CN116226706A - 一种基于群运动特征的渔网示位标识别方法 - Google Patents

Abstract

本发明提供一种基于群运动特征的渔网示位标识别方法，包括：获取AIS数据，提取所述AIS数据的静态信息和动态信息；对AIS数据中的静态信息进行一次识别，一次识别通过则表示当前AIS数据为渔网示位标，所述一次识别用于对静态信息中的船舶名称进行判断；对一次识别不通过的AIS数据，利用动态信息进行二次识别，所述二次识别用于对相同运动状态的AIS轨迹序列进行分类，类别相同的AIS轨迹序列判定为一艘拖带渔船上的渔网示位标。本发明能够针对渔网示位标进行智能识别，具有显著的应用价值，可有效提高海事监管人员工作效率，保障海上交通安全。

Description

一种基于群运动特征的渔网示位标识别方法

技术领域

本发明涉及智慧航运技术领域，具体而言，尤其涉及一种基于群运动特征的渔网示位标识别方法。

背景技术

“船舶自动识别系统(AIS)信道保护”是国际海事组织(IMO)主导的一项长期议题，号召各国主管机构和研究人员开展相关研究，以保护AIS信道资源，保障船舶航行安全。在众多AIS信道资源占用中，我国基于AIS技术的渔网示位标使用数量较大，每年近10万只投入国内市场，尤其在山东沿海和浙江沿海等渔业发达省份海域应用普遍，导致AIS信道资源占用问题十分突出。

同时，由于渔网示位标还没有明确分配对应报文，现有AIS渔网示位标通常冒用B类AIS船站18或19号报文和AIS航标21号报文，造成识别困难，干扰船舶安全航行，进而引发各种海损事故。为此，及时、准确的在大量船舶AIS信号中识别渔网示位标对保障海上船舶航行安全具有十分重要的经济和社会意义。

发明内容

根据上述提出的现有AIS渔网示位标通常冒用B类AIS船站报文造成识别困难、干扰船舶安全航行的技术问题，而提供一种基于群运动特征的渔网示位标识别方法。本发明主要利用AIS数据中的静态信息和动态信息识别渔网示位标。

本发明采用的技术手段如下：

一种基于群运动特征的渔网示位标识别方法，包括：

获取AIS数据，提取所述AIS数据的静态信息和动态信息；

对AIS数据中的静态信息进行一次识别，一次识别通过则表示当前AIS数据为渔网示位标，所述一次识别用于对静态信息中的船舶名称进行判断；

对一次识别不通过的AIS数据，利用动态信息进行二次识别，所述二次识别用于对相同运动状态下的AIS轨迹进行分类，类别相同的AIS轨迹判定为一艘拖带渔船上的渔网示位标。

进一步地，提取所述AIS数据的静态信息和动态信息，包括：

提取静态信息：海上移动业务标识符和船舶名称；

提取动态信息：纬度、经度、航速、航向和数据接收时间。

进一步地，提取所述AIS数据的静态信息和动态信息，还包括：将AIS数据按照预设的格式存储为以下形式：

AIS＝[MMSI,shipname,latitude,longitude,SOG,COG,t]

其中，MMSI为船舶移动业务标识符，shipname为船名，latitude为纬度，longitude为经度，SOG为航速，COG为航向，t为数据接收时间。

进一步地，提取所述AIS数据的静态信息和动态信息，还包括：

根据船舶移动业务标识符数据，按数据接收时间序列提取船舶数据，生成AIS轨迹；

删除长度小于20的AIS轨迹序列，生成处理后的AIS轨迹。

进一步地，对一次识别不通过的AIS数据，对AIS数据中的动态信息进行二次识别，包括：

对AIS轨迹进行一次分类，所述一次分类用于根据动态信息中的航速信息将AIS轨迹分为一类数据、二类数据和三类数据；所述一类数据表示航行状态异常数据，二类数据表示停泊状态数据，三类数据表示航行状态数据；将识别为一类数据的AIS轨迹识别为疑似渔网示位标送至人工判断；

由二类数据中随机提取若干条AIS轨迹并进行二次分类，所述二次分类用于基于马氏距离的DBSCAN算法对AIS轨迹序列进行分类，分类后属于相同类别的AIS轨迹序列表示同一艘拖带渔船上的渔网示位标，所述预定义聚类根据通过一次识别得到的渔网示位标构建。

进一步地，对一次识别不通过的AIS数据，对AIS数据中的动态信息进行二次识别，还包括：

由三类数据中随机提取若干条AIS轨迹序列并进行二次分类，所述二次分类用于基于马氏距离的DBSCAN算法对AIS轨迹序列进行分类，分类后属于相同类别的AIS轨迹序列表示同一艘拖带渔船上的渔网示位标，所述预定义聚类根据通过一次识别得到的渔网示位标构建。

较现有技术相比，本发明具有以下优点：

1、本发明收集大量AIS数据，通过预处理分析、识别符合渔网示位标静态特征的数据；

2、本发明提取渔网示位标动态信息，提出了渔网示位标的群运动特征，根据其群运动特征对AIS数据进行分类。

3、本发明识别效果稳定，准确率达到了95％以上。

综上所述，本发明提出的算法初次展现了针对渔网示位标的智能识别，具有显著的应用价值，可有效提高海事监管人员工作效率，保障海上交通安全。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于群运动特征的渔网示位标识别方法流程图。

图2为实施例中渔网示位标识别的流程图。

图3为实施例中基于马氏距离进行数据分类的流程图。

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，所描述的实施例仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，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”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本发明针对渔网示位标信息不规范造成识别困难，进而影响船舶航行安全的问题，提出了一种基于群运动特征的渔网示位标智能识别方法，如图1-3所示，主要包括以下步骤：

S1、获取AIS数据，提取所述AIS数据的静态信息和动态信息。

本发明中，提取的AIS数据静态信息包括海上移动业务标识符和船舶名称。提取的动态信息包括纬度、经度、航速、航向和数据接收时间。

将AIS数据按照预设的格式存储为以下形式：

AIS＝[MMSI,shipname,latitude,longitude,SOG,COG,t]^T

其中，MMSI为船舶移动业务标识符，shipname为船舶名称，latitude为纬度，longitude为经度，SOG为航速，COG为航向，t为该条数据接收时间。

进一步地，对获取的AIS数据进行预处理，主要包括根据船舶移动业务标识符数据，按照时间序列形成的有限AIS轨迹序列。；删除AIS轨迹序列长度小于20的AIS轨迹序列进一步地，还可以删除接收时间间隔大于15分钟的轨迹信息。

本发明中优选将AIS轨迹点x的数学表达式定义为x＝[MMSI,shipname,latitude,longitude,SOG,COG,t]^T。将AIS轨迹的数学表达式为traj_i＝{x₁,x₂...x_j}。

S2、对AIS数据中的静态信息进行一次识别，一次识别通过则表示当前AIS数据为渔网示位标，所述一次识别用于对静态信息中的船名信息进行判断。

本发明基于提取的AIS数据进行与处理分析，生成算法可用数据集，进而判断船名是否符合命名规则，若符合则直接判定为渔网示位标。具体来说，将静态信息数据中船名为“AAAA-BB-CC％”的数据直接判定为渔网示位标。其中AAAA表示渔网示位标名称，BB表示该条渔网上渔网示位标的序号，CC表示渔网示位标的剩余电量。上述船名格式是实际应用中最为常见的渔网示位标命名格式，出厂时已经设置好，多数情况下会直接使用，少数情况下会对渔网示位标的命名规则进行人为变动，本发明应用的场景设定为至少有部分的渔网示位标采用上述常规命名规则。

S3、对一次识别不通过的AIS数据，对AIS数据中的动态信息进行二次识别，所述二次识别用于对对AIS轨迹进行分类，类别相同的AIS轨迹判定为一艘拖带渔船上的渔网示位标。

一部渔网常安装2到20只不等的渔网示位标，并随主船、副船进行移动作业。因此，同一渔网上的渔网示位标和主副船之间的移动速度和移动方向具有强相关性。运动状态相同时，同一艘拖带渔船的渔网示位标具有航速和航向变化规律相同、轨迹形状相似的特点。具体来说，包括对AIS轨迹进行一次分类，所述一次分类用于根据动态信息中的航速信息将AIS轨迹分为一类数据、二类数据和三类数据；所述一类数据表示航行状态异常数据，二类数据表示停泊状态数据，三类数据表示航行状态数据；将识别为一类数据的AIS轨迹识别为疑似渔网示位标送至人工判断。

具体来说：将traj_i的轨迹点AIS_i进行分类。分类标准为

x→x_i＝[MMSI,shipname,latitude,longitude,SOG,COG,t,l]；

将traj_i进行分类为：

这里Class₁识别为疑似渔网示位标，表示其行进状态在不断变换，属于异常数据，需要送至上级监管系统进行人工判断。Class₂识别为行进状态停泊，Class₃识别为行进状态航行，二者需要进一步进行判断才能确认是否代表渔网示位标。因此需要进行二次分类。

进一步地，对二类数据进行二次分类，具体地：

由二类数据中随机提取若干条AIS轨迹并进行二次分类，所述二次分类用于基于马氏距离的DBSCAN算法对AIS轨迹数据进行分类，分类后属于相同类别的AIS轨迹数据表示同一艘拖带渔船上的渔网示位标，所述预定义聚类根据通过一次识别得到的渔网示位标构建。

传统的DBSCAN存在计算成本高和识别聚类时只考虑局部特征的缺点。使用马氏距离通过提高计算效率和考虑整个集群内各点之间的相关性来解决上述缺点。马氏距离描述了一个点与一组点之间的距离。从一个数据点x到一个具有平均数μ和协方差矩阵S的马氏距离表达式为。

μ＝[μ_lat,μ_lon,μ_sog,μ_cog]

S_ij＝cov(x_i,x_j)

本发明中，提取Class₂中的一个AIS轨迹序列，计算其与预先预设聚类的马氏距离，在与预设的聚类参数比较从而判定该序列是否属于该聚类。具体操作如下：输入ε、minPts和预定义的聚类。每个轨迹点将被迭代，并计算与预定义聚类的马氏距离D_M。这个距离将与输入的ε进行比较。如果D_M小于ε，该轨迹点被识别为属于该聚类，更新聚类参数。如果D_M大于ε，那么该轨迹点就是离群点。算法通过新加入的轨迹点来更新聚类，并开始第二次聚类迭代，一直持续到没有离群点比ε更接近于所有聚类为止。其中，ε为一个邻域内相对于某个点的半径，minPts决定一个点是否是一个核心点。如果至少有minPts个点在距离ε之内，那么这个点就被定义为核心点，在ε距离之内的点将与核心点处于同一个聚类中。

进一步地，对三类数据进行二次分类的步骤与二类数据相似，具体地：

由三类数据中随机提取若干条AIS轨迹并进行二次分类，所述二次分类利用基于马氏距离的DBSCAN算法对AIS轨迹数据进行分类，分类后属于相同类别的AIS轨迹数据表示同一艘拖带渔船上的渔网示位标，所述预定义聚类根据通过一次识别得到的渔网示位标构建。具体方式参见前述内容，此处不再重复。

下面通过具体的应用实例，对本发明的方案和效果进行进一步说明。

在本实施例中，假设输入AIS数据为Data＝{AIS₁,AIS₂,AIS₃,…AIS_n}其中AIS为一条VDL报文的静态信息和动态信息。

步骤一：提取船舶部分静态信息和动态信息：

AIS＝[MMSI,shipname,latitude,longitude,SOG,COG,t]

其中，MMSI为船舶移动业务标识符、shipname为船舶名称、latitude为纬度、longitude为经度、SOG为航速、COG为航向、t为该条数据接收时间。

步骤二：数据预处理：根据MMSI，按时间t提取船舶数据，生成AIS轨迹traj_i＝{AIS₁,AIS₂...AIS_j}，删除j小于20的traj即删除接收时间内轨迹长度小于20的AIS数据。；

步骤三：shipname为“AAAA-BB-CC％”的船舶直接识别为渔网示位标。其中AAAA表示渔网示位标名称，BB表示该条渔网上渔网示位标的序号，CC表示渔网示位标的剩余电量。

步骤四：分析第三步识别的渔网示位标动态信息：当运动状态相同时，同一艘拖带渔船的渔网示位标具有航速和航向变化规律相同、轨迹形状相似的特点。

步骤五：根据步骤四的分析的渔网示位标群运动特征，将traj_i的轨迹点AIS_i进行分类。分类标准为

AIS_i→AIS_i＝[MMSI,shipname,latitude,longitude,SOG,COG,t,l]；

步骤六：将traj_i进行分类

步骤七：将步骤六中Class₁识别为疑似渔网示位标，提取Class₂和Class₃各15条轨迹分别进行步骤八的操作；

步骤八：输入聚类参数ε、minpts和预定义聚类；

步骤九：数据Class₂中的轨迹点AIS_2i，计算马氏距离D_M；

步骤十：若D_M<ε，AIS_1i属于预定义聚类，反之AIS_1i为离群点；

步骤十一：更新聚类参数；

步骤十二：重复步骤九、步骤十和步骤十一，直到没有离群点比ε更接近所有聚类，反之重复步骤十一。

输出为：

shipnet＝{(traj₁,traj₂,traj₃,traj₄),(traj₅,traj₆,traj₇),(traj₁₀,traj₁₁),(traj₁₄,traj₁₅)}。

表示traj₁、traj₂、traj₃、traj₄轨迹相似，属于同一集群，识别为一艘拖带渔船上的渔网示位标。traj₁₀、traj₁₁和traj₁₄ traj₁₅同理。

Class₃与Class₂步骤相同。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (6)

1.一种基于群运动特征的渔网示位标识别方法，其特征在于，包括：

获取AIS数据，提取所述AIS数据的静态信息和动态信息；

对AIS数据中的静态信息进行一次识别，一次识别通过则表示当前AIS数据为渔网示位标，所述一次识别用于对静态信息中的船舶名称进行判断；

对一次识别不通过的AIS数据，利用动态信息进行二次识别，所述二次识别用于对相同运动状态下的AIS轨迹进行分类，类别相同的AIS轨迹判定为一艘拖带渔船上的渔网示位标。

2.根据权利要求1所述的一种基于群运动特征的渔网示位标识别方法，其特征在于，提取所述AIS数据的静态信息和动态信息，包括：

提取静态信息：海上移动业务标识符和船舶名称；

提取动态信息：纬度、经度、航速、航向和数据接收时间。

3.根据权利要求2所述的一种基于群运动特征的渔网示位标识别方法，其特征在于，提取所述AIS数据的静态信息和动态信息，还包括：将AIS数据按照预设的格式存储为以下形式：

AIS＝[MMSI,shipname,latitude,longitude,SOG,COG,t]

其中，MMSI为船舶移动业务标识符，shipname为船名，latitude为纬度，longitude为经度，SOG为航速，COG为航向，t为数据接收时间。

4.根据权利要求3所述的一种基于群运动特征的渔网示位标识别方法，其特征在于，提取所述AIS数据的静态信息和动态信息，还包括：

根据船舶移动业务标识符数据，按数据接收时间序列提取船舶数据，生成AIS轨迹；

删除长度小于20的AIS轨迹序列，生成处理后的AIS轨迹。

5.根据权利要求4所述的一种基于群运动特征的渔网示位标识别方法，其特征在于，对一次识别不通过的AIS数据，对AIS数据中的动态信息进行二次识别，包括：

对AIS轨迹进行一次分类，所述一次分类用于根据动态信息中的航速信息将AIS轨迹分为一类数据、二类数据和三类数据；所述一类数据表示航行状态异常数据，二类数据表示停泊状态数据，三类数据表示航行状态数据；将识别为一类数据的AIS轨迹识别为疑似渔网示位标送至人工判断；

由二类数据中随机提取若干条AIS轨迹并进行二次分类，所述二次分类用于基于马氏距离的DBSCAN算法对AIS轨迹序列进行分类，分类后属于相同类别的AIS轨迹序列表示同一艘拖带渔船上的渔网示位标，所述预定义聚类根据通过一次识别得到的渔网示位标构建。

6.根据权利要求4所述的一种基于群运动特征的渔网示位标识别方法，其特征在于，对一次识别不通过的AIS数据，对AIS数据中的动态信息进行二次识别，还包括：

由三类数据中随机提取若干条AIS轨迹序列并进行二次分类，所述二次分类用于基于马氏距离的DBSCAN算法对AIS轨迹序列进行分类，分类后属于相同类别的AIS轨迹序列表示同一艘拖带渔船上的渔网示位标，所述预定义聚类根据通过一次识别得到的渔网示位标构建。

Images