摘 要

这几年来，随着移动设备的普及,以及GPS的迅速发展，物体移动不断产生的位置数据，表现出一个快速增长的趋势。这些数据不仅包括了所在地的位置坐标、移动的速度、运动的方向，时间戳等信息,而且数据随时间的流逝而不断的持续增加，不断的更新。鉴于轨迹的大量数据可以客观地反映运动物体的个体（或群体）运动的规律， 这导致诸多学者的普遍关注，关注点包括轨迹的聚类、轨迹的频繁模式挖掘等。而轨迹异常检测（Trajectory Outlier Detection）亦成为了这里面的一个重要研究方向。

近年来，随着国内外贸易不断增长，船舶交通日益繁忙。大量船舶均安装上了AIS设备，每年有许许多多的AIS数据产生，此时，如何充分利用船舶AIS数据已成为当前的焦点问题。本文通过AIS数据来对轨迹异常进行研究。本文主要在以下几种异常类型上做了检测：不驶向码头检测，跟历史轨迹不符合检测，轨迹数据不符合标准检测，是否进入他国进行作业。

本文分析了轨迹异常检测当下的重要性，介绍了目前国内外对其进行的研究。而本文实现的基于AIS数据上的轨迹异常检测系统，对几种不同的轨迹异常类型进行了检测。并且对检测结果以一种十分明确的方法在地图上呈现。提高了轨迹异常检测结果的直观性。并且最后对系统的几种不同的异常检测类型均一一做过测试，结果证明此系统确实可以对这几种类型的轨迹异常进行检测。

关键词：轨迹异常检测；船舶轨迹；AIS轨迹异常；

Abstract

In these years, with the popularity of mobile devices and the rapid development of GPS, the location data produced by movement of objects, showing a rapid growth trend. These data not only include the location of the location coordinates, the speed of movement, the direction of movement, timestamps and so on, and the data increase and constantly updated with the time pass by. Because of the large amount trajectory data can objectively reflect the movement of the individual (or group), and then lead to the general attention of many scholars. The attention points include clustering of trajectories, frequent pattern mining of trajectories, and so on. Trajectory Outlier Detection (Trajectory Outlier Detection) has also become an important research direction inside.

In recent years, with the continuous growth of domestic and foreign trade, ship traffic is increasingly busy. A large number of ships are installed on the AIS equipment, each year a lot of AIS data generated, this time, how to make full use of ship AIS data has become the current focus of the problem. In this thesis, AIS data are used to study the trajectory anomaly. In this thesis mainly do the detection in the following types of exceptions: not to the terminal detection, with the historical trajectory does not meet the test, the track data does not meet the standard test, whether to enter other countries to operate.

In this thesis, systematically analyzes the importance of trajectory anomaly detection, and introduces the research on it at internal and abroad. Based on the AIS data on the track anomaly detection system, there are several different types of trajectory anomalies were detected. And the test results present in a very clear way on the map which improves the intuition of the results of trajectory anomaly detection. And finally a series of tests on the system, the test results show that this system can indeed be on these types of trajectory anomaly detection.

Key Words：Trajectory Outlier Detection； Boating Trajectory; AIS Trajectory Outlier Detection

目录

摘 要 I

Abstract II

第1章 绪论 1

1.1研究背景与现状 1

1.1.1 选题背景 1

1.1.2 国内外研究现状 2

1.2 研究的目的及意义 2

1.3研究内容与组织结构 3

第2章 系统功能模块的分析与设计 4

2.1 轨迹异常检测系统的分析 4

2.1.1 需求分析 4

2.1.2 系统总览 4

2.2 轨迹异常检测系统的设计 5

2.2.1 系统总体架构 5

2.2.2 模块设计方案 5

2.3 关键模块设计 6

2.3.1 前端地图展示模块 6

2.3.2 轨迹检测异常模块 7

2.4 传输数据结构设计 8

2.5 系统前端页面展示 9

2.6 本章小结 11

第3章 轨迹异常检测系统的实现 12

3.1 项目开发技术介绍 12

3.1.1 React介绍 12

3.1.2 nodejs介绍 12

3.1.3 Babel介绍 13

3.2 前端模块的实现 13

3.3 后端模块的实现 14

3.4 数据操作模块的实现 14

3.5 本章小结 15

第4章 系统测试与评估 16

4.1 系统运行 16

4.2 系统测试与评估 17

4.3 本章小结 18

第5章 总结和展望 19

5.1 总结 19

5.2 展望 19

参考文献 20

致 谢 22

第1章 绪论

1.1研究背景与现状

1.1.1 选题背景

这几年来，随着移动设备的普及,GPS的迅速发展，物体移动不断产生的位置数据，表现出一个快速增长的趋势。这些数据不仅包括了所在地的位置坐标、移动的速度、运动的方向，还有时间戳等信息,并且数据随时间的流逝而不断的持续增加，不断的更新。鉴于轨迹的大量数据可以准确记录运动物体的长时间活动，可以客观地反映运动物体的个体（或群体）运动的规律， 然后导致数学科学，社会学和地理学等诸多学者的普遍关注。相关研究工作将有助于人们更好地了解移动物体的动态行为，预测未来移动趋势，为基于位置的社交网络，智能交通管理，城市规划，军事侦察等应用服务提供有效的支持。所以基于这些原因来看，轨迹数据挖掘的研究，将在现在和未来的研究中展现出一种越来越重要的可能性。

基于轨迹数据的模式旨在找到从质量轨迹集合中提取许多移动对象的通用特征。该领域的研究包括轨迹的伴随模式挖掘、轨迹的聚类和轨迹的频繁模式挖掘等^[1]。然而, 相对应的另外一类工作是面向轨迹数据发现异常模式, 这是非常关键的一点在许多的LBS应用^[2]。异常, 也称为孤立点, 新颖点, 偏差点, 例外点等^[3]。基于这的研究，包括轨迹异常检测（Trajectory Outlier Detection）。异常检测在统计学和数据分析领域并不少见。霍金斯将孤立点定义为数据集中不同的数据, 使别人怀疑数据不是随机偏差的, 而从一个完全不同的机制产生^[4]。孤立点的出现通常是由于人为错误、仪器错误、来自异类的数据 (如欺诈、侵入等)、系统行为变化 (如气候变化、客户新购买模式、基因突变等)，而不符合正常现象。异常不等于噪音, 虽然噪音很类似于异常, 但噪音会降低数据集的质量，是数据分析的绊脚石;但异常现象经常表明有趣事件的发生, 在实践中具有较高的研究价值, 所以在数据预处理阶段往往需要进行去噪。异常检测技术应用的非常广泛，在数据库方面、数据挖掘方面、和统计等方面, 包括常见的信用卡或保险业的欺诈检测、入侵检测与故障诊断、新特征识别在卫星图像分析、健康医疗监测、公共安全发生、应急药物研究的新分子结构的识别^[2]。

1.1.2 国内外研究现状

目前，轨迹数据的异常检测已经有了较深入的研究。 然而，由于不确定性，稀疏性，偏度分布，轨迹数据的大规模和快速更新，轨迹大数据的异常检测研究相对较少。

(1) 轨迹数据的不确定性: 由于定位技术的定位误差和 GPS计算误差, 信号的衰减和损失会导致获得的位置数据的空间是不确定的^[2]。同时, 不同的采集频率也会导致数据的不确定, 和空间和定时的不确定,其中可能存在着较大的误差。这些不确定性使获得到的数据产生了极大的偏差，在准确度方面有所下降;