一种基于AIS数据的船舶目标分类方法技术

本发明专利技术涉及一种基于AIS数据的船舶目标分类方法，属于轨迹分类方法技术领域。本发明专利技术首先构建用于船舶目标分类的第一输入特征向量和第二输入特征向量，第一输入特征向量和第二输入特征向量简单，可直接从AIS数据中得到，且能兼顾到时空特征，避免了人为干预且复杂的特征工程；然后采用CNN

【技术实现步骤摘要】
一种基于AIS数据的船舶目标分类方法


[0001]本专利技术涉及一种基于AIS数据的船舶目标分类方法，属于轨迹分类方法


技术介绍

[0002]轨迹分类一直是交通运输工程、交通地理学的重要研究。移动互联网、卫星定位等技术的快速更新以及“21世纪海上丝绸之路”倡议的广泛普及，加速了全球海运事业的蓬勃发展，船舶轨迹数据与日俱增，其中新型开放式船舶数据传输系统AIS是海上船舶轨迹数据的重要来源。基于轨迹数据对船舶目标进行分类能够用来分析不同船舶的运动特征及规律，帮助挖掘船舶之间的内在联系，在识别异常船舶、为航运分析和船舶调度提供决策支持、促进海上智能交通发展等方面均具有重要应用价值。当前对该问题的研究主要是从船舶轨迹段中人工提取多维特征，并基于此构建单一模型来挖掘特征中的浅层空间信息，进而实现船舶目标分类。然而，海上水域宽阔、船舶类型和结构趋于多样化，船舶分类包含了船舶目标运动的空间依赖性和时间的依赖性，是相对复杂的非线性数学模型。因此，如何简化这种复杂的船舶目标分类任务并构建有效的分类模型是该领域的主要挑战之一。
[0003]早期研究主要通过人工提取特征和应用传统的机器学习方法对轨迹分类，常用的方法包括决策树模型(Decision Tree，DT)、支持向量机模型(Support Vector Machine，SVM)和基于树的集成学习模型等。部分学者基于AIS数据对船舶目标分类展开了深入研究。有人提出通过提取航速和航向特征，运用BP神经网络模型对渔船作业方式进行分类识别；还有人提出可通过提取17维船舶运动特征和利用逻辑回归模型对货船和渔船进行分类；在提取多维船舶运动特征的基础上，还有人提出添加地理特征和船舶尺寸作为辅助特征，运用随机森林模型(Random Forest，RF)对船舶分类；还有通过提取119维船舶运动特征，运用XGBoost 模型对多类型船舶分类。以上方法一方面依赖于人工构造繁琐的特征空间，分类结果容易受到主观认知影响；另一方面使用传统的机器学习方法均只考虑了空间依赖性，忽略了时间特征对船舶目标分类的影响，而且浅层结构无法处理AIS数据复杂的非线性关系，因此存在一定的局限性。
[0004]在地理空间人工智能(GeoAI)的大背景下，AI领域的技术进步给地理空间相关领域研究的智能化发展带来了新机遇。深度学习方法不需要提取复杂的特征，可以更好地拟合非线性的问题，近年来也逐渐被学者用于解决轨迹分类问题。有通过卷积神经网络(Convolutional NeuralNetwork，CNN)挖掘AIS数据的空间维度特征，对渔船、客船、货船和油轮分类。有通过循环神经网络(Recurrent Neural Network，RNN)提取AIS数据的时间维度特征，对高速船、油轮、客船、帆船和渔船分类。以上方法分别考虑了空间依赖性和时间依赖性，但模型之间是离散的，即并未兼顾空间和时间特征的学习。有构建分布特征向量和时序特征向量，分别用于1 维卷积神经网络和长短记忆模型(Long Short Term Memory，LSTM)，然后将二者的船舶目标分类结果通过加权表决融合，该方法虽然顾及了轨迹数据的时空特征，但是构建输入特征向量的过程较为复杂，而且最终的船舶目标分类结果并非由深度学习模型自主学习轨迹数据的时空特征直接获取，进而影响分类的精度。

技术实现思路

[0005]本专利技术的目的是提供一种基于AIS数据的船舶目标分类方法，以解决目前基于AIS数据的船舶目标分类方法存在的分类精度低的问题。
[0006]本专利技术为解决上述技术问题而提供一种基于AIS数据的船舶目标分类方法，该方法包括以下步骤：
[0007]1)获取AIS数据，对AIS数据进行预处理，从中提取出航速、航向、船首向和加速度构建第一输入特征向量，用于学习各轨迹段局部之间的联系和整体特征；提取出航速、航向、船首向和时间间隔作为第二输入特征向量；
[0008]2)构建船舶目标分类模型，所述船舶目标分类模型包括CNN模型、BiGRU模型、融合层和全连接层；所述的CNN模型用于对第一输入特征向量进行处理，以得到表征空间信息的高层特征；所述BiGRU模型用于对第二输入特征向量进行处理，以得到表征时序信息的高层特征；所述的融合层用于对得到的表征空间信息的高层特征和表征时序信息的高层特征进行融合汇总；所述的全连接层根据融合汇总后的特征计算各类型船舶目标的分布概率，以实现对船舶目标的分类。
[0009]本专利技术首先构建用于船舶目标分类的第一输入特征向量和第二输入特征向量，第一输入特征向量和第二输入特征向量简单，可直接从AIS数据中得到，且能兼顾到时空特征，避免了人为干预且复杂的特征工程；然后采用CNN
‑
BiGRU组合模型船舶目标分类模型，将得到的第一输入特征向量和第二输入特征向量分别输入到CNN模型和BiGRU模型中，由CNN
‑
BiGRU组合模型结合时空特征对船舶目标分类识别，相比于传统的机器学习算法和单一的深度学习模型，本专利技术能够有效提升船舶目标分类的精度。
[0010]进一步地，所述的步骤1)中第一输入特征向量的提取过程为：
[0011]对获取的AIS数据进行分段，得到每艘船对应的轨迹段；
[0012]按照设定的轨迹段长度，获取轨迹段中各轨迹点的航速、航向和船首向，并根据相邻轨迹点的速度和时间间隔计算对应轨迹点的加速度。
[0013]为了方便后期CNN模型训练，将所有的轨迹段长度限制为固定的大小，同时获取的第一输入特征向量能够学习各轨迹段局部之间的联系和整体特征。
[0014]所述的步骤1)中第二输入特征向量的提取过程为：
[0015]对获取的AIS数据进行分段，得到每艘船对应的轨迹段；
[0016]按照设定的轨迹段长度，获取轨迹段中各轨迹点的航速、航向和船首向，并获取相邻轨迹点的时间间隔。
[0017]为了方便后期BiGRU型训练，将所有的轨迹段长度限制为固定的大小，同时获取的第二输入特征向量能够有助于后续模型挖掘不同船舶的运动信息在时序上的规律和特点，加强模型对时间与运动信息变化的关联学习。
[0018]进一步地，在对AIS数据进行预处理时，还包括对AIS数据进行清洗，所述的清洗包括删除关键字段缺失、时间重复以及超出设定范围的轨迹点记录。
[0019]本专利技术通过对AIS数据进行清洗，避免了由于AIS数据存在噪声导致的分类精度降低的问题，为后续船舶目标的分类提供准确可靠的数据源。
[0020]进一步地，所述的BiGRU模型包括两个方向相反的门控循环单元。
[0021]本专利技术采用2个方向的相反门控循环单元上下叠加，能够获取轨迹数据对过去和
未来的长期依赖特征，解决了RNN处理序列数据长期依赖问题上存在梯度消失和梯度爆炸的问题。
[0022]进一步地，所述的门控循环单元包括输入层、隐藏层和输出层，隐藏层包括更新门和重置门，更新门和重置门用于共同决定历史信息是否能被保留及传递。
[0023]进一步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AIS数据的船舶目标分类方法，其特征在于，该方法包括以下步骤：1)获取AIS数据，对AIS数据进行预处理，从中提取出航速、航向、船首向和加速度构建第一输入特征向量，用于学习各轨迹段局部之间的联系和整体特征；提取出航速、航向、船首向和时间间隔作为第二输入特征向量；2)构建船舶目标分类模型，所述船舶目标分类模型包括CNN模型、BiGRU模型、融合层和全连接层；所述的CNN模型用于对第一输入特征向量进行处理，以得到表征空间信息的高层特征；所述BiGRU模型用于对第二输入特征向量进行处理，以得到表征时序信息的高层特征；所述的融合层用于对得到的表征空间信息的高层特征和表征时序信息的高层特征进行融合汇总；所述的全连接层根据融合汇总后的特征计算各类型船舶目标的分布概率，以实现对船舶目标的分类。2.根据权利要求1所述的基于AIS数据的船舶目标分类方法，其特征在于，所述的步骤1)中第一输入特征向量的提取过程为：对获取的AIS数据进行分段，得到每艘船对应的轨迹段；按照设定的轨迹段长度，获取轨迹段中各轨迹点的航速、航向和船首向，并根据相邻轨迹点的速度和时间间隔计算对应轨迹点的加速度。3.根据权利要求1所述的基于AIS数据的船舶目标分类方法，其特征在于，所述的步骤1)中第二输入特征向量的提取过程为：对获取的AIS数据进行分段，得到每艘船对应的轨迹段；按照设定...

【专利技术属性】
技术研发人员：王宇君，郭健，李可欣，李宗明，缪坤，陈辉，徐立，
申请(专利权)人：中国人民解放军战略支援部队信息工程大学，
类型：发明
国别省市：