基于群体行为规律认知的异常船舶轨迹探测方法技术

本公开实施例中提供了一种基于群体行为规律认知的异常船舶轨迹探测方法，属于数据处理技术领域，具体包括：步骤1，对目标船舶的AIS基站数据进行预处理操作；步骤2，根据所述预处理操作后的AIS基站数据提取所述目标船舶的空间属性特征并据此对所述空间属性特征的异常行为进行检测；步骤3，结合所述空间属性特征和专题属性特征，基于孤立森林算法对于所述目标船舶异常行为进行检测和评分。通过本公开的方案，结合实际地理环境因素将现有研究中具有群体规律行为的船舶轨迹特征进行了梳理，从空间属性和专题属性的角度得到轨迹点异常程度的评分值，以此评估船舶运动模式，进而识别船舶异常行为。异常行为。异常行为。

【技术实现步骤摘要】
基于群体行为规律认知的异常船舶轨迹探测方法


[0001]本公开实施例涉及数据处理
，尤其涉及一种基于群体行为规律认知的异常船舶轨迹探测方法。

技术介绍

[0002]目前，海上运输以其货运量大、能耗少以及成本低等优势备受青睐并得以迅速发展。为了确保航行安全，AIS基站应运而生，AIS系统为海上交通分析和建模提供了数据支撑，也为船舶异常行为探测的研究增强了可行性。船舶行为并不是某一艘船舶其具体的行为，而指的是船舶群体的同类行动的方式和规律，其不仅取决于人的意识、思维、决策和操纵，并且还受到船舶自身特性以及周围相关环境的影响。现有研究并未有效结合船舶行为特点进行异常模式的判别，由于海域事故的发生通常可以归因于船舶异常行为，因此本研究海域事故对于船舶行为从空间属性、时间属性以及专题属性三个维度进行特征抽象，得到船舶异常行为的数据形式表达，对于群体船舶异常行为进行检测。
[0003]现有研究大多从各自的领域出发基于研究方法对船舶异常行为研究做出了综述。根据文献可以将船舶异常行为检测研究按照结果分为以下三类：检测结果仅为空间位置异常、检测结果为空间位置结合专题属性异常、检测结果为特定情境异常。
[0004]检测结果为空间位置异常的检测方法仅考虑空间属性过于单一，且机器学习方法的准确性受到设定阈值大小的影响，检测结果为空间位置结合专题属性异常的检测方法很难有效的进行组合选择与检测以及如何对于检测结果进行解释，同时受限于所选择的检测方法，研究中仍需要完善阈值的选取以及算法复杂度的简化等问题，检测结果为特定情境异常的检测方法仅仅对于某几个因素进行验证而忽略其他因素同样会导致误差。
[0005]可见，亟需一种高效精准且适应性强的基于群体行为规律认知的异常船舶轨迹探测方法。

技术实现思路

[0006]有鉴于此，本公开实施例提供一种基于群体行为规律认知的异常船舶轨迹探测方法，至少部分解决现有技术中存在检测效率、精准度和适应性较差的问题。
[0007]本公开实施例提供了一种基于群体行为规律认知的异常船舶轨迹探测方法，包括：
[0008]步骤1，对目标船舶的AIS基站数据进行预处理操作；
[0009]步骤2，根据所述预处理操作后的AIS基站数据提取所述目标船舶的空间属性特征并据此对所述空间属性特征的异常行为进行检测；
[0010]步骤3，结合所述空间属性特征和专题属性特征，基于孤立森林算法对于所述目标船舶异常行为进行检测和评分。
[0011]根据本公开实施例的一种具体实现方式，所述步骤1具体包括：
[0012]步骤1.1，将所述目标船舶的轨迹点与地图进行匹配；
[0013]步骤1.2，将不符合逻辑的数据删除；
[0014]步骤1.3，从空间和时间角度分别对所述目标船舶的轨迹进行切割；
[0015]步骤1.4，选用卡尔曼滤波算法对切割后的轨迹数据进行平滑处理；
[0016]步骤1.5，根据轨迹点的凹凸性分别选用拉格朗日一阶插值算法和拉格朗日二阶插值算法对于轨迹线进行补全，直到满足轨迹段的间隔条件。
[0017]根据本公开实施例的一种具体实现方式，所述步骤2具体包括：
[0018]步骤2.1，基于主图结构学习和树形连接策略从目标轨迹点群生成航道网络并据此计算最佳主图及对应的点集，形成所述空间属性特征；
[0019]步骤2.2，根据所述最佳主图及对应的点集，基于3
‑
sigma原则对所述目标船舶的空间属性特征行为进行检测。
[0020]根据本公开实施例的一种具体实现方式，所述步骤2.1具体包括：
[0021]步骤2.1.1，通过映射机制将所述目标轨迹点群反映射，得到反映射点群；
[0022]步骤2.1.2，从所述目标轨迹点群中学习初始主图；
[0023]步骤2.1.3，初始所述反映射点群并据此计算所述反映射点群与所述目标轨迹点群之间的隶属度矩阵；
[0024]步骤2.1.4，根据所述反映射点群和所述隶属度矩阵计算潜在空间点集以图表示时的图的权重矩阵；
[0025]步骤2.1.5，根据所述隶属度矩阵和所述权重矩阵反向求解所述反映射点群，得到初始函数；
[0026]步骤2.1.6，将所述初始函数转换为无约束二次规划问题，得到目标函数；
[0027]步骤2.1.7，基于所述反映射点群、所述隶属矩阵和所述初始主图，计算拟合之前与拟合之后图之间的目标函数之差；
[0028]步骤2.1.8，循环迭代步骤2.1.3至步骤2.1.7，直到所述目标函数之差小于阈值时结束循环；
[0029]步骤2.1.9，结束循环时，得到最佳主图及对应的点集，形成所述空间属性特征。
[0030]根据本公开实施例的一种具体实现方式，所述步骤2.2具体包括：
[0031]步骤2.2.1，根据所述最佳主图及对应的点集，利用正态概率密度分布函数计算所述目标船舶的航路属于计划航道的概率；
[0032]步骤2.2.2，根据所述概率和所述3
‑
sigma原则对所述目标船舶的空间属性特征的异常行为进行检测。
[0033]根据本公开实施例的一种具体实现方式，所述步骤3具体包括：
[0034]步骤3.1，基于ArcGIS工具以交叉点为节点按照顺时针方向对所述航道网络进行分段，对分段之后的航道网络段赋予唯一标识符，完成航道分段后，按照最小距离原则计算每个轨迹点的最邻近航道段，并作为属性赋给轨迹点；
[0035]步骤3.2，利用所述孤立森林算法计算输入数据组的异常评分情况。
[0036]根据本公开实施例的一种具体实现方式，所述步骤3.2具体包括：
[0037]步骤3.2.1，根据所述输入数据组建立一棵树；
[0038]步骤3.2.2，随机选择一个特征以及一个随机切割点，基于所述随机切割点对所述特征进行切割；
[0039]步骤3.2.3，以所述随机切割点为标准将所述特征的数据空间划分为两个子空间；
[0040]步骤3.2.4，循环迭代步骤3.2.2至步骤3.2.3直到满足预设条件，其中，所述预设条件包括构建的孤立树达到了树高、二叉树的某一个节点上只有一个节点、节点上的所有样本特征都是相同的中的任一种；
[0041]步骤3.2.5，重复步骤3.2.2至步骤3.2.4操作得到多棵树的集合，形成孤立森林；
[0042]步骤3.2.6，根据所述孤立森林计算所述输入数据的异常程度；
[0043]步骤3.2.7，对所述异常程度的值进行归一化，得到异常分数。
[0044]本公开实施例中的基于群体行为规律认知的异常船舶轨迹探测方案，包括：步骤1，对目标船舶的AIS基站数据进行预处理操作；步骤2，根据所述预处理操作后的AIS基站数据提取所述目标船舶的空间属性特征并据此对所述空间属性特征的异常行为进行检测；步骤3，结合所述空间属性特征和专题属性特征，基于孤立森林算法对于所述目标船舶异本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于群体行为规律认知的异常船舶轨迹探测方法，其特征在于，包括：步骤1，对目标船舶的AIS基站数据进行预处理操作；步骤2，根据所述预处理操作后的AIS基站数据提取所述目标船舶的空间属性特征并据此对所述空间属性特征的异常行为进行检测；步骤3，结合所述空间属性特征和专题属性特征，基于孤立森林算法对于所述目标船舶异常行为进行检测和评分。2.根据权利要求1所述的方法，其特征在于,所述步骤1具体包括：步骤1.1，将所述目标船舶的轨迹点与地图进行匹配；步骤1.2，将不符合逻辑的数据删除；步骤1.3，从空间和时间角度分别对所述目标船舶的轨迹进行切割；步骤1.4，选用卡尔曼滤波算法对切割后的轨迹数据进行平滑处理；步骤1.5，根据轨迹点的凹凸性分别选用拉格朗日一阶插值算法和拉格朗日二阶插值算法对于轨迹线进行补全，直到满足轨迹段的间隔条件。3.根据权利要求1所述的方法，其特征在于,所述步骤2具体包括：步骤2.1，基于主图结构学习和树形连接策略从目标轨迹点群生成航道网络并据此计算最佳主图及对应的点集，形成所述空间属性特征；步骤2.2，根据所述最佳主图及对应的点集，基于3
‑
sigma原则对所述目标船舶的空间属性特征行为进行检测。4.根据权利要求3所述的方法，其特征在于,所述步骤2.1具体包括：步骤2.1.1，通过映射机制将所述目标轨迹点群反映射，得到反映射点群；步骤2.1.2，从所述目标轨迹点群中学习初始主图；步骤2.1.3，初始所述反映射点群并据此计算所述反映射点群与所述目标轨迹点群之间的隶属度矩阵；步骤2.1.4，根据所述反映射点群和所述隶属度矩阵计算潜在空间点集以图表示时的图的权重矩阵；步骤2.1.5，根据所述隶属度矩阵和所述权重矩阵反向求解所述反映射点群，得到初始函数；步骤2.1.6，将所述初始函数转换为无约束二次规划问题，得到目标函数；步骤2.1.7，基于...

【专利技术属性】
技术研发人员：龙程，石岩，杨学习，邓敏，
申请(专利权)人：中南大学，
类型：发明
国别省市：