[发明专利]基于AIS数据的船舶异常行为探测方法

说明书

本发明提供了一种基于AIS数据的船舶异常行为探测方法，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。本发明利用停留点提取、非监督学习和道格拉斯‑普克抽稀算法保留了轨迹的全局特性和局部特性，通过自适应设定阈值减少了对历史数据量的依赖，充分挖掘了轨迹的异常特征，在全局异常挖掘算法下对时间距离进行定义，在局部异常挖掘算法下按照时序特征对轨迹进行检测，从全局和局部的角度对于船舶异常行为进行全方位多角度探测。

技术领域

本发明涉及时空挖掘与时空统计技术领域，特别涉及一种基于AIS数据的船舶异常行为探测方法。

背景技术

海运占比全球贸易的百分之八十以上，构成了全球运输的大动脉，而船舶的活动情况反映出全球政治经济发展运行规律，能够帮助船东监控船舶位置，分析贸易方向和趋势等。我国在世界上是一个航运大国，但是在航运的生产管理上仍然存在很多的问题，特别是没有办法对于船只异常情况进行及时的探测，但船只在航行过程中发生突发事故最终引起异常情况的事件时而发生，所以对船舶异常轨迹的识别也已经成为航海领域的一个重要问题，对于船舶异常轨迹的识别与规律挖掘也成为研究的重点。

接下来，首先从数据的层面分析海域异常行为探测的数据可行性，然后从技术方法层面分析目前异常行为探测方法中存在的一些不足。

海事态势感知和异常检测与船舶及其属性和上下文地理关联信息有关，随着传感器技术的发展以及数据存储能力的增强，因此获得海上交通的相关数据的能力也在逐渐增强。船舶轨迹数据的按照数据获取方式可以分为自我报告数据和基于观测的数据。自我报告定位数据除了基本的轨迹信息，其还包括了比如航次相关的其他船舶附加属性信息，主要类型就是AIS数据。AIS数据主要使用卫星通信，通过给主管当局发送信号以保证安全，或向临近地区发送信号以避免碰撞。这种数据的特点就是会以不同的频率进行数据的更新且其空间覆盖率主要依靠于AIS地面接收电台的分布。基于观测的定位数据由主动或被动传感器手机，这种类型传感器探测能力受限于传感器的工作频率、天线大小等具体参数，海洋状况、气象因素等环境条件以及船只具体属性特征比如船只的大小、结构以及相对于观测点的方向。

应用船舶自动识别系统(Automatic Identification System)大数据即AIS数据由基站设施和船载设备共同组成，是一种新型的集网络技术、现代通讯技术、计算机技术、电子信息显示技术为一体的数字助航系统和设备。AIS数据量庞大、获取简单且信息丰富、可信度高，现已被国际航行的300总吨以上以及国内航行500吨以上的货船和客船进行强行安装，并且也渐渐的在各个渔船上进行了安装。数据中每个轨迹点包含有多个字段属性，比如MMSI编号、航行状态、转向率、对地航速等，轨迹点按照时间顺序构成了序列轨迹。相对于其他传统数据，AIS数据覆盖范围更加的广阔几乎与非近岸海域的船舶一一对应，可以从更大面积尺度上获得更多的海域信息，且AIS数据采样密度相对于传统轨迹数据更加密集，多样的轨迹信息有利于对异常进行多角度的分析，随着航海信息技术的迅速进步，传播自动识别系统生成的AIS数据呈爆炸式增长，结合AIS数据可以对于船舶行为进行多角度的统计、分析和挖掘，实现船舶的异常行为检测。

技术方法层面，在现有研究方法中基于不同的应用需求以及不同的实现原理,常见的海事异常行为的探测方法可以分为四种：

一种是基于分类异常轨迹检测方法。基于分类的异常轨迹检测方法从两步进行异常行为的探测，首先是根据原始数据对其进行标签构建一个标签分类器，接着根据分类器将测试数据划分为异常和正常两个部分。基于分类的异常轨迹检测方法相对于无监督分类方法可以获得更高精度的结果，但是其需要大量专家先验知识对于数据集进行提前标注，且鉴于轨迹的发展是不定向的、时变的，因此对于所有异常行为进行标签是困难的，所以基于分类的异常轨迹检测方法也不适用于在线流的检测。