本發(fā)明涉及船舶運輸，具體涉及一種船舶異常行為識別方法及裝置。

背景技術(shù)：

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

2、針對船舶異常行為識別方法，存在基于統(tǒng)計學(xué)、聚類和深度學(xué)習(xí)等方法。其中，基于統(tǒng)計學(xué)的方法旨在建立與船舶特征有關(guān)隨機變量的統(tǒng)計模型。該方法常常需要先設(shè)定假設(shè)，而這往往與實際情況不符，導(dǎo)致建模不準(zhǔn)確?；诰垲惖姆椒捎糜谔崛〈暗某Ｒ娺\動模式，利用該模式實現(xiàn)檢測任務(wù)；也可直接與檢測任務(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)的取值會對聚類性能造成很大影響。近年來，深度學(xué)習(xí)技術(shù)憑借其強大的特征提取能力、端到端學(xué)習(xí)、非線性建模、并行計算等優(yōu)點，被逐漸應(yīng)用到水上交通領(lǐng)域。

3、由于船舶運動特征復(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)確可靠地對船舶異常行為進行識別。

技術(shù)實現(xiàn)思路

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

3、基于ais數(shù)據(jù)，提取船舶軌跡；

4、對所述船舶軌跡進行壓縮，并對所述船舶軌跡對應(yīng)的船舶屬性進行離散化處理，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)和所述船舶行為識別信息，得到船舶異常行為識別結(jié)果。

8、在一種可能的實現(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)分別按照時間戳順序排序，得到原始船舶軌跡；其中，每組數(shù)據(jù)對應(yīng)一條原始船舶軌跡；

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

13、對初步提取的船舶軌跡進行修正，得到最終的船舶軌跡。

14、在一種可能的實現(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、船寬、mmsi碼、時間戳、經(jīng)度、緯度、對地航向以及對地航速；

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

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

18、在一種可能的實現(xiàn)方式中，對初步提取的船舶軌跡進行修正，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端點，并確定兩個端點分別對應(yīng)的鄰域；

20、從初步提取的船舶軌跡中篩選經(jīng)過兩個鄰域的船舶軌跡；

21、將篩選得到的船舶軌跡在兩個鄰域之間的子軌跡加入候選軌跡集；

22、對所述候選軌跡集進行聚類，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初步提取的船舶軌跡進行修正，得到最終的船舶軌跡。

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

26、確定目標(biāo)軌跡點集合中每一軌跡點到所述目標(biāo)軌跡點集合的起點與終點所連線段的距離為第一類距離，并從每一軌跡點對應(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)軌跡點集合為所述船舶軌跡上的軌跡點組成的集合；

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)距離對應(yīng)的軌跡點為特征點，并基于所述第一目標(biāo)距離對應(yīng)的軌跡點將所述目標(biāo)軌跡點集合劃分為兩個目標(biāo)軌跡點子集合；

28、確定目標(biāo)軌跡點子集合中每一軌跡點到所述目標(biāo)軌跡點子集合的起點與終點所連線段間的距離為第二類距離，并從每一軌跡點對應(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)前時刻的錨點，并計算當(dāng)前時刻的錨點后面的軌跡點到錨點的航速差，確定航速差大于預(yù)設(shè)距離閾值的軌跡點為下一時刻的錨點和特征點，直至確定目標(biāo)軌跡點集合中的所有特征點；

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

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

32、在一種可能的實現(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、對所述船舶行為特征數(shù)據(jù)進行獨熱編碼，得到對應(yīng)的獨熱向量；

34、將所述獨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所述船舶行為特征序列嵌入量按照元素順序進行編碼，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，得到船舶行為識別信息；所述解碼器添加有注意力機制。

40、另一方面，本發(fā)明還提供一種船舶異常行為識別裝置，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，用于對所述船舶軌跡進行壓縮，并對所述船舶軌跡對應(yīng)的船舶屬性進行離散化處理，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)和所述船舶行為識別信息，得到船舶異常行為識別結(jié)果。

46、采用上述實現(xiàn)方式的有益效果是：本發(fā)明提供的船舶異常行為識別方法及裝置，通過對船舶軌跡進行壓縮，并對船舶軌跡對應(yīng)的船舶屬性進行離散化處理，得到船舶行為特征數(shù)據(jù)，有效濾除冗余軌跡點，在顯著降低數(shù)據(jù)規(guī)模的同時有效保留航跡的航速信息，然后對船舶屬性離散化提升數(shù)據(jù)粒度，改進模型訓(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)模型實現(xiàn)船舶軌跡特征的編解碼，實現(xiàn)在復(fù)雜場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)確可靠地對船舶異常行為進行識別的技術(shù)問題。