随着我国航运经济的快速发展与船舶自动识别系统的普及,产生了海量的船舶航行数据。船舶航行大数据中蕴藏着海上交通特征、船舶航行规律等信息,是海上交通相关研究的基础。海上交通特征规律分析与船舶行为模式挖掘对开展海上交通管理、航道设计、区域识别等工作有重要意义。过去在利用船舶AIS数据进行时空分布研究时,通常是以空间为基础的单边聚类,然后关联到时间等其他属性数据再研究其特征,这样的方法忽略了船舶多维时空数据之间的耦合性,会损失船舶的交通行为模式。而联合聚类可以进行两个或多个维度数据之间的聚类,得到特征属性之间的关系。这种方法利用了多维数据的丰富性和多样性关系,使聚类结果具有整体性和全局性,其应用有更强的实用性与系统伸缩性。论文利用联合聚类方法针对AIS数据开展船舶交通多维模式研究,主要工作包括:首先根据船舶交通多维模式分析的需要,提出基于联合聚类的船舶交通多维模式数据挖掘的概念,分析构建针对二维、三维时空数据的联合聚类数据模型;然后以数据模型为基础,提出了 AIS数据的预处理框架,提出了基于投影梯度的非负矩阵分解稀疏约束算法PGNMFS,提高分解迭代速度,增强联合聚类效果;设计实现了 PGNMFS算法,对船舶时空数据矩阵进行联合聚类,实现二维数据联合聚类下的船舶交通行为的时空模式提取;接着采用张量CP分解算法,研究实现对船舶三维数据的联合聚类;最后以天津港-曹妃甸水域为研究对象,采用PGNMFS算法与张量CP分解算法对天津港-曹妃甸水域的船舶交通多维数据进行联合聚类,分析、解释聚类结果。利用基于二维船舶时空数据的联合聚类算法识别到了天津港主要的进、出港航路和船舶交通量在时间上的波动周期等信息;基于三维船舶交通数据的联合聚类算法不仅可以得到船舶的航路与船舶交通量在时间上的波动规律,还可以发现航速与船舶类型的分布信息。实验结果与实际情况一致,表明了联合聚类算法在提取船舶交通模式、获得海上交通特征方面的可行性与有效性,具有一定的应用前景与实用价值。