CN116608861A - 一种船舶航迹行为异常检测方法、系统、装置及存储介质 - Google Patents
一种船舶航迹行为异常检测方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN116608861A CN116608861A CN202310566147.6A CN202310566147A CN116608861A CN 116608861 A CN116608861 A CN 116608861A CN 202310566147 A CN202310566147 A CN 202310566147A CN 116608861 A CN116608861 A CN 116608861A
- Authority
- CN
- China
- Prior art keywords
- data
- ship
- track
- ais
- behavior
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 230000005856 abnormality Effects 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 62
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000012216 screening Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000006399 behavior Effects 0.000 claims description 62
- 238000006073 displacement reaction Methods 0.000 claims description 25
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 10
- 238000004140 cleaning Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006835 compression Effects 0.000 description 5
- 238000007906 compression Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 229960003089 pramipexole Drugs 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/203—Specially adapted for sailing ships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种船舶航迹行为异常检测方法、系统、装置及存储介质，方法包括：获取船舶的AIS数据；基于目标航段的经纬度信息对AIS数据进行筛选处理，获得第一航迹数据；对第一航迹数据进行聚类处理，获得目标航段的第二航迹数据；并基于第二航迹数据确定船舶数据集；设置转换器模型，基于船舶数据集对转换器模型进行预测训练，获得船舶数据预测模型；基于AIS数据，确定原始船舶数据，并通过船舶数据预测模型得到船舶预测数据；根据原始船舶数据与预测船舶数据，确定偏差阈值；基于船舶数据预测模型和偏差阈值，通过实时AIS数据进行船舶航迹行为异常检测。本发明能够为船舶操作和监管人员更有效的船舶航行决策，可广泛应用于船舶数据处理技术领域。
Description
技术领域
本发明涉及船舶数据处理技术领域，尤其是一种船舶航迹行为异常检测方法、系统、装置及存储介质。
背景技术
基于水路运输行业快速发展的趋势，大宗货物运输量的增加，使得船舶数量增长迅速、港口靠港装卸能力趋于饱和、船舶通行环境更加恶劣、由此带来的船舶交通流密度越来越大，并且部分船舶不按照规定的航路航行，造成船舶事故频发。对航迹行为进行检测及时发现异常船舶，有助于加强船舶航行安全，减少水路交通事故风险。
基于船舶异常行为的不同定义，不同专家学者也根据其研究侧重点，有着不同的研究方法与创新，国内有关船舶航迹异常检测方法主要集中在：统计学、聚类、分类、神经网络、可视化等传统的机器学习方法。但是由于船舶航迹数据量大且维度高的特性，传统的航迹检测方法虽然能在一部分航迹异常检测中发挥很好的性能，但是当存在大量的航迹数据时仍存在计算量大、时间开销大、对于交通流密集区域检测准确性不够高、适用环境面小等缺点。
发明内容
有鉴于此，本发明实施例提供一种船舶航迹行为异常检测方法、系统、装置及存储介质，能够高效实现船舶航迹行为异常检测。
一方面，本发明的实施例提供了一种船舶航迹行为异常检测方法，包括：
获取船舶的AIS数据；
基于目标航段的经纬度信息对AIS数据进行筛选处理，获得第一航迹数据；其中，第一航迹数据包括若干船舶航迹；
对第一航迹数据进行聚类处理，获得目标航段的第二航迹数据；并基于第二航迹数据确定船舶数据集；其中，第二船舶航迹包括若干包含特征数据的航迹点，特征数据包括与航迹点对应的经纬度坐标、时间节点、航速和航向，特征数据基于AIS数据确定；
设置转换器模型，基于船舶数据集对转换器模型进行预测训练，获得船舶数据预测模型；
基于AIS数据，确定原始船舶数据，并通过船舶数据预测模型得到船舶预测数据；根据原始船舶数据与预测船舶数据，确定偏差阈值；
基于船舶数据预测模型和偏差阈值，通过实时AIS数据进行船舶航迹行为异常检测。
可选地，方法还包括：
对获取的AIS数据进行数据清洗和数据去噪。
可选地，基于目标航段的经纬度信息对AIS数据进行筛选处理，获得第一航迹数据，包括：
基于目标航道的经纬度信息，在AIS数据中筛选匹配得到目标航段的数据区域；
根据目标航段的数据区域，利用道格拉斯-普克法获得船舶航迹信息点；
对船舶航迹信息点进行分段插值采样和数据标准化，获得第一航迹数据；
其中，各船舶航迹包括若干包含特征数据的航迹点，特征数据包括与航迹点对应的经纬度坐标、时间节点、航速和航向，特征数据基于AIS数据确定。
可选地，对第一航迹数据进行聚类处理，获得目标航段的第二航迹数据，包括：
对第一航迹数据中各船舶航迹进行基于密度的聚类，并通过动态时间规整进行距离相似度度量，获得目标船舶航迹作为目标航段的第二航迹数据。
可选地，基于第二航迹数据确定船舶数据集，包括：
利用滑动窗口，对第二航迹数据进行船舶航迹信息扩展；
根据扩展后的船舶航迹信息，基于经纬度坐标确定航迹数据集，并基于航速和航向确定航速航向数据集；
其中，船舶数据集包括航迹数据集和航速航向数据集。
可选地，设置转换器模型，基于船舶数据集对转换器模型进行预测训练，获得船舶数据预测模型，包括：
设置转换器模型；转换器模型包括编码器和解码器；
基于时间节点，将船舶数据集划分为前段数据和后段数据；
将前段数据输入编码器，并将后段数据输入解码器，结合Adam优化算法对转换器模型进行预测训练，并基于训练结果，对转换器模型进行调整，获得船舶数据预测模型。
可选地，根据原始船舶数据与预测船舶数据，确定偏差阈值，包括：
根据原始船舶数据与预测船舶数据，确定原始航迹点与预测航迹点的平均位移偏差和最终位移偏差，并确定原始航速航向与预测航速航向的航速航向偏差；
根据平均位移偏差和最终位移偏差，通过位移偏重确定航迹偏差阈值；
根据航速航向偏差，基于预设比例设定确定低平偏差阈值和高平偏差阈值；
其中，偏差阈值包括航迹偏差阈值、低平偏差阈值和高平偏差阈值。
可选地，基于船舶数据预测模型和偏差阈值，通过实时AIS数据进行船舶航迹行为异常检测，包括：
基于船舶数据预测模型，通过实时AIS数据获得后段的船舶航迹行为预测数据；
根据后段的实时AIS数据，确定后段的船舶航迹行为真实数据；
根据船舶航迹行为预测数据与船舶航迹行为真实数据的差值，通过偏差阈值进行船舶航迹行为异常检测。
另一方面，本发明的实施例提供了一种船舶航迹行为异常检测系统，包括：
第一模块，用于获取船舶的AIS数据；
第二模块，用于基于目标航段的经纬度信息对AIS数据进行筛选处理，获得第一航迹数据；其中，第一航迹数据包括若干船舶航迹；
第三模块，用于对第一航迹数据进行聚类处理，获得目标航段的第二航迹数据；并基于第二航迹数据确定船舶数据集；其中，第二船舶航迹包括若干包含特征数据的航迹点，特征数据包括与航迹点对应的经纬度坐标、时间节点、航速和航向，特征数据基于AIS数据确定；
第四模块，用于设置转换器模型，基于船舶数据集对转换器模型进行预测训练，获得船舶数据预测模型；
第五模块，用于基于AIS数据，确定原始船舶数据，并通过船舶数据预测模型得到船舶预测数据；根据原始船舶数据与预测船舶数据，确定偏差阈值；
第六模块，用于基于船舶数据预测模型和偏差阈值，通过实时AIS数据进行船舶航迹行为异常检测。
另一方面，本发明的实施例提供了一种船舶航迹行为异常检测装置，包括处理器以及存储器；
存储器用于存储程序；
处理器执行程序实现如前面的方法。
另一方面，本发明的实施例提供了一种计算机可读存储介质，存储介质存储有程序，程序被处理器执行实现如前面的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
本发明实施例首先获取船舶的AIS数据；基于目标航段的经纬度信息对AIS数据进行筛选处理，获得第一航迹数据；其中，第一航迹数据包括若干船舶航迹；对第一航迹数据进行聚类处理，获得目标航段的第二航迹数据；并基于第二航迹数据确定船舶数据集；其中，第二船舶航迹包括若干包含特征数据的航迹点，特征数据包括与航迹点对应的经纬度坐标、时间节点、航速和航向，特征数据基于AIS数据确定；设置转换器模型，基于船舶数据集对转换器模型进行预测训练，获得船舶数据预测模型；基于AIS数据，确定原始船舶数据，并通过船舶数据预测模型得到船舶预测数据；根据原始船舶数据与预测船舶数据，确定偏差阈值；基于船舶数据预测模型和偏差阈值，通过实时AIS数据进行船舶航迹行为异常检测。本发明实施例通过筛选和聚类进行数据生成，为后续模型训练进行特征数据整理，节约了大量的时间成本；并基于数据集训练得到的船舶数据预测模型实现原始船舶数据与预测生成数据的信息关联，在船舶异常航迹检测中效率更高、检测准确性更高，能够为船舶操作和监管人员更有效的船舶航行决策。
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为本发明实施例提供的一种船舶航迹行为异常检测方法的流程示意图；
图2为本发明实施例提供的基于船舶航迹行为异常检测方法的整体流程示意图；
图3为本发明实施例提供的船舶航迹经过压缩与采样方法处理后的前后对比示意图；
图4为本发明实施例提供的滑动窗口航迹数据扩展的示意图；
图5为本发明实施例提供的基于Transformer模型的航迹异常检测模型架构示意图；
图6为本发明实施例提供的一种船舶航迹行为异常检测系统的结构示意图
图7为本发明实施例提供的一种船舶航迹行为异常检测装置的框架示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
一方面，如图1所示，本发明的实施例提供了一种船舶航迹行为异常检测方法，包括：
S100、获取船舶的AIS数据；
具体地，如图2所示，步骤S1，船舶AIS数据获取，获取的AIS船舶数据包括静态数据为：船舶水上移动通信业务标识码(Maritime Mobile Service Identify，简称MMSI)，动态数据为：船舶经纬度、时间、航速和航向。
S200、基于目标航段的经纬度信息对AIS数据进行筛选处理，获得第一航迹数据；
需要说明的是，第一航迹数据包括若干船舶航迹；一些实施例中，包括步骤：基于目标航道的经纬度信息，在AIS数据中筛选匹配得到目标航段的数据区域；根据目标航段的数据区域，利用道格拉斯-普克法获得船舶航迹信息点；对船舶航迹信息点进行分段插值采样和数据标准化，获得第一航迹数据；其中，各船舶航迹包括若干包含特征数据的航迹点，特征数据包括与航迹点对应的经纬度坐标、时间节点、航速和航向，特征数据基于AIS数据确定。
其中，一些实施例中，方法还包括：对获取的AIS数据进行数据清洗和数据去噪。
具体地，一些具体实施例中，如图2所示，可以通过步骤S2，提取可用的AIS数据，对AIS数据进行数据清洗和数据去噪，并根据实验航段经纬度信息对AIS数据进行筛选，构建出可用的船舶航迹数据(即第一航迹数据)，具体可以通过如下步骤实现：
筛选后的AIS航迹数据包括对实验航段AIS数据区域筛选，得到船舶航迹航行的时间、经纬度、航速、航向，并对得到的实验航段数据进行可用性重构；其中，构建出AIS重构数据包括：剔除漂移数据、异常数据、提取船舶航迹点经纬度坐标、提取当前时间、提取航速和航向、道格拉斯-普克法压缩船舶航迹信息点、对压缩后的航迹数据进行分段插值采样以及数据标准化。将预处理后的每条船舶航迹以某种数据格式保存于磁盘中。
道格拉斯-普克法的基本核心思想为：对每条航迹的首末端点连一条线，求所有点到该直线的距离，并找出最大距离值dmax，用dmax与限差D相比：
(1)若dmax<D，这条航迹上的中间点全部舍去；
(2)若dmax≥D，保留dmax对应的坐标点，并以该点为界，把航迹分为两部分，对这两部分重复使用该算法。
通过道格拉斯-普克法压缩后得到的是船舶在航状态下的关键航迹点数据，这为下一步分段采样插值方法提供标准依据。
分段插值采样方法为，首先确定拟插值的航迹点数量，计算出相邻关键轨迹点之间的距离，然后计算与整条航迹距离的比例，按关键航迹点生成的时间顺序分配相应插入航迹点数量，该插入的航迹点的航速向信息为与其距离最近的原真实航迹点的航速向信息。使每条航迹数据的航迹点数量统一。
以南京板桥航段航段为例，选取航段区域的经纬度范围为：经度：118.601201～118.641517，纬度：31.940413～31.955855。AIS数据时间范围为2021年10月13日至17日，筛选后共得到船舶航迹点数据680882个。
图3示出了本发明实施例所提出的船舶航迹经过压缩与采样方法处理后的前后对比图，图中将原始航迹数量为108个点的船舶原始航迹经过道格拉斯-普克法压缩后得到10个关键航迹点，然后再基于上述10个关键航迹点进行分段插值采样处理后扩展为20个航迹点。值得注意的是图示所给出的3个典型航迹在经过处理后其航迹点数量都得到统一为20个航迹点。
S300、对第一航迹数据进行聚类处理，获得目标航段的第二航迹数据；并基于第二航迹数据确定船舶数据集；
需要说明的是，第二船舶航迹包括若干包含特征数据的航迹点，特征数据包括与航迹点对应的经纬度坐标、时间节点、航速和航向，特征数据基于AIS数据确定；一些实施例中，对第一航迹数据进行聚类处理，获得目标航段的第二航迹数据，包括：对第一航迹数据中各船舶航迹进行基于密度的聚类，并通过动态时间规整进行距离相似度度量，获得目标船舶航迹作为目标航段的第二航迹数据。
具体地，一些具体实施例中，如图2所示，可以通过步骤S3，将通过数据清洗和航迹压缩与采样后的船舶航迹进行DBSCAN(Density-Based Spatial Clustering ofApplications with Noise，具有噪声的基于密度的聚类方法)聚类，提取出实验航段的具有代表性航道的船舶特征航迹(即第二航迹数据)，具体可以通过如下步骤实现：
对数据清洗和航迹压缩与采样后得到的船舶航迹数据进行DBSCAN聚类，选择动态时间规整(DTW)作为距离相似度度量方法，其公式为：
其中，A和B为两条航迹集合，i和j指A和B两个集合中的航迹点数量。dist(a，b)指航迹点a和航迹点b之间的地理距离。Rest(A)和Rest(B)指移除首个航迹点后A和B剩下的航迹段。DBSCAN聚类的Eps和MinPts设置应根据实际实验结果设定。其中，Eps是定义密度时的领域半径，MinPts是定义核心点时的阈值。
其中，一些实施例中，基于第二航迹数据确定船舶数据集，包括：利用滑动窗口，对第二航迹数据进行船舶航迹信息扩展；根据扩展后的船舶航迹信息，基于经纬度坐标确定航迹数据集，并基于航速和航向确定航速航向数据集；其中，船舶数据集包括航迹数据集和航速航向数据集。
具体地，一些具体实施例中，如图2所示，可以通过步骤S4，根据船舶的特征航迹进行Transformer网络(转换器模型)的航迹数据集和航速航向数据集构造，具体可以通过如下步骤实现：
航迹数据集构建方法为，对聚类后得到的航迹数据进行滑动窗口法扩展航迹数据。图4示出了滑动窗口法的具体示例，图中N为船舶原航迹数量，n为经过滑动窗口后得到的Swin_Tra航迹数量，strip为步长。以本发明实验水域为例，N为20，将每个窗口设定为10，滑动步长为2。船舶航速航向数据集构造与上述航迹数据集的相应航迹点信息相对应。
S400、设置转换器模型，基于船舶数据集对转换器模型进行预测训练，获得船舶数据预测模型；
需要说明的是，一些实施例中，包括步骤：设置转换器模型；转换器模型包括编码器和解码器；基于时间节点，将船舶数据集划分为前段数据和后段数据；将前段数据输入编码器，并将后段数据输入解码器，结合Adam优化算法对转换器模型进行预测训练，并基于训练结果，对转换器模型进行调整，获得船舶数据预测模型。
其中，可以基于Transformer网络(转化器模型)，通过航迹数据集训练获得航迹预测模型，通过航速航向数据集数据集训练获得行为预测模型。具体地，可以将前面步骤扩展后的航迹前40％航迹点作为输入编码器，后60％航迹点作为输入解码器，其中船舶航速航向数据集的输入比例相对应。
一些具体实施例中，如图2所示，可以通过步骤S5，根据数据集构建基于Transformer网络的船舶航迹行为异常检测模型，并将每一类的航迹数据集导入航迹预测模型中训练，将船舶的航速和航向信息数据集导入行为预测模型中训练，具体可以通过如下步骤实现：
Transformer模型包括编码器和解码器两个运行单元，其中编码器包括输入嵌入层、位置编码层、自注意力层、残差归一化层、前馈神经网络层；解码器包括输出嵌入层、位置编码层、掩码自注意力层、残差归一化层、编码-解码注意力层、前馈神经网络层、全连接层、输出层。自注意力模块的数学表达式为：
其中，Q、K、V分别表示Transformer模型中的主要核心部件查询、键、值的矩阵，n表示矩阵Q、K的维度，用于控制点积值的范围，矩阵KT为矩阵K的转置
多头注意力机制是Transformer模型的核心组件，与简单的注意力不同，多头机制将输入分解成许多小块，并行计算每一个子空间的缩放点积，最后将所有的注意力输出连接起来，计算公式如下：
MultiHead Attention(Q,K,V)＝concat(head1,K,headh)WQ
headi＝Attention(QWi Q,KWi k,VWi V)
其中，Wi Q，Wi K，Wi V是多头注意力所对应的查询、键、值和输出中的权重矩阵。所有这些权重都可以训练。
以前述南京板桥汽渡航段为例，模型训练选取Adam优化算法，求解损失函数为均方根误差，学习率设置为10-4。注意力层的层数为6层，多头注意力设置为8头，Batch_size设置为64，Dorpout为0.1。
S500、基于AIS数据，确定原始船舶数据，并通过船舶数据预测模型得到船舶预测数据；根据原始船舶数据与预测船舶数据，确定偏差阈值；
需要说明的是，一些实施例中，根据原始船舶数据与预测船舶数据，确定偏差阈值，包括：根据原始船舶数据与预测船舶数据，确定原始航迹点与预测航迹点的平均位移偏差和最终位移偏差，并确定原始航速航向与预测航速航向的航速航向偏差；根据平均位移偏差和最终位移偏差，通过位移偏重确定航迹偏差阈值；根据航速航向偏差，基于预设比例设定确定低平偏差阈值和高平偏差阈值；其中，偏差阈值包括航迹偏差阈值、低平偏差阈值和高平偏差阈值。
其中，原始航迹点通过原始船舶数据(中的经纬度坐标)确定，预测航迹点通过预测船舶数据(航迹预测模型得到的预测航迹数据)确定；原始航速航向通过原始船舶数据(中的航速和航向)确定，预测航迹点通过预测船舶数据(行为预测模型得到的预测行为数据，包括预测航速数据和预测航向数据)确定。
具体地，如图2所示，可以通过步骤S6，确定航迹偏差阈值θ及航速航向的高平、低平偏差阈值αh、αl和βh、βl可以通过如下步骤实现：
得到训练好的航迹行为模型后，计算船舶的原始航迹点与预测航迹点的平均位移偏差ADE和最终位移偏差FDE。再对所有得到的结果求均值。由于两者的结果大小有一定的差距，为了保持平衡需要对它们加一个偏差权重λ，确定异常航迹偏差阈值θ，公式为θ＝m(FDE+λADE)。以前述板桥汽渡航段为例，计算得到平均位移偏差和最终位移偏差以后，根据实际计算评估得到的λ的值为5，m的值确定可根据实际需要进行设定，本发明实施例并不限定m的取值，以本实验为例，由于南京板桥汽渡航段船舶通行量巨大，航道复杂，对船舶航行要求较高，所以本实验设定的m值为3。
计算预测航速和航向数据与真实航速和航向数据的偏差阈值x和y，低平偏差阈值设定为αl＝x，βl＝y，高平偏差阈值αh＝2x和βh＝2y。
S600、基于船舶数据预测模型和偏差阈值，通过实时AIS数据进行船舶航迹行为异常检测；
需要说明的是，一些实施例中，包括：基于船舶数据预测模型，通过实时AIS数据获得后段的船舶航迹行为预测数据；根据后段的实时AIS数据，确定后段的船舶航迹行为真实数据；根据船舶航迹行为预测数据与船舶航迹行为真实数据的差值，通过偏差阈值进行船舶航迹行为异常检测。
具体地，如图2所示，可以通过步骤S7，实时在航船舶航行下的航迹行为异常检测，具体可以通过如下步骤实现：
首先对实时在航船舶进行航迹的异常行为检测，若真实航迹与预测航迹计算出的偏差大于异常航迹偏差阈值θ，则判定为异常航迹，否则为正常航迹。然后对正常航迹船舶进行航速和航向的异常行为检测，计算出真实航速航向与预测航速航向的偏差α和β，判定标准如下表1所示。将正常航行的在航船舶分为异常行为船舶和正常行为船舶。
表1
| 行为偏差指标 | 异常行为判断 |
| α>αh | 异常行为 |
| β>βh | 异常行为 |
| (αl<α<αh)∧(βl<β<βh) | 异常行为 |
| (α<αl)∧(βl<β<βh) | 正常行为 |
| (αl<α<αh)∧(β<βl) | 正常行为 |
| (α<αl)∧(β<βl) | 正常行为 |
最终可以将异常行为和异常航迹船舶判定为航迹行为异常船舶，并通过报警装置报告船舶操纵和监管人员，进行相应船舶风险规避措施。
下面结合一些具体实施例对本发明技术方案作进一步说明，容易理解，下述为对本发明技术原理的解释，不能看做对本发明的限制。
如图5所示，首先进行船舶AIS数据获取；
然后对采集到的AIS数据进行实验航段划分及航迹行为状态提取，其中航迹行为状态包括：船舶航迹经纬度信息、航速信息和航向信息；
进而根据得到的船舶经纬度航迹数据进行航迹压缩与采样，利用道格拉斯-普克法压缩船舶航迹信息点，提取出具有特征信息的船舶航迹点，并为了方便后面进行有效聚类和Transformer算法进行船舶航迹预测，对船舶航迹进行采样处理，使每一条航迹的航迹点数量保持一致；
进一步将压缩采样后的船舶航迹进行DBSCAN聚类，提取出实验航段的具有代表性航道的船舶特征航迹类簇；
随后根据得到的特征航迹数据结果利用滑动窗口进行船舶航迹信息扩展，并将扩展后数据样本输入到基于Transformer的异常检测模型中。对船舶经纬度信息的航迹数据进行基于Transformer模型的轨迹预测，建立船舶航迹预测模型。对船舶航速航向的数据进行基于Transformer模型的时间序列预测，得到船舶的行为预测模型；
然后计算预测航迹数据与原始航迹数据的平均位移偏差ADE和最终位移偏差FDE，得到异常航迹偏差阈值θ。计算预测航速航向数据与原始航速航向数据的偏差，得到航速航向的高平、低平偏差阈值。ADE与FDE的公式为：
其中，Τgt表示真实轨迹序列，Τpre表示预测轨迹序列，N表示轨迹总数量，t表示第t个轨迹点，te表示最后一个轨迹点，||Τgt-Τpre||2表示真实轨迹点与预测轨迹点之间的距离；
若实时在航船舶的真实轨迹与预测轨迹的偏差阈值大于θ则将该船舶判定为异常航迹，反之则为正常航迹。再对正常航迹数据依据上述航速和航向高平、低平偏差阈值进行判断船舶异常行为。最终将异常航迹船舶和异常行为船舶都认定为船舶的航迹行为异常，并通过报警装置报告船舶操纵和监管人员，进行相应船舶风险规避措施。
综上所述，本发明实施例通过基于Transformer模型实现船舶航迹行为异常检测方法，利用自注意力机制的优点节省了人力，同时避免了一些难以区分的异常数据，而且采用先预测船舶航迹再对真实航迹进行判断的方法，克服了船舶航迹生成不连贯，无法做到实时性的缺点，使得本发明提供的基于Transformer模型的船舶航迹行为异常检测方法可执行性强、训练过程相对容易、正确率高。需要说明的是，现有技术通过深度学对船舶航迹进行航迹预测的船舶航迹异常方法，主要存在的一个问题是对输入的数据样本只能进行顺序逐步处理，这会在航迹预测过程中大量丢失原始数据关联信息，并且对模型训练时也会消耗大量的时间成本。而本发明提出的Transformer模型不依赖于神经网络仅通过自注意力机制进行训练，这使得它在训练过程中输入数据可以并行同时训练，并能够从具有缺失观测数据的输入中进行数据生成，这不仅节约了大量的时间成本，也不会丢失原始数据于生成数据之间的关联信息。该发明在船舶异常航迹检测中效率更高、检测准确性更高，能够为船舶操作和监管人员更有效的船舶航行决策。
另一方面，如图6所示，本发明的实施例提供了一种船舶航迹行为异常检测系统700，包括：第一模块710，用于获取船舶的AIS数据；第二模块720，用于基于目标航段的经纬度信息对AIS数据进行筛选处理，获得第一航迹数据；其中，第一航迹数据包括若干船舶航迹；第三模块730，用于对第一航迹数据进行聚类处理，获得目标航段的第二航迹数据；并基于第二航迹数据确定船舶数据集；其中，第二船舶航迹包括若干包含特征数据的航迹点，特征数据包括与航迹点对应的经纬度坐标、时间节点、航速和航向，特征数据基于AIS数据确定；第四模块740，用于设置转换器模型，基于船舶数据集对转换器模型进行预测训练，获得船舶数据预测模型；第五模块750，用于基于AIS数据，确定原始船舶数据，并通过船舶数据预测模型得到船舶预测数据；根据原始船舶数据与预测船舶数据，确定偏差阈值；第六模块760，用于基于船舶数据预测模型和偏差阈值，通过实时AIS数据进行船舶航迹行为异常检测。
具体地，一些具体实施例中，提供了一种船舶航迹行为异常检测系统，包括：
AIS数据获取模块，用于采集船舶AIS数据；
数据重构模块，用于提取可用的AIS数据，对AIS数据进行数据清洗和数据去噪，构建出可用的船舶数据；
航迹聚类模块，用于对预处理后得到的船舶航迹数据进行DBSCAN聚类，根据聚类结果提取出实验航段的船舶特征航迹数据；
Transformer模型数据集构建模块，用于根据聚类得到的船舶特征航迹数据结果利用滑动窗口法构建基于Transformer网络的异常检测模型数据集；
Transformer模型训练模块，用于对异常检测模型进行训练，得到船舶航迹预测模型和船舶行为预测模型；
行为异常航迹偏差确定模块，用于将训练航迹预测模型生成的航迹与原始航迹进行计算，得到航迹的平均位移偏差ADE和最终位移偏差FDE，确定航迹偏差阈值θ；用于将训练船舶行为预测模型生成的预测航速向与原始航速向进行计算，确定航速向的高平、低平偏差阈值分别为：航速：αh和αl，航向：βh和βl。
实时船舶异常航迹判定模块，用于将船舶的实时航迹行为数据导入模型中进行航迹行为判断，得到当前船舶的未来航迹行为，并计算船舶预测航迹与船舶行驶到预测点后的真实航迹的平均位移偏差和最终位移偏差，并与航迹偏差阈值θ进行比较判断是否为航迹异常。
实时船舶异常行为判定模块，用于将正常航迹船舶进行航速向的行为预测，得到当前船舶的未来航速向行为，并计算预测航速向与真实航速向的偏差α和β。基于上述得到的航速向的高平、低平偏差阈值判断该正常航迹船舶是否有行为异常。
船舶航迹行为异常判定模块，将上述判定得到的航迹异常船舶和行为异常船舶统一规定为航迹行为异常船舶。并及时向船舶操纵和海事监管人员报警，辅助相关人员进行合理的船舶风险规避措施。
本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。
如图7所示，本发明实施例的另一方面还提供了一种船舶航迹行为异常检测装置800，包括处理器810以及存储器820；
存储器820用于存储程序；
处理器810执行程序实现如前面的方法。
本发明方法实施例的内容均适用于本装置实施例，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。
本发明实施例的另一方面还提供了一种计算机可读存储介质，存储介质存储有程序，程序被处理器执行实现如前面的方法。
本发明方法实施例的内容均适用于本计算机可读存储介质实施例，本计算机可读存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行装置、装置或设备(如基于计算机的装置、包括处理器的装置或其他可以从指令执行装置、装置或设备取指令并执行指令的装置)使用，或结合这些指令执行装置、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行装置、装置或设备或结合这些指令执行装置、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者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示例。而且，描述的具体特征、结构、材料或者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。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。
Claims (10)
1.一种船舶航迹行为异常检测方法，其特征在于，包括：
获取船舶的AIS数据；
基于目标航段的经纬度信息对所述AIS数据进行筛选处理，获得第一航迹数据；其中，所述第一航迹数据包括若干船舶航迹；
对所述第一航迹数据进行聚类处理，获得所述目标航段的第二航迹数据；并基于所述第二航迹数据确定船舶数据集；其中，所述第二船舶航迹包括若干包含特征数据的航迹点，所述特征数据包括与所述航迹点对应的经纬度坐标、时间节点、航速和航向，所述特征数据基于所述AIS数据确定；
设置转换器模型，基于所述船舶数据集对所述转换器模型进行预测训练，获得船舶数据预测模型；
基于所述AIS数据，确定原始船舶数据，并通过所述船舶数据预测模型得到船舶预测数据；根据所述原始船舶数据与所述预测船舶数据，确定偏差阈值；
基于所述船舶数据预测模型和所述偏差阈值，通过实时AIS数据进行船舶航迹行为异常检测。
2.根据权利要求1所述的一种船舶航迹行为异常检测方法，其特征在于，所述基于目标航段的经纬度信息对所述AIS数据进行筛选处理，获得第一航迹数据，包括：
基于目标航道的经纬度信息，在所述AIS数据中筛选匹配得到目标航段的数据区域；
根据所述目标航段的数据区域，利用道格拉斯-普克法获得船舶航迹信息点；
对所述船舶航迹信息点进行分段插值采样和数据标准化，获得第一航迹数据；
其中，各所述船舶航迹包括若干包含特征数据的航迹点，所述特征数据包括与所述航迹点对应的经纬度坐标、时间节点、航速和航向，所述特征数据基于所述AIS数据确定。
3.根据权利要求1所述的一种船舶航迹行为异常检测方法，其特征在于，所述对所述第一航迹数据进行聚类处理，获得所述目标航段的第二航迹数据，包括：
对所述第一航迹数据中各所述船舶航迹进行基于密度的聚类，并通过动态时间规整进行距离相似度度量，获得目标船舶航迹作为所述目标航段的第二航迹数据。
4.根据权利要求1所述的一种船舶航迹行为异常检测方法，其特征在于，所述基于所述第二航迹数据确定船舶数据集，包括：
利用滑动窗口，对所述第二航迹数据进行船舶航迹信息扩展；
根据扩展后的船舶航迹信息，基于所述经纬度坐标确定航迹数据集，并基于所述航速和所述航向确定航速航向数据集；
其中，所述船舶数据集包括所述航迹数据集和所述航速航向数据集。
5.根据权利要求1所述的一种船舶航迹行为异常检测方法，其特征在于，所述设置转换器模型，基于所述船舶数据集对所述转换器模型进行预测训练，获得船舶数据预测模型，包括：
设置转换器模型；所述转换器模型包括编码器和解码器；
基于所述时间节点，将所述船舶数据集划分为前段数据和后段数据；
将所述前段数据输入所述编码器，并将所述后段数据输入所述解码器，结合Adam优化算法对所述转换器模型进行预测训练，并基于训练结果，对所述转换器模型进行调整，获得船舶数据预测模型。
6.根据权利要求1所述的一种船舶航迹行为异常检测方法，其特征在于，所述根据所述原始船舶数据与所述预测船舶数据，确定偏差阈值，包括：
根据所述原始船舶数据与所述预测船舶数据，确定原始航迹点与预测航迹点的平均位移偏差和最终位移偏差，并确定原始航速航向与预测航速航向的航速航向偏差；
根据所述平均位移偏差和所述最终位移偏差，通过位移偏重确定航迹偏差阈值；
根据所述航速航向偏差，基于预设比例设定确定低平偏差阈值和高平偏差阈值；
其中，所述偏差阈值包括所述航迹偏差阈值、所述低平偏差阈值和所述高平偏差阈值。
7.根据权利要求1所述的一种船舶航迹行为异常检测方法，其特征在于，所述基于所述船舶数据预测模型和所述偏差阈值，通过实时AIS数据进行船舶航迹行为异常检测，包括：
基于所述船舶数据预测模型，通过实时AIS数据获得后段的船舶航迹行为预测数据；
根据所述后段的实时AIS数据，确定所述后段的船舶航迹行为真实数据；
根据所述船舶航迹行为预测数据与所述船舶航迹行为真实数据的差值，通过所述偏差阈值进行船舶航迹行为异常检测。
8.一种船舶航迹行为异常检测系统，其特征在于，包括：
第一模块，用于获取船舶的AIS数据；
第二模块，用于基于目标航段的经纬度信息对所述AIS数据进行筛选处理，获得第一航迹数据；其中，所述第一航迹数据包括若干船舶航迹；
第三模块，用于对所述第一航迹数据进行聚类处理，获得所述目标航段的第二航迹数据；并基于所述第二航迹数据确定船舶数据集；其中，所述第二船舶航迹包括若干包含特征数据的航迹点，所述特征数据包括与所述航迹点对应的经纬度坐标、时间节点、航速和航向，所述特征数据基于所述AIS数据确定；
第四模块，用于设置转换器模型，基于所述船舶数据集对所述转换器模型进行预测训练，获得船舶数据预测模型；
第五模块，用于基于所述AIS数据，确定原始船舶数据，并通过所述船舶数据预测模型得到船舶预测数据；根据所述原始船舶数据与所述预测船舶数据，确定偏差阈值；
第六模块，用于基于所述船舶数据预测模型和所述偏差阈值，通过实时AIS数据进行船舶航迹行为异常检测。
9.一种船舶航迹行为异常检测装置，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310566147.6A CN116608861A (zh) | 2023-05-18 | 2023-05-18 | 一种船舶航迹行为异常检测方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310566147.6A CN116608861A (zh) | 2023-05-18 | 2023-05-18 | 一种船舶航迹行为异常检测方法、系统、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116608861A true CN116608861A (zh) | 2023-08-18 |
Family
ID=87675941
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310566147.6A Pending CN116608861A (zh) | 2023-05-18 | 2023-05-18 | 一种船舶航迹行为异常检测方法、系统、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116608861A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117109595A (zh) * | 2023-10-23 | 2023-11-24 | 山东科技大学 | 船舶航道规划方法、装置、电子设备、存储介质 |
| CN117570997A (zh) * | 2024-01-15 | 2024-02-20 | 亿海蓝（北京）数据技术股份公司 | 船舶异常行为的检测方法、装置、电子设备和存储介质 |
| CN118194061A (zh) * | 2024-05-16 | 2024-06-14 | 大连海事大学 | 一种海洋卫星ais数据船舶航迹回溯方法 |
| CN118484766A (zh) * | 2024-07-12 | 2024-08-13 | 武汉力拓桥科防撞设施有限公司 | 一种多源数据融合船舶航迹预警方法及系统 |
-
2023
- 2023-05-18 CN CN202310566147.6A patent/CN116608861A/zh active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117109595A (zh) * | 2023-10-23 | 2023-11-24 | 山东科技大学 | 船舶航道规划方法、装置、电子设备、存储介质 |
| CN117109595B (zh) * | 2023-10-23 | 2024-01-09 | 山东科技大学 | 船舶航道规划方法、装置、电子设备、存储介质 |
| CN117570997A (zh) * | 2024-01-15 | 2024-02-20 | 亿海蓝（北京）数据技术股份公司 | 船舶异常行为的检测方法、装置、电子设备和存储介质 |
| CN117570997B (zh) * | 2024-01-15 | 2024-03-29 | 亿海蓝（北京）数据技术股份公司 | 船舶异常行为的检测方法、装置、电子设备和存储介质 |
| CN118194061A (zh) * | 2024-05-16 | 2024-06-14 | 大连海事大学 | 一种海洋卫星ais数据船舶航迹回溯方法 |
| CN118194061B (zh) * | 2024-05-16 | 2024-08-27 | 大连海事大学 | 一种海洋卫星ais数据船舶航迹回溯方法 |
| CN118484766A (zh) * | 2024-07-12 | 2024-08-13 | 武汉力拓桥科防撞设施有限公司 | 一种多源数据融合船舶航迹预警方法及系统 |
| CN118484766B (zh) * | 2024-07-12 | 2024-10-18 | 武汉力拓桥科防撞设施有限公司 | 一种多源数据融合船舶航迹预警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116608861A (zh) | 一种船舶航迹行为异常检测方法、系统、装置及存储介质 | |
| CN110555273B (zh) | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 | |
| CN110633353B (zh) | 一种基于集成学习的船舶类型仿冒监测方法 | |
| CN113344295B (zh) | 基于工业大数据的设备剩余寿命预测方法、系统及介质 | |
| CN109117883B (zh) | 基于长短时记忆网络的sar影像海冰分类方法及系统 | |
| Tang et al. | A method for compressing AIS trajectory data based on the adaptive-threshold Douglas-Peucker algorithm | |
| CN110363115A (zh) | 基于ais轨迹数据的船舶作业异常半监督实时检测方法 | |
| CN110610165A (zh) | 一种基于yolo模型的船舶行为分析方法 | |
| CN115618251B (zh) | 船舶轨迹预测方法、装置、电子设备及存储介质 | |
| CN110647830A (zh) | 基于卷积神经网络和高斯混合模型的轴承故障诊断方法 | |
| CN112381790A (zh) | 一种基于深度自编码的异常图像检测方法 | |
| CN115184054B (zh) | 机械设备半监督故障检测分析方法、装置、终端及介质 | |
| CN112733935A (zh) | 一种基于Stacking算法的渔船捕捞方式预测方法 | |
| CN112395382A (zh) | 基于变分自编码器的船舶异常航迹数据检测方法和装置 | |
| CN118037065B (zh) | 一种数据驱动下的内河水域航行风险动态评估方法 | |
| CN115100247A (zh) | 一种基于ais动态信息的分步预测船舶轨迹的方法 | |
| CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
| CN114331042B (zh) | 一种船舶碰撞风险分析方法 | |
| CN109632942B (zh) | 一种基于集成学习的管道缺陷尺寸的反演方法 | |
| Eljabu et al. | Spatial clustering method of historical ais data for maritime traffic routes extraction | |
| Xu et al. | Improved Vessel Trajectory Prediction Model Based on Stacked‐BiGRUs | |
| CN114550498A (zh) | 一种海量ais数据驱动的船舶偏离航道智能预警系统 | |
| CN117197048B (zh) | 一种船舶水尺读数检测方法、装置及设备 | |
| Zeng et al. | Rail break prediction and cause analysis using imbalanced in-service train data | |
| CN117372854A (zh) | 一种大坝深水结构隐患病害实时检测方法 |
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 |