立触发器函数，实现对AIS航迹信息的实时获取与分析；
步骤6.3，对新增的航迹数据进行判断，判断其地理位置是否属于监控区域覆盖范围，其对应的船舶是否属于已纳入到监控列表中的船舶，对满足要求的数据作进一步分析处理；
步骤6.4，当AIS航迹数据落入监控区域范围内时，系统将启动对船舶运动状态以及轨迹的异常检测分析，其船舶运动状态分析来源于用户在当前监控区域所指定的运动参数阈值，通过将当前船舶的航行速度与监控区域内正常航速范围比较，分析出区域内航速异常的船舶，并及时更新船舶状态与异常描述信息；船舶的轨迹分析来源于监控区域内的轨迹聚类分析得到的规则轨迹集，由于规则轨迹集往往包括有多条轨迹线路，且轨迹线路存在交叉与重叠，而系统船舶轨迹监控主要判断船舶轨迹是否落入正常的轨迹覆盖范围内，因此系统在进行轨迹判断时，会对规则轨迹集进行轨迹合并，保留各个轨迹路径分支与重叠区域，得出总体轨迹覆盖路径，对合并后的规则轨迹建立缓冲区，允许船舶正常轨迹在规则轨迹合理缓冲区范围内，即对船舶轨迹的异常检测，转化为对船舶轨迹是否落入合并后的规则轨迹缓冲区内；
步骤6.5，当AIS航迹数据落入监控区域范围外，而其所属船舶在监控列表库中时，判断为船舶驶离监控区域，将船舶标记为驶离状态，监控区域不再监控此船舶。
[0011]本发明方法与现有技术相比具有以下优点:
1.采用基于特定地理区域的轨迹挖掘分析方法，可根据实际应用需要，灵活定制区域，实现对区域覆盖范围内的轨迹段聚类挖掘分析。因此，在聚类单元的划分上，本发明方法是通过区域来实现对轨迹的分割，分割后的轨迹为更具有区域地理特征，避免了将完整的复杂轨迹作为聚类单元，而出现相似轨迹段丢失的情况；也解决了直接将轨迹线段或轨迹点作为聚类单元聚类出现的聚类结果过于零散，缺少对船舶运动连续性分析的问题。
[0012]2.本发明在聚类分析的轨迹空间距离度量上，采用的是Hausdorff距离，特别适用于线与线之间的相似性匹配，在轨迹空间度量上要更优于目前常用的欧氏距离。
[0013]3.本发明所采用的基于密度的聚类算法OPTICS，聚类结果受参数影响较小，聚类结果更具有普遍性。
【附图说明】
[0014]图1为本发明方法轨迹特征抽取示例。
[0015]图2为本发明方法的流程图。
【具体实施方式】
[0016]本发明的实施采用支持地理空间数据存储与操作的PostgreSQL开源数据库与支持Ajax的前端开源Web GIS开发类库包OpenLayers，覆盖了轨迹数据处理子系统，船舶信息查询子系统，轨迹分析监控子系统和后台配置管理子系统。如图2所示，本发明方法具体实施步骤如下:
步骤I，解析轨迹数据，建立轨迹数据库。
[0017]根据AIS系统发送的位置报告电文，对AIS航迹数据进行解析并存储在船舶信息表与原始AIS信息表。
[0018]步骤2，轨迹数据预处理参数配置，包括设置航速变化率与航向变化率阈值，此处均设为10%。
[0019]步骤3，原始轨迹特征抽取处理。从原始AIS信息表中批量提取未进行特征抽取处理的船舶经玮度、船舶航速、航向和船舶报位时间信息，单次批量处理的数据量由用户通过参数配置接口设定。在本例中，单次批量提取10000条数据进行处理。
[0020]其特征抽取具体步骤为:
步骤3.1，读取船舶信息表，依次批量提取不同船舶的原始AIS航迹数据，并按报位时间进行增序排序。将排序后的AIS航迹数据首位数据作为轨迹的特征点加入至特征点集；步骤3.2，计算下一原始轨迹点与最新的特征点之间的航向变化率，若航向变化率超出10%，则视为航向变化特征点，加入至特征点集，若未超出阈值则转入步骤3.3。
[0021]步骤3.3，计算原始轨迹点与上一特征点之间的航速变化率，若航速变化率超出10%，则视为航速变化特征点，加入特征点集，若未超出转入步骤3.4 ；
步骤3.4，判断是否为轨迹终止点，若为终止点，则直接保存为特征点，完成轨迹特征抽取处理。若不为终止点，则转入步骤3.2。
[0022]步骤4，划定准备进行轨迹挖掘分析与监控的区域。
[0023]步骤5，对已配置的区域内的空间轨迹数据进行挖掘分析，通过对轨迹数据的一系列预处理，采用基于密度的OPTICS聚类算法与Hausdorff距离度量方法实现对区域内的特征轨迹聚类挖掘分析。具体步骤如下:
步骤5.1，提取区域内的特征轨迹数据。通过地理空间操作函数实现对所有的特征轨迹点空间检索与查询，提取所有空间地理坐标落入划定地理区域范围内的特征轨迹点集合。
[0024]步骤5.2，区域内的特征轨迹分割。通过对区域内的特征轨迹点提取操作所获得的为不同船舶在不同时间段的特征轨迹点集，本实施例中将依据船舶与轨迹时间来对轨迹进行分割，其具体划分标准为:(1)只有同一船舶的轨迹特征点才能组织为一条完整的轨迹；
(2)当同一船舶的轨迹特征点的时间差超过设定的阈值时，将对轨迹进行分割，使其隶属于不同的轨迹；(3)每条轨迹至少包含有两个以上的轨迹特征点，若低于两个则放弃此特征点。依照此分割标准，对获取到的特征轨迹点进行分割处理，生成包含在区域内的所有船舶的特征轨迹集合，为后续轨迹聚类分析提供数据源。
[0025]步骤5.3，区域内的特征轨迹聚类分析。本实施例对分割后的轨迹进行聚类挖掘分析所采用的的是基于密度的OPTICS聚类算法。在轨迹距离度量上，采用的是Hausdorff距离度量方法，该方法是描述两组点集之间相似程度的一种量度，特别适用于线与线之间的相似性匹配。具体聚类分析步骤如下:
步骤5.3.1，创建两个队列，有序队列dtQue和结果队列dtList。其中，有序队列用来存储核心轨迹对象及其该核心轨迹对象的直接可达轨迹对象，并按可达距离升序排列；结果队列用来存储轨迹的输出次序；
步骤5.3.2，如果区域内特征轨迹集合DataTraces中所有轨迹都处理完毕，则算法结束。否则，选择一个未处理即不在结果队列中且为核心对象的轨迹，找到其所有直接密度可达轨迹，如过该轨迹不存在于结果队列中，则将其放入有序队列中，并按可达距离排序；步骤5.3.3，如果有序队列为空，则跳至步骤5.3.2，否则，从有序队列中取出第一个轨迹对象即可达距离最小的轨迹进行扩展，取出的轨迹若不存在结果队列中，则将其保存至结果队列中。具体扩展步骤如下:
步骤5.3.3.1，判断该扩展轨迹是否是核心对象，如果不是，回到步骤5.3.3，否则找到该扩展轨迹所有的直接密度可达轨迹；
步骤5.3.3.2，判断该直接密度可达轨迹是否已经存在结果队列，是则不处理，否则下一步；
步骤5.3.3.3，如果有序队列中已经存在该直接密度可达轨迹，如果此时新的可达距离小于旧的可达距离，则用新可达距离取代旧可达距离，有序队列重新排序；
步骤5.3.3.4，如果有序队列中不存在该直接密度可达轨迹，则插入该轨迹，并对有序队列重新排序；
步骤5.3.4，算法结束，输出结果队列中的有序轨迹集，根据有序轨迹集的可达距离与核心距离，生成聚类轨迹簇，取每一类的轨迹簇中核心距离最小的轨迹，作为区域内的规则轨迹，保存到规则轨迹库中，最终得到监控区域内挖掘所有船舶轨迹而产生的船舶轨迹规则集合，即规则轨迹集。
[0026]步骤6，对区域内的船舶实现实时定位追踪与异常检测分析，通过对船舶轨迹聚类分析产生的规则轨迹集，结合监控区域监控参数阈值，实现对监控区域内异常船舶识别以及预警显示。具体步骤如下:
步骤6.1，实时轨迹数据的获取。在本方法中实时的AIS实时轨迹数据通过AIS解析工具结构化存储到AIS信息表中。
[0027]步骤6.2，在数据库中的AIS信息表上建立触发器函数，实现对AIS航迹信息的实时获取与分析。
[0028]步骤6.3，对新增的航迹数据进行判断，判断其地理位置是否属于监控区域覆盖范围，其对应的船舶是否属于已纳入到监控列表中的船舶，对满足要求的数据作进一步分析处理。
[0029]步骤6.4，当AIS航迹数据落入监控区域范围内时，系统将启动对船舶运动状态以