CN116257565A - 船舶异常行为检测方法 - Google Patents

Abstract

本发明公开了一种船舶异常行为检测方法，包括：根据选定的目标海域对其范围内的船舶AIS数据进行实时统计以完成所述目标海域内的目标数据的采集；针对选定船舶的历史AIS信息进行数据分析以建立正常的航道模型；将所述航道模型与所述选定船舶的待检测轨迹进行比较；基于所述待检测轨迹出现在所述航道模型中，将其确认为正常轨迹；基于所述待检测轨迹未出现在所述航道模型中，将其确认为异常轨迹。本发明能汇聚多来源的实时AIS、GPS和北斗等信息数据，对海上执法进行多方面智慧一体化，从数字化的完全转型，从而减少人工工作量、便捷管理、应用、减少工作量级、数据统一分析、多元化、高效化的使用需求。

Description

船舶异常行为检测方法

技术领域

本发明涉及船舶异常行为检测技术领域，尤其涉及一种船舶异常行为检测方法。

背景技术

随着航运业的快速发展,巨大的船舶交通量致使海上交通环境日趋复杂,安全问题日益凸显，船舶AIS的广泛应用,带来了船舶时空数据的迅猛增长，本发明面向海上执法需求，包括海警、海事、海关、渔政、救捞等部门，提供对船舶的行为进行实时监测，对异常的行为进行实时自动的提取、分析和上报。但是，当前船舶异常行为检测软件主要基于历史数据进行离线式建模，没有依据实时数据对船舶行为进行动态建模或更新，因此船舶行为建模方式本身存在一定的缺陷；当前异常检测的对象大多比较单一，缺乏综合性。此外，现有技术中船舶异常行为检测的工作量大、难以快速有效管理。

发明内容

本发明的目的在于提供一种船舶异常行为检测方法，用以解决现有技术中船舶异常行为检测的工作量大、难以快速有效管理的难题。

本发明的上述目的可采用下列技术方案来实现：

本发明提供了一种船舶异常行为检测方法，包括：

根据选定的目标海域对其范围内的船舶AIS数据进行实时统计以完成所述目标海域内的目标数据的采集；

针对选定船舶的历史AIS信息进行数据分析以建立正常的航道模型；

将所述航道模型与所述选定船舶的待检测轨迹进行比较；

基于所述待检测轨迹出现在所述航道模型中，将其确认为正常轨迹；

基于所述待检测轨迹未出现在所述航道模型中，将其确认为异常轨迹。

优选的，其中，还包括：

实时监测所述选定船舶的航速，基于所述选定船舶的航速超出阈值范围，进行航速异常提醒。

优选的，其中，所述目标数据包括船舶静态数据、船舶动态数据及船舶航行数据。

优选的，其中，所述船舶静态数据包括船名、呼号、MMSI、IMO、船舶类型、船长、船宽。

优选的，其中，所述船舶动态数据包括经度、纬度、船首向、航迹向、航速。

优选的，其中，所述船舶航行数据包括船舶状态、吃水、目的地、ETA。

优选的，其中，所述针对选定船舶的历史AIS信息进行数据分析以建立正常的航道模型包括：

对所述历史AIS信息进行数据清洗以形成目标AIS信息；

利用所述目标AIS信息对所述选定船舶的航速、航向、航迹分别进行分析以建立正常的航道模型。

优选的，其中，正常的航道模型采用基于统计的方法、基于贝叶斯网络的方法和基于神经网络的方法中任一种进行。

优选的，其中，所述航迹分析时进行的航迹分割采用分布策略进行，且所述航迹分割包括：

将航迹分为静止部分和移动部分；

对分割后的航迹片段进行聚类以将同类型的航迹片段分到同一类中；

其中，所述静止部分包括所有瞬时速度小于给定阈值的点，其无需进一步分割。

优选的，其中，所述航迹片段的类型包括直航、偏航、刹车、加速和停止。

本发明至少具有以下特点及优点：

本发明能汇聚多来源的实时AIS、GPS和北斗等信息数据，对海上执法进行多方面智慧一体化，从数字化的完全转型，从而减少人工工作量、便捷管理、应用、减少工作量级、数据统一分析、多元化、高效化的使用需求，能够方便处理北斗以及GPS、AIS的综合数据、对特定港口码头的船舶轨迹(包括船舶的动态数据、性能以及位置)进行现代化管理。

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为本发明船舶异常行为检测方法的流程框图；

图2为本发明船舶异常行为检测设备软件的框架图；

图3为本发明船舶位置数据异常检测示意图；

图4为本发明静态数据清洗策略示意图；

图5为本发明船舶静态数据关联性示意图。

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，下文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。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，都属于本发明保护的范围。

本发明提供了一种船舶异常行为检测方法，请参见图1至图5，包括：

S1、根据选定的目标海域对其范围内的船舶AIS数据进行实时统计以完成目标海域内的目标数据的采集；

S2、针对选定船舶的历史AIS信息进行数据分析以建立正常的航道模型；

S3、将航道模型与选定船舶的待检测轨迹进行比较；

S4、基于待检测轨迹出现在航道模型中，将其确认为正常轨迹；

S5、基于待检测轨迹未出现在航道模型中，将其确认为异常轨迹。

在一些实施例中，请参见图1，还包括：

S6、实时监测选定船舶的航速，基于选定船舶的航速超出阈值范围，进行航速异常提醒。

在一些实施例中，目标数据包括船舶静态数据、船舶动态数据及船舶航行数据。进一步的，船舶静态数据包括船名、呼号、MMSI、IMO、船舶类型、船长、船宽。更进一步的，船舶动态数据包括经度、纬度、船首向、航迹向、航速。在另一些实施例中，船舶航行数据包括船舶状态、吃水、目的地、ETA。

在一些实施例中，针对选定船舶的历史AIS信息进行数据分析以建立正常的航道模型包括：

对历史AIS信息进行数据清洗以形成目标AIS信息；

利用目标AIS信息对选定船舶的航速、航向、航迹分别进行分析以建立正常的航道模型。

在一些实施例中，正常的航道模型采用基于统计的方法、基于贝叶斯网络的方法和基于神经网络的方法中任一种进行。

在一些实施例中，航迹分析时进行的航迹分割采用分布策略进行，且航迹分割包括：

将航迹分为静止部分和移动部分；

对分割后的航迹片段进行聚类以将同类型的航迹片段分到同一类中；

其中，静止部分包括所有瞬时速度小于给定阈值的点，其无需进一步分割。

在一些实施例中，航迹片段的类型包括直航、偏航、刹车、加速和停止。

本发明能汇聚多来源的实时AIS、GPS和北斗等信息数据，对海上执法进行多方面智慧一体化，从数字化的完全转型，从而减少人工工作量、便捷管理、应用、减少工作量级、数据统一分析、多元化、高效化的使用需求，能够方便处理北斗以及GPS、AIS的综合数据、对特定港口码头的船舶轨迹(包括船舶的动态数据、性能以及位置)进行现代化管理。

下面通过一个具体实施例来对本发明做一步的介绍与说明，请参见图1至图5，包括以下步骤：

1、引接AIS数据，并进行数据清洗

通过接收在特定船舶部署的AIS接收设备及购买的第三方数据，从而获取船舶附近海域的AIS目标信息，将船舶自动识别系统(AIS)报出的船舶目标数据，主要包括船舶静态数据(船名、呼号、MMSI、IMO、船舶类型、船长、船宽等)、船舶动态数据(经度、纬度、船首向、航迹向、航速等)以及船舶航行数据(船舶状态、吃水、目的地、ETA等)传送至岸基服务器，对AIS船舶静态数据及动态数据清洗，完成数据恢复及异常处理工作，获取南海海域有效的船舶名称等固定值及船舶航速、船舶位置异常信息，发送至应用平台。

2、生成船舶航迹数据，实现船舶历史轨迹展示

以永兴岛为中心划定30海里，通过对海域内的船舶AIS数据进行实时的统计，通过多源回传的船舶AIS回传的不同时间点内的位置信息，发送船舶服务器进行数据融合整理，生成船舶航迹轨迹数据，并将其进行存储，最后根据实际数据绘制展示。

3、汇聚大量AIS数据，判断船舶是否处于异常行为状态，对船舶异常行为进行告警与分析

船舶的异常行为与船舶经过的航迹和船舶所处的位置密切相关，通过船舶航迹数据，船舶经过的航迹不符合该类型船舶正常的运动规律，或者船舶在特定的时间处于不合适的位置，都可以被看作异常。汇聚南海海域内大量的AIS数据，根据清洗后获得的有效船舶AIS数据，利用对船舶的航速、航向、航迹进行分析，通过航迹分割、正常行为建模和异常行为检测的数据方法，以此来判断该船的运动是否符合正常的航行活动规律；航迹的划分过程中采取了分步的策略，首先将航迹分为静止和移动两部分，静止部分包含所有瞬时速度小于给定阈值的点，不需要进一步分割，船舶运动是一个复杂的过程，分割后的航迹片段存在多种类型，比如直航、弱偏航、大偏航、刹车、加速和停止等，为了将不同类型的航迹片段区分开来，以便后面对正常航迹进行建模，需要对分割后的航迹片段进行聚类，将相似的航迹片段分到同一个类中，进而对船舶自身的安全，或者是否存在非法活动嫌疑进行识别，并对可能发生的危险进行评估和预警。

4、划定异常行为区域，研究分析该区域内船舶异常行为

根据生成的异常行为告警信息，对海域内船舶进行实时监测，并对该区域内船舶异常行为进行实时自动提取、分析。

在一些实施例中，基于本发明的方法形成有船舶异常行为检测设备软件，请参见图2其设计思路为：通过对多源数据分析处理的结果，通过算法来对船舶的异常行为进行判断和提示。其主要功能要求如下：系统能够获取特定船舶的北斗、GPS及AIS信息，并获取特定海域的AIS信息，从而获取船舶在海上的航行数据并进行分析。更具体的，系统功能如下:

(1)AIS数据预处理

将特定船舶自动识别系统(AIS)上报至岸基的船舶目标数据，主要包括船舶静态数据(船名、呼号、MMSI、IMO、船舶类型、船长、船宽等)、船舶动态数据(经度、纬度、船首向、航迹向、航速等)以及船舶航行数据(船舶状态、吃水、目的地、ETA等)进行处理。

对AIS数据进行数据清洗，主要是去除原始数据中的噪声数据，同时对航次进行划分，分别存储船舶进港航次和出港航次。这些AIS数据经过处理后，在电子海图中显示。

(2)船舶航迹数据生成

系统支持自动储存并记录船舶6个月的历史航行记录回放，可以自由选定任意时间区间查询展示历史航迹。

航迹查询模块支持自动储存并记录所管辖船舶6个月的历史航行记录回放，可以自由选定任意时间区间查询展示历史航迹。

航迹查询功能主要包括：对航路点信息的查询；提供6个月的历史航迹；航行动态回放。

(3)船舶异常行为告警与分析报告

系统通过对采集到的船舶AIS数据进行分析，对船舶在海上航行的行为进行判断，从而实时识别船舶异常行为，并进行分析上报。

提供船舶运动异常与位置异常等异常行为分析，船舶的异常行为与船舶经过的航迹和船舶所处的位置密切相关，船舶经过的航迹不符合该类型船舶正常的运动规律，或者船舶在特定的时间处于不合适的位置，都可以被看作异常，应该引起监控部门的注意和重视。

AIS设备发送的信息包括船舶身份、船舶位置、吃水、航速、船首向、船舶类型、船舶长度、宽度。AIS设备的使用积累了大量的船舶航行数据，为利用数据挖掘技术对正常行为建模，并据此对船舶的异常行为进行监测提供了重要的基础数据。基于AIS的船舶异常行为检测就是根据输入的船舶航行信息，对其航行的正常性进行评估和预警。

在一些实施例中，AIS数据预处理为：针对采集的AIS数据冗杂和数据错误及缺失等问题，首先需要对AIS数据进行数据清洗。针对数据更新不及时，利用清理后的数据进行蒙特卡洛预测，推测其周期内所在的位置。具体的，AIS数据清洗基本概念如下：数据清洗就是根据数据的用途制定筛选、排除不符合要求的数据及对数据的完善，是处理数据的必要步骤，包含验证数据一致性、处理无效值及缺失值等。数据的清洗需要根据不同的数据内容、格式进行特定性的数据清洗，数据可能从较多的系统中提取而来，同时含有历史数据，导致数据库中存在众多的无效数据，从而影响分析数据的结果，因此需要进行数据清洗。无效数据主要分为三个大类：不完整数据、错误数据、重复数据。

(1)需要数据清洗的主要类型

1)残缺数据

对于缺失数据的处理通过人工输入的方式进行填充，同时，存在关联性的数据库可通过本源数据库或其他数据库相关填充，同时也可通过插值等方式代替缺失值，实现对缺失数据的填充。

2)错误数据

由于数据传输的过程中可能存在错误，导致数据中存在错误数据，对于错误数据的识别通常采用人为设定数据范围、格式或利用统计理论判识错误数据。

3)重复数据

由于数据可能来自于多个数据库，存储数据时可能存在相同的数据，重复数据影响着数据的时间分析复杂度和数据的分析效果，通过判识数据中属性值的相似度判定数据的重复与否。将相似性较高的记录整合一条信息(即合并/消除)，达到去重的效果。

4)不一致性数据

当数据来源于多个数据库时，可能存在名称和语义冲突的情况，通过构建修改名称和关联性的方式达到数据统一。

(2)常见的数据清洗方法

1)空缺值的清洗

对于空缺值的清洗可以采取忽略元组；人工填写空缺值；使用全局变量完善空缺值；通过相关属性利用函数例如平均值、众数或更符合数据值的函数补充空缺值。

2)噪声数据的清洗

对于噪声数据的清洗可通过分箱(Binnin)的方式平滑数据值。分箱是通过将属性值分为一系列等深或等宽的“箱”中，通过“箱”中属性的平均值或其他属性值代替实际值，首先需要对数据进行错误识别，利用分箱的方式对数据进行补充。对于噪声数据的处理也可通过其他方式进行。

3)不一致数据的清洗

对于有些事物，所记录的数据可能存在不一致。有些数据不一致，可以使用其他材料人工加以更正。

4)重复数据的清洗

对于重复数据的清洗主要是通过相似度识别重复数据，对重复数据实行合并与消除。

本发明采用的解决方案如下

对于从基站接收的AIS数据，船舶静态数据作为识别船舶区别于其他船舶的数据，主要包括船名、呼号、海上移动业务识别码(MMSI)、国际海事组织(IMO)编号、船长、船宽、船舶类型等。船舶动态数据作为船舶航行状态的判断依据，主要包括船位数据、对地航速/航向、船首向等信息。由于船舶静态数据和船舶动态数据为生成航线的有效数据，因此要对其进行规范的数据清洗。

(1)AIS船舶静态数据清洗

AIS船舶静态数据为船舶的固有属性，是船舶区别于其他船舶的属性。因此根据AIS船舶静态数据的特性，本文提出如下的AIS静态数据清洗流程：

1)预处理阶段

静态数据的预处理包含两个部分：

①将数据导入处理工具中。将AIS数据存储到数据库中，用于接下来的处理工作；

②分析数据。对数据进行分析包含两个部分：首先对AIS数据包含内容进行分析，包括数据内容、数据格式、数据解释和数据的类型；其次是抽样调查，对数据的一部分进行查看，了解数据本身，为数据处理做准备。

AIS静态数据中，一艘船舶的船名、呼号、海上移动业务识别码(MMSI)、国际海事组织(IMO)编号为固定值，因此数据的正确性可以相互验证。

2)缺失值的清洗

数据的缺失作为数据错误的常见问题之一，对其处理的方法分为两个步骤：

①确定缺失值范围计算缺失内容的缺失率，根据缺失率和重要性分别进行处理

首先对于船舶静态数据的要求为识别船舶信息，其次需要根据船舶的船长和船宽数据推测船舶的吨位，再次考虑IMO和船舶呼号信息。根据不同的海域和流域，可以设定不同的重要性。在这里设定AIS静态数据的MMSI号数据重要性较高；船长、船宽、船名数据重要性中等；IMO号、船舶呼号、重要性偏低。对于缺失率的高低评判为缺失静态数据中一项时为低缺失率，缺失静态数据中的两项时为中缺失率，缺失静态数据中的三项时为高缺失率。

②填充缺失内容

对缺失内容的补全主要是根据其特性进行的，由于船舶的静态数据是相互关联的，缺失的数据可以通过先前周期该数据中未缺失的数据与其他数据进行比对，得到缺失数据的值。

3)格式内容清洗

在AIS数据的传输过程中，往往会出现数据格式出现问题的情况，比如内容中有不该存在的字符，例如MMSI中出现字母的情况。这种情况下，通过数据库筛选出问题数据，并通过数据中其他正确数据进行查询比对填补该值。

4)关联性验证

虽然AIS数据只有单个数据源，但是可以将几个周期的同一艘船的MMSI号、船名、呼号进行关联，检验AIS静态数据是否出现错误，从而进行数据处理。

(2)AIS船舶动态数据清洗

AIS船舶动态数据包括经度、纬度、船首向、航迹向、航速和UTC时间。由于对于航线生成的有效数据主要是AIS记录的船位和航速，即船舶的经、纬度和航速。通过对数据库中的数据统计分析，进行理论上研宄、讨论AIS船舶速度的可信区间。并通过船舶位置关联确定AIS船位数据的正确性。船舶动态数据表所示。

1)MS船舶速度数据异常

由于船舶种类和船舶的吨位影响着船舶的各种性能，因此对速度数据进行分析时，将船舶种类和船舶吨位作为分类标准，对速度进行数学统计分析。

A)船舶种类。船舶种类繁多，通常分为干散货船、集装箱船、化学品船、油船、LPG船、滚装船、拖轮和驳船、普通客船、高速客船、渡船等

B)船舶吨位。船舶吨位反应船舶船型大小。海上环境复杂，吨位大小对船舶的最大速度存在着一定的影响。由于AIS数据中没有记录船舶吨位的数据，因此吨位等级根据其船型尺度确定。

2)AIS船舶位置数据异常

对于AIS船位数据，可能存在经、纬度异常的情况，导致AIS中记录的船位点偏离航线，因此需要对位置偏离航线的情况进行判定。船舶位置数据异常的辨识方法是通过将该船位点与前、后两个船位点进行关联。已知该船位点前、后两个船位点，则该船位点的位置不会超过以前、后两船位点为椭圆焦点，以前、后两船位点时间差乘以(V_最大速度的取值根据前文中不同船舶种类和吨位进行分类并统计得到的最大可信速度)为椭圆长轴长的椭圆范围内。即该船位点与前、后相邻两点的距离和S_实际，并计算该船位点后、前两船位点时间差乘以V_最大速度作为理论距离值S_理论，判断实际距离值S_实际 是否小于理论S_理论距离值。如果小于则表示该船位点位置数据可信；如果大于则表示该船位点位置数据不可信，对不可信的船位点数据(经、炜度数据)进行删除。

S_实际＝S_n-1点到n+S_n点到n+1

S_理论＝(T_n+1-T_n-1)*V_最大速度

V_最大速度根据船舶类型和吨位取值；

S_n-1点到n为前船位点n-1与船位点n两点间的距离；

S_n点到n+1为船位点n和后船位点n+1两点之间的距离；

T_n+1为后船位点n+1的时间；

T_n-1为前船位点n-1的时间。

系统利用AIS船舶观测节点数据对系统状态做最小二乘法估计，对船舶轨迹进行平滑和预测处理，能够比较正确地估计出船舶轨迹。

船舶航迹数据生成

航迹生成模块可以针对特定船舶，自由选定任意时间区间查询展示历史航迹。系统支持自动储存并记录所管辖船舶6个月的历史航行记录。

船舶异常行为告警与分析报告

船舶是航海领域的行为主体，船舶异常行为是指船舶非正常偏离航道、航向，突然加速、减速，出现在不该进入的区域等，这些行为往往与走私、碰撞等相关。海上异常检测的任务是找出航海领域的非正常行为并评估其潜在的威胁。我们认为船舶异常行为检测就是根据输入的船舶运动相关数据对船舶的航速、航向、航迹进行分析，判断该船的运动是否符合正常的航行活动规律，进而对船舶自身的安全，或者是否存在非法活动嫌疑进行识别，并对可能发生的危险进行评估和预警。

船舶异常行为的分类

船舶的异常行为与船舶经过的航迹和船舶所处的位置密切相关，船舶经过的航迹不符合该类型船舶正常的运动规律，或者船舶在特定的时间处于不合适的位置，都可以被看作异常，应该引起监控部门的注意和重视。船舶异常行为分为运动异常和所处位置异常量大类，而运动异常包括航速异常和航迹异常两类，而位置异常被分为偏离历史航迹、出现在非法位置和其他一些不该出现的位置，他们将船舶的异常行为分为如下。

(1)航速异常

1)航速过高，超过系统设定的限定值。

2)航速过低，并且船舶一直以一个较低的速度在一个海域游荡。

(2)航迹异常

1)航迹不正常。

2)航迹终止。

(3)位置异常：

1)脱离历史航迹。

2)所处的位置不合法。

船舶异常行为检测的方法

基于AIS数据的检测方法是随着海事领域数据大量积累而发展起来的一类方法，这类方法采用数据挖掘技术，直接从数据中学习船舶行为知识，并根据学到的知识对船舶未来的航迹进行预测和监控。基于数据的方法包括航迹分割、正常行为建模和异常行为检测三个基本环节。

(1)航迹分割及相似性度量

船舶行为异常可能是由于它出现的位置不合适，也可能是由于它的运动不符合常规。但是不论那种异常，都是与船舶的航行轨迹相关的，因此，检测船舶的异常行为必须从其航迹入手。理论上，船舶的航迹是一个连续的过程，这种连续的数据不适合与计算机处理，因此航迹必须被离散化。事实上，船舶的AIS系统不是连续地发送数据，而是每隔一段时间发送一次数据，我们能够处理的AIS数据是离散的时间序列，即是由一个个的点构成。研究船舶运动轨迹以航迹片段的观点来分析。

先找出特征点，然后根据特征点依次对路径进行分割。在确定特征点时，遵循两个标准：1)简单性：所用的特征点越少越好2)一致性：与原来的路径尽可能地接近。

为了提高系统的性能，在航迹的划分过程中采取了分步的策略，首先将航迹分为静止和移动两部分，静止部分包含所有瞬时速度小于给定阈值的点，不需要仅有一步分割，而移动部分包含瞬时速度大于给定阈值的点，对移动部分的航迹，进一步分割。

由于船舶运动是一个复杂的过程，分割后的航迹片段存在多种类型，比如直航、弱偏航、大偏航、刹车、加速和停止等，为了将不同类型的航迹片段区分开来，以便后面对正常航迹进行建模，需要对分割后的航迹片段进行聚类，将相似的航迹片段分到同一个类中，使得同一类航迹相似度高，而不同类的航迹相似度低。

(2)正常行为建模

在船舶异常行为检测中，为了判断一个行为是否异常，我们首先必须知道什么是正常的行为。在基于AIS数据的异常行为检测中，我们通常拥有船舶正常航行的航迹数据，经过前面所讲的分割过程之后，船舶的航行轨迹被进一步划分成不同的片区或者片段，如何从这些航迹数据中得到船舶正常航行的行为规律，是船舶异常行为检测的核心问题，大量的研究工作都是围绕这个问题展开的。一船舶正常行为的建模包括如下几类：1)基于统计的方法；2)基于贝叶斯网络的方法；3)基于神经网络的方法。

(3)异常行为检测

异常行为检测是一种将少数不规则的、难以表达的数据与主要数据区分开来的方法，这种方法是通过对大多数数据进行研究和刻画，从而使得这些少数数据与主要数据在某种模式上表现出差异。从这些定义可以看出，为了检测、判断异常行为，我们必须首先知道什么是正常行为，然后才可以根据正常行为的标准来检测异常行为。异常行为检测目前已经成为机器学通过对船舶AIS数据融合数据进行大数据分析，对运动异常、位置异常的船舶进行告警提示。

本发明侧重于针对海域内船舶运动异常及位置异常行为进行监测分析，通过从基站接收到的船舶AIS数据进行数据清洗生成有效信息并根据实际数据绘制显示。利用船舶静态数据作为识别船舶区别于其他船舶的数据，利用船舶动态数据作为船舶航行状态判断依据，当船舶经过的航迹不符合该类型船舶正常的运动规律，或者船舶在特定的时间处于不合适的位置，都可以看作是异常行为，以此来便于岸基部门对海域内船舶行为进行监测。

本发明能实现以下功能

1、重要海域船舶行为监控

如以永兴岛为中心划定30海里，通过对海域内的船舶AIS数据进行实时的统计，完成对港口区域船舶动态数据的自动采集，实现周边船舶流量自动统计等功能，并可按照管理要求自动生成相应统计报表。系统可根据实际需求查看船舶相关信息，并通过可视化页面展示；

2、船舶轨迹异常检测

针对特定船舶的历史AIS信息进行数据分析，建立正常的航道模型，并将最终的航道模型与待检测轨迹进行比较，根据待检测轨迹在最终的航道模型中是否出现来判断轨迹是否异常，若在最终的航道模型中出现过，则为正常轨迹，否则为异常轨迹。

3、航速异常行为检测

根据船舶类型设定航速阀值，系统对于超过阀值的船只进行航速异常的提醒。对于在航线上长时间低速航行或停泊的船只进行统计，并以图表形式展示。

以上，仅是本发明的较佳实施例而已，并非对本发明做任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (10)

1.一种船舶异常行为检测方法，其特征在于，包括：

根据选定的目标海域对其范围内的船舶AIS数据进行实时统计以完成所述目标海域内的目标数据的采集；

针对选定船舶的历史AIS信息进行数据分析以建立正常的航道模型；

将所述航道模型与所述选定船舶的待检测轨迹进行比较；

基于所述待检测轨迹出现在所述航道模型中，将其确认为正常轨迹；

基于所述待检测轨迹未出现在所述航道模型中，将其确认为异常轨迹。

2.根据权利要求1所述的船舶异常行为检测方法，其特征在于，还包括：

实时监测所述选定船舶的航速，基于所述选定船舶的航速超出阈值范围，进行航速异常提醒。

3.根据权利要求2所述的船舶异常行为检测方法，其特征在于，所述目标数据包括船舶静态数据、船舶动态数据及船舶航行数据。

4.根据权利要求3所述的船舶异常行为检测方法，其特征在于，所述船舶静态数据包括船名、呼号、MMSI、IMO、船舶类型、船长、船宽。

5.根据权利要求4所述的船舶异常行为检测方法，其特征在于，所述船舶动态数据包括经度、纬度、船首向、航迹向、航速。

6.根据权利要求5所述的船舶异常行为检测方法，其特征在于，所述船舶航行数据包括船舶状态、吃水、目的地、ETA。

7.根据权利要求6所述的船舶异常行为检测方法，其特征在于，所述针对选定船舶的历史AIS信息进行数据分析以建立正常的航道模型包括：

对所述历史AIS信息进行数据清洗以形成目标AIS信息；

利用所述目标AIS信息对所述选定船舶的航速、航向、航迹分别进行分析以建立正常的航道模型。

8.根据权利要求7所述的船舶异常行为检测方法，其特征在于，正常的航道模型采用基于统计的方法、基于贝叶斯网络的方法和基于神经网络的方法中任一种进行。

9.根据权利要求8所述的船舶异常行为检测方法，其特征在于，所述航迹分析时进行的航迹分割采用分布策略进行，且所述航迹分割包括：

将航迹分为静止部分和移动部分；

对分割后的航迹片段进行聚类以将同类型的航迹片段分到同一类中；

其中，所述静止部分包括所有瞬时速度小于给定阈值的点，其无需进一步分割。

10.根据权利要求9所述的船舶异常行为检测方法，其特征在于，所述航迹片段的类型包括直航、偏航、刹车、加速和停止。

Images