一种船舶轨迹模型建立及异常轨迹检测方法与流程

本发明涉及船舶数据处理技术领域，尤其涉及一种船舶轨迹模型建立及异常轨迹检测方法。

背景技术：

智能船舶在执行航行任务时或任务结束后，船舶数据库会存储大量的船舶航行数据，这其中包括船舶轨迹数据。而通过对船舶轨迹数据的分析处理可以确定船舶的航行状态。在分析船舶轨迹数据的时候，需要进行数据聚类分析，聚类分析主要是按对象之间差异进行分类，将相似的对象聚合成类簇，所以需要进行轨迹间的相似性度量，高效合理的轨迹间的相似度量到可以保证聚类结果的精度，现有的轨迹度量方法参考依据单一，无法保证聚类结果的可靠性。

技术实现要素：

(一)要解决的技术问题

鉴于现有技术的上述缺点、不足，本发明提供一种船舶轨迹模型建立及异常轨迹检测方法，其解决了船舶数据聚类结果的精度不高，且不能依据聚类结果来有效监测异常轨迹的技术问题。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

s1、获取船舶的原始轨迹数据集，经预处理后得到轨迹数据集；其中，所述预处理包括无效数据剔除、缺失数据填补以及数据归一化；

s2、基于所述轨迹数据集计算两条轨迹间的航向差、航速差以及平均距离，并根据权重分配条件分别为所述航向差、所述航速差以及所述平均距离赋予相应的权重；

s3、多次重复步骤s2，通过相似值公式计算出每两条轨迹的相似值，生成相似度矩阵；

s4、根据所述相似度矩阵，将所述轨迹数据集按行为特征划分成多个轨迹数据子集；

s5、根据所述轨迹数据子集建立船舶轨迹模型；

s6、将所述船舶轨迹模型加入船舶知识库中，用于与实际航行轨迹数据对比来判断船舶行为状态是否正常。

可选地，步骤s2包括：

s21、基于轨迹点方向的角度变化大小将轨迹划分为多个轨迹段；

s22、通过航向差公式计算每两条轨迹段的航向差；通过航速差公式计算每两条轨迹段的航速差；通过平均距离公式计算每两条轨迹段所有轨迹点间的平均距离；

s23、根据权重分配条件分别为所述航向差、所述航速差以及所述平均距离分配第一权重、第二权重以及第三权重。

可选地，所述航向差公式为：

其中，cmax(l1-l2)表示两条轨迹段中轨迹点最大航向的差值，cmin(l1-l2)表示两条轨迹段中轨迹点最小航向的差值，cavg(l1-l2)表示两条轨迹段中轨迹点平均航向的差值；

所述航速差公式为：

其中，vmax(l1-l2)表示两条轨迹段中轨迹点最大航速的差值，vmin(l1-l2)表示两条轨迹段中轨迹点最小航速的差值，vavg(l1-l2)表示两条轨迹段中轨迹点平均航速的差值；

所述平均距离公式为：

其中，dis(l1(i)-l2(i))表示两条轨迹段中第i个轨迹点间的距离，n表示轨迹点的数量；

所述权重分配条件为：根据所述航向差、所述航速差以及所述平均距离三个因素在相似度判断中所占的权重比例分配权重；具体地，

其中，分别为第一权重、第二权重与第三权重，

可选地，所述相似度公式为：

其中，sim(l1,l2)表示第i条轨迹与第j条轨迹的轨迹相似度值，dj表示所有轨迹段的航向差之和、所有轨迹段的航速差之和以及所有轨迹段的平均距离的值之和，表示所述第一权重、所述第二权重与所述第三权重；

所述相似度矩阵为一个n*n的矩阵，n表示轨迹数据集中轨迹的数量。

可选地，步骤s4包括：

s41、对轨迹数据集中的轨迹进行排序；

s42、将轨迹数据集中的第一轨迹加入第一轨迹数据子集，遍历所述轨迹数据集，将与所述第一轨迹数据的轨迹相似值大于相似度阈值的轨迹数据加入第一轨迹数据子集；

s43、重复步骤s42，将所述轨迹数据集划分为多个轨迹数据子集。

可选地，步骤s5包括：

s51、确定各所述轨迹数据子集中的聚类轨迹；

s52、以所述聚类轨迹上的聚类轨迹点为基点，作出多条垂线，各垂线与除所述聚类轨迹之外的其他轨迹数据均有交点；其中，轨迹点包含船舶位置信息、航向信息与航速信息；

s53、找到离同一垂线下的各交点最近的轨迹点，并求取各所述轨迹点的船舶位置信息、航向信息与航速信息的平均值，得到多个特征轨迹点；

s54、将多个所述特征轨迹点连接起来，得到船舶轨迹模型。

可选地，所述船舶轨迹模型为：

model＝{tral，tra2，tra3...，tran}

tran＝{latn，lonn，cogn，sogn}

其中，船舶轨迹模型model由tra1…tran共计n个轨迹点组成，每个轨迹点的信息包含船舶位置信息(lat，lon)，船舶航向信息(cog)，船舶速度信息(sog)，其中，j表示船舶轨迹数据子集中轨迹数据的个数。

可选地，步骤s6包括：

s61、将各实际轨迹点与轨迹模型中的各特征轨迹点进行比较，若满足异常判断标准则为异常轨迹点；

s62、判断各实际轨迹的异常轨迹点个数占总轨迹点个数的比例是否超过0.25；

s63a、如果超过，则是异常轨迹；

s63b，如果未超过，则不是异常轨迹。

可选地，异常判断标准包括位置异常判断标准以及航向航速综合异常判断标准；

所述位置异常判断标准为：

其中，p为实际轨迹点，pn为特征轨迹点，lat为对应点相应的纬度值，lon为对应点对应的经度值，dist代表两者之间的欧式距离，当该值大于特定阈值时，代表实际轨迹点存在位置异常；

所述航向航速综合异常判断标准为：

(1)

(2)

在公式(1)中，a为实际轨迹点和特征轨迹点在航向上的差值，该值取值范围为[0,180]；min(s.p，s.pn)表示实际轨迹点和特征轨迹点中航速最小值，max(s.p，s.pn)表示实际轨迹点和特征轨迹点中航速最大值；spe表示实际轨迹点和特征轨迹点的航向航速综合异常情况，其取值范围为[-1,1]，spe值越大表示两个轨迹点间的相似度越高，值越小表示实际轨迹点的异常程度越高；

而当满足公式(2)时，则判定该实际轨迹点为异常轨迹点。

(三)有益效果

本发明的有益效果是：本发明综合考虑了船舶轨迹的航向航速等因素来以此判断船舶轨迹的相似度，有效提高了判断精度，同时为轨迹聚类分析算法提供聚类依据，保证了聚类算法的可靠性。而且基于聚类结果建立船舶轨迹模型并加入船舶知识库中，可以为船舶虚拟仿真提供数据基础，也可以来判断船舶的航行状态是否正常。接着，通过船舶轨迹模型来进行异常轨迹点判别可以明确某段实际轨迹是否存在异常轨迹点以及该段轨迹是否存在异常，这为智能船舶仿真模拟过程提供了精确的理论依据。

附图说明

图1为本发明提供的一种船舶轨迹模型建立及异常轨迹检测方法的流程示意图；

图2为本发明提供的一种用于智能船舶轨迹模型建立及检测方法的步骤s2的具体流程示意图；

图3为本发明提供的一种用于智能船舶轨迹模型建立及检测方法的相似度矩阵示意图；

图4为本发明提供的一种用于智能船舶轨迹模型建立及检测方法的步骤s4的具体流程示意图；

图5为本发明提供的一种用于智能船舶轨迹模型建立及检测方法的步骤s5的具体流程示意图；

图6为本发明提供的一种用于智能船舶轨迹模型建立及检测方法的聚类轨迹及典型轨迹示意图；

图7为本发明提供的一种用于智能船舶轨迹模型建立及检测方法的步骤s6的具体流程示意图。

具体实施方式

为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。

本发明实施例提出的一种船舶轨迹模型建立及异常轨迹检测方法，图1为本发明提供的一种船舶轨迹模型建立及异常轨迹检测方法的流程示意图，如图1所示，其公开了：首先，获取船舶原始轨迹数据集，经一系列预处理得到轨迹数据集；接着，计算每两条轨迹之间的航向差、航速差以及平均距离，并依据权重分配条件分配不同权重，基于航向差、航速差、平均距离以及权重并通过相似值公式计算每两条轨迹的相似值，生成相似度矩阵；再者依据相似度矩阵对轨迹数据进行聚类操作，即按行为特征将轨迹数据集划分为多个轨迹数据子集，基于轨迹数据子集建立船舶轨迹模型；将船舶轨迹模型加入船舶知识库中，用于与实际航行轨迹数据对比来判断船舶行为状态是否正常。

本发明综合考虑了船舶轨迹的航向航速等因素来以此判断船舶轨迹的相似度，有效提高了判断精度，同时为轨迹聚类分析算法提供聚类依据，保证了聚类算法的可靠性。而且基于聚类结果建立船舶轨迹模型并加入船舶知识库中，可以为船舶虚拟仿真提供数据基础，也可以来判断船舶的航行状态是否正常。接着，通过船舶轨迹模型来进行异常轨迹点判别可以明确某段实际轨迹是否存在异常轨迹点以及该段轨迹是否存在异常，这为智能船舶仿真模拟过程提供了精确的理论依据。

为了更好地理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更清楚、透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

具体地，一种用于智能船舶轨迹模型建立及检测方法，包括：

s1、从船舶轨迹数据库中获取船舶的原始轨迹数据集，经预处理后得到轨迹数据集。其中，预处理包括无效数据剔除、数据噪声的滤除、缺失数据填补、以及数据归一化，预处理的目的在于保证数据的可靠性。

s2、基于轨迹数据集计算两条轨迹间的航向差、航速差以及平均距离，并根据权重分配条为航向差、航速差以及平均距离值赋予相应的权重。图2为本发明提供的一种用于智能船舶轨迹模型建立及检测方法的步骤s2的具体流程示意图，如图2所示，以下为步骤s2的具体步骤：

s21、基于轨迹点方向的角度变化大小将轨迹划分轨迹段。如果变化超过一定角度变化阈值，则将轨迹分段。

s22、通过航向差公式计算每两条轨迹段的航向差；通过航速差公式计算每两条轨迹段的航速差；通过平均距离公式计算每两条轨迹段所有轨迹点间的距离。航向特征包括最大航向差、最小航向差以及平均航向差，具体地，通过轨迹段的航向特征计算两轨迹段的航向差，综合两条轨迹段的最大航向差，最小航向差，平均航向差作为两轨迹段的航向差，航向差公式如下：

其中，cmax(l1-l2)表示两条轨迹段中轨迹点最大航向的差值，cmin(l1-l2)表示两条轨迹段中轨迹点最小航向的差值，cavg(l1-l2)表示两条轨迹段中轨迹点平均航向的差值；

计算两轨迹间的航速距离。航速特征包括最大航速差、最小航速差、平均航速差，通过轨迹段的航速特征计算两轨迹段的航速距离，综合两条轨迹段的最大航速差，最小航速差，平均航速差作为两轨迹段的航速距离，航速差公式为：

其中，vmax(l1-l2)表示两条轨迹段中轨迹点最大航速的差值，vmin(l1-l2)表示两条轨迹段中轨迹点最小航速的差值，vavg(l1-l2)表示两条轨迹段中轨迹点平均航速的差值；

计算轨迹平均距离。按照顺序依次计算两条轨迹段所有轨迹点间的距离，通过距离的平均值来判断两条轨迹的相似度，平均距离公式为：

其中，dis(l1(i)-l2(i))表示两条轨迹段中第i个轨迹点间的距离,n表示轨迹点的数量。

s23、根据权重分配条件为航向差、航速差以及平均距离值赋予第一权重、第二权重以及第三权重。权重分配主要是根据航向差、航速差以及平均距离三个因素在相似度判断中所占的权重比例，其值具体分配根据航行状态和经验值确定，但要保证每个权重值的取值范围为(0，1)且三者之和为1。权重分配条件为：

其中，分别为第一权重、第二权重与第三权重，

s3、多次重复步骤s2，根据航向差、航速差与平均距离值以及权重通过相似值公式计算出每两条轨迹的相似值，生成相似度矩阵。相似度公式为：

其中，sim(l1,l2)表示第i条轨迹与第j条轨迹的轨迹相似度值，d1表示所有轨迹段的航向差之和，d2所有轨迹段的航速差之和，d3所有轨迹段的平均距离的值之和，表示第一权重、第二权重与第三权重。

图3为本发明提供的一种用于智能船舶轨迹模型建立及检测方法的相似度矩阵示意图，而如图3所示，相似度矩阵为一个n*n的矩阵，其中，n表示轨迹数据集中轨迹的数量。

s4、根据相似度矩阵，将轨迹数据集按行为特征划分成多个轨迹数据子集。行为特征指的是船舶的行驶状态，一般包括离泊、靠泊、锚泊、匀速行驶、变速行驶、防撞避碰等状态。图4为本发明提供的一种用于智能船舶轨迹模型建立及检测方法的步骤s4的具体流程示意图，如图4所示，以下为步骤s4的具体流程：

s41、对轨迹数据集中的轨迹进行排序。

s42、将轨迹数据集中的第一轨迹加入第一轨迹数据子集，遍历轨迹数据集，将与第一轨迹数据的轨迹相似值大于相似度阈值ε的轨迹数据加入第一轨迹数据子集。具体来说，将船舶轨迹数据集中第一轨迹加入第一轨迹数据子集，遍历轨迹数据集，将与其轨迹相似值大于轨迹相似度阈值ε的轨迹均加入第一轨迹数据子集。然后将剩下的轨迹数据集中的第一条轨迹加入第二轨迹数据子集，遍历剩下的轨迹数据集，将与其轨迹相似值大于轨迹相似度阈值ε的轨迹均加入第二轨迹数据子集。依次类推，可以将船舶轨迹数据集划分成多个行为特征近似的轨迹子集，即完成轨迹聚类。

s43、重复步骤s42，将轨迹数据集划分为多个轨迹数据子集。

s5、根据轨迹数据子集建立船舶轨迹模型。通过对同一船舶轨迹数据子集中的数据进行行为特征分析，可以得到一条虚拟的船舶轨迹模型，可以代表船舶在该航行场景下的正常行驶状态。

为了避免在船舶轨迹建模中局部异常点的影响，船舶轨迹的模型以选取具有典型代表的一系列船舶轨迹点为主，具体为在对某个船舶轨迹特征进行模型建立时，在其相应的船舶轨迹类簇中构建一系列特征点来表征船舶轨迹类簇。图5为本发明提供的一种用于智能船舶轨迹模型建立及检测方法的步骤s5的具体流程示意图，如图5所示，通过以下步骤构建船舶轨迹类簇中的特征点：

s51、图6为本发明提供的一种用于智能船舶轨迹模型建立及检测方法的聚类轨迹及典型轨迹示意图，如图6所示，确定各轨迹数据子集中的聚类轨迹，在图6中聚类轨迹为轨迹2，轨迹1与轨迹3均是常规轨迹。

s52、以聚类轨迹上的聚类轨迹点为基点，作出多条垂线，各垂线与除聚类轨迹数据之外的其他轨迹数据均有交点；其中，轨迹点包含船舶位置信息、航向信息与航速信息。

s53、找到离同一垂线下的各交点最近的轨迹点，并求取各轨迹点的船舶位置信息、航向信息与航速信息的平均值，得到多个特征轨迹点。

s54、将多个特征轨迹点连接起来，可以得到一条典型轨迹，即建立的该场景下的船舶轨迹模型。船舶轨迹模型为：

model＝{tra1，tra2，tra3...，tran}

tran＝{latn，lonn，cogn，sogn}

其中，船舶轨迹模型model由tra1…tran共计n个轨迹点组成，每个轨迹点的信息包含船舶位置信息(lat，lon)，船舶航向信息(cog)，船舶速度信息(sog)。其中，j表示船舶轨迹数据子集中轨迹数据的个数。

s6、将船舶轨迹模型加入船舶知识库中，用于与实际航行轨迹数据对比来判断船舶行为状态是否正常。在船舶实际航行过程中采集到的航行轨迹数据通过与轨迹模型的对比，可以对实时轨迹进行检测，检测包括航行状态异常以及异常轨迹点的提取。图7为本发明提供的一种用于智能船舶轨迹模型建立及检测方法的步骤s6的具体流程示意图，如图7所示，以下为步骤s6的具体流程：

s61、将各实际轨迹点与轨迹模型中的各特征轨迹点进行比较，若满足异常判断标准则为异常轨迹点。

异常判断标准包括位置异常判断标准以及航向航速综合异常判断标准；

位置异常判断标准为：

其中，p为实际轨迹点，pn为特征轨迹点，lat为对应点相应的纬度值，lon为对应点对应的经度值，dist代表两者之间的欧式距离，当该值大于特定阈值时，代表实际轨迹点存在位置异常。

航向航速综合异常判断标准为：

(1)

(2)

在公式(1)中，a为实际轨迹点和特征轨迹点在航向上的差值，该值取值范围为[0,180]；min(s.p，s.pn)表示实际轨迹点和特征轨迹点中航速最小值，max(s.p，s.pn)表示实际轨迹点和特征轨迹点中航速最大值；spe表示实际轨迹点和特征轨迹点的航向航速综合异常情况，其取值范围为[-1,1]，spe值越大表示两个轨迹点间的相似度越高，值越小表示实际轨迹点的异常程度越高。

而当满足公式(2)时，则判定该实际轨迹点为异常轨迹点。

s62、判断各实际轨迹的异常轨迹点个数占总轨迹点个数的比例是否超过0.25。

s63a、超过，是异常轨迹。

s63b，未超过，不是异常轨迹。

在建立船舶驶离某港口的状态轨迹模型的具体实施例中，首先，采集船舶每次离港到行驶到一定位置的船舶轨迹数据，形成船舶轨迹数据集；接着，进行数据预处理。对提取的轨迹集进行预处理，包括无效数据的剔除，缺失数据的填补等保证待进行聚类分析的数据的可靠性；建立轨迹相似度矩阵，依据上述的船舶轨迹相似性度量的方法，计算每两条轨迹间的相似度值，并建立相似度矩阵；再者，完成船舶轨迹聚类，依据建立的船舶轨迹相似度矩阵，实现船舶轨迹数据聚类，将原始数据集划分成多个特征点相同的轨迹数据子集；然后，建立船舶离港轨迹模型，在完成的所有轨迹数据子集中找到一个符合需求的轨迹数据子集，并建立典型的船舶离港轨迹模型；最后模型入库，将建立好的船舶离港轨迹模型加入船舶知识库中，在每次船舶驶离该港口时，通过与模型数据对比，判断船舶航行状态是否异常；在船舶虚拟仿真过程中，通过该轨迹模型进行虚拟船舶离港仿真。

综上所述，本发明获取船舶原始轨迹数据集，经预处理剔除无效数据、填补缺失数据以及为了后续计算方便进行数据的归一化，最后得到能有效保证轨迹聚类精度的轨迹数据集。接着，计算每两条轨迹的相似值，并以此生成相似度矩阵，并依据相似度矩阵按行为特征将轨迹数据集划分为多个轨迹数据子集。然后，基于轨迹数据子集建立船舶轨迹模型，同时将船舶轨迹模型加入船舶知识库中，用于与实际航行轨迹数据对比来判断船舶行为状态是否正常。

本发明根据船舶轨迹数据特征，并结合多种因素判断船舶轨迹相似性，提高了轨迹判断精度。且以轨迹相似度为依据对船舶轨迹数据进行聚类分析，提高了聚类精度，确保结果的可靠性。根据聚类结果建立船舶轨迹模型，所得模型可参考度高，更加符合船舶实际运行情况。运用该轨迹模型可以研究船舶行为状态，自主检测船舶异常行为，并为智能船舶仿真模拟过程提供理论依据。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。

应当注意的是，在权利要求中，不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中，这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用，仅是为了表述方便，而不表示任何顺序。可将这些词语理解为部件名称的一部分。

此外，需要说明的是，在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管已描述了本发明的优选实施例，但本领域的技术人员在得知了基本创造性概念后，则可对这些实施例作出另外的变更和修改。所以，权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也应该包含这些修改和变型在内。