【技术实现步骤摘要】
本专利技术属于船舶航行轨迹异常识别领域，更具体地，涉及一种基于滑动窗口算法的航迹异常判断方法。
技术介绍
1、
2、为更好探究中国海区不同各类船舶航行特征和不同时空尺度下的航行行为特征，并用于支撑军事任务决策和保障航行安全，本方法从分析船舶航行轨迹与舰船行为出发，船舶ais数据，基于lstm长短期记忆网络机器学习算法，创新神经网络结构，利用周围舰只实时航行轨迹数据，分析舰只航行位置异常、追踪异常、航向异常、航速异常等异常情况，筛选出超出历史路径范围、存在或可能存在可疑航行行为的舰只，并作出预警，为军事任务决策和安全航行提供信息支撑。
3、根据异常行为检测的方法来划分，目前已提出的检测方法主要可以分为基于统计学、基于相似度量、基于分类、基于可视化方法、基于神经网络5大类检测方法，但存在迭代次数多，计算效率低，拟合复杂，噪声多或者是受个人经验影响，异常检测效果不佳等问题。
技术实现思路
1、为了解决更精确地检测ais流数据中的异常数据的问题，在第一方面，根据本申请一些实施例的基于滑动窗口算法的航迹异常判断方法，包括
2、s10.通过神经网络对船舶航行轨迹预测模型进行训练；
3、s20.向训练后的神经网构输入实时ais流数据，对船舶航行轨迹进行预测；
4、s30.使用滑动窗口算法检测航行轨迹异常数据，具体为：
5、s31.将预测值与实际值的差值dt经过归一化后转化为同一单位度量下的异常分数值得到异常分数ast，ast
6、s32.通过设置滑动窗口、适配时间步大小，计算得到窗口内的预测差值dt，并据此进行分布建模；
7、s33.计算预测差值dt在分布内的概率密度值fi，fi作为t时刻的异常分数ast，根据异常分数ast判断轨迹是否存在异常。
8、根据本申请一些实施例的基于滑动窗口算法的航迹异常判断方法所述步骤s30还包括判断异常轨迹类型，所述类型根据船舶轨迹的时空属性划分。
9、根据本申请一些实施例的基于滑动窗口算法的航迹异常判断方法航行轨迹数据预处理包括：
10、根据ais报文信息数据格式要求，将船舶动态信息中不在合理范围内的数据剔除；
11、根据相邻航迹点时间间隔、船舶最大航速、航迹点经纬度信息进行航段自动划分；
12、采用最大-最小规范化对航迹数据进行归一化处理，其中，航行轨迹相关参数包括经度、纬度、对地速率、对地航向、船首向，通过kendall’s w肯德尔一致性检验五个参数的一致性。
13、根据本申请一些实施例的基于滑动窗口算法的航迹异常判断方法所述步骤s10中，所述船舶航行轨迹预测模型包括cnn-attention-lstm神经网络，所述cnn-attention-lstm神经网络包括长短期记忆网络lstm和卷积神经网络cnn；
14、所述卷积神经网络cnn将运动属性子序列组织为多通道表达，所述运动属性包括速度、加速度、转向率，每个通道表示一种运动属性，通道大小为1×len/p，子序列信息通过若干卷积和池化层的运算获得输入向量的高层次特征后，将提取的特征展平为一维向量，并输入全连接层进行特征降维，作为长短期记忆网络lstm的输入；
15、长短期记忆网络lstm的模型中引入时间注意力机制attention，将长短期记忆网络lstm每个时间步输出的特征向量s1,s2,…sn进行组合，形成特征向量列表，作为时间注意力机制attention的输入，时间注意力机制attention计算长短期记忆网络lstm的解码器中各个时刻的输出与输入隐藏层向量间的相关程度分数vk，通过归一化函数将相关程度分数归一化后得到概率权重分布。
16、根据本申请一些实施例的基于滑动窗口算法的航迹异常判断方法长短期记忆网络lstm通过输入门、遗忘门、输出门三种门模拟人脑学习过程保持和控制信息的目的，lstm的每一个时间步(timestep)计算公式如下：
17、it＝σ(wi*[ht-1,xt]+bi) (2)
18、ot＝σ(wo*[ht-1,xt]+bo) (3)
19、ft＝σ(wf*[ht-1,xt]+bf) (4)
20、
21、
22、ht＝ot*tanh(bc) (7)
23、式中，it为输入门，ot为输出门，ft为遗忘门，ct为细胞状态，为细胞状态候选值，ht为隐藏层状态值，w和b为权重和偏置；
24、根据本申请一些实施例的基于滑动窗口算法的航迹异常判断方法根据上述公式，长短期记忆网络lstm工作方式包括：
25、step1：遗忘门结合由上一隐藏层输入的状态值ht-1和当前输入xt，通过sigmoid函数决定旧信息的保留与舍弃，sigmoid函数的值域为(0,1)，当函数值接近0时舍弃一部分信息，当其值接近1时保留信息；
26、step2：由输入门和tanh决定从上一时刻隐藏层激活值ht-1和当前输入值xt中需要保留的信息，得到候选值
27、step3：由遗忘门与输入门相结合进行信息的舍弃与保存，得到当前时刻的细胞状态ct；
28、step4：由输出门结合tanh决定输出ht-1、xt、ct其中的一个为本时刻的隐藏层状态ht。
29、根据本申请一些实施例的基于滑动窗口算法的航迹异常判断方法所述池化层根据池化运算的特征不变性，当数据在邻域发生微小位移时其输出不变；所述池化层的操作依据特征不变性提取船舶航行轨迹数据的重要特征；所述池化层运算降低数据的空间大小，使模型参数数量和计算量相应下降，控制模型过拟合现象；所述池化层扩大元素的感受野，经过卷积运算后，原数据被缩放，缩放后的数据中保留的元素的在原有的基础上成倍变大。
30、在第二方面，本申请实施例还提供一种电子设备，所述电子设备包括：一个或多个处理器，存储器，以及，一个或多个程序；其中，所述一个或多个程序被存储在所述存储器中，所述一个或多个程序包括指令，当所述指令被所述电子设备执行时，使得所述电子设备执行第一方面及其第一方面任一可能的技术方案。
31、在第三方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质包括计算机程序，当计算机程序在电子设备上运行时，使得所述电子设备执行第一方面及其第一方面任一可能的技术方案。
32、有益效果：
33、在第一方面，根据本专利技术具体实施例中列明的实验数据表明，本专利技术能够对ais流数据异常进行实时检测，满足及时更新或修正特征估计偏差的检测要求，对存在概念漂移现象的ais流数据能够更精确地检测异常。
34、在第二方面，本专利技术将cnn模型与lstm相结合，使其能支持长输入序列，可将子序列信息作为输入信息传入cnn模型中，本文档来自技高网...
【技术保护点】
1.一种基于滑动窗口算法的航迹异常判断方法，其特征在于，包括
2.根据权利要求1所述的基于滑动窗口算法的航迹异常判断方法，其特征在于，所述步骤S30还包括判断异常轨迹类型，所述类型根据船舶轨迹的时空属性划分。
3.根据权利要求1所述的基于滑动窗口算法的航迹异常判断方法，其特征在于，航行轨迹数据预处理包括：
4.根据权利要求3所述的基于滑动窗口算法的航迹异常判断方法，其特征在于，所述步骤S10中，所述船舶航行轨迹预测模型包括CNN-Attention-LSTM神经网络，所述CNN-Attention-LSTM神经网络包括长短期记忆网络LSTM和卷积神经网络CNN；
5.根据权利要求4所述的基于滑动窗口算法的航迹异常判断方法，其特征在于，长短期记忆网络LSTM通过输入门、遗忘门、输出门三种门模拟人脑学习过程保持和控制信息的目的，LSTM的每一个时间步(Timestep)计算公式如下：
6.根据权利要求5所述的基于滑动窗口算法的航迹异常判断方法，其特征在于，根据上述公式，长短期记忆网络LSTM工作方式包括：
7.根
8.一种电子设备，所述电子设备包括：一个或多个处理器，存储器，以及，一个或多个程序；其中，所述一个或多个程序被存储在所述存储器中，所述一个或多个程序包括指令，当所述指令被所述电子设备执行时，使得所述电子设备执行所述权利要求1-7中任一所述方法。
9.一种计算机可读存储介质，所述计算机可读存储介质包括计算机程序，当计算机程序在电子设备上运行时，使得所述电子设备执行所述权利要求1-7中任一所述方法。
...【技术特征摘要】
1.一种基于滑动窗口算法的航迹异常判断方法，其特征在于，包括
2.根据权利要求1所述的基于滑动窗口算法的航迹异常判断方法，其特征在于，所述步骤s30还包括判断异常轨迹类型，所述类型根据船舶轨迹的时空属性划分。
3.根据权利要求1所述的基于滑动窗口算法的航迹异常判断方法，其特征在于，航行轨迹数据预处理包括：
4.根据权利要求3所述的基于滑动窗口算法的航迹异常判断方法，其特征在于，所述步骤s10中，所述船舶航行轨迹预测模型包括cnn-attention-lstm神经网络，所述cnn-attention-lstm神经网络包括长短期记忆网络lstm和卷积神经网络cnn；
5.根据权利要求4所述的基于滑动窗口算法的航迹异常判断方法，其特征在于，长短期记忆网络lstm通过输入门、遗忘门、输出门三种门模拟人脑学习过程保持和控制信息的目的，lstm的每一个时间步(timestep)计算公式如下：
6.根据权利要求5所述的基于滑动窗口算法的航迹异常判断...
【专利技术属性】
技术研发人员：杨悦，张美丽，裴红梅，卢慧敏，谢郡，邢维，
申请(专利权)人：中国人民解放军海军大连舰艇学院，
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。