一种基于特定区域的船舶轨迹挖掘分析与监控方法
【技术领域】
[0001]本发明涉及海洋运输中船舶轨迹挖掘分析与监控领域，特别涉及基于特定区域的船舶轨迹挖掘分析与监控方法。
【背景技术】
[0002]近年来，随着我国国民经济快速发展，国内外贸易不断增长，我国海上交通运输量也呈大规模增长态势，船舶交通日益繁忙。与此同时，计算机技术、GPS卫星定位技术、现代通信技术、电子信息技术和海事监管传感器技术的快速发展，使得人们对船舶的运动状态及空间位置的跟踪能力不断加强，获取和收集船舶海量轨迹数据日益便捷。如何有效的管理船舶轨迹空间数据，以满足空间数据查询和分析需要；如何通过对海量船舶轨迹数据的挖掘分析，发现船舶的运动模式与规则轨迹等有价值的知识，从而为海事运输管理部门提供辅助决策依据，都是目前国内外研宄的热点问题。
[0003]现就目前在船舶轨迹挖掘分析方面，已有的一些处理方法作一些简要说明。首先，对挖掘聚类分析单元的划分存在如下几种:(1)、采用一条轨迹作为整体挖掘聚类单元进行分析；(2)采用轨迹线段作为聚类单元进行分析；(3)采用轨迹点作为聚类单元进行分析。其次，在空间距离度量方法上，目前主要也是采取欧几里德距离来度量聚类单元的差异。最后，在具体的聚类算法方面，有使用不同的算法来实现对轨迹簇的分类，如EM算法和DBSCAN 算法。
[0004]上述这些方法都不同程度的解决了轨迹聚类问题，但也存在一些局限性。在聚类分析单元划分上，将整条轨迹作为聚类单元进行分析时，可能会丢失掉部分相似的子轨迹段信息，而造成聚类分析结果的不全面与细致。在有些方法中，将轨迹分割成由两个轨迹点组成的轨迹线段来作为聚类分析单元，这样的聚类结果不会出现信息的丢失，但轨迹的预处理方式与分割标准对轨迹聚类的结果影响较大，目前也没有统一适用的轨迹预处理与分割标准。直接采用轨迹点作为聚类分析单元也是目前采取的聚类手段之一，但这样的聚类结果最终产生的是离散的轨迹点簇，而非连续运动的轨迹点序列，缺少对船舶运动连续性的分析。在空间距离度量上，经典的欧氏距离只适合于点目标，而简单扩展的最近、最远和质心距离未顾及空间目标的整体形状，位置分布等特征，具有一定的局限性。在聚类算法的采用上，EM算法主要适用于整条轨迹的聚类，而用DBSCAN算法来聚类相似子轨迹，聚类结果受参数的影响很大。
【发明内容】
[0005]本发明的目的在于针对上述问题与不足，提出一种基于特定区域的船舶轨迹挖掘分析与监控方法，能够实现对特定区域内的船舶轨迹的挖掘聚类分析，提取特定区域内的船舶模式轨迹，同时将船舶模式轨迹作为区域船舶监控与异常分析中的重要参考依据，实现对船舶的区域监控与异常分析。
[0006]为达到上述目的，本发明采用如下的技术方案。
[0007]—种基于特定区域的船舶轨迹挖掘分析与监控方法，包括以下步骤:
(1)解析轨迹数据，建立轨迹数据库；
(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；
(3)原始轨迹特征抽取处理，如图1所示，用P表示多维点〈pos,t, v, c>，其中pos代表地理坐标，t代表时间，V代表航速，c代表航向。从原始轨迹TR=PslPs2PyPsl2Psl3Psl4If筛选出符合特征要求的特征点pfl、Pf2> pf3、Pf4与P f5，用由特征点构成的特征轨迹来拟合原始轨迹，可看到特征轨迹在较大程度保留了原始轨迹的走向，并且有有效的降低了数据存储空间；
(4)划定准备进行轨迹挖掘分析与监控的区域；
(5)对划定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，得到规则轨迹集，规则轨迹集是在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，存储于规则轨迹库中；
(6)对划定区域内的船舶实现实时定位追踪与异常检测分析，通过规则轨迹集，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。
[0008]在上述技术方案中，步骤(3)中所述的特征抽取具体步骤为:
步骤3.1，将原始轨迹的起始点Psl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，若航向变化率超出阈值，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 ;在本示例中，Ρκ、Ρ?均为航向变化特征点；
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，若航速变化率超出阈值，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 ;在本示例中，Pf4为航速变化特征点；
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，特征点集中的特征点构成特征轨迹；若不为终止点，则转入步骤3.2。在本示例中，Pf5为轨迹终止点，作为特征轨迹的最后一个特征点存储。
[0009]在上述技术方案中，步骤(5)中所述的特征轨迹聚类挖掘分析，具体步骤如下: 步骤5.1，对所有的特征轨迹点的空间进行检索与查询，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；
步骤5.2，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，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；
步骤5.3，对分割后的轨迹进行聚类挖掘分析所采用的是基于密度的OPTICS聚类算法；在轨迹距离度量上，采用的是HausdorfT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，如果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。
[0010]在上述技术方案中，步骤(6)中所述的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，将AIS实时航迹数据通过AIS解析工具结构化存储到AIS信息表中；
步骤6.2，在数据库中的AIS信息表上建