船舶异常行为识别方法及装置

本发明涉及船舶运输，具体涉及一种船舶异常行为识别方法及装置。

背景技术：

1、船舶异常行为识别是海事安全领域的重要研究内容，是保障船舶航行安全和治理海洋违法活动的关键手段。对船舶异常行为进行高效准确的识别能够协助海事管理人员对目标水域的大规模船舶实现高质量监管，还能够帮助科研人员对船舶异常行为的运动特征进行研究，对提升船舶航行安全和海上交通管理水平具有重要意义。

2、针对船舶异常行为识别方法，存在基于统计学、聚类和深度学习等方法。其中，基于统计学的方法旨在建立与船舶特征有关随机变量的统计模型。该方法常常需要先设定假设，而这往往与实际情况不符，导致建模不准确。基于聚类的方法可用于提取船舶的常见运动模式，利用该模式实现检测任务；也可直接与检测任务相耦合。该类方法存在需预先定义的参数，而这些参数的取值会对聚类性能造成很大影响。近年来，深度学习技术凭借其强大的特征提取能力、端到端学习、非线性建模、并行计算等优点，被逐渐应用到水上交通领域。

3、由于船舶运动特征复杂、航行模式多样、船舶收发ais数据含噪声等因素，研究人员难以分析和理解船舶航行模式及规律，不利于构建可靠的船舶异常行为识别框架，限制了海事监管和船舶航行安全保障水平的提升。因此，现有的方案难以准确可靠地对船舶异常行为进行识别。

技术实现思路

1、有鉴于此，有必要提供一种船舶异常行为识别方法及装置，用以解决现有的方案难以准确可靠地对船舶异常行为进行识别的技术问题。

2、为了解决上述问题，一方面，本发明提供了一种船舶异常行为识别方法，包括：

3、基于ais数据，提取船舶轨迹；

4、对所述船舶轨迹进行压缩，并对所述船舶轨迹对应的船舶属性进行离散化处理，得到船舶行为特征数据；

5、基于所述船舶行为特征数据，生成船舶行为特征序列嵌入量；

6、将所述船舶行为特征序列嵌入量，输入至训练好的序列到序列的网络模型，得到船舶行为识别信息；所述网络模型包括编码器和解码器；

7、确定所述船舶行为特征序列嵌入量的异常分数，基于所述异常分数和所述船舶行为识别信息，得到船舶异常行为识别结果。

8、在一种可能的实现方式中，基于所述ais数据，提取船舶轨迹，包括：

9、从所述ais数据中筛选目标属性；

10、基于所述目标属性，将所述ais数据按照mmsi码分组，得到分组数据；

11、将所述多组数据中的每组数据分别按照时间戳顺序排序，得到原始船舶轨迹；其中，每组数据对应一条原始船舶轨迹；

12、将多条原始船舶轨迹中时空间隔超过预设间隔阈值的轨迹进行分割，得到初步提取的船舶轨迹；

13、对初步提取的船舶轨迹进行修正，得到最终的船舶轨迹。

14、在一种可能的实现方式中，从所述ais数据中筛选目标属性，包括：

15、从所述ais数据中选取多种基础属性；所述多种基础属性，包括：船籍、船型、船长、船宽、mmsi码、时间戳、经度、纬度、对地航向以及对地航速；

16、在确定所述基础属性为静态属性，且所述静态属性存在错误的情况下，基于所述静态属性中错误数据的mmsi码查询预设的船舶信息数据库，得到正确数据，并基于正确数据替换错误数据，得到目标属性；

17、在确定所述基础属性为动态属性，且所述动态属性存在错误的情况下，基于所述动态属性的错误类型确定对应的数据修复方法，以对所述动态属性进行修复，得到目标属性。

18、在一种可能的实现方式中，对初步提取的船舶轨迹进行修正，得到最终的船舶轨迹，包括：

19、从初步提取的船舶轨迹中选取待修正的两个端点，并确定两个端点分别对应的邻域；

20、从初步提取的船舶轨迹中筛选经过两个邻域的船舶轨迹；

21、将筛选得到的船舶轨迹在两个邻域之间的子轨迹加入候选轨迹集；

22、对所述候选轨迹集进行聚类，得到候选轨迹类簇集；

23、确定所述候选轨迹类簇集中每个簇的支持度，并确定支持度最大的簇；

24、确定支持度最大的簇的代表轨迹，基于所述代表轨迹对初步提取的船舶轨迹进行修正，得到最终的船舶轨迹。

25、在一种可能的实现方式中，对所述船舶轨迹进行压缩，并对所述船舶轨迹对应的船舶属性进行离散化处理，得到船舶行为特征数据，包括：

26、确定目标轨迹点集合中每一轨迹点到所述目标轨迹点集合的起点与终点所连线段的距离为第一类距离，并从每一轨迹点对应的第一类距离中确定最大的距离为第一目标距离；所述目标轨迹点集合为所述船舶轨迹上的轨迹点组成的集合；

27、在所述第一目标距离大于预设距离阈值的情况下，确定所述第一目标距离对应的轨迹点为特征点，并基于所述第一目标距离对应的轨迹点将所述目标轨迹点集合划分为两个目标轨迹点子集合；

28、确定目标轨迹点子集合中每一轨迹点到所述目标轨迹点子集合的起点与终点所连线段间的距离为第二类距离，并从每一轨迹点对应的第二类距离中确定最大的距离为第二目标距离；

29、在所述第二目标距离小于或等于预设距离阈值的情况下，确定当前时刻的锚点，并计算当前时刻的锚点后面的轨迹点到锚点的航速差，确定航速差大于预设距离阈值的轨迹点为下一时刻的锚点和特征点，直至确定目标轨迹点集合中的所有特征点；

30、对所述目标轨迹点集合中的所有特征点的船舶属性进行离散化处理，得到船舶行为特征数据。

31、在一种可能的实现方式中，初始时刻的锚点为目标轨迹点子集合的起点。

32、在一种可能的实现方式中，基于所述船舶行为特征数据，生成船舶行为特征序列嵌入量，包括：

33、对所述船舶行为特征数据进行独热编码，得到对应的独热向量；

34、将所述独热向量与嵌入矩阵相乘，得到船舶行为特征序列嵌入量。

35、在一种可能的实现方式中，确定所述船舶行为特征序列嵌入量的异常分数，包括：

36、将所述船舶行为特征序列嵌入量作为所述网络模型的标签，基于bleu算法和所述标签，计算所述船舶行为特征序列嵌入量的异常分数。

37、在一种可能的实现方式中，将所述船舶行为特征序列嵌入量，输入至训练好的序列到序列的网络模型，得到船舶行为识别信息，包括：

38、将所述船舶行为特征序列嵌入量输入至所述编码器，以基于所述编码器对所述船舶行为特征序列嵌入量按照元素顺序进行编码，生成具有固定维度的上下文向量；

39、将所述上下文向量输入至所述解码器，得到船舶行为识别信息；所述解码器添加有注意力机制。

40、另一方面，本发明还提供一种船舶异常行为识别装置，包括：

41、轨迹提取模块，用于基于ais数据，提取船舶轨迹；

42、特征提取模块，用于对所述船舶轨迹进行压缩，并对所述船舶轨迹对应的船舶属性进行离散化处理，得到船舶行为特征数据；

43、序列生成模块，用于基于所述船舶行为特征数据，生成船舶行为特征序列嵌入量；

44、信息识别模块，用于将所述船舶行为特征序列嵌入量，输入至训练好的序列到序列的网络模型，得到船舶行为识别信息；所述网络模型包括编码器和解码器；

45、异常确定模块，用于确定所述船舶行为特征序列嵌入量的异常分数，基于所述异常分数和所述船舶行为识别信息，得到船舶异常行为识别结果。

46、采用上述实现方式的有益效果是：本发明提供的船舶异常行为识别方法及装置，通过对船舶轨迹进行压缩，并对船舶轨迹对应的船舶属性进行离散化处理，得到船舶行为特征数据，有效滤除冗余轨迹点，在显著降低数据规模的同时有效保留航迹的航速信息，然后对船舶属性离散化提升数据粒度，改进模型训练效果和泛化性能；基于船舶行为特征数据，生成船舶行为特征序列嵌入量；将所述船舶特征序列嵌入量，输入至训练好的序列到序列的网络模型，得到船舶行为识别信息，采用嵌入技术深入挖掘船舶行为特征的潜在信息，并基于序列到序列的网络模型实现船舶轨迹特征的编解码，实现在复杂场景下理解船舶行为模式，准确捕捉船舶行为规律。提高船舶行为识别准确性，并结合船舶行为特征序列嵌入量的异常分数，判断异常行为，从而解决现有的方案难以准确可靠地对船舶异常行为进行识别的技术问题。