原文传递
基于AIS数据的船舶轨迹异常检测
| 论文题名： | 基于AIS数据的船舶轨迹异常检测 |
| 关键词： | 船舶轨迹异常检测;自动识别系统;循环神经网络;船舶轨迹异常 |
| 摘要： | 为了探索更加高效更加便捷的船舶轨迹异常检测方法，提升海事监管的效率，提高海事检测的自动化及智能化；保障船舶海上航行安全，为海上交通领域的研究和科学应用提供一定的理论支持。 本文以船舶自动识别系统(AutomaticIdentificationSystem，AIS)提供的原始船舶轨迹数据为基础，通过数据清洗、处理等手段得到高质量的船舶轨迹数据作为训练集。随后利用基于密度的聚类算法(Density-BasedSpatialClusteringofApplicationwithNoise,DBSCAN)对船舶轨迹段进行聚类，以及利用(Orderingpointstoidentifytheclusteringstructure，OPTICS)聚类算法精细化提取出水域内船舶的正常轨迹模型。接着将测试集运用长短期记忆模型(LongShort-TermMemoryNetworks,LSTM)得到预测轨迹，最后根据正常轨迹模型和测试集轨迹相似性度量实现异常检测。目的是结合神经网络和船舶轨迹聚类模型，提出一套基于AIS数据的船舶轨迹异常检测和识别方法。 本文主要工作成果如下： (1)发现原始AIS数据中存在的数据异常的现象，并进行了AIS数据质量的管理，对于原始AIS数据先解码，再单独建立SQL数据库、对数据库内部异常进行清洗并按照MMSI序号进行整理。 (2)结合了欧氏距离和离散Frechet距离作为判别轨迹间相似性度量工具。因此避免了以往研究中Hausdorff距离分析只靠数据点集合距离判断各个轨迹之间相似程度这一局限性的缺陷。 (3)搭建了结合DBSCAN算法和OPTICS算法的船舶轨迹聚类方法，该方法生成的增广的簇类排序，能够清楚地得到基于任何参数设置值的DBSCAN算法的聚类结果，克服了以往因为输入参数敏感造成的不确定性，使得人工干预程度减小，干扰度降低。 (4)在以往的研究基础上，用不同方法、工具建立了一种结合循环神经网络和船舶聚类的异常轨迹检测模型，此法能够实时检测船舶异常轨迹，算法更适合高质量、高数量的数据集，使得海事部门监管效率提升，更全面地实现船舶异常轨迹的检测。 同时，本文基于大连老铁山水道水域2018年6月的AIS船舶实际轨迹数据，进行了上述方法的实验论证，结果显示表明该研究方法对于通过AIS数据获得准确的船舶正常轨迹模型，对于异常的船舶轨迹能进行有效辨别。检测模型为类似研究提供了思路，也为海上交通风险的监管和海上交通的安全保障提供了一定的理论依据。 |
| 作者： | 张韫博 |
| 专业： | 海上交通工程 |
| 导师： | 郑中义 |
| 授予学位： | 硕士 |
| 授予学位单位： | 大连海事大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
