论文部分内容阅读
船舶自动识别系统(Automatic Identification System，AIS)是一种为了确保海上航行安全，能够实现船与船、船与岸之间的实时数据交换以及目标信息识别等功能的海上通信系统。基于AIS数据开展船舶航迹关联分析、异常检测等方面的研究已成为一个新的研究热点。本文对AIS数据处理和管理、船舶航迹关联分析和船舶航迹异常检测等方面进行了深入研究，具体研究工作包括如下三方面: 完成AIS数据的处理，组织和管理工作，本文提出了混合道格拉斯普克算法的AIS数据压缩方法和基于云计算的分布式存储方案。首先，本文根据AIS数据的封装格式进行数据解析，并实施数据清洗和离散化。在将数据压缩到固定时隙的过程中，提出了采用道格拉斯普克方法保留关键点，给出了自适应的阈值判定方案，在最后的数据组织管理过程中，本文还提出了基于Elascitcsearh和Proxmox VE的分布式方案。实验结果表明，混合压缩算法能够保留船舶航迹状态的关键特征;与单机数据库相比，分布式数据集群方式有更好的检索性能，为后续工作下了良好的基础。 提出采用改进的FP-Growth算法分析船舶的航迹状态，本文针对AIS数据的特性，提出了改进的FP-Growth算法。首先基于统计提取数据集，同时为数据添加时间标志。改进的FP-Growth算法在船舶航迹状态分析过程中融合了数据的时间属性，优化了生成关联规则的判定过程，使其能够保存规则的时序特征，从而更好的描述了船舶航迹状态的关联关系。改进的算法不仅能更好的描述船舶的轨迹状态，和当前研究方法相比也具有更好的时间特性。 基于2序马尔科夫模型提出了混合机制的船舶航迹异常检测方法。本文引入2序马尔科夫模型，并提出关联规则和2序马尔科夫模型混合检测的机制。其过程以2序马尔科夫模型的预测结果为基础，同时引入关联规则进行二次检测来优化结果，并在AIS数据的基础上提出评定指标。实验表明，2序马尔科夫模型对船舶航迹状态的预测准确度更好，采用关联规则和2序马尔科夫模型混合检测能够结合两种模型的优点，从而明显提升结果的准确度，有较好的应用价值。