【技术实现步骤摘要】
基于AIS轨迹数据的船舶作业异常半监督实时检测方法
本专利技术涉及港口或河流疏浚作业船舶的异常行为检测，具体地，涉及一种基于AIS轨迹数据的船舶作业异常半监督实时检测方法，其中AIS是指AutomaticIdentificationSystem，即船舶自动识别系统。
技术介绍
港口和河流都需要定期进行维护性疏浚，以便进出港口和航道。在疏浚作业时，船舶将淤泥从作业区域中挖出，并在指定的倾倒区进行抛置。但是，在实际的疏浚作业中，一些疏浚船舶可能会将淤泥抛置到作业区域附近的地方，而不是特定的倾倒区域。同时，船舶在疏浚作业过程中可能遇到在航道上航行的船舶，因此必须离开航道进行避免。因此，当疏浚船舶驶离作业区域时，必须区分异常的淤泥非法倾倒行为与正常的避让行为，即疏浚船舶作业异常检测。准确的疏浚船舶异常检测不仅规范了挖泥船在作业过程中的行为，而且保证了整个工程的质量。针对内河航行的异常检测，专利文献CN106816038A公开了一种内河水域异常行为船舶自动识别系统及方法，通过实时获取内河水域船舶通航的AIS报文信息、水文气象部门的环境信息、CCTV视频图像和景深图像，分析船...
【技术保护点】
1.一种基于AIS轨迹数据的船舶作业异常半监督实时检测方法，其特征在于，包括预处理阶段、离线模型训练阶段以及在线检测阶段；预处理阶段：使用特征系统过滤出作业轨迹，提取行为特征；离线模型训练阶段：根据预处理阶段得到的作业轨迹的行为特征，对模型参数进行离线训练；在线检测阶段：执行在线异常检测任务，针对疏浚作业期间潜在的异常行为发出警报。
【技术特征摘要】
1.一种基于AIS轨迹数据的船舶作业异常半监督实时检测方法，其特征在于，包括预处理阶段、离线模型训练阶段以及在线检测阶段；预处理阶段：使用特征系统过滤出作业轨迹，提取行为特征；离线模型训练阶段：根据预处理阶段得到的作业轨迹的行为特征，对模型参数进行离线训练；在线检测阶段：执行在线异常检测任务，针对疏浚作业期间潜在的异常行为发出警报。2.根据权利要求1所述的基于AIS轨迹数据的船舶作业异常半监督实时检测方法，其特征在于，所述预处理阶段中的特征包括全局特征和/或实时特征。3.根据权利要求2所述的基于AIS轨迹数据的船舶作业异常半监督实时检测方法，其特征在于，所述全局特征包括以下八个特征中的任一种或任多种组合：1)一个作业轨迹T的总时间s；2)一个作业轨迹T的总行驶距离d；3)船舶在作业区内转向次数nturn；4)一次作业内驶出作业区域的总次数nout；5)一次作业内在作业区域外停留总时间tout；6)一次作业内在作业区域外总行驶距离dout；7)一次作业内在作业区域外最长停留时间maxt；8)驶离作业区域后与边界的最大距离maxd。4.根据权利要求2所述的基于AIS轨迹数据的船舶作业异常半监督实时检测方法，其特征在于，所述实时特征包括以下四个特征中的任一种或任多种组合：1)离开作业区域的时间toutc；2)离开作业区域的距离doutc；3)上次离开作业区域的时间tlast；4)当前速度v。5.根据权利要求1所述的基于AIS轨迹数据的船舶作业异常半监督实时检测方法，其特征在于，所述离线模型训练阶段包括非线性降维的T-SNE模型和/或降维后行为特征建模的概率模型。6.根据权利要求5所述的基于AIS轨迹数据的船舶作业异常半监督实时检测方法，其特征在于，所述T-SNE模型通过计算高维空间中的点的相似性的概率来计算相应的低维空间中的点的相似性的概率，数据点xi与数据点xj的相似性条件概率pj|i满足：其中S(xi,xj)是xi与xj之间的相似度量函数，i、j、k均为数据点的标号数字；在高维空间中，S(xi,xj)被定义为在低维空间中，S(xi,xj)定义为(1+xi-xj2)-1。7.根据权利要求6所述的基于AIS轨迹数据的船舶作业异常半监督实时检测方法，其特征在于，采用高斯混合模型GMM作为降维后行为特征建模的概率模型；高斯混合模型GMM用于半监督学习的目标是最大化对数似然，即其中，log是数学上的对数操作，L(θ)表示损失函数，Pθ表示后验概率；xr和是带标签的样本及其标签，xu是无标签样本，θ...
【专利技术属性】
技术研发人员：钱诗友，程彬，曹健，薛广涛，李明禄，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。