琼州海峡AIS船舶轨迹异常事件分析

通过多方数据回溯、轨迹对比等方式,对2024年2月琼州海峡水域出现的一次船舶自动识别系统(AIS)船舶轨迹异常事件进行综合分析,基于现有数据和技术手段分析原因,并提出工作建议,以期提升AIS和数据应用的可靠性。

舶舶AIS轨迹异常的自动检测与修复算法

船舶自动识别系统(Automatic Identification System,AIS)轨迹是船舶位置和时间的记录序列,对船舶航行状态分析、船舶交通流预测及船舶海事事故分析等具有一定的意义,而受一些因素影响,采集到的AIS数据会产生错误,导致AIS轨迹出现异常。对此,在对大量AIS数据进行深入解析的基础上,归纳出AIS轨迹异常的几种类型,针对各类型的特征对船舶轨迹异常进行自动检测,并采用3次样条插值模型实现修复算法。研究成果可为基于船舶航行轨迹数据的相关研究提供快速、准确的技术支持。

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。

一种基于长短记忆模型的交通轨迹异常挖掘模型

针对现有异常轨迹检测方法没有捕捉轨迹数据时序特征,不能有效识别业务异常和新型异常等问题,提出基于长短记忆模型的异常轨迹挖掘模型.首先通过优化长短记忆模型进行轨迹预测,然后基于进化理论将预测轨迹转化为异常轨迹,从而构建了基于长短记忆模型的异常判别模型.该模型可以有效地识别业务异常和新型异常,提高了异常检测的精准度和可扩展性,同时适用于无标签数据,解决了传统神经网络必须应用于有监督学习的问题.最后通过与改进的密度聚类算法和马尔科夫过程的对比实验验证了该模型在交通轨迹异常检测的优越性.

基于聚类距离计算的船舶轨迹异常检测方法

针对船舶自动识别系统(Automatic Identification System)数据,提出了一种基于聚类距离计算的异常检测方法,该方法在船舶AIS历史轨迹点聚类中提取移动点聚类重心向量和停止点聚类的采样集,定义了聚类相对距离和聚类角度距离两种聚类距离用来衡量轨迹点在距离上、航向和航速上与聚类的相似性。通过计算目标轨迹点与重心向量和采样点之间的聚类距离,可检出AIS数据中的距离异常点、航向异常点和航速异常点。基于真实AIS数据集组织了实验,验证了方法的有效性。

面向物联网移动终端设备的用户轨迹异常检测研究

为了有效地从物联网移动设备的数字信息中挖掘出用户在日常行为的轨迹异常,针对现有用户异常轨迹检测算法效率低的问题,提出了一种双层聚类的用户轨迹异常检测方法。考虑到移动终端设备中的轨迹信息数据量大、分布不均匀等特点,该方法在特定的空间距离与时间间隔下提取出停留点集合,并对这些点进行层次聚类,根据结果划分出停留区域,进而发现其中的异常停留区域。最后,对停留区域之间发生的运动轨迹段进行二次层次聚类,发现异常轨迹段。实验结果表明,该方法在发现异常轨迹时,相较于传统算法,既全面地检测出异常轨迹,又加快了异常检测的速度。

基于注意力机制的车辆异常轨迹检测

随着城市交通量的增大,安全隐患越来越多,车辆轨迹异常检测对于安全驾驶领域来说也越来越重要。为了更好地提取轨迹的特征,在循环神经网络检测的基础上加入了卷积神经网络,利用卷积加循环的神经网络检测学习轨迹序列信息,并且结合了注意力机制,通过这种技术结合的方法,进一步提高轨迹嵌入的质量。结果表明,该轨迹异常检测方法的性能在各项指标上显著优于其他检测算法,验证了该异常检测方法的有效性和实用性。

神经网络在船舶轨迹异常行为识别中的应用研究

在全球化的商业和交通网络中,船舶是重要的物流载体。随着海上交通量的不断增长,有效监控和识别船舶的异常行为变得至关重要,以确保航道安全和防止出现非法活动。鉴于船舶轨迹数据的复杂性和动态变化性,需采用高效且可靠的技术来识别偏离正常模式的行为,神经网络以其强大的特征学习和自适应能力,提供了一种有效的解决方案。本文详细探讨了神经网络在船舶轨迹异常行为识别中的应用,从船舶轨迹数据的收集、机器学习的基本原理出发,构建了专门针对异常检测的神经网络模型。通过模型选择与优化、参数调优和交叉验证的方法,提高了识别准确性,并利用实际海上航行数据验证了该模型的有效性和准确性。

融合时序和空间特征的车辆异常轨迹检测方法

针对基于序列建模的车辆异常轨迹检测方法轨迹空间特征提取不够充分而降低了检测效果这一问题,提出融合时序和空间特征的车辆异常轨迹检测方法,充分提取轨迹的时间与空间特征以提升异常轨迹检测精度。采用融合自注意力机制的堆叠序列自编码器,从网格化后的映射轨迹中提取轨迹时序特征;引入全连接神经网络,提取轨迹偏转量和行驶距离等空间特征;融合轨迹的时间和空间特征,进行异常轨迹检测以提升检测效果。实验表明,提出的方法在真实出租车数据集上的异常轨迹检测准确率优于92%,F1评分优于80%,与XGBoost、IBAT、ATDC和ATD-RNN方法相比,检测性能提升较为明显。

基于R-Tree的高效异常轨迹检测算法

提出了异常轨迹检测算法,通过检测轨迹的局部异常程度来判断两条轨迹是否全局匹配,进而检测异常轨迹.算法要点如下:(1)为了有效地表示轨迹的局部特征,以k个连续轨迹点作为基本比较单元,提出一种计算两个基本比较单元间不匹配程度的距离函数,并在此基础上定义了局部匹配、全局匹配和异常轨迹的概念;(2)针对异常轨迹检测算法普遍存在计算代价高的不足,提出了一种基于R-Tree的异常轨迹检测算法,其优势在于利用R-Tree和轨迹间的距离特征矩阵找出所有可能匹配的基本比较单元对,然后再通过计算距离确定其是否局部匹配,从而消除大量不必要的距离计算.实验结果表明,该算法不仅具有很好的效率,而且检测出来的异常轨迹也具有实际意义.

基于DBSCAN聚类算法的异常轨迹检测

现有的异常轨迹检测算法往往侧重于检测轨迹的空域异常,忽略了对轨迹时域异常的检测,并且检测精确度不高,针对此类问题,提出了基于增强聚类的异常轨迹检测算法。首先,采用基于速度的最小描述长度(VMDL)准则把轨迹简化成有序线段;然后,使用改进的线段间的距离定义,基于DBSCAN算法把线段分为不同的类,以建模局部正常运动模式;最后,采用先检测空间异常性再检测时间异常性的二级检测算法,检测时空异常轨迹点。在多个测试集上的实验结果表明:该算法可以检测位置、角度、速度等三种时空异常轨迹点,相对于其他算法,明显提高了异常轨迹检测的精确度。

基于R-tree的高效异常轨迹检测算法

异常检测是一种流行的数据挖掘任务,但是轨迹数据的异常检测的研究比较少,而且存在的算法也较有局限性,因此J.-G Lee等人提出了TRAOD算法。该算法能够有效地检测出异常的轨迹,但是也存在着缺陷。它的复杂度和准确度比较难平衡,在参数的选取上也比较难,算法的运行时间较长。基于TRAOD的问题,提出一种基于R-tree的高效的异常轨迹检测算法R-TRAOD。该算法通过R-tree对轨迹点进行索引搜索其领域内的轨迹点,然后根据TRAOD算法对R-tree索引出来的轨迹点进行异常轨迹的检测,这样可以提高算法的运行速度。真实数据实验测试表明,该算法比最新的TRAOD异常轨迹挖掘算法效率要高。

基于核主成分分析的异常轨迹检测方法

针对现有算法不能有效应用于多因素轨迹异常检测的问题,提出基于核主成分分析(KPCA)的异常轨迹检测方法。首先,为了改善轨迹特征提取的效果,采用KPCA对轨迹数据进行空间转换,将非线性空间转换到高维线性空间;其次,为了提高异常检测的准确率,采用一类支持向量机对轨迹特征数据进行无监督学习和预测;最终检测出具有异常行为的轨迹。采用大西洋飓风数据对算法进行测试,实验结果表明,该算法能够有效提取出轨迹特征,并且与同类算法相比,该算法在多因素轨迹异常检测方面具有更好的检测效果。

基于演化计算的异常轨迹并行检测算法

异常轨迹检测是轨迹数据挖掘研究领域的一个重要研究内容,基于演化计算的异常轨迹检测算法(Top-kevolving trajectory outlier detection,TOP-EYE)是一种有效的异常轨迹检测算法。不同于其他算法采用的轨迹距离计算方法,TOP-EYE算法从轨迹的方向和密度角度出发,采用演化计算的方式检测异常。为了提高TOP-EYE算法对海量轨迹数据集异常检测的效率,本文在其基础上提出了基于MapReduce的异常轨迹检测并行算法(Parallel detecting abnormal trajectory based on TOP-EYE,PDAT-TOP),利用MapReduce并行计算的优势提高了异常轨迹检测的效率。将算法PDAT-TOP在Hadoop平台上加以实现,实验结果表明,算法PDAT-TOP能够有效地检测异常轨迹,并且具有较高的可扩展性和加速比。

高度计测距精度对沿轨迹重力异常反演的影响

应用求解沿轨迹重力异常的垂线偏差法以及求解空间分辨率的交叉谱分析法,建立了高度计测距精度与沿轨迹重力异常反演精度以及空间分辨率的关联性模型。首先依据卫星测高原理,给出了沿轨迹重力异常的误差传播公式,然后以此为基础通过推导交叉谱分析中一致性系数与信噪比的数学表达式,建立了高度计测距精度与空间分辨率的解析关系。数值仿真结果表明:雷达高度计测距精度与沿轨迹重力异常反演精度成正比关系,与空间分辨率成幂函数关系,即高度计测距精度提高m倍,沿轨迹重力异常反演精度提高m倍,全球海域平均空间分辨率提高m0.464 4倍。将数值仿真结果与相关文献中对实际测高数据的处理结果进行比较,验证了理论分析及模型的正确性。

中国近海卫星测高数据的重力异常反演——II.沿轨迹垂线偏差反演法

给出了一套基于直角坐标系下的垂线偏差求解重力异常公式 ,并将之发展成为一套新的沿轨迹重力异常求解公式。据此 ,利用Geosat/GM、ERS 1/ 35d及Topex/Posei don 3种测高数据 ,反演了南中国海域 ( 0°～ 2 5°N ,10 5°～ 12 2°E)的 2’× 2’重力异常———IGG S。通过与实际船测资料和国际同行提供的重力模型相比 ,IGG S总体精度达到 10× 10 - 5m/s2 。

基于路口信息的出租车异常轨迹检测

针对出租车的异常轨迹检测问题,根据已有的出租车GPS数据,结合城市道路路口信息,提出了一种基于路口的异常轨迹检测算法(Intersection-Based Anomalous Trajectories Detection,IBATD)。该算法将GPS数据进行地图匹配,并将匹配后的GPS轨迹以路口的形式描述,再以多叉树的方式实现轨迹聚类。通过计算待测轨迹的轨迹概率,并与给定异常阈值进行比较,将轨迹分类为正常或异常。与经典的基于Hausdorff距离的谱聚类算法相比,多叉树轨迹聚类具有更准确的轨迹模型库、更快的运算速度以及实时检测的特点。

终端区航空器异常轨迹识别研究

为保障终端区航空器飞行安全,减轻管制员工作负荷,首先,综合考虑航空器轨迹位置、速度和高度等因素,提出终端区航空器异常轨迹的定义和识别流程;其次,建立基于速度修正系数的轨迹相似性模型,采用谱聚类方法对终端区航空器轨迹自动分类;最后,计算每类轨迹数据分布的特征,选取2条中心轨迹来表征每类轨迹的位置特征,提取轨迹间相似性距离和飞行距离作为异常特征因子,识别航空器异常轨迹。结果表明:用基于速度修正系数的轨迹相似性模型,能够实现航空器轨迹自动分类,分类结果较为合理准确;改进异常特征因子,设置2条中心轨迹时,相较于设置1条中心轨迹,检测效果更好。

人群监控图像异常轨迹数据聚类识别仿真

实现人群监控图像异常轨迹数据的聚类识别,对紧急突发事件发生时及时报警,方便安保人员及时采取应对措施,保证人们生命财产安全具有重要意义。针对当前方法存在识别准确率较低的问题,提出一种基于运动特征的异常轨迹数据聚类识别方法,将人群监控图像中任意行人的轨迹数据描述为一个流向量序列,提取被监测行人的运动特征,对人群监控图像中被监测行人所有轨迹的起点集合和终点集合进行计算,并采用Hausdorff距离对两个集合中长度不等的行人轨迹进行相似度计算,实现人群监控图像行人轨迹数据预处理。采用人虚拟的最小外接矩形的中心点替代人群监控图像中被监测行人的重心,通过最小外接矩形中心的变化描述行人的跳跃、下蹲、爬行、跑、徘徊五种异常轨迹。根据人群监控图像中被监测行人运动轨迹连接线的波峰波谷存在性,实现异常轨迹数据聚类识别。仿真测试结果证明,所提方法能够区分人群监控图像中行人的正常行为轨迹和异常行为轨迹,且识别准确率较高。

基于iBAT和DTW算法的异常轨迹检测

首先使用iBAT算法进行轨迹异常检测,然后结合DTW算法进行相似性度量,进一步区分轨迹。