基于BO-GRU和AKDE的船舶异常行为识别

船舶异常行为识别是海事安全科学理论研究的重要组成部分,对异常行为的识别是海事监管的主要内容,对于船舶安全以及海上交通安全具有重要意义。针对船舶异常行为的识别,提出一种基于贝叶斯优化器(BO)改进的门控循环单元(GRU)BO-GRU和自适应核密度估计(AKDE)的船舶异常行为识别方法。利用BO-GRU对船舶经纬度、航向和速度进行点预测,并对基于该神经网络所得到的预测值跟实际值进行比较得到误差数据集,利用AKDE对误差数据集进行非参数估计,以得到不同置信度下的船舶轨迹特征数据波动区间。试验基于天津港船舶自动识别系统(AIS)数据,通过与基础GRU、长短期记忆网络(LSTM)和双向长短期记忆网络(Bi-LSTM)相比较,验证BO-GRU预测精度更高;AKDE相比于其他方法估计能更好地拟合,并及时发现船舶异常行为。

基于多源数据融合的船舶异常行为检测研究

船舶异常行为的有效检测,对于海洋安全起着至关重要的作用,为提高海上船舶航行的安全性与稳定性,需要对传统以人工为主的监管模式进行创新和优化,在现代技术的支持下,采用以SAR与AIS数据相融合的目标监测技术,实现对船舶航行的动态化监督,全过程管理,以便于及时排查出异常问题,为海洋安全提供坚实的保障。文章简要分析了船舶常见的异常行为后,基于异常行为的多源数据,重点阐述了以多源数据融合为导向的船舶异常行为检测方法,旨在提高船舶异常行为识别的准确性与时效性,以期为相关人员提供参考和借鉴。

融合主成分分析与支持向量机的船舶异常行为识别方法

为解决船舶异常行为识别率低下的问题,综合考虑船舶属性和运动特征,提出了一种融合主成分分析和支持向量机的船舶异常行为识别方法。根据船舶作业过程对船舶行为模式进行划分,并明确船舶行为模式相关的船舶运动特征;进而以船舶自动识别系统数据为基础,运用主成分分析算法提取最具代表性的船舶运动特征;最后运用支持向量机算法对船舶异常行为进行识别。选取青岛港附近水域的船舶轨迹进行试验分析,结果表明:青岛港附近水域最具代表性的船舶运动特征共10个,总贡献率为84.40%;船舶异常行为识别结果的平均精确率和平均召回率分别为83%和84%,均优于对比模型。研究成果可以为船舶位置异常、轨迹异常、航速异常、航向异常等异常情况的智能发现和海事监管提供支撑。

船舶异常行为研究进展及发展趋势

对船舶异常行为的研究进展、存在的问题及未来发展趋势进行总结和分析。对船舶行为及其异常识别的基本概念和分类进行介绍,提出船舶异常行为识别过程;对船舶异常行为的检测方法进行归纳分类,分述各类方法的研究现状,并剖析存在的问题;针对航运大数据及云计算的利用,阐述船舶异常行为研究面临的机遇和挑战,说明其未来发展方向。

基于LSTM神经网络的船舶异常行为检测方法

船舶异常行为检测属于海事监管的重要内容,它对于保障船舶正常航行,规避船舶风险具有重要意义.针对船舶异常行为识别检测,提出一种基于长短期记忆网络(LSTM)的船舶异常行为检测方法.通过人为划分船舶异常行为状态标签,对海量船舶自动识别系统(AIS)数据进行学习,在双向LSTM神经网络中建立模型.选取了2016年9月—2017年2月江苏江阴航道的AIS数据进行实验分析,在TensorFlow平台上对模型进行训练.实验结果表明,双向LSTM神经网络模型在对训练数据集和测试数据集异常识别准确率分别可以达到90.91%和89.82%.通过和单向LSTM模型、BP神经网络模型比较可知,双向LSTM模型的识别准确率更高,能够及时发现船舶异常行为.

基于模式识别的船舶异常行为自动报警方法

异常行为的出现,会对船舶正常航行造成较大影响。为避免上述现象的出现,设计基于模式识别的船舶异常行为自动报警方法。通过主成分分析、成分因子相关性分析2个步骤,完成基于模式识别的船舶异常行为特征提取。通过异常行为的局部决策、基于决策结果的数据融合2个步骤,完成基于模式识别船舶异常行为自动报警方法的搭建。模拟方法运行环境,设计对比实验结果表明,应用基于模式识别船舶异常行为自动报警方法,可以明显降低船舶异常行为的发生几率,为船舶正常航行提供有力保障。

基于电子海图的船舶异常行为识别方法研究

针对船舶在航行中存在的异常行为,基于电子海图平台ECIVMSSDK,采用提出的时空分析法及航行状态判定法,有针对性的从船舶位置、间距、轨迹、航向、航速等方面对其进行研究及显示.通过实验,重点对船舶违法追越行为进行了研究,实验结果表明,船舶违法追越轨迹被描绘准确且船舶位置经纬度显示正确的准确率为82%,通过将其与位置及直观解算方法进行比较,可以得出应用于平台下此方法的数学模型得出的识别准确率更高,可实时对船舶异常行为进行监测,保障船舶安全航行.

基于AHP和模糊评价的船舶异常行为研判

商船和绝大部分大中型渔船都安装船载AIS、北斗卫星定位和通信终端,产生大量船舶航行数据,主要包括航行速度、轨迹、位置等参数,这为研究船舶异常行为研判提供可能性.从运动异常、位置异常、AIS设备异常和其他参数异常四个角度考虑,构建船舶异常行为评价指标体系,运用层次分析法(AHP)获得各个层次指标的权重系数,应用模糊综合评价法对船舶异常行为进行建模,实现对船舶异常行为评估.还开发了软件系统,对专家和评分进行管理,设计计算方法,计算权重和评价结果.还以船舶航行数据为依据,构建船舶走私研判模型,对船舶走私可能性进行评估分析.基于船舶航行过程数据,对船舶异常行为进行预判,对于船舶运行安全管理,打击非法作业、走私等具有重要意义.

复杂场景下港口水域船舶异常行为智能识别方法

传统的船舶异常行为识别方法在识别复杂场景下港口水域船舶行为时,识别准确率过低。针对这一问题研究了一种新的船舶异常行为智能识别方法,设定了识别模板,由数据库模块、匹配模块和识别模块3部分组成,给出了识别模板内部算法的计算流程,同时计算港口信息和船舶信息,得到背景值和目标值后进行比较,判断船舶行为是否存在异常,以此实现异常行为的智能识别。与传统识别方法进行实验对比,结果表明,所研究的识别方法准确率更高,识别效果更好。

基于卡尔曼滤波的船舶轨迹异常行为快速检测方法

基于全球船舶自动识别系统(Automatic Identification System,AIS)数据的船舶轨迹异常行为快速检测对于保障船舶航行安全、辅助安全监管具有重要意义。AIS数据具有容量大、更新频率快的特点,而当前AIS轨迹异常行为检测方法依赖于大量的训练样本与历史数据,实用性与普适性较差,难以用于船舶轨迹异常行为快速检测。为此,本文定义了船舶追踪、航速、航向、位置4种异常行为检测模型,提出了一种基于卡尔曼滤波的船舶AIS轨迹异常行为检测方法,实现了船舶AIS轨迹的异常行为快速检测与报警。实验选取经过我国东海部分地区3天的AIS数据,对实验结果的正确性与耗时进行分析,结果表明模型可以满足异常即时发现、即时处理的应用需求。

AIS数据分析和可视化展示的应用

通过AIS数据分析和可视化展示结果,分析其在海上助航设施配布和调整、海上施工作业选点和通航安全论证、桥梁通航论证和防撞效能评估、船舶异常行为分析等案例的典型应用场景,为进一步挖掘AIS大数据潜能,提升航海保障服务质量和效率,赋能水上智慧监管和航运企业智慧经营提供参考。