[發(fā)明專利]基于AIS軌跡數(shù)據(jù)的船舶作業(yè)異常半監(jiān)督實時檢測方法

有效

• 申請?zhí)枺?/td>: 201910574738.1
• 申請日: 2019-06-28
• 公開（公告）號: CN110363115B
• 公開（公告）日: 2021-10-15
• 發(fā)明（設(shè)計）人: 錢詩友;程彬;曹健;薛廣濤;李明祿
• 申請（專利權(quán)）人: 上海交通大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 上海漢聲知識產(chǎn)權(quán)代理有限公司 31236
• 代理人: 莊文莉

1.一種基于AIS軌跡數(shù)據(jù)的船舶作業(yè)異常半監(jiān)督實時檢測方法，其特征在于，包括預(yù)處理階段、離線模型訓(xùn)練階段以及在線檢測階段；

預(yù)處理階段：使用特征系統(tǒng)過濾出作業(yè)軌跡，提取行為特征；

離線模型訓(xùn)練階段：根據(jù)預(yù)處理階段得到的作業(yè)軌跡的行為特征，對模型參數(shù)進行離線訓(xùn)練；

在線檢測階段：執(zhí)行在線異常檢測任務(wù)，針對疏浚作業(yè)期間潛在的異常行為發(fā)出警報；

采用最大似然算法EM找到最大化logL(θ)的參數(shù)θ；最大似然算法EM包含E步驟和M步驟；

在E步驟，計算未標記樣本的后驗概率P_θ(C_i|x^u)，即：

其中，C_i表示類別i，c表示類別總數(shù)，x^u是無標簽樣本，θ是GMM模型參數(shù)，包括w_i、μ_i和∑_i，分別代表類別i的比例、樣本均值和樣本協(xié)方差；

在M步驟，模型參數(shù)θ根據(jù)其定義更新，即：

其中，N是樣本總數(shù)，N_i是類別C_i的樣本數(shù)，x^r表示一個樣本，x^u是無標簽樣本； w_i、μ_i和∑_i，分別代表類別i的比例、樣本均值和樣本協(xié)方差；

重復(fù)E步驟和M步驟，直到θ收斂；

所述離線模型訓(xùn)練階段包括非線性降維的T-SNE模型和/或降維后行為特征建模的概率模型；

所述T-SNE模型通過計算高維空間中的點的相似性的概率來計算相應(yīng)的低維空間中的點的相似性的概率，數(shù)據(jù)點x_i與數(shù)據(jù)點x_j的相似性條件概率p_j|i滿足：

其中S(x_i，x_j)是x_i與x_j之間的相似度量函數(shù)，i、j、k均為數(shù)據(jù)點的標號數(shù)字；在高維空間中，S(x_i，x_j)被定義為在低維空間中，S(x_i，x_j)定義為(1+||x_i-x_j||²)^-1；

采用高斯混合模型GMM作為降維后行為特征建模的概率模型；

高斯混合模型GMM用于半監(jiān)督學習的目標是最大化對數(shù)似然，即

其中，log是數(shù)學上的對數(shù)操作，L(θ)表示損失函數(shù)，P_θ表示后驗概率；x^r和是帶標簽的樣本及其標簽，x^u是無標簽樣本，θ是GMM模型參數(shù)，包括w_i、μ_i和∑_i，分別代表類別i的比例、樣本均值和樣本協(xié)方差。

2.根據(jù)權(quán)利要求1所述的基于AIS軌跡數(shù)據(jù)的船舶作業(yè)異常半監(jiān)督實時檢測方法，其特征在于，所述預(yù)處理階段中的特征包括全局特征和/或?qū)崟r特征。

3.根據(jù)權(quán)利要求2所述的基于AIS軌跡數(shù)據(jù)的船舶作業(yè)異常半監(jiān)督實時檢測方法，其特征在于，所述全局特征包括以下八個特征中的任一種或任多種組合：

1)一個作業(yè)軌跡T的總時間s；

2)一個作業(yè)軌跡T的總行駛距離d；

3)船舶在作業(yè)區(qū)內(nèi)轉(zhuǎn)向次數(shù)n_turn；

4)一次作業(yè)內(nèi)駛出作業(yè)區(qū)域的總次數(shù)n_out；

5)一次作業(yè)內(nèi)在作業(yè)區(qū)域外停留總時間t_out；

6)一次作業(yè)內(nèi)在作業(yè)區(qū)域外總行駛距離d_out；

7)一次作業(yè)內(nèi)在作業(yè)區(qū)域外最長停留時間max_t；

8)駛離作業(yè)區(qū)域后與邊界的最大距離max_d。