论文部分内容阅读
随着AIS的广泛应用,海事监管部门能够获取海量的AIS数据,船舶行为检测进入了大数据时代。但是,由于种种原因,AIS数据还存在丢失和大量错误,当前AIS数据质量还不能适应海事监管与服务的需要。提高船舶时空轨迹数据的可用性,自动地检测港口和敏感水域内船舶异常行为并实现预警,对保障水上交通安全具有重要意义。因此,本文围绕船舶异常行为检测这一主题,从异常AIS数据甄别、港口水域和敏感水域船舶异常行为检测等方面开展研究工作,具体研究内容如下:在异常AIS数据甄别方面,结合一段时间内相邻各条AIS数据的特征,构建了基于BP神经网络的异常AIS数据甄别模型。通过动态调整神经网络的学习速率参数,提升了网络模型的学习效率,并利用AIS数据对模型进行了训练和验证,准确率达到95.16%。同时,通过实验分析了甄别模型中AIS数据段长度和隐含层节点数量对准确率的影响。实验结果表明,不合理的数据段长度和隐含层节点数量均会降低甄别模型的准确率,数据段长度为4,隐含层节点数量为6时,甄别模型的准确率达到最高。在港口水域船舶异常行为检测方面,根据船舶进出港特点,将异常行为划分为船舶间距异常、船舶进离港异常、船舶轨迹异常三类,针对船舶间距异常,提出了基于船舶领域的异常行为检测方法。应用统计学的方法,结合船舶AIS数据,构建了船舶领域模型,并通过历史数据进行了验证,实现了对单船舶领域入侵、连续船舶领域入侵和区域船舶领域入侵的检测;针对船舶进离港行为异常,根据船舶位置、航速、航向等运动特性,提出了可对船舶进离港和停泊等行为进行准确判断的高效算法,并通过实际数据进行了验证。通过先验的全球港口地理信息数据,结合AIS数据,设计算法实现了船舶与港口快速匹配,以满足在线预警的实时性需要;针对船舶航行轨迹异常,提出了综合K-means和DBSCAN算法优点的混合聚类算法,提高了船舶AIS轨迹异常检测效率和准确率。在充分考虑船舶起点和终点特征的基础上,首先采用K-means算法对船舶轨迹进行初步聚类。通过提取多个轨迹特征属性,构建轨迹组合距离,采用DBSCAN对子轨迹进行聚类。设定了对DBSCAN算法在船舶轨迹聚类中参数的选择规则,通过选择不同的领域半径值分别实现船舶子轨迹聚类和异常轨迹识别。通过实际数据,验证了方法的有效性。在敏感水域的船舶异常行为检测方面,选取核心识别因子构建了层次分析模型。结合研究水域特点,利用Delphi专家调查法,设定了层次模型内各层元素的权重。根据不同异常因子对不同敏感水域的船舶异常行为进行了检测,实现了 981平台、春晓油气田和黄岩岛附近水域船舶异常行为的检测,并通过实际数据进行了验证。本文解决了异常AIS数据甄别、港口水域船舶异常行为检测和敏感水域船舶异常行为检测3方面的问题,研究成果为AIS更加广泛的的应用提供了基础条件,有利于提升AIS数据适用范围,在海事监管方面具有重要的实际应用价值和现实意义。