原文传递
基于船舶行为分析的多特征融合异常检测模型
| 论文题名： | 基于船舶行为分析的多特征融合异常检测模型 |
| 关键词： | 船舶行为模式;聚类分析;轨迹多特征;异常检测;AIS数据 |
| 摘要： | 随着海上相关战略在各国的实施与开展，港口交通密度逐年上升，船舶也向大型化、高速化的趋势发展，水上交通事故时有发生，传统的人工监管船舶异常行为的方式已无法适应大数据背景下的需求。船舶自动识别系统（AutomaticIdentificationSystem,AIS）数据中蕴含了大量的船舶行为信息，而船舶的行为也需要多维度的特征进行全面的描述。对此，为提升海事安全保障的能力及智能化水平，使检测异常行为所考虑的特征更加全面且细致，本文应用机器学习中的相关算法，在分析大量的AIS数据并从中挖掘出相关的行为模式规律的基础上，从全局异常与局部异常的角度对异常行为进行了全新的定义，并融合了多种特征构建船舶的异常行为检测模型。主要的研究工作及创新性成果如下： (1)提出了一种AIS数据预处理阶段的相关方法及处理思路，实现样本数据的预处理。总结了对AIS数据初步进行清洗的流程；系统性地从数据质量的角度进行了分析，分别提出了相应的质量维护方法；设计了船舶轨迹航段判定算法与目标水域数据提取方法，实现了船舶AIS数据的精细化处理；基于道格拉斯·普客（Douglas-Peucker,DP）算法进行了船舶轨迹压缩实验，选取最佳的压缩阈值，并验证了该阈值选取的合理性。 (2)提出了一种基于改进动态时间规整（DynamicTimeWarping,DTW）距离的船舶轨迹段密度噪点空间聚类（Density-BasedSpatialClusteringofApplicationswithNoise,DBSCAN）方法，提取了船舶的几种行为模式。对传统的基于DTW距离的轨迹相似性度量方式运用马氏距离进行了改进，并根据熵理论，确定了轨迹段DBSCAN密度聚类算法的参数组合，实现了几种行为模式的划分。 (3)分析了船舶的行为特征规律并设计了一种船舶典型运动轨迹自适应挖掘算法。分别统计了各模式的船舶类型、航向、航速、航行时间等特征规律，基于改进的K中心点聚类挖掘了船舶的典型运动轨迹，同时对挖掘出的轨迹进行了平滑处理。 (4)构建了一种融合多种特征的船舶异常行为检测模型，实现船舶的全局异常与局部异常行为的检测。其中，全局轨迹异常模型从轨迹本身的形态角度出发，考虑了轨迹的起点、终点、轨迹长度、空间距离因素；设计了基于K-近邻分类器的船舶行为模式判定算法，进一步将其余轨迹分别对应到相应模式；局部轨迹异常模型中则分别考虑了航速、航向中的相关因素。基于生成的异常数据，验证了模型的准确性及有效性。该研究对于保障船舶航行的安全性及提升海上智能监管的能力具有实际的应用价值，同时也为海事大数据挖掘应用于船舶异常行为检测方面提供了新思路。 |
| 作者： | 李倍莹 |
| 专业： | 交通运输工程 |
| 导师： | 张新宇 |
| 授予学位： | 硕士 |
| 授予学位单位： | 大连海事大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
