基于數據挖掘的船舶航行軌跡異常檢測方法研究.pdf

1、隨著內河航運的飛速發(fā)展，內河船舶航行安全成為亟需解決的問題。全國每年各內河水域均有船舶碰撞、擱淺等水上交通事故發(fā)生，導致巨額的經濟損失和大量的人員傷亡。而船舶航行軌跡異常檢測，能有效發(fā)現水域中那些偏離正常航行軌跡的船舶，從而提高船舶航行安全性，減少事故發(fā)生。本文針對內河航道特點，依據歷史AIS數據建立船舶航行正常軌跡模型，利用數據挖掘技術實現對船舶異常軌跡的檢測。具體研究內容及創(chuàng)新如下：
　　1）研究了多特征距離的軌跡相似性度量方

2、法，建立了船舶正常軌跡
　　從船舶子軌跡的位置、航向、航速三個方面考慮計算各自距離，并進行加權求和，形成船舶軌跡多特征距離，以便更準確衡量船舶子軌跡間的相似性。并在此基礎上，設計了多特征快速聚類算法對子軌跡聚類，得到船舶正常軌跡數據。
　　2）提出了基于多特征聚類的船舶軌跡異常檢測方法
　　通過船舶正常軌跡數據，構建船舶正常軌跡采樣點模型。在船舶軌跡異常檢測時，從兩個方面考慮內河航道特征：（1）考慮內河航道的寬度，構建

3、了位置異常檢測模型，通過求取采樣點的中位數，減少了航道寬度對異常檢測的影響。（2）針對內河航道特點，綜合考慮航向與航速，構建了航向與航速異常檢測模型，從而能更好的符合航道上水道（航向角大）航速慢，下水道（航向角?。┖剿倏斓奶卣?。最后，利用青山夾水道AIS數據，實驗驗證了此異常檢測方法的可行性及有效性。
　　3）研究單網格內GMM（高斯混合模型）的K值及去噪方法，設計了IMCFSFDP算法
　　在CFSFDP算法[37]的基礎

4、上，提出其改進算法IMCFSFDP：（1）針對CFSFDP算法聚類中心選取依賴于決策圖的不足，設計了附加函數?來自動確定聚類中心，從而有效獲取了GMM模型的K值；（2）針對網格內船舶軌跡點數據的特征，本文采用已有改進的局部密度計算公式，減少了局部密度沖突（局部密度相同）的概率；采用已有改進的最小高密度距離計算公式，避免了類簇中出現多個聚類中心；設計了附加函數?，解決了CFSFDP算法由于類簇間差異太大（航向相反）而無法有效去噪的問題。<