基于1DCNN-LSTM的船舶轨迹分类方法

由于监控设备视野有限、代价昂贵等问题,导致基于船舶图像或视频的船舶分类效果欠佳,改进船舶分类方法、提高船舶分类的准确率迫在眉睫。近几年,随着各类轨迹数据采集系统的兴起,通过船舶航行轨迹数据实现船舶类型的分类逐渐成为可能。针对使用传统二维卷积神经网络(Convolutional Neural Network,CNN)对船舶轨迹分类存在特征压缩和时序特征表达能力匮乏的问题,文中提出了一种一维CNN(One-Dimensional CNN,1DCNN)与长短期记忆网络(Long Short-Term Memory,LSTM)相结合的混合分类模型,对采集到的船舶自动识别系统(Automatic Identification System,AIS)数据进行船舶类型识别。首先,针对AIS采集到的船舶轨迹数据进行预处理,过滤噪声数据;然后,针对隐含在船舶轨迹信息中的特征对于1DCNN而言过于隐晦的问题,提出了一种针对大规模航舶轨迹数据的,且1DCNN能够识别的轨迹分布特征向量的构建算法,同时在此基础上提取了LSTM能够识别的时序特征向量;最后,将训练后的1DCNN模型与LSTM模型进行数据融合得到混合船舶分类模型。以渤海区域2016年6月的船舶AIS数据为基础,使用1DCNN与LSTM相结合的混合模型对渔船、客船、油船、集装箱船和散货船5类典型船舶的轨迹数据进行分类,并将其与使用一种神经网络如LSTM作为分类器的方法进行对比,结果表明所提方法具有明显的有效性,是一种有效的船舶轨迹分类方法。

基于深度卷积神经网络的船舶轨迹分类研究

为了提取船舶轨迹数据的空间特征,解决船舶轨迹分类及船舶轨迹所属航道识别问题,提出了一种基于深度卷积神经网络的船舶轨迹分类方法.考虑到经纬度数据难以准确描述船舶轨迹空间特征,将船舶轨迹数据转换为船舶轨迹图像数据,并建立数据集.构建基于深度卷积神经网络的船舶轨迹分类模型,使用人工标注的数据集开展训练.选取以经纬度数据为输入的全连接神经网络模型和SVM模型进行对比分析.结果表明:基于深度卷积神经网络船舶轨迹分类模型可以有效地区分不同航道内的船舶轨迹,所提方法是一种有效的船舶轨迹分类方法.

基于加权朴素贝叶斯的船舶轨迹分类算法

为实现船舶自动识别系统(Automatic Identification System,AIS)轨迹数据快速分类,提出一种基于加权朴素贝叶斯的船舶轨迹分类算法。通过船舶AIS数据预处理和轨迹特征分析,设计加权的朴素贝叶斯分类器,利用AIS数据进行训练;采用有监督的分类方法提高分类效率,提出基于特征连续值的加权方法,构建船舶AIS分类加权最优特征集合,提高轨迹分类的准确率和速度。以长江中游武汉河段为例,进行试验验证。结果表明:AIS动态信息是重要的轨迹特征,提出的朴素贝叶斯船舶轨迹分类算法准确率达99.05%,相比未加权和其他常用分类算法表现更优;研究成果可应用于船舶异常轨迹识别和船舶航行风险分析等领域中。

船舶徘徊轨迹Douglas Peucker算法提取及其深度学习分类

船舶徘徊行为是一种在局部空间中频繁转向的船舶运动,船舶徘徊形态与船舶运动意图相关,对船舶类型识别与异常行为检测有重要研究意义。针对现有船舶徘徊轨迹提取算法的提取效率与精确度、徘徊轨迹分类准确度有待提高等问题,设计基于Douglas Peucker算法的船舶徘徊轨迹提取方法,提出徘徊波点概念来定义船舶大幅度转向变化过渡点,将提取出的徘徊轨迹数据转化为徘徊轨迹图像数据集,并把徘徊轨迹划分为无序往返、两点往返、前进往返和杂乱线团等4种形态,构建ResNet50深度学习模型对船舶徘徊轨迹数据集进行训练,采用Adam算法对模型进行优化,提高了模型的训练效率。试验结果表明:船舶徘徊轨迹提取算法可达到98.56%的精确率,徘徊轨迹提取效率提高超23%,在对4种徘徊轨迹形态数据集的识别分类中,模型获得91.03%的平均准确率,优于对比试验中的VGG16模型和支持向量机(SVM)模型。