摘 要

AIS数据是海事管理数据中具有重要应用意义和价值的信息。本文利用AIS数据，对船舶轨迹进行聚类，比较了两种聚类算法对船舶航迹的处理效果，并在聚类基础上进行嫌疑异常点筛选，利用核密度估计对AIS信息进行处理，检测船迹、航速航向点；并针对特定水域进行异常点检测以验证设计的算法。本文的主要内容包括：

一、对AIS数据内容进行介绍，对原始AIS数据进行解码和转换以得到便于进行AIS聚类和异常检测的有效数据。

二、介绍目前常用的聚类算法并选择其中两种代入实验数据，比较聚类效果。

三、利用核密度估计对螺头水道及其附近水域上收集的实际数据进行异常检测。

关键词： AIS数据；聚类模型；异常检测；

Abstract

Ship track information has important value and function in maritime management application. Ship trajectory clustering is the basis of traffic flow statistics and ship behavior analysis. Abnormal point detection can provide decision-making basis for planning and construction of harbor and its ancillary facilities, such as maritime and port management. In this paper, the AIS data are used to deal with the ship's position information, and the effect of the two clustering algorithms on the ship's track is compared. The anomaly detection is carried out for the specific waters. The main contents of this paper include:

First, the AIS data in the study channel to collect, analyze, screening and other treatment, to be able to carry out the ship track clustering and abnormal point detection of effective information.

Second, introduce the commonly used clustering algorithm and choose two of them into the experimental data, compare the clustering effect.

Third, the use of nuclear density estimation of the head of the waterway and its nearby waters collected on the actual data for abnormal detection.

Key Words：AIS data; Cluster; Abnormal detection

目录

摘 要 2

第1章 绪论 6

1.1 选题的研究背景和意义 6

1.2 国内外研究概况 6

1.3 研究内容 8

第2章 船舶 AIS 数据处理 9

2.1 AIS 数据格式 9

2.2 AIS 数据解析与转换 11

2.3 本章小结 12

第3章 船舶AIS轨迹点聚类 13

3.1 聚类算法 13

3.1.1 聚类模型对比 13

3.1.2 聚类算法选择 14

3.2 AIS聚类算法设计与实现 15

3.2.1 Mean-shift算法 15

3.2.2 DBSCAN算法 16

3.3 实验结果 17

3.3.1 Mean-shift聚类 17

3.3.2 DBSCAN聚类 18

3.4 本章小结 19

第4章 异常检测算法与实例验证 20

4.1 异常检测思路 20

4.1.1 检测流程设计 20

4.1.2 水域概况 21

4.2 异常检测算法设计与实现 23

4.2.1 异常点候选集选取 23

4.2.2 基于核密度估计的异常检测 25

4.2.3 参数选择 25

4.3 实例验证 26

4.4 本章小结 30

第5章 结论与展望 31

5.1 结论 31

5.2 不足与展望 31

5.2.1 不足之处 31

5.2.2 展望 32

致 谢 33

参考文献 34

绪论

选题的研究背景和意义

随着世界经济的发展和国际合作的深入，海上交通量迅速增长。水上交通活动日益繁忙的同时，水上事故发生的频率和规模也在变快和加大，完善的现代化水上交通管理系统亟待建立，现代化的智能水上交通管理系统离不开现代化的数据收集与检测技术。2010年4月12日，中国海事局发布了《国内航行船舶配备船载电子海图系统和自动识别系统设备管理规定》，要求国内航行船舶分阶段、有顺序地开展配备船载ECS和AIS设备的工作。2011完成了覆盖全国沿海和主要内河四级航道以上河段的AIS基站建设、标准和管理规范的发布，以及部分船舶的安装工作，初步实现了内河AIS岸基网络系统与沿海AIS岸基网络系统的互连互通。2015年2月4日，由交通运输部海事局自主研发的船舶自动识别系统信息服务平台正式上线运营。2016年11月2日，我国首颗 AIS 商用业务卫星成功发射，在轨运行平均一天可解码来自不少于6万艘船舶的200万条消息。船载 AIS 蕴有大量海上交通特征，从庞大的 AIS 中能够获取反应船舶行为规律的有效的潜在信息，进而实现海上智能交通。结合海上交通工程理论和数据挖掘技术，利用 AIS 信息并结合轨迹聚类算法和异常点检测技术，能有效提取船舶主航迹并为水上事故的调查等提供有力证据，能及时发现船舶异常轨迹并对其进行有效监控和管理，并为下一步实现智能船舶交通管理系统监控船舶行为打下坚实的基础。[1][2]

国内外研究概况

船舶异常行为检测的步骤方法包括航迹分割、正常行为建模和异常行为检测三个基本环节，在检测之前需要对原始 AIS 数据进行处理。本文的核心目的是用测试数据对比不同 AIS 聚类算法的优劣，并尝试设计组合聚类方法下的船舶异常点检测机制。因此，本节的中心是围绕聚类算法、异常点检测机制两个方面对国内外研究现状做综述。

（1）船舶轨迹聚类算法

国内外对船舶轨迹聚类的研究有两种思路，一是以航迹点的观点来分析，二是以航迹片段的观点来分析[2]。第一种方法以船舶出现的位置以及在该位置的速度、航向等数据为特征来刻画船舶的行为。Laxhammar 将研究的海域分块并计算每块海域中出现的船舶，若小于阈值则认为进入该区域的船舶为异常；朱飞祥将水域划分成大小为 0.02˚ × 0.02˚的多个网络，然后使用关联规则来挖掘船舶的行为模式。第二种方法大量被用于刻画船舶运动行为。Vries 等人利用分片线性分割技术对船舶航迹进行分割，取得了较好的效果。Guillarme 用滑动窗口技术对航迹进行分割，更加适合于处理随时间而变化的船舶航迹。韩家炜的研究团队根据最小描述长度原理分割航迹寻找和确定航迹的特征点以对移动部分的航迹做进一步分割。Lee J.等人把轨迹划分成片段的集合，然后再把轨迹片段聚集到簇中；韩陈寿等人在计算Eps时加入了速度约束，速度约束可以较好的弥补聚类模型中因未考虑速度所带来对结果的影响。