论文部分内容阅读
随着经济全球化的迅速发展,沿海地区经济活动逐渐增多,海洋上的经济发展在我国国民经济发展中占据重要地位。船舶类型识别在预防海上恐怖主义、海上船舶身份管理等应用场景中具有重要的作用,传统的基于船舶图像或视频的船舶类型识别方法由于监控设备视野有限、代价昂贵等问题,效果欠佳。近几年,随着传感器、轨迹数据采集系统的发展,使用船舶轨迹数据等海洋大数据实现船舶类型的自动识别相较于传统方法性价比较高,正逐渐受到重视。当前虽然已经有一些基于船舶轨迹数据进行船舶类型自动识别的研究,但还存在特征值选取、船舶轨迹整体和时序的特征分析不足等困难。本文针对以上问题,基于以船舶轨迹数据为主的海洋大数据实现了渔船、客船、油船、集装箱船和散货船五种船舶类型的自动识别。具体研究工作如下:1、针对使用船舶自动识别系统(Automatic Identification System,AIS)采集到的船舶轨迹数据具有海量性、质量不高的问题,本文构建了面向船舶类型识别的大规模船舶轨迹的预处理方法,包括对原始数据中有用字段的筛选、去噪和分段,通过Map Reduce并行化计算框架实现,该方法有效且高效地清洗了原始船舶轨迹数据;2、针对传统方法中人工选取特征统计量种类不足和工作量大的问题,本文提出了从两个角度构建特征向量的方法:基于完整轨迹段的分布特征向量构建算法和时序特征向量构建算法,并通过Map Reduce并行化计算框架实现。该方法避免了人工选取特征统计量的局限性,并且能够充分发挥数据蕴含的时空规律,为进一步分析船舶数据提供了有效的数据支持;3、针对已有的研究方法的类型识别模型存在对船舶轨迹数据特征学习不充分的问题,提出了一维卷积神经网络(One-Dimensional Convolutional Neural Network,1DCNN)与长短期记忆网络(Long Short-Term Memory,LSTM)相结合的1DCNN-LSTM混合模型。混合模型中构建的数据融合算法,对1DCNN和LSTM的输出结果的准确性进行判断并作出选择,使得模型能够自我优化,综合考虑了船舶轨迹分布特征和时序特征对类型识别的影响。本文选用AIS系统采集到的2016年6月渤海区域的数据对1DCNN-LSTM混合模型进行研究与验证。实验结果表明所有类型识别的F1值均为87%以上,其中渔船、客船和集装箱船的F1值为90%以上,模型识别的准确率达到91.7%,验证了方案的有效性。4、设计并实现了基于海洋大数据的船舶类型自动识别的实验验证型原型系统,提供了友好的用户操作页面,支持对渔船、客船、油船、集装箱船和散货船五种船舶类型的轨迹数据的自动识别。