原文传递
基于数据挖掘的船舶航行轨迹异常检测方法研究
| 论文题名： | 基于数据挖掘的船舶航行轨迹异常检测方法研究 |
| 关键词： | 船舶轨迹;异常检测;数据挖掘;多特征聚类;相似性度量;高斯混合模型 |
| 摘要： | 随着内河航运的飞速发展，内河船舶航行安全成为亟需解决的问题。全国每年各内河水域均有船舶碰撞、搁浅等水上交通事故发生，导致巨额的经济损失和大量的人员伤亡。而船舶航行轨迹异常检测，能有效发现水域中那些偏离正常航行轨迹的船舶，从而提高船舶航行安全性，减少事故发生。本文针对内河航道特点，依据历史AIS数据建立船舶航行正常轨迹模型，利用数据挖掘技术实现对船舶异常轨迹的检测。具体研究内容及创新如下： 1）研究了多特征距离的轨迹相似性度量方法，建立了船舶正常轨迹 从船舶子轨迹的位置、航向、航速三个方面考虑计算各自距离，并进行加权求和，形成船舶轨迹多特征距离，以便更准确衡量船舶子轨迹间的相似性。并在此基础上，设计了多特征快速聚类算法对子轨迹聚类，得到船舶正常轨迹数据。 2）提出了基于多特征聚类的船舶轨迹异常检测方法 通过船舶正常轨迹数据，构建船舶正常轨迹采样点模型。在船舶轨迹异常检测时，从两个方面考虑内河航道特征：（1）考虑内河航道的宽度，构建了位置异常检测模型，通过求取采样点的中位数，减少了航道宽度对异常检测的影响。（2）针对内河航道特点，综合考虑航向与航速，构建了航向与航速异常检测模型，从而能更好的符合航道上水道（航向角大）航速慢，下水道（航向角小）航速快的特征。最后，利用青山夹水道AIS数据，实验验证了此异常检测方法的可行性及有效性。 3）研究单网格内GMM（高斯混合模型）的K值及去噪方法，设计了IMCFSFDP算法 在CFSFDP算法[37]的基础上，提出其改进算法IMCFSFDP：（1）针对CFSFDP算法聚类中心选取依赖于决策图的不足，设计了附加函数?来自动确定聚类中心，从而有效获取了GMM模型的K值；（2）针对网格内船舶轨迹点数据的特征，本文采用已有改进的局部密度计算公式，减少了局部密度冲突（局部密度相同）的概率；采用已有改进的最小高密度距离计算公式，避免了类簇中出现多个聚类中心；设计了附加函数?，解决了CFSFDP算法由于类簇间差异太大（航向相反）而无法有效去噪的问题。 4）提出了基于改进GMM的船舶轨迹异常检测方法 在研究内容（3）的基础上，对每个网格构建了船舶正常轨迹点的高斯混合模型。在异常检测时，设计了基于点的船舶轨迹异常检测算法，通过计算轨迹点异常率进行船舶轨迹异常检测。最后，利用青山夹水道AIS数据，实验验证了基于改进GMM的异常检测方法有效性及可行性。 |
| 作者： | 邓磊 |
| 专业： | 计算机科学与技术 |
| 导师： | 高曙 |
| 授予学位： | 硕士 |
| 授予学位单位： | 武汉理工大学 |
| 学位年度： | 2016 |
| 正文语种： | 中文 |
检索历史
应用推荐
