基于AIS数据重点区域船舶异常实时监测系统的设计与实现

摘要

随着全球水运贸易的发展，世界船舶数量及其危险货物装载量不断增加，各种隐匿性海上安全问题呈明显上升趋势。船舶自动识别系统(Automatic Identify System-AIS)的出现为船舶异常行为监测研究提供了大量的数据。如何利用现代数据挖掘算法和大数据处理技术，自动化地监测海上船舶异常行为已成为海事态势感知系统的一个重点研究内容。然而，当前船舶异常监测方法多利用轨迹数据生成正常轨迹模型，通过比较船舶实际轨迹与模型轨迹来判别船舶是否异常;或者根据统计数据自定义规则来判断船舶是否异常。这些方法效率和准确性普遍较差，难以满足海上船舶异常实时监测的性能需求。
　　针对以上问题，本论文以科研项目“AIS数据的预处理技术与船舶异常监测系统”为背景，以AIS数据为出发点，探讨海上重点区域挖掘方法，给出了一种基于DBSCAN算法的海上重点区域挖掘方法。在此基础上，结合AIS历史数据进行海上船舶异常行为特征分析与提取，并给出了一种基于逻辑回归算法的船舶异常模型构建方法。最后，根据挖掘的海上重点区域和构建的船舶异常模型，设计并实现了一个基于Storm框架的重点区域船舶异常行为实时监测系统。
　　利用真实的AIS数据，对海上重点区域挖掘方法和构建的船舶异常模型进行验证。结果表明，本论文提出的重点区域挖掘的方法能够有效地挖掘海上重点区域，得到区域的位置数据;船舶异常监测模型具有较高的准确率和预测效率。将基于Storm的重点区域船舶异常实时监测系统部署在3台机器的集群上进行性能测试，表明系统每秒可以处理上万条数据，能够通过增加工作机器的方式方便地扩展其性能。综合结果表明，本课题所实现的船舶异常实时监测系统具有较高的性能，能够为监管部门提供较好的自动化监测服务。

目录

声明

摘要

第一章 绪论

1．1 项目背景与意义

1．2 AIS数据

1．3 基于AIS数据的海事态势研究现状

1．3．1 海上区域挖掘研究现状

1．3．2 船舶异常监测研究现状

1．4 论文主要研究内容

1．5 论文组织结构

第二章 相关技术综述

2．1 聚类算法

2．1．1 DBSCAN算法

2．1．2 K-means算法

2．1．3 BIRCH算法

2．2 机器学习算法

2．2．1 逻辑回归

2．2．2 贝叶斯网络

2．2．3 支持向量机

2．3 Storm框架

2．4 本章小结

第三章 基于AIS数据的海上重点区域挖掘研究

3．1 海上重点区域

3．2 基于AIS数据的海上重点区域挖掘方法

3．2．1 AIS数据的停泊点提取

3．2．2 海上重点区域挖掘方法

3．3 基于DBSCAN算法的海上重点区域挖掘

3．3．1 问题描述与分析

3．3．2 基本思路

3．3．3 DBSCAN算法参数优化策略

3．4 融合外部数据的重点区域细化

3．5 本章小结

第四章 船舶异常分析与模型构建研究

4．1 船舶异常监测方法

4．2 船舶异常行为分析

4．3 船舶异常模型

4．4 船舶异常特征分析与模型构建

4．4．1 特征分析与离散化处理

4．4．2 损失函数与正则化处理

4．4．3 模型训练与评价

4．5 本章小结

第五章 基于Storm的船舶异常实时监测系统设计与实现

5．1 需求分析

5．2 系统整体框架设计

5．3 重点区域挖掘模块设计与实现

5．4 基于Storm的重点区域船舶异常实时监测系统实现

5．5 本章小结

第六章 系统部署与测试

6．1 系统部署

6．1．1 运行环境

6．1．2 Storm集群配置

6．2 测试与结果分析

6．2．1 基于MS数据的重点区域挖掘结果与分析

6．2．2 基于机器学习算法的船舶异常监测结果与分析

6．2．3 基于Storm的重点区域船舶异常实时监测系统性能测试

6．3 运行效果

6．4 本章小结

第七章 结论和展望

7．1 结论

7．2 工作展望

参考文献

致谢

研究成果及发表的学术论文

作者和导师简介