[發明專利]基于AIS軌跡數據的船舶作業異常半監督實時檢測方法

有效

• 申請號: 201910574738.1
• 申請日: 2019-06-28
• 公開（公告）號: CN110363115B
• 公開（公告）日: 2021-10-15
• 發明（設計）人: 錢詩友;程彬;曹健;薛廣濤;李明祿
• 申請（專利權）人: 上海交通大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 上海漢聲知識產權代理有限公司 31236
• 代理人: 莊文莉

本發明提供了一種基于AIS軌跡數據的船舶作業異常半監督實時檢測方法。在港口或河流疏浚作業期間，有些作業船舶不按預期將淤泥運至指定傾倒區域，而是將其拋向作業區域附近，這意味著淤泥可能在短時間內返回港口或航道。本發明提出了一種基于自動識別系統(AIS)數據的疏浚作業異常半監督檢測方法。首先，本發明建立了一個特征系統用來從AIS數據中提取行為特征。此外，還將T?分布隨機鄰域嵌入(T?SNE)通過神經網絡與高斯混合模型(GMM)相結合，以半監督方式訓練檢測模型。通過訓練模型，可以有效地實時檢測疏浚作業過程中的異常行為。

技術領域

本發明涉及港口或河流疏浚作業船舶的異常行為檢測，具體地，涉及一種基于AIS軌跡數據的船舶作業異常半監督實時檢測方法，其中AIS是指Automatic IdentificationSystem，即船舶自動識別系統。

背景技術

港口和河流都需要定期進行維護性疏浚，以便進出港口和航道。在疏浚作業時，船舶將淤泥從作業區域中挖出，并在指定的傾倒區進行拋置。但是，在實際的疏浚作業中，一些疏浚船舶可能會將淤泥拋置到作業區域附近的地方，而不是特定的傾倒區域。同時，船舶在疏浚作業過程中可能遇到在航道上航行的船舶，因此必須離開航道進行避免。因此，當疏浚船舶駛離作業區域時，必須區分異常的淤泥非法傾倒行為與正常的避讓行為，即疏浚船舶作業異常檢測。準確的疏浚船舶異常檢測不僅規范了挖泥船在作業過程中的行為，而且保證了整個工程的質量。

針對內河航行的異常檢測，專利文獻CN106816038A公開了一種內河水域異常行為船舶自動識別系統及方法，通過實時獲取內河水域船舶通航的AIS報文信息、水文氣象部門的環境信息、CCTV視頻圖像和景深圖像，分析船舶異常行為模式類別，建立船舶異常行為樣本庫；建立深度學習網絡模型分析船舶行為，獲取船舶異常行為模式和GPS定位信息；在CCTV視頻圖像中檢測出船舶，結合景深圖像獲取船舶的三維空間信息，獲取船舶視頻定位信息：將GPS定位信息、視頻定位信息、船舶異常行為模式、船舶檢測特征融合，進行船舶目標關聯，在CCTV視頻上自動識別出異常行為船舶。

針對疏浚船舶作業異常檢測的專利文獻則較少，通常，根據樣本的標簽是否可用，現有的疏浚船舶作業異常檢測方法可以分為三種類型的方法，即無監督學習，監督學習和半監督學習。

第一種方法是無監督學習，使用未標記的樣本。這些方法的基本思想是在某個度量上找到異常。異常由閾值或根據該度量的比例確定。現有一些用于無監督異常檢測的代表性方法。不需要標簽這一特性是無監督學習方法的主要優點。但是，異常數據需要除以閾值或比例，導致這種方法不靈活。

第二種方法是監督學習，將異常檢測視為分類問題，其目標是將數據分類為正常或異常。因此，可以應用傳統的機器學習和深度學習分類方法來訓練分類模型。提出了一些經典的監督學習分類方法。隨著標簽的提供，與無監督學習方法相比，監督學習方法實現了更好的性能。

由于標簽在實際問題中獲得的成本通常很高，因此第三種方法-半監督學習是前兩種方法之間的折衷。它需要少量標記數據，但與無監督學習相比，在學習準確性方面取得了相當大的進步。一般來說，半監督學習算法可分為：生成方法，共同訓練方法，基于圖的半監督學習方法和半監督支持向量機(S3VM)。生成方法基于生成模型。它假定標記和未標記的數據都是由相同的潛在模型生成的，這些模型通過潛在模型的參數將未標記的數據連接到學習目標。共同訓練方法假設每個數據可以從不同視圖分類，其中不同的分類模型可以由標記數據訓練。基于訓練的模型，可以對未標記的數據進行分類，然后將可靠的分類數據添加到標記數據中。基于圖的半監督學習方法將數據點視為頂點，并將點之間的相似性視為邊來構造圖。與標記點具有較大相似性的未標記點將被標記為相同標記。與SVM不同，S3VM試圖找到一個分區超平面，它將兩類標記數據分開并通過數據的低密度區域。

現有方法不能直接用于解決在線疏浚操作異常檢測問題。本發明提出的方法受到生成方法的啟發。要將真實問題轉換為異常檢測問題，需要通過特征工程提取一些基本特征。由于直接將其應用于高維數據可能導致性能不佳，本發明在使用生成方法之前通過t-SNE進行降維。