详情

原文传递船舶轨迹的异常检测与分类研究

论文题名：	船舶轨迹的异常检测与分类研究
关键词：	船舶轨迹;异常检测;自动分类;QuickBundles聚类算法;高斯混合变分自动编码器;深度卷积神经网络
摘要：	随着我国对外贸易的快速发展，特别是近年来在“21世纪海上丝绸之路”的构想下，政府部门对水路运输的关注逐渐升温。在沿海和港口水域，船舶交通流密度越来越大，加之少数船舶不按照规定的航路航行，造成沿海和港口水域通航安全形势也越来越严峻，直接影响到了水路运输畅通和航运安全，也对航运业的可持续发展造成不利的影响。　　船舶轨迹数据作为水上交通信息的重要数据来源，是挖掘水上交通信息、研究船舶总体运动规律的重要依据。船舶轨迹聚类分析、船舶轨迹异常检测和船舶轨迹分类技术，对挖掘船舶的航行模式和行为模式、减少交通流密集水域的交通安全事故发生频率有着至关重要的作用。本文围绕交通流密集水域的水路运输安全问题，通过开展以船舶轨迹聚类研究为基础的船舶轨迹异常检测研究和船舶轨迹所属航道分类研究，分析船舶运动的规律、提取水域船舶的主要航路、识别水域内异常轨迹、对船舶轨迹自动化分类，为船舶监管部门提供具有针对性的船舶轨迹数据分析技术支持和风险管控方法。具体研究工作内容如下：　　（1）基于QuickBundles聚类算法的船舶轨迹聚类研究。针对QuickBundles算法对船舶轨迹局部特征采样不充分的问题，采用基于航向的采样方法对其进行改进，提出一种改进的QuickBundles船舶轨迹聚类算法。同时，对比了MDF、DTW、Hausdorff三种轨迹间距离度量方法的性能。然后，使用改进后的QuickBundles算法建立船舶轨迹的聚类模型，实现了船舶轨迹聚类的研究。在轮廓系数、CHI、DBI等评价标准上，与传统的DBSCAN轨迹聚类算法进行对比，结果显示，对于本文的AIS数据集，虽然改进后的QuickBundles算法聚类的去噪能力略差于DBSCAN算法，但是其准确性和执行效率要优于QuickBundles算法和DBSCAN算法。　　（2）基于高斯混合变分自动编码器的船舶轨迹异常检测研究。针对基于变分自动编码器（Variational auto-encoder，VAE）的轨迹异常检测模型，对多类别的轨迹数据不敏感、单个高斯先验和单个高斯近似后验的推断分布变异性差的问题，将先验分布和近似后验的推断分布更改为混合高斯模型，提出一种基于高斯混合变分自动编码器（Gaussian mixture variational auto-encoder，GMVAE）的船舶轨迹异常检测方法。使用美国沿海AIS和人工标注数据集进行异常检测实验分析，并与基于变分自动编码器的轨迹异常检测方法对比，在检测率和误警率两种评价标准上，基于高斯混合变分自动编码器的船舶轨迹异常检测模型都有更优秀的表现。　　（3）基于深度卷积神经网络的船舶轨迹分类研究。为了提取船舶轨迹数据的空间特征，解决船舶轨迹分类及船舶轨迹所属航道识别问题，提出了一种基于深度卷积神经网络的船舶轨迹分类方法。首先，考虑到经纬度数据难以准确描述船舶轨迹空间特征，将船舶轨迹数据转换为船舶轨迹图像数据，并建立数据集；然后，构建基于深度卷积神经网络的船舶轨迹分类模型，使用聚类得到的数据集开展训练；最后，选取以经纬度数据为输入的全连接神经网络模型和SVM模型作为对照，进行对比分析。结果表明：基于深度卷积神经网络船舶轨迹分类模型可以有效的区分不同航道内的船舶轨迹，所提方法是一种有效的船舶轨迹分类方法。
作者：	常吉亮
专业：	交通运输工程
导师：	谢磊
授予学位：	硕士
授予学位单位：	武汉理工大学
学位年度：	2021