原文传递
基于AIS数据的船舶行为异常检测
| 论文题名： | 基于AIS数据的船舶行为异常检测 |
| 关键词： | AIS数据;行为异常检测;孤立森林;船舶行为 |
| 摘要： | 近年来，随着全球商品贸易量的持续增长，海上运输领域的船舶数量快速增加，海上运输环境也愈发复杂。与此同时，通信技术、定位技术以及数据科学等领域迅速发展使得船舶自动识别系统(AutomaticIdentificationSystem,AIS)在海事领域中受到了越来越多的关注和重视。AIS数据是航运监管的重要数据源，基于AIS数据的船舶行为异常检测能够在海事安全及交通监管等领域发挥重要作用。本文以AIS历史时序数据为基础，运用机器学习及深度学习技术，研究了AIS数据的异常检测以及船舶行为异常检测，以提升数据质量，识别船舶非正常行为，为海事监管提供技术支撑。主要工作如下: 1.针对AIS采集及传输过程中的异常数据，提出一种基于时域卷积网络(TemporalConvolutionalNetwork,TCN)模型的船舶AIS数据异常检测方法。在数据输入模型阶段，设计滑动时间窗算法提取等长轨迹子序列。在训练阶段，使用正常轨迹来训练TCN模型，学习正常轨迹的运动学特征。在检测阶段，TCN模型会重建轨迹，并通过重建误差检测异常值。实验验证表明，该算法可有效检测AIS数据集中的异常值。 2.针对船舶轨迹数据的复杂性，提出了一种基于豪斯距离的双层DBSCAN(Hausdorffdistance-basedDouble-layerDBSCAN,HDDBSCAN)算法，可用于提取船舶行为模式。首先在轨迹压缩和轨迹相似性度量时，HDDBSCAN算法考虑AIS数据的多维特征，建立多特征的综合距离矩阵。然后为避免依靠经验选取参数导致聚类效果欠佳，设计了一种自适应选取参数的方法。最后设计双层DBSCAN根据多特征综合距离矩阵进行聚类。实验结果表明，该算法抗干扰能力强，对相似航迹簇的细分表现优秀，能有效提取出区域内船舶的行为模式。 3.针对海域内船舶行为异常检测问题，结合提取到的船舶行为模式，提出基于孤立森林(IsolationForest,iForest)的船舶行为异常检测算法。实验阶段使用非主要航路的轨迹、指定航路的行为异常轨迹、趋势相近的不同航路轨迹以及不同停靠点的同航路轨迹来验证模型性能。实验结果表明，算法可有效识别船舶横穿航路行为、指定航路的异常行为、相近趋势穿越行为和停靠异常行为等。 4.设计船舶行为异常检测系统，系统使用Python语言编写，利用Pyqt5和QtDesigner实现图形用户界面。该系统采用三层架构设计，分别为数据层、模型层和表现层，能够实现用户管理、数据读取、可视化、数据处理和异常检测等功能。经多组用例测试，该系统可满足预期的功能需求，可以为海上船舶行为异常检测提供一种有效的解决方案。 |
| 作者： | 郝吉星 |
| 专业： | 电子信息 |
| 导师： | 张晖 |
| 授予学位： | 硕士 |
| 授予学位单位： | 内蒙古大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
