[发明专利]基于AIS数据的船舶异常行为探测方法

权利要求书

1.一种基于AIS数据的船舶异常行为探测方法，其特征在于，包括：

步骤1，获取AIS数据，将获取的AIS数据中的在船舶研究区域范围之外、时间异常和重复记录的AIS数据进行删除，通过卡尔曼滤波对删除数据后的AIS数据进行数据清洗，通过船舶运行的实际情况、轨迹点的船首方向和对地速度对清洗后的AIS数据进行插值补全；

步骤2，根据插值补全后的AIS数据所记录的船舶轨迹点的时间序列信息和地理位置信息，通过异常挖掘算法对AIS数据中的船舶历史行进规律中的船舶异常行为进行挖掘；

步骤3，根据船舶异常行为的区域范围分别采用为全局异常挖掘算法和局部异常挖掘算法；

步骤4，将全局异常挖掘算法与非监督学习判别方法和规则判别方法结合对轨迹的规律异常和形态异常进行检测，分别得到规律异常轨迹和形态异常轨迹，将规律异常轨迹和形态异常轨迹结合得到全局异常轨迹；

基于插值补全后的AIS数据中轨迹群计算每个轨迹两两之间的时间距离，并构建时间距离矩阵，轨迹i与轨迹j之间的时间距离计算公式如下所示：

T_i＝t_ei-t_si (1)

其中，T_i表示轨迹i的轨迹时间跨度，t_ei表示轨迹i的起始时间，t_si表示表示轨迹i的停止时间；

T_j＝t_ej-t_sj   (2)

其中，T_j表示轨迹j的轨迹时间跨度，t_ej表示轨迹j的起始时间，t_sj表示表示轨迹j的停止时间；

ΔT_ij＝max(t_si,t_sj)-min(t_ei,t_ej)   (3)

其中，ΔT_ij表示轨迹i与轨迹j之间在时间区间上的时间差；

其中，Temporal_dis表示轨迹i与轨迹j之间的时间距离；

基于插值补全后的AIS数据中的轨迹群计算每两个轨迹之间的空间距离，并构建空间距离矩阵，计算轨迹i与轨迹j之间的空间距离，如下所示：

其中，Ddir表示按照时序顺序计算轨迹i与轨迹j之间的平均距离，x_im表示轨迹i上第m个轨迹点的投影纬度坐标，x_jm表示轨迹j上第m个轨迹点的投影纬度坐标，y_im表示轨迹i上第m个轨迹点的投影经度坐标，y_jm表示轨迹j上第m个轨迹点的投影经度坐标，M表示轨迹i和轨迹j上的总轨迹点数；

其中，Dopp表示按照时序倒序计算轨迹i与轨迹j之间的平均距离；

Spatial_dist＝min(Ddir,Dopp)     (7)

其中，Spatial_dist表示两两轨迹之间的空间距离，min()表示返回按照时序顺序计算轨迹i与轨迹j之间的平均距离和按照时序倒序计算轨迹i与轨迹j之间的平均距离中的最小值；

基于时间距离矩阵和空间距离矩阵通过时空累计概率分布计算时间阈值timeThreh和空间阈值distThreh，如下所示：

F(x)＝P(X≤x)    (8)

其中，F(x)表示累计概率分布，P表示所有小于等于x的值出现的概率的和；

timeThreh＝F(x＝0.45)    (9)

其中，timeThreh表示以时间距离的累计概率达到45％对应的时间距离为时间阈值；

distThreh＝F(x＝0.45)  (10)

其中，distThreh表示以空间距离的累计概率达到45％对应的空间距离为空间阈值；

通过时间阈值timeThreh和空间阈值distThreh分别来确定时间邻域的范围和空间邻域的范围；

设定最小轨迹数minLines；

根据AIS数据中船舶的标识信息，按照轨迹数据标识符顺序，循环遍历AIS数据中的每一条目标轨迹i_k，当目标轨迹i_k有超过minLines个其他轨迹i_h，且其他轨迹i_h与目标轨迹i_k之间的时间距离Temporal_dis小于时间阈值timeThreh，其他轨迹i_h与目标轨迹i_k之间的空间距离Spatial_dist小于空间阈值distThreh时，则将目标轨迹i_k当作一个簇Cluster_j的核点，否则将目标轨迹i_k看作为噪声轨迹；

给定一个簇Cluster_j的核点，当有目标轨迹i_k与簇Cluster_j中的轨迹之间的时间距离Temporal_dis小于时间阈值timeThreh，空间距离Spatial_dist小于空间阈值distThreh时，则将目标轨迹i_k加入到簇Cluster_j中；

循环迭代上一步，直到没有新的轨迹添加到任何簇时，结束循环；

将每一个簇Cluster_m作为一个群目标体，去寻找不在群目标体中的轨迹，将不在群目标中的轨迹认为具有规律异常行为；

设定道格拉斯-普克抽稀阈值dp_thre为轨迹所分布区域拟合椭圆的长半径，如下所示：

其中，dp_thre表示道格拉斯-普克抽稀阈值，area()表示轨迹i拟合椭圆的投影面积，length()表示轨迹i拟合椭圆的短半轴长度；

以唯一标识符为标识遍历所有原始轨迹P＝＜p₁,p₂,...,p_n＞，并利用道格拉斯-普克抽稀算法对原始轨迹P＝＜p₁,p₂,...,p_n＞进行轨迹内部简化得到抽稀轨迹Q＝＜q₁,q₂,...,q_n＞；

根据轨迹的时序信息，对于原始轨迹和抽稀轨迹按照轨迹数据中的唯一标识符的顺序，从第一个轨迹点开始，向下一个轨迹点进行扫描，通过DTW算法依次计算原始轨迹和抽稀轨迹间基于时间动态规整的的相似度，如下所示：

其中，f(a,b)表示轨迹长度为a的轨迹与轨迹长度为b的轨迹之间的累加距离；

DTW(P,Q)＝f(a,b) (13)

其中，DTW(P,Q)表示原始轨迹和抽稀轨迹间的相似度，||·||表示两轨迹点坐标的二范数；

将抽稀轨迹作为离散轨迹点，以唯一标识符为单位进行遍历，计算所有轨迹内部离散程度，如下所示：

其中，μ表示所有轨迹的均值，N表示总的轨迹个数，x_i表示轨迹i的投影纬度坐标；

其中，表示所有轨迹的标准差；

其中，表示所有轨迹内部离散程度；

设定轨迹内部离散阈值和轨迹间相似度阈值DTW_thre；

计算每一条轨迹与拟合正常轨迹之间的相似度和轨迹内部离散程度，当当前轨迹与拟合正常轨迹间的相似度小于轨迹间相似度阈值DTW_thre且当前轨迹与拟合正常轨迹间的轨迹内部离散程度小于轨迹内部离散阈值时，判定当前轨迹的形态异常，且将当前轨迹作为形态异常轨迹；

步骤5，将局部异常挖掘算法与规则判别方法结合从局部角度对轨迹的徘徊特征、加速特征和折返特征进行判别，分别得到徘徊异常特征、加速异常特征和折返异常特征，将徘徊异常特征、加速异常特征和折返异常特征结合得到局部异常特征。