的步骤包括:对异常行为事件组合成至少一个异常行为事件组;在异常行为聚集区内的船舶满足一个或多个异常行为事件组时,确认对应的船舶为异常船舶,具体包括:在第一船舶进入异常行为聚集区后信号消失,且在异常行为聚集区发生第二船舶信号复现,之后第一船舶在异常行为聚集区内信号复现,而第二船舶信号消失,且第一船舶和第二船舶在轨迹上具有关联性时,认定第一船舶为异常船舶;在确定两艘船舶的轨迹在同时间范围内,存在多个轨迹点的直线距离间距小于预设距离时,认定两艘船舶为异常船舶。
进一步地,经过异常行为聚集区的船舶的每天轨迹点位数与正常航行轨迹点位数的比值小于第一预设比值并连续出现预设天数,且AIS设备(AIS,全称AutomaticIdentification System,船舶自动识别系统,AIS设备为船舶自动识别系统的船载设备)在线率小于第二预设比值时,认定该船舶为异常船舶。
在该技术方案中,当将异常行为事件进行组合,可能就会发现其中的关联性,如在第一船舶在进入异常行为聚集区后信号消失了,同时在异常行为聚集区内出现了第二船舶的信号,即第二船舶信号复现,在一段时间后,第一船舶信号复现,且第二船舶信号消失,同时在对第一船舶和第二船舶进行轨迹分析时,发现第一船舶的航线轨迹和第二船舶的航线轨迹具有一定的关联性,如按第一船舶最后的原始数据进行接下来的航线分析与第二船舶的航线轨迹重合或相近,这就说明第一船舶和第二船舶大概率为同一船舶,第一船舶冒名顶替第二船舶进行航行,因此判断第一船舶为异常船舶。
进一步地,还包括有:对经过异常行为聚集区的船舶进行跟踪的过程中发现有与另一船舶的轨迹在同时间范围内,存在多个轨迹点的直线距离小于预设距离,则认为两船之间发生了搭靠的情况。因此需要重点排查出现搭靠的船舶,进而判断两船均为异常船舶。
更进一步地,经过异常行为聚集区的船舶的每天轨迹点位数与正常航行轨迹点位数的比值小于第一预设比值并连续出现预设天数,且AIS设备(船舶自动识别系统的船载设备)在线率小于第二预设比值时,说明该船舶的操作者不想发送原始数据,可以认为其存在故意隐瞒航行轨迹的行为,因此,认定该船舶为异常船舶。
在上述技术方案中,异常船舶报警记录中记录的信息包括:水上移动通信业务标识码、船名、异常行为类型、报警描述、触发地点、报警时间中的一项或多项;和/或异常行为聚集区与港口之间的距离大于30海里;和/或船舶的异常识别方法还包括:将异常船舶报警记录发送给用户终端;和/或记录异常船舶的相关信息,包括水上移动通信业务标识码、船名、异常行为类型、异常行为发生区域和异常行为发生时间;接收查询指令,以查询异常船舶的相关信息,或接收到信息导出指令后,将异常船舶的相关信息进行输出。
在上述技术方案中,异常船舶报警记录中记录的信息包括:水上移动通信业务标识码、船名、异常行为类型、报警描述、触发地点和报警时间中的一项或多项。
进一步地,异常行为聚集区与港口之间的距离大于30海里。船舶一定要进入港口,因此在港口处的航行轨迹一定是最为密集的,因此对于识别异常行为没有任何的参考价值。因此通过限定异常行为聚集区与港口之间的距离大于30海里,从而提高异常行为聚集区对判断异常行为的准确性。
进一步地,船舶的异常识别方法还包括:将异常船舶报警记录发送给用户终端;和/或记录异常船舶的相关信息,所述相关信息包括水上移动通信业务标识码、船名、异常行为类型、异常行为发生区域、异常行为发生时间异常行为发生区域和异常行为发生时间中的至少一种信息;接收查询指令,以查询异常船舶的相关信息,或接收到信息导出指令后,将异常船舶的相关信息进行输出。在确定了异常船舶后,需要将船名和异常行为类型,报警描述和触发地点,报警时间等信息进行记录,从而为事后的判断提供相应的证据。
本发明的第二方面提供了一种船舶的异常识别系统,包括:异常行为聚集区确定模块,用于确定异常行为聚集区;异常行为检测模块,用于对异常行为聚集区内的船舶的行为进行异常分析,生成每艘船舶的异常行为事件;异常船舶确认模块,用于根据异常行为事件确认船舶是否为异常船舶;报警模块,用于根据确认的异常船舶生成异常船舶报警记录和/或对确认的异常船舶进行报警。
根据本发明的技术方案提供的船舶的异常识别系统,包括异常行为聚集区确定模块,用于确定异常行为聚集区;异常行为检测模块,用于对异常行为聚集区内的船舶的行为进行异常分析,生成每艘船舶的异常行为事件;异常船舶确认模块,用于根据异常行为事件确认船舶是否为异常船舶;报警模块,用于根据确认的异常船舶生成异常船舶报警记录和/或对确认的异常船舶进行报警。同时,根据本发明的技术方案提供的船舶的异常识别系统,由于其用于实现本发明的第一方面提供的船舶的异常识别方法的步骤,因而该船舶的异常识别系统具备该船舶的异常识别方法的全部技术效果,在此不再赘述。
本发明的第三方面提供了一种船舶的异常识别系统,包括存储器和处理器,存储器存储可在处理器上运行的程序和/或指令,程序和/或指令被处理器执行时实现上述任一技术方案的船舶的异常识别方法的步骤。
根据本发明的技术方案提供的船舶的异常识别系统,包括存储器和处理器及存储在存储器上并可在处理器上运行的程序,程序被处理器执行时实现上述任一船舶的异常识别方法限定的步骤。同时,由于本申请的船舶的异常识别系统能够实现上述任一船舶的异常识别方法限定的步骤,因此本技术方案提供的船舶的异常识别系统具有上述任一技术方案中提供的船舶的异常识别方法的全部有益效果。
本发明的第四方面提供了一种可读存储介质,其上存储有程序和/或指令,程序和/或指令被处理器执行时实现上述任一技术方案中的船舶的异常识别方法的步骤。
根据本发明的技术方案提供的可读存储介质,由于其上存储的程序和/或指令被处理器执行时可实现上述任一技术方案中的船舶的异常识别方法的步骤,因而具有上述船舶的异常识别方法的全部有益技术效果,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是根据本发明的一个实施例的船舶的异常识别方法的流程示意图;
图2是根据本发明的另一个实施例的船舶的异常识别方法的流程示意图;
图3是根据本发明的实施例的船舶的异常识别系统的一个方框示意图;
图4是根据本发明的实施例的船舶的异常识别系统的另一个方框示意图;
图5是根据本发明的实施例的航线和异常行为聚集区的示意图;
图6是根据本发明的实施例的异常行为事件示意图;
图7是根据本发明的实施例的异常船舶报警记录示意图。
其中,图3至图6中附图标记与部件名称之间的对应关系为:
300船舶的异常识别系统,302异常行为聚集区确定模块,304异常行为检测模块,306异常船舶确认模块,308报警模块,400船舶的异常识别系统,402存储器,404处理器,502历史轨迹信息,504异常行为聚集区,602船舶A的航线信息,604船舶A的信号消失点,606船舶B的航线信息,608船舶B的信号复现点。
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7描述本发明一些实施例中的船舶的异常识别方法和系统、可读存储介质。
在根据本申请的一个实施例中,如图1所示,提出了一种船舶的异常识别方法,包括:
S102,确定异常行为聚集区。
S104,对异常行为聚集区内的至少一艘船舶的行为进行异常分析,生成每艘船舶的异常行为事件。
S106,根据异常行为事件确认船舶是否为异常船舶。
S108,根据确认的异常船舶生成异常船舶报警记录和/或对确认的异常船舶进行报警。
根据本发明提供的船舶的异常识别方法,异常行为聚集区的确认包括现有的易出现异常行为的海域,以及通过对往年的异常行为的船舶进行分析而得到的航路密集的海域作为异常行为聚集区,异常行为聚集区出现异常行为的可能性要高于其他的海域。在确定了异常行为聚集区后,对路过异常行为聚集区的船舶进行异常分析,包括但不限于信号异常和轨迹异常等情况,以此可以确定出每艘船舶的异常行为事件。由于信号异常可能是由于设备的故障或者是信道拥挤的原因造成的,因此,在确定了每艘船舶的异常行为事件后,需要进一步的根据异常行为事件确认船舶是否是异常船舶,即船舶上是否出现了异常行为。具体的,包括有如果两艘船舶的轨迹在同一时间范围内,空间距离过近或在进入辖区内时由第一船舶信息变成第二船舶信息,并在离开辖区后又由第二船舶信息变成第一船舶信息,且第一船舶信息和第二船舶信息在空间轨迹上具有连续性,这时即认为出现了异常行为的船舶为异常船舶。在确定了异常船舶后,生成异常船舶报警记录和/或对确认的异常船舶进行报警,从而实现对异常船舶进行提前预警或对异常船舶的行为进行取证并生成报警记录。由于本申请中是对经过异常行为聚集区的所有船舶进行检测,并且使用大数据分析的方式,从而避免了现有方案中的异常船舶的确定方式具有主观性强的问题,提高了异常船舶的识别准确性。同时该种方式模型简单,能够不断的通过改变异常行为聚集区即可实时更新数据,进而对新的异常行为聚集区进行排查,十分的灵活。
在上述实施例中,确定异常行为聚集区的步骤包括:确定预设时间段内满足预设特征的船舶的历史轨迹信息;对满足预设特征的船舶的历史轨迹信息进行分析确定出异常行为聚集区。
在该实施例中,由于海上的异常行为往往有一定的时效性,如定期的更换船舶,使得指定的船舶仅在一段时间内参与了异常行为,但是在最初启用的一段时间内,由于可参考的数据较少,因此往往会被执法单位所忽视,且异常船舶之间的交易方式和交易地点也会发生变化,因此时间过长的数据对分析异常行为聚集区并无好处,反而会扩大检测的范围而导致违反相关规定的船舶有可乘之机,因此需要限定预设的时间段的历史轨迹信息,而异常船舶往往具有一定的共性,如起始地相同,或者所属的组织或国家相同,虽然具有这些特征的船舶并非均会发生异常行为,但是发生异常行为的可能性就会变大,而这些船舶的历史轨迹信息就成为了能够判断船舶是否发生异常行为的关键。在不知道哪些船舶会发生异常行为的前提下,为了降低检索范围可以重点排查易发生异常行为的船舶,比如满足预设特征的船舶,同时对易发生异常行为的船舶(比如满足预设特征的船舶)的历史轨迹信息进行分析,以此就可以确定出异常行为聚集区。然后通过对经过异常行为聚集区的船舶进行进一步的排查,从而提高了对异常船舶的排查力度。
在上述实施例中,如图5所示,预设时间段的满足预设特征的船舶包括在预设时间段内具有异常特征的船舶,或在预设时间段内的预设国籍地发出的船舶以及在预设时间段内从预设出发地发出的船舶。
在该实施例中,由于异常行为聚集区504(如图5所示)的判断主要是对历史航行数据的分析,因此选择何种历史航行数据就成为了异常行为聚集区504的实际范围的标准,过大的异常行为聚集区504会导致工作量加大,从而给了异常船舶可乘之机,而过小的异常行为聚集区504则会导致出现大量的漏网之鱼,会有大量的异常船舶无法被发现,因此异常行为聚集区504的范围就是能够实施本申请的关键,本申请中通过将预设时间段内具有异常特征的船舶,或在预设时间段内从预设国籍或预设出发地,或预设组织的船舶的历史航线信息进行整合,从而提前预警到这些异常船舶的行动,由于预定的国籍或出发地本就是重点管控的对象,因此具有预定特征的船舶出现异常行为的可能性更高,重点对具有预设特征的船舶进行排查能够有效的提高预警的效率。同时为了防止相关人员采用全新的途径将异常行为的航线和船舶进行了更换,因此还可以对预设时间段内的所有船舶进行分析,从而实现更加全面的检测。由于考虑到异常人员的心理,不会采用已经被重点排查的航线和船舶,因此时间过长的船舶和航线就可能会对现有的情况发生误导,从而给了相关人员可乘之机,因此最优的方案是将预设时间设定为一年,一年的时间相对于较为隐蔽的异常行为不会过短,而对经常进行更换船舶或航线的异常行为又不会过长。
进一步地,对满足预设特征的船舶的历史轨迹信息502进行分析确定出异常行为聚集区504的步骤包括:基于空间密度的改进DBSCAN算法对历史轨迹信息502进行分析确定出异常行为聚集区504。通过采用空间密度的算法进行确定可以明确具有最多异常船舶经过的区域,并将该区域定义为异常行为聚集区504。
在上述实施例中,确定预设时间段的满足预设特征的船舶的历史轨迹信息的步骤包括:获取预设时间段内的满足预设特征的船舶的原始数据;对原始数据进行处理,以去除原始数据中的异常信息;将去除异常信息后的原始数据,按照时间进行连线,生成满足预设特征的船舶的航行轨迹线;对于航行轨迹进行修正,得出在预设时间段内满足预设特征的船舶的历史轨迹信息;原始数据包括水上移动通信业务标识码、经纬度、船舶速度和船首方向。
在该实施例中,确定预设时间段的满足预设特征的船舶的历史轨迹信息的步骤包括:获取预设时间段内的满足预设特征的船舶的原始数据;对原始数据进行处理,以去除原始数据中的异常信息;将去除异常信息后的原始数据,按照时间进行连线,生成满足预设特征的船舶的航行轨迹线;对航行轨迹进行修正,得出在预设时间段内满足预设特征的船舶的历史轨迹信息;原始数据包括水上移动通信业务标识码、经纬度、船舶速度和船首方向。由于在实际的使用时,本申请所收到的原始数据可能是人为篡改的,或者由于设备故障和信道拥挤的原因,使得原始数据中存在异常的信息,如经纬度明显超过180°,船舶的航速过大,缺少关键记录的情况,而具有错误信息的原始数据并不能作为确定异常行为聚集区504的标准,因此需要对原始数据进行清理,尽可能的还原出真实合理的原始数据,而在清理后还需要对原始数据按照时间进行连线,进而生成预设船舶的航行轨迹线,由于在数据清理时并不能将所有的不合理的数据均清除,因此在连接航线轨迹线时会将不平滑且不合理的点处理,得到预设船舶的历史轨迹信息502,从而提高对历史轨迹信息的准确性,提高了异常行为聚集区504的可靠性。
进一步地,船舶的原始数据为一年内的全球航行轨迹数据,如仅考虑船舶在我国海域附近的航线数据,就使得异常行为聚集区504的确定具有一定的局限性,而异常行为是全球性的,无论异常行为聚集区504处于任何海域,当异常船舶经过我国领海均需被我国的执法部门检查,为了防止外国的异常船舶驶入我国领海进行异常行为,使用的历史轨迹信息502应为全球航行轨迹数据。
其中原始数据包括水上移动通信业务标识码、经纬度、船舶速度和船首方向中的一种或多种数据。原始数据之间能够相互提供证据,证明数据的合理性,如船舶的速度和船首的方向确定的情况下,在非极端天气下,下一个原始数据中的经纬度,船舶速度和船首方向就具有一定的区间,从而使得原始数据具有客观性,进而提高历史轨迹信息502的准确性。
在上述实施例中,对异常行为聚集区内的船舶的行为进行异常分析,生成每艘船舶的异常行为事件的步骤包括:根据每艘船舶的预抵行为、停留行为和离开行为进行异常分析,以生成每艘船舶的异常行为事件;对异常行为聚集区内的船舶的行为进行异常分析的步骤包括:判断船舶的预抵、停留和离开过程中的信号是否异常,其中,信号异常至少包括信号消失与复现;判断船舶的预抵、停留和离开过程中的轨迹是否异常,其中,轨迹异常包括按照时间序列连接位置点形成的船舶轨迹出现离群点、轨迹稀疏和分段轨迹中的至少一种。
在该实施例中,轨迹异常包括按照时间序列连接位置点形成的船舶轨迹出现离群点、轨迹稀疏、分段轨迹中的至少一种。其中常规的船舶均会定时的反馈原始数据,并按照指定的轨迹进行航行,当发生轨迹变更时也需要进行报备,无论是预抵、停留还是离开的过程具有一定的规则,而异常船舶则会想办法避开这些规则,因此无论是反馈原始信息还是轨迹都可能不符合规则,因此对异常的行为需要重点关注。其中,异常的行为包括信号异常,如信号消失和信号复现以及航行轨迹异常,如按照时间序列连接的位置点形成的船舶出现了离群点、轨迹稀疏,甚至出现分段轨迹的情况,这就说明船舶具有异常行为,应重点关注。
在上述实施例中,根据异常行为事件确认船舶是否为异常船舶的步骤包括:对异常行为事件组合成至少一个异常行为事件组;在异常行为聚集区内的船舶满足一个或多个异常行为事件组时,确认对应的船舶为异常船舶,具体包括:在第一船舶进入异常行为聚集区后信号消失,且在异常行为聚集区发生第二船舶信号复现,之后第一船舶在异常行为聚集区内信号复现,而第二船舶信号消失,且第一船舶和第二船舶在轨迹上具有关联性时,认定第一船舶为异常船舶;在确定两艘船舶的轨迹在同时间范围内,存在多个轨迹点的直线距离间距小于预设距离时,认定两艘船舶为异常船舶;经过异常行为聚集区的船舶的每天轨迹点位数与正常航行轨迹点位数的比值小于第一预设比值并连续出现预设天数,且AIS设备在线率小于第二预设比值时,认定该船舶为异常船舶。
在该实施例中,当将异常行为事件进行组合,可能就会发现其中的关联性,如在第一船舶在进入异常行为聚集区504后信号消失了,同时在异常行为聚集区504内出现了第二船舶的信号,即第二船舶信号复现,在一段时间后,第一船舶信号复现,且第二船舶信号消失,同时在对第一船舶和第二船舶进行轨迹分析时,发现第一船舶的航线轨迹和第二船舶的航线轨迹具有一定的关联性,如按第一船舶最后的原始数据进行接下来的航线分析与第二船舶的航线轨迹重合或相近,这就说明第一船舶和第二船舶大概率为同一船舶,第一船舶冒名顶替第二船舶进行航行,进而判断第一船舶为异常船舶。
进一步地,还包括有:对经过异常行为聚集区的船舶进行跟踪的过程中发现有与另一船舶的轨迹在同时间范围内,存在多个轨迹点的直线距离小于预设距离,则认为两船之间发生了搭靠的情况。因此需要重点排查出现搭靠的船舶,因此判断两船均为异常船舶。
更进一步地,经过异常行为聚集区504的船舶的每天轨迹点位数与正常航行轨迹点位数的比值小于第一预设比值并连续出现预设天数,且AIS设备在线率小于第二预设比值时,说明该船舶的操作者不想发送原始数据,可以认为其存在故意隐瞒航行轨迹的行为,因此,认定该船舶为异常船舶。
在上述实施例中,异常船舶报警记录中记录的信息包括:水上移动通信业务标识码、船名、异常行为类型、报警描述、触发地点和报警时间中的一项或多项。
在该实施例中,异常船舶报警记录中记录的信息包括:水上移动通信业务标识码、船名、异常行为类型、报警描述、触发地点和报警时间中的一项或多项,在确定了异常船舶后,需要将船名和异常行为类型,报警描述和触发地点,报警时间等信息进行记录,从而为事后的判断提供相应的证据。
进一步地,异常行为聚集区504与港口之间的距离大于30海里。船舶一定要进入港口,因此在港口处的航行轨迹一定是最为密集的,因此对于识别异常行为没有任何的参考价值。因此通过限定异常行为聚集区504与港口之间的距离大于30海里,从而提高异常行为聚集区504对判断异常行为的准确性。
进一步地,船舶的异常识别方法还包括:将异常船舶报警记录发送给用户终端;和/或记录异常船舶的相关信息,包括相关信息,所述相关信息包括水上移动通信业务标识码、船名、异常行为类型、异常行为发生区域、异常行为发生时间异常行为发生区域和异常行为发生时间中的至少一种信息;接收查询指令,以查询异常船舶的相关信息,或接收到信息导出指令后,将异常船舶的相关信息进行输出。其中,在确定了异常船舶后,需要将船名和异常行为类型,报警描述和触发地点,报警时间等信息进行记录,从而为事后的判断提供相应的证据。
在根据本申请中的一个实施例中,如图2所示,提出的一种船舶的异常识别方法,还包括:
S202,确定预设时间段内满足预设特征的船舶的历史轨迹信息。
S204,对满足预设特征的船舶的历史轨迹信息进行分析确定出异常行为聚集区。
S206,对异常行为聚集区内的船舶的行为进行异常分析,生成每艘船舶的异常行为事件。
S208,根据异常行为事件确认船舶是否为异常船舶。
S210,根据确认的异常船舶生成异常船舶报警记录和/或对确认的异常船舶进行报警。
具体而言:第一步,数据获取,通过AIS基站(船舶自动识别系统的基站)与卫星设备获取原始AIS数据(船舶自动识别系统获取的数据),根据特殊标识符翻译本,对上述原始AIS数据进行解析,输出可直观进行使用的数据字段,如水上移动通信业务标识码、经纬度、速度、船首向等。
第二步,数据清洗,对上一步骤所解析的AIS数据进行清洗,由于人为篡改、设备故障、信道拥挤等原因,所解析的AIS数据存在大量错误的点,如准确性上经纬度明显超过180°,速度过大,水上移动通信业务标识码不满足常规;物理完整性上存在关键字段缺失的记录,如经纬度、时间戳、水上移动通信业务标识码字段缺失等对这些点进行清洗,得到清洗后的数据。
第三步,轨迹修正,基于第二步清洗后的AIS船舶位置点数据,将其按照时间戳的时间序列进行连线,生成船舶的航行轨迹。对于每艘船舶的航行轨迹进行修正。更进一步的,修正主要是对于船舶某条轨迹出现的飞点进行处理,如速度不可达点、相邻点距离过大点、相邻点出现极锐角情况,将这些轨迹上的噪点进行处理,从而得到平滑的轨迹曲线。
第四步:异常行为聚集区识别,基于第三步处理好的船舶点位与船舶轨迹,如图5所示,生成某国籍(本申请根据新闻报道中案发船舶信息,分析国籍为塞拉利昂籍)在过去一年的历史轨迹信息502,更进一步地,通过比较不同聚类识别算法,得出基于空间密度的DBSCAN算法满足该专利计算场景。该算法能够识别任意形状的样本,将具有足够密度的区域划分为簇,并在具有噪声的空间数据库中发现任意形状的簇。运用DBSCAN算法在该专利中我们指定点数最低为1000,识别出轨迹聚集程度高的区域。需要说明的是,对于初步识别的结果,我们进行了进一步地处理,由于船舶正常作业挂靠港口会产生大量的点,对于这些聚簇的识别进行舍弃,判断形成的聚簇中心点距离最近港口的距离,当距离大于30海里时,我们对聚簇进行保留。最终识别出的结果为在海上航行或者近港口一定范围的区域,将其标定为海上异常行为易发生区域,即异常行为聚集区504。
第五步:异常检测,基于第四步识别出的异常行为聚集区504,对其内船舶(包括预抵、停留与离开)行为进行识别,生成异常行为事件,包括信号异常如信号消失与复现;轨迹异常,即按照时间序列连接位置点形成的船舶轨迹出现离群点、轨迹稀疏、分段轨迹等情况。
更进一步地,信号消失与复现通过对区域船舶与预抵船舶进行历史轨迹信息502分析,对于AIS设备持续30分钟未更新的情况进行标记,当某船舶过往正常更新AIS数据,突然持续30分钟未更新,则记为信号消失,同样地,信号复现是指某船舶许久未更新突然更新的事件,其主要包括两种情况,一种信号复现是指某船舶在过往(如7天内)有信号出现,但中间某段时间信号消失持续30分钟以上又恢复信号的,另一种复现是指船舶在过往(如7天内)无信号出现,突然发送信号进行更新,以上两种情况都被识别为信号复现。
轨迹异常的检测,其中离群点也称为飞点,即位置相近的正常航行点位中突然出现一个距离该位置距离较远的点(这点通常由于间隔时间过长,第三步的轨迹修正对其不起作用),且与前后两点角度呈极锐角的情况,这种轨迹异常被称为离群点轨迹异常;轨迹稀疏是指正常航行的船舶其轨迹应呈现间隔相差不大且连续的点位,如出现连续的轨迹但前后两点相差距离过大(时间相差也较大),该种情况被识别为轨迹稀疏;分段轨迹通常是由于船舶套牌(即位置相差较远的两台AIS设备同时发送同一船舶信息)造成的,该情况在轨迹上表现为同一时间在不同位置出现船舶分段的轨迹。
第六步:异常船舶识别,基于第四步对于船舶异常行为事件的检测,对异常行为事件进行组合,对异常行为聚集区内的船舶进行识别。
异常行为类型一:如图6所示,该类行为表现为在异常行为聚集区范围内使用船舶A信息,生成了船舶A的航线信息602,进入辖区后船舶A出现信号消失,生成了船舶A的信号消失点604,伪装成船舶B信息,船舶B出现信号复现,生成了船舶B的信号复现点608,昼伏夜出,船舶A利用船舶B信息在管辖范围内进行交易,生成了船舶B的航线信息606,当离开管辖范围时切换为船舶A信息,船舶A出现信号复现,同时在轨迹上,船舶A和船舶B具有空间关联性,如图6所示,该异常船舶识别包含关联船舶的信号消失与复现及轨迹上的空间关联性。
异常行为类型二:船舶出现轨迹异常,两艘船舶的轨迹在同时间范围内,在空间上距离过近(存在多个轨迹点直线距离间距小于50米),认定出现搭靠现象,识别出疑似异常船舶。
异常行为类型三:船舶信号异常,轨迹稀疏,设备在线率低,通过分析异常行为聚集区内的船舶历史7天轨迹及AIS设备在线率,如发现轨迹点位数每天小于正常航行轨迹点位数(正常航行轨迹点位数的设置为8500点/天)的20%,同时AIS设备在线率小于20%,在信号覆盖良好的异常行为聚集区出现此类行为,船舶疑似发生异常行为,生成异常船舶识别记录。
更进一步地,基于该方法可按需组合不同的船舶异常事件,无需输入多种参数与模型调试,通过分析异常行为聚集区504的AIS数据,生成异常行为类型,识别出相应的异常船舶。
第七步:生成报警记录并推送,基于第六步识别的船舶,生成异常船舶报警记录,如图7所示,记录包括水上移动通信业务标识码(即MMSI)、船名、异常行为类型、报警描述、触发地点、报警时间等,将其对应的异常记录通过邮件、公众号推送给用户,使其及时知晓并采取下一步行动,同时支持特定船舶、特定区域、特定类型的查询与记录导出。
如图3所示,本发明的第二方面提供了一种船舶的异常识别系统300,包括:异常行为聚集区确定模块302,用于确定异常行为聚集区504;异常行为检测模块304,用于对异常行为聚集区内的船舶的行为进行异常分析,生成每艘船舶的异常行为事件;异常船舶确认模块306,用于根据异常行为事件确认船舶是否为异常船舶;报警模块308,用于根据确认的异常船舶生成异常船舶报警记录和/或对确认的异常船舶进行报警。
根据本发明的实施例提供的船舶的异常识别系统300,由于其用于实现本发明的第一方面提供的船舶的异常识别方法的步骤,因而该船舶的异常识别系统300具备该船舶的异常识别方法的全部技术效果,在此不再赘述。
本发明的第三方面提供了一种船舶的异常识别系统400,如图4所示,包括存储器402和处理器404,存储器402存储可在处理器404上运行的程序和/或指令,程序和/或指令被处理器404执行时实现上述第一方面的船舶的异常识别方法的步骤。
根据本发明的实施例提供的船舶的异常识别系统400,包括存储器402和处理器404及存储在存储器402上并可在处理器404上运行的程序,程序被处理器404执行时实现上述任一船舶的异常识别方法限定的步骤。同时,由于本申请的船舶的异常识别系统能够实现上述第一方面船舶的异常识别方法限定的步骤,因此本实施例提供的船舶的异常识别系统具有上述第一方面实施例中提供的船舶的异常识别方法的全部有益效果。
本发明的第四方面提供了一种可读存储介质,其上存储有程序和/或指令,程序和/或指令被处理器404执行时实现上述第一方面实施例中的船舶的异常识别方法的步骤。
根据本发明的实施例提供的可读存储介质,由于其上存储的程序和/或指令被处理器404执行时可实现上述第一方面实施例中的船舶的异常识别方法的步骤,因而具有上述船舶的异常识别方法的全部有益技术效果,在此不再赘述。
在本说明书中,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。
在本说明书的描述中,术语“一个实施例”、“一些实施例”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)
1.一种船舶的异常识别方法,其特征在于,包括:
确定异常行为聚集区;
对所述异常行为聚集区内的至少一艘船舶的行为进行异常分析,生成每艘所述船舶的异常行为事件;
根据所述异常行为事件确认所述船舶是否为异常船舶;
根据确认的所述异常船舶生成异常船舶报警记录和/或对确认的所述异常船舶进行报警。
2.根据权利要求1所述的船舶的异常识别方法,其特征在于,所述确定异常行为聚集区的步骤包括:
确定预设时间段内满足预设特征的船舶的历史轨迹信息;
对满足预设特征的船舶的历史轨迹信息进行分析确定出异常行为聚集区。
3.根据权利要求2所述的船舶的异常识别方法,其特征在于,所述预设时间段内满足预设特征的船舶包括在预设时间段内具有异常特征的船舶,或在预设时间段内的预设国籍地发出的船舶以及在所述预设时间段内从预设出发地发出的船舶;和/或
所述预设时间段为一年;和/或
所述对满足预设特征的船舶的历史轨迹信息进行分析确定出异常行为聚集区的步骤包括:基于空间密度的改进DBSCAN算法对所述历史轨迹信息进行分析确定出异常行为聚集区。
4.根据权利要求2所述的船舶的异常识别方法,其特征在于,所述确定预设时间段内满足预设特征的船舶的历史轨迹信息的步骤包括:
获取预设时间段内的所述满足预设特征的船舶的原始数据;
对所述原始数据进行处理,以去除所述原始数据中的异常信息;
将去除异常信息后的原始数据,按照时间进行连线,生成满足预设特征的船舶的航行轨迹;
对所述航行轨迹进行修正,得出在所述预设时间段内所述满足预设特征的船舶的历史轨迹信息;
所述原始数据包括水上移动通信业务标识码、经纬度、船舶速度和船首方向中的一种或多种数据。
5.根据权利要求1所述的船舶的异常识别方法,其特征在于,对所述异常行为聚集区内的至少一艘船舶的行为进行异常分析,生成每艘所述船舶的异常行为事件的步骤包括:
根据每艘所述船舶的预抵行为、停留行为和离开行为进行异常分析,以生成每艘所述船舶的异常行为事件;
对所述异常行为聚集区内的所述船舶的行为进行异常分析的步骤包括:
判断所述船舶的预抵、停留和离开过程中的信号是否异常,其中,信号异常至少包括信号消失与复现;
判断所述船舶的预抵、停留和离开过程中的轨迹是否异常,其中,轨迹异常包括按照时间序列连接位置点形成的船舶轨迹出现离群点、轨迹稀疏和分段轨迹中的至少一种。
6.根据权利要求5所述的船舶的异常识别方法,其特征在于,所述根据所述异常行为事件确认所述船舶是否为异常船舶的步骤包括:
对所述异常行为事件组合成至少一个异常行为事件组;
在所述异常行为聚集区内的所述船舶满足一个或多个所述异常行为事件组时,确认对应的船舶为异常船舶,具体包括:
在第一船舶进入所述异常行为聚集区后信号消失,且在所述异常行为聚集区发生第二船舶信号复现,之后所述第一船舶在所述异常行为聚集区内信号复现,而所述第二船舶信号消失,且所述第一船舶和所述第二船舶在轨迹上具有关联性时,认定所述第一船舶为异常船舶;在确定两艘船舶的轨迹在同时间范围内,存在多个轨迹点的直线距离间距小于预设距离时,认定两艘所述船舶为异常船舶;
经过所述异常行为聚集区的船舶的每天轨迹点位数与正常航行轨迹点位数的比值小于第一预设比值并连续出现预设天数,且AIS设备在线率小于第二预设比值时,认定该船舶为异常船舶。
7.根据权利要求1至6中任一项所述的船舶的异常识别方法,其特征在于,所述异常船舶报警记录中记录的信息包括:水上移动通信业务标识码、船名、异常行为类型、报警描述、触发地点和报警时间中的一项或多项;和/或
所述异常行为聚集区与港口之间的距离大于30海里;和/或
所述的船舶的异常识别方法还包括:
将所述异常船舶报警记录发送给用户终端;和/或
记录所述异常船舶的相关信息,所述相关信息包括水上移动通信业务标识码、船名、异常行为类型、异常行为发生区域和异常行为发生时间中的至少一种信息;
接收查询指令,以查询所述异常船舶的相关信息,或接收到信息导出指令后,将所述异常船舶的相关信息进行输出。
8.一种船舶的异常识别系统,其特征在于,包括:
异常行为聚集区确定模块,用于确定异常行为聚集区;
异常行为检测模块,用于对所述异常行为聚集区内的所述船舶的行为进行异常分析,生成每艘所述船舶的异常行为事件;
异常船舶确认模块,用于根据所述异常行为事件确认所述船舶是否为异常船舶;
报警模块,用于根据确认的所述异常船舶生成异常船舶报警记录和/或对确认的所述异常船舶进行报警。
9.一种船舶的异常识别系统,其特征在于,包括存储器和处理器,所述存储器存储有可在所述处理器上运行的程序和/或指令,所述程序和/或指令被所述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的异常识别方法的步骤。
10.一种可读存储介质,其特征在于,其上存储有程序和/或指令,所述程序和/或所述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的异常识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211479631.7A CN115774804A (zh) | 2022-11-24 | 2022-11-24 | 船舶的异常识别方法、系统和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211479631.7A CN115774804A (zh) | 2022-11-24 | 2022-11-24 | 船舶的异常识别方法、系统和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115774804A true CN115774804A (zh) | 2023-03-10 |
Family
ID=85390051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211479631.7A Pending CN115774804A (zh) | 2022-11-24 | 2022-11-24 | 船舶的异常识别方法、系统和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115774804A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116580313A (zh) * | 2023-03-31 | 2023-08-11 | 数字太空(北京)科技股份公司 | 一种基于数字孪生和遥感的异常船只识别方法及装置 |
CN117037089A (zh) * | 2023-10-09 | 2023-11-10 | 亿海蓝(北京)数据技术股份公司 | 船舶擅自出境行为的检测方法、装置和可读储存介质 |
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 |
-
2022
- 2022-11-24 CN CN202211479631.7A patent/CN115774804A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116580313A (zh) * | 2023-03-31 | 2023-08-11 | 数字太空(北京)科技股份公司 | 一种基于数字孪生和遥感的异常船只识别方法及装置 |
CN116580313B (zh) * | 2023-03-31 | 2023-11-14 | 数字太空(北京)科技股份公司 | 一种基于数字孪生和遥感的异常船只识别方法及装置 |
CN117037089A (zh) * | 2023-10-09 | 2023-11-10 | 亿海蓝(北京)数据技术股份公司 | 船舶擅自出境行为的检测方法、装置和可读储存介质 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115774804A (zh) | 船舶的异常识别方法、系统和可读存储介质 | |
US10922981B2 (en) | Risk event identification in maritime data and usage thereof | |
Zissis et al. | A distributed spatial method for modeling maritime routes | |
JP3882025B1 (ja) | 広域用船舶動静監視方法及びシステム | |
US20040193367A1 (en) | Method and system for marine vessel tracking system | |
CN105390028B (zh) | 船舶航行轨迹的纠正方法和系统 | |
Emmens et al. | The promises and perils of Automatic Identification System data | |
CN109817023B (zh) | 一种海缆水域ais目标检测方法 | |
US20170309189A1 (en) | Apparatus for monitoring emergency response vessel position | |
CN111179638A (zh) | 一种基于时间序列的船舶ais目标航行监控方法 | |
AU2020205850A1 (en) | System and method for tracking vessels | |
CA2684868C (en) | System and method for harvesting business intelligence from maritime communications | |
Silveira et al. | Assessment of ship collision estimation methods using AIS data | |
CN116257565A (zh) | 船舶异常行为检测方法 | |
CN113961552B (zh) | 船舶穿越特殊区域的监控方法 | |
CN115571299A (zh) | 船舶的偏航判定方法、装置、可读存储介质和船舶 | |
CN115273557A (zh) | 一种基于ais的在航船舶碰撞风险检测及预警方法和系统 | |
CN112991820B (zh) | 套牌船识别方法及系统 | |
KR102298406B1 (ko) | 항해 가이던스 제공 방법 및 장치 | |
CN115841765A (zh) | 车辆位置盲区监控方法、装置、电子设备及可读存储介质 | |
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 | |
CN113870620B (zh) | 一种多ais设备同时开启的船舶识别方法 | |
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 | |
Wijaya et al. | Loitering behavior detection by spatiotemporal characteristics quantification based on the dynamic features of Automatic Identification System (AIS) messages | |
Liu et al. | A Fused Data Based Real-Time Collision Warning System for Ferries in the Yangtze River |
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 |