CN117912301A - 一种基于孤立森林的船舶异常行为监测告警方法 - Google Patents
一种基于孤立森林的船舶异常行为监测告警方法 Download PDFInfo
- Publication number
- CN117912301A CN117912301A CN202410071769.6A CN202410071769A CN117912301A CN 117912301 A CN117912301 A CN 117912301A CN 202410071769 A CN202410071769 A CN 202410071769A CN 117912301 A CN117912301 A CN 117912301A
- Authority
- CN
- China
- Prior art keywords
- grid
- ship
- monitored
- isolated forest
- abnormal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012544 monitoring process Methods 0.000 title claims abstract description 51
- 206010000117 Abnormal behaviour Diseases 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 43
- 230000002159 abnormal effect Effects 0.000 claims abstract description 36
- 230000001133 acceleration Effects 0.000 claims description 12
- PUIYMUZLKQOUOZ-UHFFFAOYSA-N isoproturon Chemical compound CC(C)C1=CC=C(NC(=O)N(C)C)C=C1 PUIYMUZLKQOUOZ-UHFFFAOYSA-N 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 abstract description 5
- 230000006399 behavior Effects 0.000 description 6
- 238000007619 statistical method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 208000012661 Dyskinesia Diseases 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Alarm Systems (AREA)
Abstract
本发明提出了一种基于孤立森林的船舶异常行为监测告警方法,包括以下步骤:步骤1,获取训练数据集;步骤2,对海面进行格网划分;步骤3,按照划分的格网确定训练数据集中每个训练样本的所属网格,逐格网构建孤立森林;步骤4,基于导航定位结果判断待监测的目标船舶是否位置异常并告警;步骤5,基于导航定位结果搜索待监测的目标船舶所属格网;步骤6,基于所属格网中建立的孤立森林,监测目标船舶行为是否异常并告警。本发明不需要进行数据预处理,能够满足船舶异常行为监测的实时性需求;对数据中的噪声和异常值有较强的抗干扰能力,可以快速地检测船舶异常行为;进一步提高了船舶在不同场景下异常行为监测精度和效率。
Description
技术领域
本发明涉及一种船舶异常行为监测告警方法,特别是一种基于孤立森林的船舶异常行为监测告警方法。
背景技术
船舶在海面运行过程中,由于异常气象天气、人为因素或其他突发情况,易导致船舶运行异常,船舶异常行为主要分为位置异常和运动状态异常两类,位置异常包括船舶轨迹偏离航道、驶入危险区、禁区等情况,运动异常包括突然加减速、航向突变、游荡等情况。当船舶存在异常行为时,若未对船舶异常行为进行及时监测和预警,易形成船舶事故,最终造成严重的人员伤亡及经济损失。为了保证船舶安全运行,需要对船舶异常行为进行实时、准确地监测及预警。
目前主要利用船舶AIS(船舶自动识别系统,Automatic identification System,AIS)数据对船舶异常行为进行监测,AIS数据包含大量船舶动态信息、静态信息和航次相关信息等信息,基于海量的AIS历史数据可以挖掘船舶正常运行轨迹分布规律,从而识别不满足正常分布规律的样本为船舶异常行为。基于AIS数据的船舶异常行为监测方法主要可以分为基于统计分析的方法和基于机器学习的方法。基于统计分析的船舶异常行为监测方法通过对船舶运动历史数据进行拟合,构建船舶常态轨迹分布模型,通过统计判断船舶轨迹是否符合常态轨迹分布模型,若概率较低,则判定船舶行为异常。基于统计分析的方法包括基于高斯混合模型的监测方法、基于核密度估计方法及基于贝叶斯网络的方法等。这些方法能有效地识别一定地轨迹异常,然而,该方法监测效果需要大量样本训练,过度依赖历史信息,不能适应不同船舶运行环境。基于机器学习的监测方法主要包括基于聚类的方法,基于聚类的方法通过对船舶轨迹数据进行聚类提取船舶运动模式,通过相似性分析将不符合船舶运动模式的行为视为异常行为。主要使用的基于聚类的船舶异常行为监测方法有K-means、DBSCN(基于密度的噪声应用空间聚类,Density-Based Spatial Clustering ofApplications with Noise,DBSCN)和谱密度聚类,然而这些算法存在对参数设置敏感、易受数据中噪声和异常值影响等问题,并不能实现不同场景船舶的异常行为监测。此外,AIS数据存在丢失率高、精度低、数据量大的问题,在进行船舶异常行为检测时需进行数据预处理,无法满足船舶异常行为监测的实时性需求。
综上所述,现有技术存在以下缺陷:
(1)现有的船舶异常行为监测方法依赖AIS数据,AIS数据存在丢失率高、精度低、数据量大的问题,在使用前需要进行数据预处理,无法满足船舶异常行为监测的实时性需求。
(2)现有的基于统计分析的船舶异常行为监测存在监测效果需要大量样本训练、过度依赖历史信息、不能适应不同船舶运行环境等问题;现有的基于聚类的监测方法存在参数设置敏感、难以适应动态变化的应用场景、受数据中噪声和异常值影响大等问题。
发明内容
发明目的:本发明所要解决的技术问题是针对现有技术的不足,提供一种基于孤立森林的船舶异常行为监测告警方法。
为了解决上述技术问题,本发明公开了一种基于孤立森林的船舶异常行为监测告警方法,包括以下步骤:
步骤1,获取训练数据集;
步骤2,对海面进行格网划分;
步骤3,按照划分的格网确定训练数据集中每个训练样本的所属网格,逐格网构建孤立森林;
步骤4,基于导航定位结果判断待监测的目标船舶是否位置异常并告警;
步骤5,基于导航定位结果搜索待监测的目标船舶所属格网;
步骤6,基于所属格网中建立的孤立森林,监测目标船舶行为是否异常并告警。
进一步的,步骤1中所述的获取训练数据集,具体包括:
在船舶上安装北斗卫星导航系统接收机和惯性测量单元,连续采集船舶的运动参数,构建训练数据集;
所述的船舶运动参数,至少包括:加速度、角速率、经度、纬度、对地速度和姿态角。
进一步的,步骤2中所述的对海面进行格网划分,具体包括:
以离海岸预设距离为界线,在靠近岸边的区域构建第一预设边长的区域格网,在远离岸边的区域构建第二预设边长的区域格网;格网的中心坐标根据基准点和预设的区域格网的边长确定,基准点为岸边预设点。
进一步的,步骤3中所述的按照划分的格网确定每个训练样本的所属网格,逐格网构建孤立森林,具体包括:
选择船舶运动的加速度、角速率、经度、纬度、对地速度和姿态角作为特征,对步骤1中所述的训练数据集按格网进行划分,并逐格网构建孤立森林,具体过程如下:
步骤3-1,按格网划分训练数据集;
步骤3-2,选择任意一个格网;
步骤3-3,从训练数据集中通过不放回的方式随机选择M个特征作为训练样本,其中M为预设值;
步骤3-4,构建一棵随机树,具体如下:
在上述样本中,随机选择一个特征和一个随机分割数据点,将对应特征小于分割数据点的样本放入左节点,大于等于分割数据点的样本放入右节点,递归的构造左节点和右节点,直到每一个样本都被单独放到一个子节点;
步骤3-5,重复步骤3-3和步骤3-4,在当前格网中构建由N棵随机树组成的孤立森林,其中N为预设值;
步骤3-6,选择下一个格网,执行步骤3-3,直至所有格网均构建完成孤立森林,即完成所述的在划分好的格网中构建孤立森林。
进一步的,步骤3-1中所述的按格网划分训练数据集,具体如下:
步骤3-1-1,设训练数据集中采集的船舶运动参数经度和纬度分别为lonj和latj,格网中心点经度和纬度分别为longrid_m和latgrid_m,格网边长为a,若满足:
则将采集的与该经度和纬度对应的船舶运动数据划分到该格网,否则搜索下一格网,直到找到训练数据所在的格网;
步骤3-1-2,重复步骤3-1-1,将所有样本数据划分到相对应的格网中;
进一步的,步骤4中所述的基于导航定位结果判断待监测的目标船舶是否位置异常并告警,具体包括:
步骤4-1,分别用矩形包络危险区和禁区并设置缓冲带,假设矩形四个顶点分别为A、B、C和D,其中,A点和C点的经度为lon1,B点和D点的经度为lon2,A点和B点的纬度为lat1,C点和D点的纬度为lat2;
步骤4-2,假设待监测的目标船舶的经度和纬度分别为loni和lati,若满足:
lon1≤loni≤lon2
lat2≤lati≤lat1
则判定待监测的目标船舶靠近危险区和禁区,立即告警,否则判定待监测的目标船舶航行区域正常。
进一步的,步骤5中所述的基于导航定位结果搜索待监测的目标船舶所在的格网,具体包括:
步骤5-1,设格网中心点经度和纬度分别为longrid_m和latgrid_m,格网边长为a,选定任一格网,判断所述待监测的目标船舶是否属于该格网,判断方法如下:
步骤5-1-1,判断待监测的目标船舶经度是否在格网内部,具体如下:
若满足:
则判定待监测的目标船舶经度属于该格网内部,否则,所述待监测的目标船舶不属于该格网;
步骤5-1-2,判断待监测的目标船舶纬度是否在格网内部,具体如下:
若满足:
则判定待监测的目标船舶纬度属于该格网内部,即所述待监测的目标船舶在该格网中,否则,所述待监测的目标船舶不属于该格网;
步骤5-2,若根据步骤5-1,判定所述待监测的目标船舶在格网中,则完成所述搜索,否则选定下一格网,重复执行步骤5-1,直至完成搜索。
进一步的,步骤6中所述的基于所述格网中的孤立森林,监测目标船舶行为是否异常并告警,具体包括:
在搜索到待监测的目标船舶所在的格网后,根据该格网中构建的孤立森林以及所述待监测的目标船舶的当前历元的数据,即加速度、角速率、经度、纬度、对地速度和姿态角,判定船舶运动状态是否异常并告警,设待监测的目标船舶的当前历元的数据作为当前测试样本x,判定过程如下:
步骤6-1,将待监测的目标船舶的当前历元的数据沿着当前格网中的孤立森林中的随机树进行下行,计算其在每棵树中从根节点到叶节点的路径长度h(x);
步骤6-2,计算异常得分s(y,M),方法如下:
其中,E(h(x))为测试样本x在多棵树中的路径长度的期望值,c(M)为训练样本数为M时路径长度的平均值;
步骤6-3,若异常得分属于预设的第一范围时,则判定待监测的目标船舶运动状态为没有明显异常;若异常得分属于预设的第二范围时,则判定待监测的目标船舶运动状态为正常;若异常得分属于预设的第三范围时,则判定待监测的目标船舶运动状态为存在异常;
步骤6-4,获取下一历元数据,执行步骤6-1,若连续m个历元的数据都判定为存在异常,则立即告警。
进一步的,步骤4和步骤5中所述的导航定位结果,由BDS和IMU组合导航定位解算得到。
进一步的,步骤3-3中所述的训练样本数量M预设为1024;
步骤3-5中所述的随机树数量N预设为1000。
进一步的,步骤6-4中的m可以设置为10。
有益效果:
本发明提出的利用北斗卫星导航系统(Beidou Navigation Satellite System,BDS)/惯性测量单元(Inertial Measurement Unit,IMU)获取船舶运动参数的数据集构建方法,解决了AIS数据丢失率高、精度低、数据量大的问题,在使用前不需要进行数据预处理,能够满足船舶异常行为监测的实时性需求;
本发明提出的基于孤立森林的船舶异常行为监测方法,不需要假设数据服从特定的统计分布,对数据中的噪声和异常值有较强的抗干扰能力,通过孤立森林算法可以快速地检测船舶异常行为;
本发明根据船舶在不同区域的运行特征对海面进行了格网划分,对每个格网内船舶数据训练,进一步提高船舶在不同场景下异常行为监测精度和效率。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述和/或其他方面的优点将会变得更加清楚。
图1是本发明方法的总体流程示意图。
图2是本发明中海面区域格网构建示意图。
图3是本发明中船舶位置异常判定图。
图4是本发明中格网搜索判断示意图。
具体实施方式
针对AIS数据丢失率高、精度低、数据量大,在使用前需要进行数据预处理,无法满足船舶异常行为监测的实时性需求的问题,本发明提出了一种利用北斗卫星导航系统(BDS)/惯性测量单元(IMU)获取船舶运动参数的数据集构建方法;
针对现有的基于统计分析的监测方法存在监测效果需要大量样本训练、过度依赖历史信息、不能适应不同船舶运行环境等问题,基于聚类的监测方法存在参数设置敏感、受数据中噪声和异常值影响大的的问题,本发明提出了一种基于孤立森林的船舶异常行为监测方法,孤立森林算法不需要假设数据服从特定的统计分布,对数据中的噪声和异常值有较强的抗干扰能力,通过孤立森林算法可以快速地检测船舶异常行为,此外,根据船舶在不同区域的运行特征对海面进行了格网划分,对每个格网内船舶数据训练,进一步提高船舶在不同场景下异常行为监测精度和效率。
本发明的核心内容为一种基于孤立森林的BDS/IMU船舶异常行为监测告警方法,如图1所示,包括如下几个阶段:(1)获取训练数据集;(2)对海面进行格网划分;(3)按照划分的格网确定每个训练样本的所属网格,逐格网构建孤立森林;(4)基于BDS/IMU组合导航定位结果判断船舶是否位置异常并告警;(5)基于BDS/IMU组合导航定位结果搜索格网;(6)基于孤立森林监测船舶行为是否异常并告警。具体方案如下:
(1)获取训练数据集
通过在船舶上安装BDS接收机和IMU连续14天采集船舶的运动参数构建训练数据集,获取的船舶运动参数包括加速度、角速率、经度、纬度、对地速度、姿态角,其中加速度、角速率根据IMU测量得到,经度、纬度、对地速度和姿态角可以通过基于扩展卡尔曼滤波的BDS/IMU松组合导航解算得到。
(2)对海面进行格网划分,如图2所示,具体如下:
船舶在海面不同区域具有不同的运动状态,比如起锚、航行、漂流、停泊等,不同运动状态下的运动参数差异较大,为了提高船舶异常行为监测精度,对海面区域进行格网划分,由于船舶在靠近岸边可能存在加减速以及航向变化,运动状态变化较大,而在海面航行阶段运动状态变化相对较小,因此,在靠近岸边的区域构建250m×250m的区域格网,在远离岸边1500m的区域构建500m×500m的区域格网,根据构建的格网对船舶数据集进行划分、处理及分析,一方面可以提高处理效率,另一方面可以实现更高精度的船舶异常行为监测。格网的中心坐标可以根据基准点和格网边长确定,基准点可以任意选取为岸边某一点的经、纬度。
(3)基于格网数据进行孤立森林训练
选择船舶运动的加速度、角速率、经度、纬度、对地速度、姿态角作为特征,对船舶采集的训练数据集按格网进行划分,假设格网中心点经度和纬度分别为longrid_m和latgrid_m,格网边长为a,采集的船舶运动参数经度和纬度分别为lonj和latj,若满足
则将采集的与该经度和纬度对应的船舶运动数据划分到该格网。
接着根据格网数据逐格网构建孤立森林,具体过程如下:
1)从格网数据集中通过不放回的方式随机选择M个样本,其中M=1024;
2)随机选择一个特征和一个随机分割数据点,将对应特征小于分割数据点的样本放入左节点,大于等于分割数据点的样本放入右节点,将递归的构造左节点和右节点,直到每一个样本都被单独放到一个子节点,如此就构建好一棵随机树;
3)重复上面两个过程,构建由N棵随机树组成的孤立森林,其中N=1000。
根据以上步骤,逐个格网构建孤立森林。
(4)基于BDS/IMU组合导航定位结果判断船舶是否位置异常并告警,如图3所示,具体如下:
在实时船舶异常行为监测中,首先根据BDS/IMU松组合导航定位解算的船舶经、纬度判断船舶是否靠近危险区、禁区,判断过程如下:
1)用矩形包络危险区和禁区并留有一定的缓冲带,假设矩形四个顶点分别为A、B、C和D,A、C点的经度为lon1,B、D点的经度为lon2,A、B点的纬度为lat1,C、D点的纬度为lat2;
2)假设经BDS/IMU松组合导航解算的船舶经、纬度分别为loni和lati,若lon1≤loni≤lon2,lat2≤lati≤lat1,则判定船舶靠近危险区和禁区,立即告警,反之,船舶航行区域正常。
(5)基于BDS/IMU组合导航定位结果搜索格网,如图4所示,具体如下:
利用BDS/IMU组合导航定位解算的船舶经、纬度loni和lati判断船舶目前所在的格网,假设格网中心点经、纬度分别为longrid_m,latgrid_m,格网边长为a,判断依据如下:
1)判断船舶经度是否在格网内部
若则船舶经度属于该格网内部,否则,船舶不属于格网。
2)判断船舶纬度是否在格网内部
若则船舶纬度也属于该格网内部,即船舶当前在格网中,否则,船舶不属于该格网。
(6)基于构建的孤立森林监测船舶行为是否异常并告警
在搜索到船舶所在格网后,根据格网中构建的孤立森林模型以及船舶加速度、角速率、经度、纬度、对地速度、姿态角判定船舶运动状态是否异常并告警,假设当前测试样本为x,过程如下:
1)将船舶当前数据沿着建立的随机树进行下行,计算其在每棵树中从根节点到叶节点的路径长度h(x);
2)计算异常得分s(y,M):
其中,E(h(x))为测试样本在多棵树中的路径长度的期望值,c(M)为训练样本数为M时路径长度的平均值;
3)若异常得分约等于0.5时,则船舶运动状态没有明显异常;若异常得分远远小于0.5,则船舶运动状态正常;若异常得分接近1,则认为船舶运动状态存在异常,若连续m个历元都存在运动状态异常,立即告警。
具体实现中,本申请提供计算机存储介质以及对应的数据处理单元,其中,该计算机存储介质能够存储计算机程序,所述计算机程序通过数据处理单元执行时可运行本发明提供的一种基于孤立森林的船舶异常行为监测告警方法的发明内容以及各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory,ROM)或随机存储记忆体(random access memory,RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术方案可借助计算机程序以及其对应的通用硬件平台的方式来实现。基于这样的理解,本发明实施例中的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计算机程序即软件产品的形式体现出来,该计算机程序软件产品可以存储在存储介质中,包括若干指令用以使得一台包含数据处理单元的设备(可以是个人计算机,服务器,单片机,MCU或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本发明提供了一种基于孤立森林的船舶异常行为监测告警方法的思路及方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (10)
1.一种基于孤立森林的船舶异常行为监测告警方法,其特征在于,包括以下步骤:
步骤1,获取训练数据集;
步骤2,对海面进行格网划分;
步骤3,按照划分的格网确定训练数据集中每个训练样本的所属网格,逐格网构建孤立森林;
步骤4,基于导航定位结果判断待监测的目标船舶是否位置异常并告警;
步骤5,基于导航定位结果搜索待监测的目标船舶所属格网;
步骤6,基于所属格网中建立的孤立森林,监测目标船舶行为是否异常并告警。
2.根据权利要求1所述的一种基于孤立森林的船舶异常行为监测告警方法,其特征在于,步骤1中所述的获取训练数据集,具体包括:
在船舶上安装北斗卫星导航系统接收机和惯性测量单元,连续采集船舶的运动参数,构建训练数据集;
所述的船舶运动参数,至少包括:加速度、角速率、经度、纬度、对地速度和姿态角。
3.根据权利要求2所述的一种基于孤立森林的船舶异常行为监测告警方法,其特征在于,步骤2中所述的对海面进行格网划分,具体包括:
以离海岸预设距离为界线,在靠近岸边的区域构建第一预设边长的区域格网,在远离岸边的区域构建第二预设边长的区域格网;格网的中心坐标根据基准点和预设的区域格网的边长确定,基准点为岸边预设点。
4.根据权利要求3所述的一种基于孤立森林的船舶异常行为监测告警方法,其特征在于,步骤3中所述的按照划分的格网确定每个训练样本的所属网格,逐格网构建孤立森林,具体包括:
选择船舶运动的加速度、角速率、经度、纬度、对地速度和姿态角作为特征,对步骤1中所述的训练数据集按格网进行划分,并逐格网构建孤立森林,具体过程如下:
步骤3-1,按格网划分训练数据集;
步骤3-2,选择任意一个格网;
步骤3-3,从训练数据集中通过不放回的方式随机选择M个特征作为训练样本,其中M为预设值;
步骤3-4,构建一棵随机树,具体如下:
在上述样本中,随机选择一个特征和一个随机分割数据点,将对应特征小于分割数据点的样本放入左节点,大于等于分割数据点的样本放入右节点,递归的构造左节点和右节点,直到每一个样本都被单独放到一个子节点;
步骤3-5,重复步骤3-3和步骤3-4,在当前格网中构建由N棵随机树组成的孤立森林,其中N为预设值;
步骤3-6,选择下一个格网,执行步骤3-3,直至所有格网均构建完成孤立森林,即完成所述的在划分好的格网中构建孤立森林。
5.根据权利要求4所述的一种基于孤立森林的船舶异常行为监测告警方法,其特征在于,步骤3-1中所述的按格网划分训练数据集,具体如下:
步骤3-1-1,设训练数据集中采集的船舶运动参数经度和纬度分别为lonj和latj,格网中心点经度和纬度分别为longrid_m和latgrid_m,格网边长为a,若满足:
则将采集的与该经度和纬度对应的船舶运动数据划分到该格网,否则搜索下一格网,直到找到训练数据所在的格网;
步骤3-1-2,重复步骤3-1-1,将所有样本数据划分到相对应的格网中。
6.根据权利要求5所述的一种基于孤立森林的船舶异常行为监测告警方法,其特征在于,步骤4中所述的基于导航定位结果判断待监测的目标船舶是否位置异常并告警,具体包括:
步骤4-1,分别用矩形包络危险区和禁区并设置缓冲带,假设矩形四个顶点分别为A、B、C和D,其中,A点和C点的经度为lon1,B点和D点的经度为lon2,A点和B点的纬度为lat1,C点和D点的纬度为lon2;
步骤4-2,假设待监测的目标船舶的经度和纬度分别为loni和lati,若满足:
lon1≤loni≤lon2
lat2≤lati≤lat1
则判定待监测的目标船舶靠近危险区和禁区,立即告警,否则判定待监测的目标船舶航行区域正常。
7.根据权利要求6所述的一种基于孤立森林的船舶异常行为监测告警方法,其特征在于,步骤5中所述的基于导航定位结果搜索待监测的目标船舶所在的格网,具体包括:
步骤5-1,设格网中心点经度和纬度分别为longrid_m和latgrid_m,格网边长为a,选定任一格网,判断所述待监测的目标船舶是否属于该格网,判断方法如下:
步骤5-1-1,判断待监测的目标船舶经度是否在格网内部,具体如下:
若满足:
则判定待监测的目标船舶经度属于该格网内部,否则,所述待监测的目标船舶不属于该格网;
步骤5-1-2,判断待监测的目标船舶纬度是否在格网内部,具体如下:
若满足:
则判定待监测的目标船舶纬度属于该格网内部,即所述待监测的目标船舶在该格网中,否则,所述待监测的目标船舶不属于该格网;
步骤5-2,若根据步骤5-1,判定所述待监测的目标船舶在格网中,则完成所述搜索,否则选定下一格网,重复执行步骤5-1,直至完成搜索。
8.根据权利要求7所述的一种基于孤立森林的船舶异常行为监测告警方法,其特征在于,步骤6中所述的基于所述格网中的孤立森林,监测目标船舶行为是否异常并告警,具体包括:
在搜索到待监测的目标船舶所在的格网后,根据该格网中构建的孤立森林以及所述待监测的目标船舶的当前历元的数据,即加速度、角速率、经度、纬度、对地速度和姿态角,判定船舶运动状态是否异常并告警,设待监测的目标船舶的当前历元的数据作为当前测试样本x,判定过程如下:
步骤6-1,将待监测的目标船舶的当前历元的数据沿着当前格网中的孤立森林中的随机树进行下行,计算其在每棵树中从根节点到叶节点的路径长度h(x);
步骤6-2,计算异常得分s(y,M),方法如下:
其中,E(h(x))为测试样本x在多棵树中的路径长度的期望值,c(M)为训练样本数为M时路径长度的平均值;
步骤6-3,若异常得分属于预设的第一范围时,则判定待监测的目标船舶运动状态为没有明显异常;若异常得分属于预设的第二范围时,则判定待监测的目标船舶运动状态为正常;若异常得分属于预设的第三范围时,则判定待监测的目标船舶运动状态为存在异常;
步骤6-4,获取下一历元数据,执行步骤6-1,若连续m个历元的数据都判定为存在异常,则立即告警。
9.根据权利要求8所述的一种基于孤立森林的船舶异常行为监测告警方法,其特征在于,步骤4和步骤5中所述的导航定位结果,由BDS和IMU组合导航定位解算得到。
10.根据权利要求9所述的一种基于孤立森林的船舶异常行为监测告警方法,其特征在于,步骤3-3中所述的训练样本数量M预设为1024;
步骤3-5中所述的随机树数量N预设为1000;
步骤6-4中的历元数m预设为10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410071769.6A CN117912301A (zh) | 2024-01-17 | 2024-01-17 | 一种基于孤立森林的船舶异常行为监测告警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410071769.6A CN117912301A (zh) | 2024-01-17 | 2024-01-17 | 一种基于孤立森林的船舶异常行为监测告警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117912301A true CN117912301A (zh) | 2024-04-19 |
Family
ID=90692000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410071769.6A Pending CN117912301A (zh) | 2024-01-17 | 2024-01-17 | 一种基于孤立森林的船舶异常行为监测告警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117912301A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118133001A (zh) * | 2024-05-08 | 2024-06-04 | 山东省国土测绘院 | 一种基于北斗卫星信号的目标特征提取方法及系统 |
-
2024
- 2024-01-17 CN CN202410071769.6A patent/CN117912301A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118133001A (zh) * | 2024-05-08 | 2024-06-04 | 山东省国土测绘院 | 一种基于北斗卫星信号的目标特征提取方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111949750B (zh) | 一种船舶轨迹模型建立及异常轨迹检测方法 | |
CN110210352B (zh) | 基于航道模型的船舶轨迹异常检测方法 | |
CN112308881B (zh) | 一种基于遥感图像的舰船多目标跟踪方法 | |
CN117912301A (zh) | 一种基于孤立森林的船舶异常行为监测告警方法 | |
CN110188093A (zh) | 一种基于大数据平台针对ais信息源的数据挖掘系统 | |
CN107909678A (zh) | 一种行车风险评价方法及系统 | |
WO2022068417A1 (zh) | 一种基于ais数据的船舶徘徊检测方法 | |
CN112926541B (zh) | 一种睡岗检测方法、装置及相关设备 | |
CN110188797A (zh) | 一种基于贝叶斯优化的智能汽车快速测试方法 | |
CN108814618B (zh) | 一种运动状态的识别方法、装置及终端设备 | |
CN115618251B (zh) | 船舶轨迹预测方法、装置、电子设备及存储介质 | |
CN113283653B (zh) | 一种基于机器学习和ais数据的船舶轨迹预测方法 | |
CN115050214B (zh) | 一种基于ais数据的船舶碰撞风险预测方法 | |
Faucher et al. | Empirical-statistical reconstruction of surface marine winds along the western coast of Canada | |
CN112464951B (zh) | 一种基于物联网的渔业安全应急处置系统及方法 | |
CN113569921A (zh) | 一种基于gnn的船舶分类识别方法及装置 | |
CN114740550B (zh) | 一种连续风暴事件智能识别预警方法及系统 | |
CN114291081A (zh) | 一种基于人工智能算法的车辆碰撞检测方法 | |
Wang et al. | Classification of ship trajectories by using naive Bayesian algorithm | |
CN110826891A (zh) | 一种基于船舶集群态势的相对碰撞危险度获取方法 | |
CN111832548B (zh) | 一种列车定位方法 | |
CN115272899A (zh) | 一种风险预警方法、装置、飞行器及存储介质 | |
Alburshaid et al. | Developing date palm tree inventory from satellite remote sensed imagery using deep learning | |
Kojima et al. | A study of target tracking using track-oriented multiple hypothesis tracking | |
CN114091578A (zh) | 一种基于曲线长度距离的船舶轨迹聚类方法 |
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 |