一种基于生成对抗网络的渔船轨迹异常分析方法技术

本发明专利技术涉及渔船移动轨迹分析，公开了一种基于生成对抗网络的渔船轨迹异常分析方法，包括以下步骤：S1、对渔船移动轨迹的原始数据预处理，其中，原始数据包括渔船ID、经纬度坐标、速度、方向以及时间；S2、构建基于混合注意力机制的生成对抗网络：包括构建渔船轨迹生成器网络，构建渔船轨迹判别器网络，以及构建生成对抗网络；S3、初始化渔船轨迹生成器网络和判别器网络的参数，训练渔船轨迹生成器网络和判别器网络；S4、计算渔船轨迹异常分数，输出异常结果，从而判断渔船运行轨迹是否异。本发明专利技术可以更好地捕捉渔船轨迹序列数据中的长期依赖关系，提高了异常分析的及时性、准确性和效率。准确性和效率。准确性和效率。

【技术实现步骤摘要】
一种基于生成对抗网络的渔船轨迹异常分析方法


[0001]本专利技术涉及渔船移动轨迹分析，具体是一种基于生成对抗网络的渔船轨迹异常分析方法。

技术介绍

[0002]随着北斗终端、AIS(船舶自动识别系统)、探鱼器等设备的技术不断提升，海洋渔业资源的开发和利用也越来越受到重视，海洋渔业资源大大增加了沿海居民的收入，但对海洋渔业资源的开发也伴随着一些安全隐患，例如渔船可能因碰撞而发生事故，或遭遇大风浪袭击而发生沉船事故，以及一些不法分子可能利用渔船进行走私。基于AIS数据对渔船移动轨迹进行异常分析，可以及时有效地防止这些危险的发生；渔船的移动轨迹除了记录渔船在水上的交通特征，也包含了渔船的异常移动行为模式。由于仅用传统方法难以处理复杂多维的渔船轨迹，因此，基于生成对抗网络的渔船轨迹异常分析方法应运而生。
[0003]目前，对渔船轨迹的异常分析方法多考虑渔船的碰撞事故，该方法只分析了渔船个体的轨迹异常行为，缺少泛化性。也有少量研究利用轨迹对比的分析方法，但这些方法多用于交通领域的异常轨迹分析，针对海洋领域的渔船轨迹异常分析方法较少，且这些方法对数据质量要求高，如果数据缺失、误差较大或者存在异常值，将会对分析结果产生很大的干扰，进而影响异常检测的准确性。并且在实际情况中，对渔船轨迹的异常分析不仅要考虑轨迹数据本身的特征，也要考虑轨迹之间存在的一些相互作用。因此，如何准确、高效、及时地对海洋渔船轨迹进行异常分析是一个重要的问题。
[0004]中国专利公开了一种基于多注意力的渔船轨迹异常检测方法及系统(公告号CN116148906A)，该专利技术通过具有多注意力模块的自动编码器架构来充分利用多元时间序列之间的维度和时间关系，利用重构数据与真实数据之间的偏差来实现异常检测，以快速准确地检测渔船轨迹的异常情况，但是其没有考虑轨迹之间相互关系，从而导致准确性不高。

技术实现思路

[0005]本专利技术的目的在于提供一种基于生成对抗网络的渔船轨迹异常分析方法，以解决上述
技术介绍
中提出的问题。
[0006]为实现上述目的，本专利技术提供如下技术方案：
[0007]一种基于生成对抗网络的渔船轨迹异常分析方法，包括以下步骤：
[0008]S1、渔船移动轨迹的原始数据预处理：通过渔船AIS设备获取渔船移动轨迹的原始数据，然后对原始数据进行预处理，其中，原始数据包括渔船ID、经纬度坐标、速度、方向以及时间；
[0009]S2、构建基于混合注意力机制的生成对抗网络：包括构建渔船轨迹生成器网络，构建渔船轨迹判别器网络，以及构建生成对抗网络；
[0010]S3、初始化渔船轨迹生成器网络和判别器网络的参数，使用S2步骤中的生成对抗
网络训练渔船轨迹生成器网络和判别器网络，采用梯度下降优化器的小批量随机优化方法持续优化更新生成对抗网络；
[0011]S4、计算渔船轨迹异常分数：训练好生成对抗网络后，计算渔船轨迹的异常分数，并将得到的异常分数和阈值进行比较，输出异常结果，从而判断渔船运行轨迹是否异常。
[0012]作为本专利技术再进一步的方案：在所述S1步骤中，原始数据的预处理具体步骤如下：
[0013]S11、通过渔船AIS设备获取渔船移动轨迹的原始数据后，对原始数据进行样条插值和归一化处理，得到渔船移动轨迹序列S，其中，移动轨迹序列S包含A个时间流和B个测量值；
[0014]S12、使用滑动窗口方法处理渔船移动轨迹序列S，处理后的渔船移动轨迹序列表示为示为其中，s
i
表示渔船移动轨迹序列子序列，l表示渔船移动轨迹序列子序列的数量，l的计算公式如下：
[0015][0016]上式(1)中，w1为窗口大小，w2为窗口步长。
[0017]作为本专利技术再进一步的方案：在所述S2步骤中，构建基于混合注意力机制的生成对抗网络的具体步骤如下：
[0018]S21、构建渔船轨迹生成器网络，在生成器网络的第一层加入维度注意力机制，得到维度注意力层，其中，维度注意力层包括一个1*6的池化层和一个1*3的全连接层；再通过全连接层获取维度特征权重Weight
1,i
，得到维度注意力层的输出F1；
[0019]S22、将S21步骤中得到的维度注意力层的输出F1再输入到三层GRU网络层中，其中，三层GRU网络层通过门控单元来学习复杂多维的渔船轨迹序列；所述门控单元包括重置门和更新门，其中，重置门控制上一个时刻隐藏状态对当前时刻的输入的影响，更新门控制上一个时刻隐藏状态传递到当前时刻的隐藏状态的方式；
[0020]S23、在生成器网络的末端加入时间注意力机制，得到时间注意力层，并获取时间特征权重Weight
2,i
，帮助三层GRU网络层更全面地学习时间特征，得到时间注意力层的输出F2；
[0021]S24、将S23步骤中的时间注意力层的输出F2输入到一个全连接层，得到生成的渔船轨迹序列G；
[0022]S25、构建渔船轨迹判别器网络，以真实渔船轨迹数据和生成的渔船轨迹数据为输入，判别一条轨迹是真实轨迹还是生成轨迹；其中，判别器网络的结构为单层GRU网络层；
[0023]S26、构建生成对抗网络；将S12步骤中经预处理后的渔船移动轨迹序列输入到S21步骤中构建的渔船轨迹生成器网络，得到生成的渔船轨迹序列G(S
‘
)；再根据预处理后的渔船移动轨迹序列和生成的渔船轨迹序列G(S
‘
)得到重构损失L1；再将S12步骤中经预处理后的渔船移动轨迹序列和生成的渔船轨迹序列G(S
‘
)输入到生成对抗网络的判别器网络，得到判别损失L2。
[0024]作为本专利技术再进一步的方案：在所述S21步骤中，池化层非线性表征A1的计算方式如下：
[0025]A1＝FC(s)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0026]上式(2)中，s表示输入到维度注意力层中的序列，FC(
·
)表示池化层的激活函数；
[0027]维度注意力层的输出F1计算方式如下：
[0028][0029]其中，
[0030]Weight
1,i
＝σ(α1A
1,i
+β1)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0031]上式(3)和(4)中，α1，β1表示对应的权重和偏置，A
1,i
为非线性表征，Weight
1,i
表示维度表征的重要性，k1表示输入信息的维度
[0032]作为本专利技术再进一步的方案：在所述S22步骤中，三层GRU网络层的定义如下：
[0033]GRU
G
(
·
)＝GRU
G
(x，h)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0034]上式(5)中，x表示三层GRU网络层输入的大小，h表示三层GRU网络层中隐藏层的单元个数；三层GRU网络层的具体计本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗网络的渔船轨迹异常分析方法，其特征在于，包括以下步骤：S1、渔船移动轨迹的原始数据预处理：通过渔船AIS设备获取渔船移动轨迹的原始数据，然后对原始数据进行预处理，其中，原始数据包括渔船ID、经纬度坐标、速度、方向以及时间；S2、构建基于混合注意力机制的生成对抗网络：包括构建渔船轨迹生成器网络，构建渔船轨迹判别器网络，以及构建生成对抗网络；S3、初始化渔船轨迹生成器网络和判别器网络的参数，使用S2步骤中的生成对抗网络训练渔船轨迹生成器网络和判别器网络，采用梯度下降优化器的小批量随机优化方法持续优化更新生成对抗网络；S4、计算渔船轨迹异常分数：训练好生成对抗网络后，计算渔船轨迹的异常分数，并将得到的异常分数和阈值进行比较，输出异常结果，从而判断渔船运行轨迹是否异常。2.根据权利要求1所述的一种基于生成对抗网络的渔船轨迹异常分析方法，其特征在于，在所述S1步骤中，原始数据的预处理具体步骤如下：S11、通过渔船AIS设备获取渔船移动轨迹的原始数据后，对原始数据进行样条插值和归一化处理，得到渔船移动轨迹序列S，其中，移动轨迹序列S包含A个时间流和B个测量值；S12、使用滑动窗口方法处理渔船移动轨迹序列S，处理后的渔船移动轨迹序列表示为S12、使用滑动窗口方法处理渔船移动轨迹序列S，处理后的渔船移动轨迹序列表示为其中，s
i
表示渔船移动轨迹序列子序列，l表示渔船移动轨迹序列子序列的数量，l的计算公式如下：上式(1)中，w1为窗口大小，w2为窗口步长。3.根据权利要求2所述的一种基于生成对抗网络的渔船轨迹异常分析方法，其特征在于，在所述S2步骤中，构建基于混合注意力机制的生成对抗网络的具体步骤如下：S21、构建渔船轨迹生成器网络，在生成器网络的第一层加入维度注意力机制，得到维度注意力层，其中，维度注意力层包括一个1*6的池化层和一个1*3的全连接层；再通过全连接层获取维度特征权重Weight
1,i
，得到维度注意力层的输出F1；S22、将S21步骤中得到的维度注意力层的输出F1再输入到三层GRU网络层中，其中，三层GRU网络层通过门控单元来学习复杂多维的渔船轨迹序列；所述门控单元包括重置门和更新门，其中，重置门控制上一个时刻隐藏状态对当前时刻的输入的影响，更新门控制上一个时刻隐藏状态传递到当前时刻的隐藏状态的方式；S23、在生成器网络的末端加入时间注意力机制，得到时间注意力层，并获取时间特征权重Weight
2,i
，帮助三层GRU网络层更全面地学习时间特征，得到时间注意力层的输出F2；S24、将S23步骤中的时间注意力层的输出F2输入到一个全连接层，得到生成的渔船轨迹序列G；S25、构建渔船轨迹判别器网络，以真实渔船轨迹数据和生成的渔船轨迹数据为输入，判别一条轨迹是真实轨迹还是生成轨迹；其中，判别器网络的结构为单层GRU网络层；S26、构建生成对抗网络；将S12步骤中经预处理后的渔船移动轨迹序列输入到S21步骤中构建的渔船轨迹生成器网络，得到生成的渔船轨迹序列G(Si
‘
)；再根据预处理后的渔
船移动轨迹序列和生成的渔船轨迹序列G(S
‘
)得到重构损失L1；再将S12步骤中经预处理后的渔船移动轨迹序列和生成的渔船轨迹序列G(S
‘
)输入到生成对抗网络的判别器网络，得到判别损失L2。4.根据权利要求3所述的一种基于生成对抗网络的渔船轨迹异常分析方法，其特征在于，在所述S21步骤中，池化层非线性表征A1的计算方式如下：A1＝FC(s)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(2)上式(2)中，s表示输入到维度注意力层中的序列，FC(
·
)表示池化层的激活函数；维度注意力层的输出F1计算方式如下：其中，Weight
1,i
＝σ(α1A
1,i
+β1)
ꢀꢀꢀꢀꢀꢀ
(4)上式(3)和(4)中，α1，β1表示对应的权重和偏置，A
1,i
为非线性表征，Weight
1,i
表示维度表征的重要性，k1表示输入信息的维度。5.根据权利要求3所述的一种基于生成对抗网络的渔船轨迹异常分析方法，其特征在于，在所述S22步骤中，三层GRU网络层的定义如下：GRU
G
(
·
)＝GRU
G
(x，h)
ꢀꢀꢀ...

【专利技术属性】
技术研发人员：颜志威，吴梓妍，李智勇，
申请(专利权)人：广东海聊科技有限公司，
类型：发明
国别省市：