[发明专利]一种基于改进轨迹段DBSCAN聚类的船舶异常检测方法

说明书

本发明公开了一种基于改进轨迹段DBSCAN聚类的船舶异常检测方法，该方法面向海上船舶移动目标，将繁杂且存在噪声的大规模轨迹数据，处理形成形象、直观的目标活动规律模板，通过提取船舶典型的轨迹对船舶的异常行为进行分析识别。相比于传统的轨迹处理方法，使用了基于运动多特征模式的轨迹分段和压缩算法，充分利用AIS轨迹数据，减小关键点缺失和局部轨迹段特征丢失的缺点。本方法轨迹间的相似性更加准确，为轨迹的聚类准确度奠定了基础。本方法提出改进扫描线典型轨迹提取法，使典型轨迹描述船舶正常行为轨迹更具代表性，减小异常偏差的误差。

技术领域

本发明涉及一种基于改进轨迹段DBSCAN聚类的船舶异常检测方法，属于 轨迹数据分析技术领域。

背景技术

随着经济发展，人们生活节奏加快、消费水平提升，假期出行次数更加频繁， 且近年来，海上船舶数量不断增长，航运贸易高速发展，我国丰富的海洋资源奠 定了海洋事业的繁荣。同时，随着定位系统、通信设备、传感器网络等技术的精 度提升与广泛应用，地面及海空目标繁杂的大规模数据被政府、企业及国防单位 捕捉、存储、广泛关注并渴望加以充分利用，其中地面及海空目标的轨迹数据通 过挖掘手段形成目标历史行为模板可以提供重要的辅助和参考作用。

轨迹数据是移动对象在时空中移动点的集合，其中包括对象的经纬度、高度、 速度、时间等信息，是移动目标行为活动中的快照。例如，地面移动目标轨迹是 最贴近生活的轨迹数据，利用行人及车辆的轨迹数据在出行预测、城市道路规划、 异常行为检测等方面都有应用，而海洋船舶AIS轨迹数据是海洋中的移动目标 同样有轨迹预测，航路规划，船舶异常检测等应用。从原始轨迹到行为模式应用 之间，需要多种技术手段对数据进行分析和处理。通过对轨迹数据的分析可以挖 掘出活动对象个体及群体间的活动规律，进而能够为轨迹预测、交通规划及海空 目标监测提供支持。

发明内容

本方法将设备采集的原始轨迹数据通过数据清洗和数据预处理等手段将噪 声、冗余、停留点等进行过滤和处理后，将数据用于模式挖掘，形成相对更加准 确、可靠的移动目标历史行为轨迹模板，展示目标个体或群体见的活动规律。

本发明采用的技术方案为一种基于改进轨迹段DBSCAN聚类的船舶异常检 测方法，该方法面向海上船舶移动目标，将繁杂且存在噪声的大规模轨迹数据， 处理形成形象、直观的目标活动规律模板，通过提取船舶典型的轨迹对船舶的异 常行为进行分析识别。包括以下步骤：

步骤S1:AIS数据预处理

步骤S1.1,首先对来自于各种船载系统以及AIS设备的报文进行解析，将数 据解析成动态和静态两部分。

步骤S1.2,采用多源数据融合算法对解析的报文数据进行清洗，使用多线程 对动静数据进行融合，根据两者的时间序列特性，进行动静插值，合成一条完整 的船舶轨迹。

步骤S1.3，对轨迹数据中的异常数据进行剔除，通过拉格朗路插值法对缺失 值进行补齐，以及对个别字段进行转义处理。

步骤S1.4，将预处理的数据进行存储。

步骤S2：轨迹的分段

把船舶的轨迹当作整体进行研究，这种方法可发现轨迹中的关键点，缺点是 研究轨迹的开销大，而且会因为丢掉一些具有相似运动特征的轨迹局部子段，而 这些信息对研究船舶轨迹至关重要，因此提出将轨迹进行分段研究，然后对分段 后的子轨迹进行聚类研究，将相似的轨迹子段归类为簇，在此基础上建立典型船 舶轨迹从而甄别异常轨迹。轨迹分段是根据轨迹点间隔时间，船位转向角和停留 点进行划分，主要步骤如下：

步骤S2.1，如果两点时间间隔Δt大于一天，则将对轨迹进行分段；

步骤S2.2，如果轨迹经过停留点，则将轨迹进行分段，并去除停留点内的轨 迹。