【技术实现步骤摘要】
本专利技术属于航迹识别领域，具体涉及一种航迹识别模型构建方法及异常船舶轨迹匹配方法。
技术介绍
1、目前，世界贸易的90%是通过海上运输进行的，而且还在持续增长。随着全球航运业的快速发展，船舶交通流量的增加带来了许多安全和效率方面的问题。为了有效管理和监控船舶的动态行为，船舶自动识别系统(automatic identification system，ais)逐渐成为重要的工具。ais系统将船舶的动态、静态以及航行相关信息以标准格式进行广播，为其他船舶和岸上系统所接收，ais数据不仅提供了船舶的位置、航向、速度等基本信息，还包含了船舶之间的通信信息，而且容易收集，为分析船舶行为提供了丰富的数据源。由于无线传输的不稳定性，以及一些客观因素，使得ais数据中不可避免地产生大量噪声点。因此，如何从海量且复杂的ais数据中提取有价值的信息，并且加以合理的利用，是当前面临的重要挑战。
2、船舶行为分析识别在保障海上交通安全、提高运输效率等方面具有重要意义。目前，基于ais数据对船舶行为进行检测分析已经成为热点，通过对ais数据的深入挖掘，可以及时发现船舶的异常行为，预防潜在的安全隐患，并作出应对措施。现如今，在对船舶的行为分析与异常检测中，机器学习和深度学习发挥着越来越重要的作用，目前研究的主要方向为船舶的异常行为识别方面。不过，现有的基于ais数据的分析绝大多数都是为了解决船舶的异常行为检测问题，而对于后续的处理措施却很少涉及。
3、由于ais数据是通过卫星基站接收的，在某些海域可能离卫星较远，这样该海域就可能出
技术实现思路
1、为了解决现有技术中存在的上述问题，本专利技术提供了一种航迹识别模型构建方法及异常船舶轨迹匹配方法。本专利技术要解决的技术问题通过以下技术方案实现：
2、第一方面，本专利技术实施例提供了一种航迹识别模型构建方法，所述航迹识别模型构建方法包括：
3、获取若干船舶在预设时长内行驶的历史ais原始数据；其中，每条历史ais原始数据表征船舶对应于一个历史时刻的轨迹点；
4、对各船舶的历史ais原始数据进行预处理，得到对应的预处理后ais数据；
5、利用所有预处理后ais数据，通过数据截取拼接的方式构建第一数据集和第二数据集；其中，所述第一数据集中的样本标签表征样本对应的航迹属于同一船舶；所述第二数据集中的样本标签表征样本对应的航迹不属于同一船舶；
6、基于所述第一数据集和所述第二数据集，对预先构建的多维深度学习模型进行训练，得到训练完成的航迹识别模型；其中，所述航迹识别模型用于对输入的ais数据样本，输出航迹属于同一船舶的概率。
7、第二方面，本专利技术实施例提供了一种异常船舶轨迹匹配方法，所述异常船舶轨迹匹配方法包括：
8、在未接收到一目标船舶的ais信号的时长达到设置时长时，获取所述目标船舶在ais信号消失点之前的航迹作为第一航迹；以所述目标船舶的ais信号消失点为中心，记录预定时长内所述消失点附近的各段第二航迹；
9、将所述第一航迹和各段第二航迹分别进行首尾拼接，得到对应的待识别ais数据样本；
10、将每个待识别ais数据样本分别输入预先训练完成的航迹识别模型，得到对应的待识别ais数据样本中所述第一航迹和第二航迹属于同一船舶的概率值；其中，所述航迹识别模型是根据第一方面所述的航迹识别模型构建方法得到的；
11、选取所有待识别ais数据样本得到的概率值中最大者对应的第二航迹，作为所述目标船舶的预测轨迹。
12、本专利技术的有益效果：
13、本专利技术实施例所提供的方案中，使用自监督的方法，基于历史ais原始数据构建训练数据集，通过对已有的真实长航迹段进行截取再拼接，当样本数据为不同船舶的航迹段组合时识别为错误，当样本数据为相同船舶的航迹段组合时识别为正确，进而将ais数据缺失等情况下的船舶后续轨迹识别问题转换为相对简单的二分类问题，使其可以通过深度学习的方法实现。再使用数据集对预先构建的多维深度学习模型进行训练，得到训练完成的航迹识别模型，用于对输入的ais数据样本，输出航迹属于同一船舶的概率，能够实现通过ais数据识别船舶的后续轨迹的功能。
本文档来自技高网...【技术保护点】
1.一种航迹识别模型构建方法，其特征在于，包括：
2.根据权利要求1所述的航迹识别模型构建方法，其特征在于，所述对各船舶的历史AIS原始数据进行预处理，得到对应的预处理后AIS数据，包括：
3.根据权利要求2所述的航迹识别模型构建方法，其特征在于，所述等间距采样的时间间隔为10分钟。
4.根据权利要求3所述的航迹识别模型构建方法，其特征在于，任一条预处理后AIS数据，表示为：
5.根据权利要求1所述的航迹识别模型构建方法，其特征在于，所述利用所有预处理后AIS数据，通过数据截取拼接的方式构建第一数据集，包括：
6.根据权利要求1所述的航迹识别模型构建方法，其特征在于，所述利用所有预处理后AIS数据，通过数据截取拼接的方式构建第二数据集，包括：
7.根据权利要求1至6任一项所述的航迹识别模型构建方法，其特征在于，所述预先构建的多维深度学习模型，包括：
8.根据权利要求7所述的航迹识别模型构建方法，其特征在于，基于所述第一数据集和所述第二数据集，对预先构建的多维深度学习模型进行训练，得到训练完成的航迹
9.根据权利要求8所述的航迹识别模型构建方法，其特征在于，所述设置训练参数，包括：
10.一种异常船舶轨迹匹配方法，其特征在于，包括：
...【技术特征摘要】
1.一种航迹识别模型构建方法，其特征在于，包括：
2.根据权利要求1所述的航迹识别模型构建方法，其特征在于，所述对各船舶的历史ais原始数据进行预处理，得到对应的预处理后ais数据，包括：
3.根据权利要求2所述的航迹识别模型构建方法，其特征在于，所述等间距采样的时间间隔为10分钟。
4.根据权利要求3所述的航迹识别模型构建方法，其特征在于，任一条预处理后ais数据，表示为：
5.根据权利要求1所述的航迹识别模型构建方法，其特征在于，所述利用所有预处理后ais数据，通过数据截取拼接的方式构建第一数据集，包括：
6.根据权...
【专利技术属性】
技术研发人员：常超，吕相东，束妮娜，王怀习，李歆昊，杨方，张翼飞，周政伟，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。