本發(fā)明涉及船舶運(yùn)輸，具體涉及一種船舶異常行為識(shí)別方法及裝置。

背景技術(shù)：

1、船舶異常行為識(shí)別是海事安全領(lǐng)域的重要研究?jī)?nèi)容，是保障船舶航行安全和治理海洋違法活動(dòng)的關(guān)鍵手段。對(duì)船舶異常行為進(jìn)行高效準(zhǔn)確的識(shí)別能夠協(xié)助海事管理人員對(duì)目標(biāo)水域的大規(guī)模船舶實(shí)現(xiàn)高質(zhì)量監(jiān)管，還能夠幫助科研人員對(duì)船舶異常行為的運(yùn)動(dòng)特征進(jìn)行研究，對(duì)提升船舶航行安全和海上交通管理水平具有重要意義。

2、針對(duì)船舶異常行為識(shí)別方法，存在基于統(tǒng)計(jì)學(xué)、聚類和深度學(xué)習(xí)等方法。其中，基于統(tǒng)計(jì)學(xué)的方法旨在建立與船舶特征有關(guān)隨機(jī)變量的統(tǒng)計(jì)模型。該方法常常需要先設(shè)定假設(shè)，而這往往與實(shí)際情況不符，導(dǎo)致建模不準(zhǔn)確。基于聚類的方法可用于提取船舶的常見運(yùn)動(dòng)模式，利用該模式實(shí)現(xiàn)檢測(cè)任務(wù)；也可直接與檢測(cè)任務(wù)相耦合。該類方法存在需預(yù)先定義的參數(shù)，而這些參數(shù)的取值會(huì)對(duì)聚類性能造成很大影響。近年來，深度學(xué)習(xí)技術(shù)憑借其強(qiáng)大的特征提取能力、端到端學(xué)習(xí)、非線性建模、并行計(jì)算等優(yōu)點(diǎn)，被逐漸應(yīng)用到水上交通領(lǐng)域。

3、由于船舶運(yùn)動(dòng)特征復(fù)雜、航行模式多樣、船舶收發(fā)ais數(shù)據(jù)含噪聲等因素，研究人員難以分析和理解船舶航行模式及規(guī)律，不利于構(gòu)建可靠的船舶異常行為識(shí)別框架，限制了海事監(jiān)管和船舶航行安全保障水平的提升。因此，現(xiàn)有的方案難以準(zhǔn)確可靠地對(duì)船舶異常行為進(jìn)行識(shí)別。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，有必要提供一種船舶異常行為識(shí)別方法及裝置，用以解決現(xiàn)有的方案難以準(zhǔn)確可靠地對(duì)船舶異常行為進(jìn)行識(shí)別的技術(shù)問題。

2、為了解決上述問題，一方面，本發(fā)明提供了一種船舶異常行為識(shí)別方法，包括：

3、基于ais數(shù)據(jù)，提取船舶軌跡；

4、對(duì)所述船舶軌跡進(jìn)行壓縮，并對(duì)所述船舶軌跡對(duì)應(yīng)的船舶屬性進(jìn)行離散化處理，得到船舶行為特征數(shù)據(jù)；

5、基于所述船舶行為特征數(shù)據(jù)，生成船舶行為特征序列嵌入量；

6、將所述船舶行為特征序列嵌入量，輸入至訓(xùn)練好的序列到序列的網(wǎng)絡(luò)模型，得到船舶行為識(shí)別信息；所述網(wǎng)絡(luò)模型包括編碼器和解碼器；

7、確定所述船舶行為特征序列嵌入量的異常分?jǐn)?shù)，基于所述異常分?jǐn)?shù)和所述船舶行為識(shí)別信息，得到船舶異常行為識(shí)別結(jié)果。

8、在一種可能的實(shí)現(xiàn)方式中，基于所述ais數(shù)據(jù)，提取船舶軌跡，包括：

9、從所述ais數(shù)據(jù)中篩選目標(biāo)屬性；

10、基于所述目標(biāo)屬性，將所述ais數(shù)據(jù)按照mmsi碼分組，得到分組數(shù)據(jù)；

11、將所述多組數(shù)據(jù)中的每組數(shù)據(jù)分別按照時(shí)間戳順序排序，得到原始船舶軌跡；其中，每組數(shù)據(jù)對(duì)應(yīng)一條原始船舶軌跡；

12、將多條原始船舶軌跡中時(shí)空間隔超過預(yù)設(shè)間隔閾值的軌跡進(jìn)行分割，得到初步提取的船舶軌跡；

13、對(duì)初步提取的船舶軌跡進(jìn)行修正，得到最終的船舶軌跡。

14、在一種可能的實(shí)現(xiàn)方式中，從所述ais數(shù)據(jù)中篩選目標(biāo)屬性，包括：

15、從所述ais數(shù)據(jù)中選取多種基礎(chǔ)屬性；所述多種基礎(chǔ)屬性，包括：船籍、船型、船長(zhǎng)、船寬、mmsi碼、時(shí)間戳、經(jīng)度、緯度、對(duì)地航向以及對(duì)地航速；

16、在確定所述基礎(chǔ)屬性為靜態(tài)屬性，且所述靜態(tài)屬性存在錯(cuò)誤的情況下，基于所述靜態(tài)屬性中錯(cuò)誤數(shù)據(jù)的mmsi碼查詢預(yù)設(shè)的船舶信息數(shù)據(jù)庫(kù)，得到正確數(shù)據(jù)，并基于正確數(shù)據(jù)替換錯(cuò)誤數(shù)據(jù)，得到目標(biāo)屬性；

17、在確定所述基礎(chǔ)屬性為動(dòng)態(tài)屬性，且所述動(dòng)態(tài)屬性存在錯(cuò)誤的情況下，基于所述動(dòng)態(tài)屬性的錯(cuò)誤類型確定對(duì)應(yīng)的數(shù)據(jù)修復(fù)方法，以對(duì)所述動(dòng)態(tài)屬性進(jìn)行修復(fù)，得到目標(biāo)屬性。

18、在一種可能的實(shí)現(xiàn)方式中，對(duì)初步提取的船舶軌跡進(jìn)行修正，得到最終的船舶軌跡，包括：

19、從初步提取的船舶軌跡中選取待修正的兩個(gè)端點(diǎn)，并確定兩個(gè)端點(diǎn)分別對(duì)應(yīng)的鄰域；

20、從初步提取的船舶軌跡中篩選經(jīng)過兩個(gè)鄰域的船舶軌跡；

21、將篩選得到的船舶軌跡在兩個(gè)鄰域之間的子軌跡加入候選軌跡集；

22、對(duì)所述候選軌跡集進(jìn)行聚類，得到候選軌跡類簇集；

23、確定所述候選軌跡類簇集中每個(gè)簇的支持度，并確定支持度最大的簇；

24、確定支持度最大的簇的代表軌跡，基于所述代表軌跡對(duì)初步提取的船舶軌跡進(jìn)行修正，得到最終的船舶軌跡。

25、在一種可能的實(shí)現(xiàn)方式中，對(duì)所述船舶軌跡進(jìn)行壓縮，并對(duì)所述船舶軌跡對(duì)應(yīng)的船舶屬性進(jìn)行離散化處理，得到船舶行為特征數(shù)據(jù)，包括：

26、確定目標(biāo)軌跡點(diǎn)集合中每一軌跡點(diǎn)到所述目標(biāo)軌跡點(diǎn)集合的起點(diǎn)與終點(diǎn)所連線段的距離為第一類距離，并從每一軌跡點(diǎn)對(duì)應(yīng)的第一類距離中確定最大的距離為第一目標(biāo)距離；所述目標(biāo)軌跡點(diǎn)集合為所述船舶軌跡上的軌跡點(diǎn)組成的集合；

27、在所述第一目標(biāo)距離大于預(yù)設(shè)距離閾值的情況下，確定所述第一目標(biāo)距離對(duì)應(yīng)的軌跡點(diǎn)為特征點(diǎn)，并基于所述第一目標(biāo)距離對(duì)應(yīng)的軌跡點(diǎn)將所述目標(biāo)軌跡點(diǎn)集合劃分為兩個(gè)目標(biāo)軌跡點(diǎn)子集合；

28、確定目標(biāo)軌跡點(diǎn)子集合中每一軌跡點(diǎn)到所述目標(biāo)軌跡點(diǎn)子集合的起點(diǎn)與終點(diǎn)所連線段間的距離為第二類距離，并從每一軌跡點(diǎn)對(duì)應(yīng)的第二類距離中確定最大的距離為第二目標(biāo)距離；

29、在所述第二目標(biāo)距離小于或等于預(yù)設(shè)距離閾值的情況下，確定當(dāng)前時(shí)刻的錨點(diǎn)，并計(jì)算當(dāng)前時(shí)刻的錨點(diǎn)后面的軌跡點(diǎn)到錨點(diǎn)的航速差，確定航速差大于預(yù)設(shè)距離閾值的軌跡點(diǎn)為下一時(shí)刻的錨點(diǎn)和特征點(diǎn)，直至確定目標(biāo)軌跡點(diǎn)集合中的所有特征點(diǎn)；

30、對(duì)所述目標(biāo)軌跡點(diǎn)集合中的所有特征點(diǎn)的船舶屬性進(jìn)行離散化處理，得到船舶行為特征數(shù)據(jù)。

31、在一種可能的實(shí)現(xiàn)方式中，初始時(shí)刻的錨點(diǎn)為目標(biāo)軌跡點(diǎn)子集合的起點(diǎn)。

32、在一種可能的實(shí)現(xiàn)方式中，基于所述船舶行為特征數(shù)據(jù)，生成船舶行為特征序列嵌入量，包括：

33、對(duì)所述船舶行為特征數(shù)據(jù)進(jìn)行獨(dú)熱編碼，得到對(duì)應(yīng)的獨(dú)熱向量；

34、將所述獨(dú)熱向量與嵌入矩陣相乘，得到船舶行為特征序列嵌入量。

35、在一種可能的實(shí)現(xiàn)方式中，確定所述船舶行為特征序列嵌入量的異常分?jǐn)?shù)，包括：

36、將所述船舶行為特征序列嵌入量作為所述網(wǎng)絡(luò)模型的標(biāo)簽，基于bleu算法和所述標(biāo)簽，計(jì)算所述船舶行為特征序列嵌入量的異常分?jǐn)?shù)。

37、在一種可能的實(shí)現(xiàn)方式中，將所述船舶行為特征序列嵌入量，輸入至訓(xùn)練好的序列到序列的網(wǎng)絡(luò)模型，得到船舶行為識(shí)別信息，包括：

38、將所述船舶行為特征序列嵌入量輸入至所述編碼器，以基于所述編碼器對(duì)所述船舶行為特征序列嵌入量按照元素順序進(jìn)行編碼，生成具有固定維度的上下文向量；

39、將所述上下文向量輸入至所述解碼器，得到船舶行為識(shí)別信息；所述解碼器添加有注意力機(jī)制。

40、另一方面，本發(fā)明還提供一種船舶異常行為識(shí)別裝置，包括：

41、軌跡提取模塊，用于基于ais數(shù)據(jù)，提取船舶軌跡；

42、特征提取模塊，用于對(duì)所述船舶軌跡進(jìn)行壓縮，并對(duì)所述船舶軌跡對(duì)應(yīng)的船舶屬性進(jìn)行離散化處理，得到船舶行為特征數(shù)據(jù)；

43、序列生成模塊，用于基于所述船舶行為特征數(shù)據(jù)，生成船舶行為特征序列嵌入量；

44、信息識(shí)別模塊，用于將所述船舶行為特征序列嵌入量，輸入至訓(xùn)練好的序列到序列的網(wǎng)絡(luò)模型，得到船舶行為識(shí)別信息；所述網(wǎng)絡(luò)模型包括編碼器和解碼器；

45、異常確定模塊，用于確定所述船舶行為特征序列嵌入量的異常分?jǐn)?shù)，基于所述異常分?jǐn)?shù)和所述船舶行為識(shí)別信息，得到船舶異常行為識(shí)別結(jié)果。

46、采用上述實(shí)現(xiàn)方式的有益效果是：本發(fā)明提供的船舶異常行為識(shí)別方法及裝置，通過對(duì)船舶軌跡進(jìn)行壓縮，并對(duì)船舶軌跡對(duì)應(yīng)的船舶屬性進(jìn)行離散化處理，得到船舶行為特征數(shù)據(jù)，有效濾除冗余軌跡點(diǎn)，在顯著降低數(shù)據(jù)規(guī)模的同時(shí)有效保留航跡的航速信息，然后對(duì)船舶屬性離散化提升數(shù)據(jù)粒度，改進(jìn)模型訓(xùn)練效果和泛化性能；基于船舶行為特征數(shù)據(jù)，生成船舶行為特征序列嵌入量；將所述船舶特征序列嵌入量，輸入至訓(xùn)練好的序列到序列的網(wǎng)絡(luò)模型，得到船舶行為識(shí)別信息，采用嵌入技術(shù)深入挖掘船舶行為特征的潛在信息，并基于序列到序列的網(wǎng)絡(luò)模型實(shí)現(xiàn)船舶軌跡特征的編解碼，實(shí)現(xiàn)在復(fù)雜場(chǎng)景下理解船舶行為模式，準(zhǔn)確捕捉船舶行為規(guī)律。提高船舶行為識(shí)別準(zhǔn)確性，并結(jié)合船舶行為特征序列嵌入量的異常分?jǐn)?shù)，判斷異常行為，從而解決現(xiàn)有的方案難以準(zhǔn)確可靠地對(duì)船舶異常行為進(jìn)行識(shí)別的技術(shù)問題。