本发明专利技术涉及一种港口水域船舶航行危险行为识别与预警方法、装置、电子设备及存储介质，其方法包括：获取船舶AIS数据，并对船舶AIS数据进行预处理，得到预处理数据；基于船舶相似性运动参量和船舶差异性运动参量从所述预处理数据中提取第一船舶运动特征参数；基于预设的降维算法对所述第一运动特征参数进行降维，得到贡献率大于预设贡献率的第二船舶运动特征参数；将所述第二船舶运动特征参数输入预先构建的多算法融合的危险行为识别与预警模型中进行学习，识别船舶航行的正常行为与危险行为，并对船舶航行的危险行为进行预警。本发明专利技术使用多算法融合的危险行为识别与预警模型识别并预警港口水域船舶航行危险行为，进一步提高了船舶航行危险行为识别率。高了船舶航行危险行为识别率。高了船舶航行危险行为识别率。
【技术实现步骤摘要】
船舶航行危险行为识别与预警方法、装置、设备及介质
[0001]本专利技术涉及船舶
，尤其涉及一种港口水域船舶航行危险行为识别与预警方法、装置、电子设备及存储介质。
技术介绍
[0002]近年来，国家大力实施“海洋强国”、“交通强国”等一系列重大战略，明确指出海上运输系统是“交通强国”的重要组成部分，智能航运已然成为未来水上交通运输发展的必然趋势。《“十四五”现代综合交通运输体系发展规划》在“强化安全应急保障”部分明确提出优化和完善海事监管的机制和模式，构建智能一体化水上交通运输安全保障体系。《海事系统“十四五”发展规划》将“保障水上交通安全”、“助力航运业高速发展”和“推进海事管理现代化”列为了重要内容。
[0003]我国航运业正面临船舶数量快速增长，而船舶监管方式较为落后的挑战，虽然近几年船舶自动识别系统(Automatic Identification System,AIS)、船舶交通管理系统(Vessel Traffic Service,VTS)、无线甚高频(Very High Frequency,VHF)、闭路电视监控系统(Closed Circuit Television,CCTV)等技术大量投入使用，但仍难以达到“全方位覆盖、全天候运行、反应快速”的安全监管目标，仍需海事监管人员全天盯守。这不仅大大增加了值班人员的工作量，而且还制约了VTS动态监管能力的发挥。
[0004]大量设备在船舶和岸基的广泛应用可实时提供大量水上交通数据，为实时动态识别船舶危险行为提供了基础支撑。但是由于水上交通数据的稀疏性和高维性，及船舶行为模式的多元性和运动轨迹的不确定性等特点，依然给港口水域船舶航行危险行为识别带来很大挑战，在一定程度上制约了海事监管智能化的发展，是智慧港口建设面临的瓶颈问题。
技术实现思路
[0005]有鉴于此，有必要提供一种港口水域船舶航行危险行为识别与预警方法、装置、电子设备及存储介质，用以提高港口水域船舶航行危险行为识别率。
[0006]为了实现上述目的，第一方面，本专利技术提供一种船舶航行危险行为识别与预警方法，包括：
[0007]获取船舶AIS数据，并对船舶AIS数据进行预处理，得到预处理数据；
[0008]基于船舶相似性运动参量和船舶差异性运动参量从所述预处理数据中提取第一船舶运动特征参数；
[0009]基于预设的降维算法对所述第一运动特征参数进行降维，得到贡献率大于预设贡献率的第二船舶运动特征参数；
[0010]将所述第二船舶运动特征参数输入预先构建的多算法融合的危险行为识别与预警模型中进行学习，识别船舶航行的正常行为与危险行为，并对船舶航行的危险行为进行预警，其中，所述预先构建的多算法融合的危险行为识别与预警模型的网络结构包括BP神经网络算法子模型、支持向量机算法子模型和随机森林算法子模型。
[0011]进一步地，所述基于船舶相似性运动参量和船舶差异性运动参量从所述预处理数据中提取第一船舶运动特征参数，包括：
[0012]针对不同的船舶行为模式，设置相对应的航速、航向及位移因素的判定阈值和判定条件；
[0013]基于船舶相似性运动参量和船舶差异性运动参量获取船舶的航速、航向及位移；
[0014]将所述船舶的航速、航向及位移与设定的判定阈值和判定条件进行比较，识别出当前的船舶行为模式，其中，所述船舶行为模式包括船舶直航模式、船舶转向模式及船舶停留模式；
[0015]确定每一船舶行为模式对应的第一船舶运动特征参数。
[0016]进一步地，所述预设的降维算法包括主成分分析算法，所述基于预设的降维算法对所述第一运动特征参数进行降维，得到贡献率大于预设贡献率的第二船舶运动特征参数，包括：
[0017]获取第一运动特征参数对应的特征参数矩阵，并对所述特征参数矩阵进行标准化处理，得到各运动特征参数之间关系式的多个特征值；
[0018]基于施密特正交法对所述多个特征值进行正交处理，并基于正交处理后的数据计算第一运动特征参数的主成分因子；
[0019]根据所述第一运动特征参数的主成分因子计算每一第一运动特征参数的贡献率，并按照从大到小顺序确定贡献率大于预设贡献率的第二船舶运动特征参数。
[0020]进一步地，所述预先构建的多算法融合的危险行为识别与预警模型的训练过程包括：
[0021]将所述第二船舶运动特征参数划分为多个船舶运动特征数据子集，并将所述多个子集分别输入BP神经网络算法子模型、支持向量机算法子模型和随机森林算法子模型中进行训练，得到第一预测结果；
[0022]将所述第一预测结果与船舶真实航行行为进行对比，确定预测的精确率，若所述精确率不符合预设精确率，对所述BP神经网络算法子模型、支持向量机算法子模型和随机森林算法子模型持续进行训练，直至输出的第二预测结果符合所述预设精确率。
[0023]进一步地，对支持向量机算法子模型进行训练，包括：
[0024]利用k
‑
means聚类对每一类别的中央样本进行训练，获得初始分类器集，并将所述初始分类器集划分为就绪分类器集和限制分类器集；
[0025]选取预设样本对所述就绪分类器进行训练，以使就绪分类器群和限制分类器群跟随着训练样本量的增大持续反馈，直至所有分类算法不再更新。
[0026]进一步地，所述BP神经网络算法子模型包括输入层、输出层和隐含层，对BP神经网络算法子模型进行训练，包括：
[0027]对输入层节点数、隐含层节点数及输出层节点数m进行初始化，对输入层、隐含层、输出层的神经元进行初始化，对隐含层的门限、输出层的门限进行初始化；
[0028]根据变量、输入层和隐含层连接权值以及隐含层阈值，通过激励函数，计算隐含层输出；
[0029]根据隐含层输出，连接权重和阈值，计算BP神经网络预测输出；
[0030]根据网络预测输出和期望输出，计算网络预测误差；
[0031]根据网络预测误差更新网络连接权值；
[0032]根据网络预测误差更新节点阈值。
[0033]进一步地，对随机森林算法子模型进行训练，包括：
[0034]使用bootstrap重新抽样的方法，从所述第二运动特征参数中随机有放回地抽取多个运动特征参数，以建立特征参数集合；
[0035]基于所述特征参数集合作为输入项，产生多棵决策树，并构建随机森林算法框架；
[0036]将待识别或待回归的船舶运动特征参数数据集输入到随机森林中，并对每个树结构的数据进行均值处理。
[0037]第二方面，本专利技术还提供一种船舶航行危险行为识别与预警装置，包括：
[0038]预处理模块，用于获取船舶AIS数据，并对所述船舶AIS数据进行预处理，得到预处理数据；
[0039]特征提取模块，用于基于船舶相似性运动参量和船舶差异性运动参量从所述预处理数据中提取第一船舶运动特征参数；
[0040]降维模块，用于基于预设的降维算法对所述第一本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种港口水域船舶航行危险行为识别与预警方法，其特征在于，包括：获取船舶AIS数据，并对船舶AIS数据进行预处理，得到预处理数据；基于船舶相似性运动参量和船舶差异性运动参量从所述预处理数据中提取第一船舶运动特征参数；基于预设的降维算法对所述第一船舶运动特征参数进行降维，得到贡献率大于预设贡献率的第二船舶运动特征参数；将所述第二船舶运动特征参数输入预先构建的多算法融合的危险行为识别与预警模型中进行学习，识别船舶航行的正常行为与危险行为，并对船舶航行的危险行为进行预警，其中，所述预先构建的多算法融合的危险行为识别与预警模型的网络结构包括BP神经网络算法子模型、支持向量机算法子模型和随机森林算法子模型。2.根据权利要求1所述的港口水域船舶航行危险行为识别与预警方法，其特征在于，所述基于船舶相似性运动参量和船舶差异性运动参量从所述预处理数据中提取第一船舶运动特征参数，包括：针对不同的船舶行为模式，设置相对应的航速、航向及位移因素的判定阈值和判定条件；基于船舶相似性运动参量和船舶差异性运动参量获取船舶的航速、航向及位移；将所述船舶的航速、航向及位移与设定的判定阈值和判定条件进行比较，识别出当前的船舶行为模式，其中，所述船舶行为模式包括船舶直航模式、船舶转向模式及船舶停留模式；确定每一船舶行为模式对应的第一船舶运动特征参数。3.根据权利要求1所述的港口水域船舶航行危险行为识别与预警方法，其特征在于，所述预设的降维算法包括主成分分析算法，所述基于预设的降维算法对所述第一运动特征参数进行降维，得到贡献率大于预设贡献率的第二船舶运动特征参数，包括：获取第一运动特征参数对应的特征参数矩阵，并对所述特征参数矩阵进行标准化处理，得到各运动特征参数之间关系式的多个特征值；基于施密特正交法对所述多个特征值进行正交处理，并基于正交处理后的数据计算第一运动特征参数的主成分因子；根据所述第一运动特征参数的主成分因子计算每一第一运动特征参数的贡献率，并按照从大到小顺序确定贡献率大于预设贡献率的第二船舶运动特征参数。4.根据权利要求1所述的港口水域船舶航行危险行为识别与预警方法，其特征在于，所述预先构建的多算法融合的危险行为识别与预警模型的训练过程包括：包括：将所述第二船舶运动特征参数划分为多个船舶运动特征数据子集，并将所述多个子集分别输入BP神经网络算法子模型、支持向量机算法子模型和随机森林算法子模型中进行训练，得到第一预测结果；将所述第一预测结果与船舶真实航行行为进行对比，确定预测的精确率，若所述精确率不符合预设精确率，对所述BP神经网络算法子模型、支持向量机算法子模型和随机森林算法子模型持续进行训练，直至输出的第二预测结果符合所述预设精确率。5.根据权利要求4所述的港口水域船舶航行危险行为识别与预警方法，其特征在于，对支持向量机算法子...
【专利技术属性】
技术研发人员：刘钊，龚振宇，何远麒，陈家豪，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：
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。