论文部分内容阅读
作为海洋大国,我国拥有着丰富的海洋渔业资源和生态资源,几十年来,近海渔业资源遭到竞争式过度捕捞,长期处于过度开发状态。如何实现海洋渔业的可持续利用,是个严峻的问题。这不仅需要合理规划海洋产权政策,更需要海洋监管执法部门及时有效的管理。随着海洋信息化的快速发展,渔船监测系统(Vessel Monitoring System,VMS)逐步成为捕捞强度监管的有效手段。渔船监控系统能够定时获取渔船轨迹数据。利用轨迹数据进行渔船捕捞行为数据挖掘,不仅应用在渔船监管方面,同时也应用在渔场判别、捕捞强度评估、渔业资源开发以及海洋生态保护等方面。传统对渔船捕捞行为的判别研究多以轨迹点为研究对象,利用渔船航速与行为的联系,通过设置捕捞状态航速阈值区间,实现对渔船轨迹点的行为判别。这种一刀切的判别方式无法兼顾判别准确度与算法通用性。针对以上问题,近年来学术界提出基于轨迹段的渔船行为判别解决思路。该思路通过构建无监督的多步聚类模型,对轨迹进行先划分再聚合处理,并采用判别模型对聚合结果进行特征提取,建立基于轨迹的渔船行为快速判别模型。但现有基于轨迹段的多步聚类算法因具有高参数敏感性,这导致参数调参困难而适用性差,且在批量船只行为判别时通用性不佳。针对上述问题,本文以轨迹数据为研究对象,充分利用渔船轨迹数据的时序性、渔船的状态延续性与快速切换性特点,提出了两种基于轨迹段的渔船行为判别方法:基于OPTICS多步聚类的渔船行为判别方法(OPTICS-based Multi-Step Clustering Fishing Behavior Identification,OMSC-FBI)与基于核心距离多步聚类的渔船行为判别方法(Core-distance-based Multi-Step Clustering Fishing Behavior Identification,CMSC-FBI)。本文的主要工作可概括如下:(1)本文基于渔船轨迹数据的渔船行为判别工作,开展了相关理论研究。研究中首先介绍了渔船的行为种类以及行为特征,接着阐述了轨迹数据挖掘相关理论,然后描述了多步聚类算法的算法理论基础,最后详细介绍了常用判别技术实现方式。(2)针对现有基于轨迹段的渔船行为判别算法的高耗时瓶颈,本文在相似度距离矩阵计算中,提出一种旨在减少非必要计算的时序近邻计算准则(Time Series Neighbor Computing Principle,TSNCP)。该准则可使得矩阵计算的时间复杂度由O(n~2)降到O(kn),有效解决相似度距离矩阵计算高耗时问题。(3)针对现有基于轨迹段渔船行为判别算法中存在的通用性不佳问题,本文基于轨迹聚类相关理论,提出基于OPTICS多步聚类的渔船行为判别解决方案——OMSC-FBI算法。该算法采取先划分再聚合建模的策略。并采用低参数敏感性算法有效提高了算法的通用性。通过实验,验证了该方案的可行性,并能够有效兼顾判别准确性与算法通用性,可用于批量渔船行为判别。(4)为进一步解决基于轨迹段的渔船行为判别算法中高耗时的问题,本文基于渔船轨迹数据特征,提出一种更为高效的基于轨迹段解决方案——CMSC-FBI算法。该算法同样采用多步聚类策略,首先利用核心距离算法与自动识别簇方法实现轨迹子段划分,再基于轨迹段平均航速进行轨迹段再聚类,最后通过建立判别模型实现渔船行为的快速判别。实验证明,该算法高效可行且能够兼顾精确度与通用性。