一种基于多注意力的渔船轨迹异常检测方法及系统技术方案

本发明专利技术公开了一种基于多注意力的渔船轨迹异常检测方法及系统，包括：获取当前渔船运行轨迹数据并进行预处理，以获得待测数据；将待测数据输入预先训练好的渔船轨迹异常检测模型以计算出异常分数；判断异常分数是否大于预设异常阈值，若判断为是时，则表示当前渔船运行轨迹异常。其中，渔船轨迹异常检测模型的训练方法包括：将训练数据输入具有多注意力模块的自动编码器进行训练，以获得基于训练好的自动编码器的渔船轨迹异常检测模型。采用本发明专利技术能够通过具有多注意力模块的自动编码器架构来充分利用多元时间序列之间的维度和时间关系，利用重构数据与真实数据之间的偏差来实现异常检测，以快速准确地检测渔船轨迹的异常情况。情况。情况。

【技术实现步骤摘要】
一种基于多注意力的渔船轨迹异常检测方法及系统


[0001]本专利技术涉及及渔船轨迹异常检测
，尤其涉及一种基于多注意力的渔船轨迹异常检测方法及系统。

技术介绍

[0002]随着北斗定位终端等通信导航设备的应用，大量的航海数据为提升海上安全治理能力带来了机遇与挑战。如何通过分析北斗设备传来的渔船位置数据进行异常轨迹的识别判定成为了急迫的问题。在航海过程中，渔船可能会遇到极端天气，如暴雨、台风等，还可能面临其他危险因素的影响，及时反馈渔船位置信息，及时对渔船的轨迹进行分析有利于规避风险。
[0003]渔船轨迹异常是指在一个特定的时间序列中，不同于其他位置轨迹的观测结果。异常的发生意味着渔船航行存在着问题，因此及时检测异常是极其重要的。为了更好地针对渔船轨迹进行异常检测，目前常用的方法可以分为基于预测的异常检测方法和基于重构的异常检测方法。基于预测的方法试图根据历史数据来预测未来数据的正常值，从而根据预测值与真实值之间的偏差进行异常判定。但是因为一些指标本质上不可预测的特点，这种方法在复杂的真实世界系统中面临巨大的挑战。另一种重构方法通过学习正常数据的低维表示，并通过自动编码器和解码器实现对数据的重构。这种方法基于只有正常数据可以被重构情况下，通过评估重构数据与真实数据之间的偏差来判定是否属于异常。但由于渔船轨迹数据的信息提取有效性、缺乏标记数据、异常多样性等挑战，渔船轨迹的异常检测仍然存在困难。虽然现有的方法已经提高了性能，但它们不能充分利用时间和度量之间的关系。每一个位置信息都与相邻的位置信息有关，也遵循整个轨迹中的规则模式。因此，一旦一个观察结果不符合这些关系就可以准确地识别异常情况。如果不能有效地提取有用的时间关系，就不可能精确地检测异常。此外，指标之间存在相同或相反的趋势，这将有利于及时发现异常。例如，如果两个指标之间的关系突然发生了变化就可以快速定位并确定是否发生了异常。因此，关注时间关系和度量关系是很重要的。为了更好地提取与利用渔船轨迹中时间与维度两方面的关系，我们提出了一种基于多注意力的渔船轨迹异常检测方法及系统。

技术实现思路

[0004]本专利技术所要解决的技术问题在于，提供一种基于多注意力的渔船轨迹异常检测方法及系统，能够通过具有多注意力模块的自动编码器架构来充分利用多元时间序列之间的维度和时间关系，利用重构数据与真实数据之间的偏差来实现异常检测，从而快速准确地检测渔船轨迹的异常情况。
[0005]为了解决上述技术问题，本专利技术提供了一种基于多注意力的渔船轨迹异常检测方法，包括：获取当前渔船运行轨迹数据并进行预处理，以获得待测数据；将待测数据输入预先训练好的渔船轨迹异常检测模型以计算出异常分数；判断异常分数是否大于预设异常阈
值，若判断为是时，则表示当前渔船运行轨迹异常；其中，渔船轨迹异常检测模型的训练方法包括：构建具有多注意力模块的自动编码器；获取历史渔船轨迹数据并进行预处理，以获得训练数据；将训练数据输入自动编码器进行训练，以获得基于训练好的自动编码器的渔船轨迹异常检测模型。
[0006]作为上述方案的改进，自动编码器包括编码器和解码器；编码器包括多注意力模块，编码器用于将训练数据进行编码并压缩到隐藏空间中进行表示；解码器包括Linear线性函数模块和Sigmoid型函数模块，用于解码隐藏表示，以重构渔船轨迹数据。
[0007]作为上述方案的改进，多注意力模块由多个时间注意力模块和多个维度注意力模块交替组成，时间注意力模块与维度注意力模块一一对应设置；多注意力模块用于将训练数据映射到隐藏空间中进行表示。
[0008]作为上述方案的改进，获取历史渔船轨迹数据并进行预处理，以获得训练数据步骤包括：
[0009]获取历史渔船轨迹数据X；
[0010]其中，X∈R
MXN
，R表示为二维矩阵，M表示为历史渔船轨迹数据的维度个数，N表示为历史渔船轨迹对应的时间长度；
[0011]将历史渔船轨迹数据X归一化为
[0012]其中，min{X
t
}和max{X
t
}分别是时间序列中的最小向量和最大向量，σ为预设常量向量，t＝1,...N；
[0013]将归一化后的数据分割为时间序列窗口并定义为W
t
＝{X
t
‑
w+1
,
…
,X
t
}，其中，w是窗口大小；
[0014]对于t<w将使用复制来进行填充使得窗口长度相同，以使t<w的窗口表示为向量W
t
＝{X1,X2,
…
,X
t
,X
t
,
…
,X
t
}(t<w)，时间序列窗口为W＝{W1，
…
，W
t
}，并表示为训练数据。
[0015]作为上述方案的改进，时间注意力模块用于对输入的数据进行处理，时间注意力模块包括至少两个时间扩张卷积，时间扩张卷积作用于每个维度上；
[0016]通过预设卷积核k和预设膨胀系数d，以将第j个维度的时间t处膨胀卷积的输出定义为其中，ω
i
为卷积核的第i次权重；
[0017]将两个时间扩张卷积的输出分别定义为Z
α
和Z
β
，将Z
α
和Z
β
分别传递到非线性激活函数中，并按元素相乘为Z＝σ(Z
α
)
·
tanh(Z
β
)，以控制遗忘信息的程度，并保留选择信息；
[0018]其中，σ(.)是Sigmoid函数，tanh(.)是tanh函数；
[0019]将时间注意力模块的输出定义为
[0020]作为上述方案的改进，维度注意力模块用于接收时间注意力模块的输出；
[0021]通过维度注意力模块中的权重W
K
、W
Q
和W
V
的线性变换，以计算出关键值K
t
、查询值Q
t
和数值V
t
；
[0022]通过关键值K
t
、查询值Q
t
和数值V
t
进行维度注意并定义为
其中，d表示为维度的数量；
[0023]计算t＝1,...N的维度注意并将所有的输出连接起来形成Z
′
t
。
[0024]作为上述方案的改进，将训练数据输入自动编码器进行训练，以获得基于训练好的自动编码器的渔船轨迹异常检测模型的步骤包括：
[0025]将训练数据输入自动编码器进行初始训练，以获得初始重构的渔船轨迹数据W
′
；
[0026]构建初始训练阶段的第一损失模型并表示为L1＝||W
′‑
W||，通过减小输入的渔船轨迹数据和初始重构本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多注意力的渔船轨迹异常检测方法，其特征在于，包括：获取当前渔船运行轨迹数据并进行预处理，以获得待测数据；将所述待测数据输入预先训练好的渔船轨迹异常检测模型以计算出异常分数；判断所述异常分数是否大于预设异常阈值，若判断为是时，则表示所述当前渔船运行轨迹异常；其中，所述渔船轨迹异常检测模型的训练方法包括：构建具有多注意力模块的自动编码器；获取历史渔船轨迹数据并进行所述预处理，以获得训练数据；将所述训练数据输入所述自动编码器进行训练，以获得基于训练好的所述自动编码器的渔船轨迹异常检测模型。2.根据权利要求1所述的基于多注意力的渔船轨迹异常检测方法，其特征在于，所述自动编码器包括编码器和解码器；所述编码器包括多注意力模块，所述编码器用于将所述训练数据进行编码并压缩到隐藏空间中进行表示；所述解码器包括Linear线性函数模块和Sigmoid型函数模块，用于解码隐藏表示，以重构渔船轨迹数据。3.根据权利要求2所述的基于多注意力的渔船轨迹异常检测方法，其特征在于，所述多注意力模块由多个时间注意力模块和多个维度注意力模块交替组成，所述时间注意力模块与所述维度注意力模块一一对应设置；所述多注意力模块用于将所述训练数据映射到隐藏空间中进行表示。4.根据权利要求1所述的基于多注意力的渔船轨迹异常检测方法，其特征在于，获取历史渔船轨迹数据并进行预处理，以获得训练数据步骤包括：获取所述历史渔船轨迹数据X；其中，X∈R
MXN
，R表示为二维矩阵，M表示为历史渔船轨迹数据的维度个数，N表示为历史渔船轨迹对应的时间长度；将所述历史渔船轨迹数据X归一化为其中，min{X
t
}和max{X
t
}分别是时间序列中的最小向量和最大向量，σ为预设常量向量，t＝1,...N；将归一化后的数据分割为时间序列窗口并定义为W
t
＝{X
t
‑
w+1
,
…
,X
t
}，其中，w是窗口大小；对于t<w将使用复制来进行填充使得窗口长度相同，以使t<w的窗口表示为向量W
t
＝{X1,X2,
…
,X
t
,X
t
,
…
,X
t
}(t<w)，所述时间序列窗口为W＝{W1，
…
，W
t
}，并表示为所述训练数据。5.根据权利要求3所述的基于多注意力的渔船轨迹异常检测方法，其特征在于，所述时间注意力模块用于对输入的数据进行处理，所述时间注意力模块包括至少两个时间扩张卷积，所述时间扩张卷积作用于每个维度上；通过预设卷积核k和预设膨胀系数d，以将第j个维度的时间t处膨胀卷积的输出定义为其中，ω
i
为卷积核的第i次权重；
将两个所述时间扩张卷积的输出分别定义为Z
α
和Z
β
，将所述Z
α
和Z
β
分别传递到非线性激活函数中，并按元素相乘为Z＝σ(Z
α
)
·
tanh(Z

【专利技术属性】
技术研发人员：李梦瑶，颜志威，马炎南，李智勇，李一帆，彭晓燕，吴梓妍，
申请(专利权)人：广东海聊科技有限公司，
类型：发明
国别省市：