论文部分内容阅读
船舶自动识别系统(Automatic Identification System,AIS)是一种新型助航系统,最初用来保障船舶安全航行,随着大数据时代的到来,AIS数据得到了广泛应用。论文使用AIS数据来识别渔船的捕鱼行为,通过对渔船行为模式的研究,宏观上相关部门能了解热点捕鱼区域分布及渔场演化等多方面信息,从而制定出合理的渔业规划,保证渔业经济的健康可持续发展。论文主要的工作内容如下:(1)从AIS数据中提取渔船的轨迹数据作为初始数据集,使用线性插值的方法填补缺失数据,剔除位置、速度等异常数据,对初始数据集进行预处理。针对该数据集使用高斯混合模型(Gaussian Mixture Models,GMM)和隐马尔科夫模型(Hidden Markov Model,HMM)两种传统的机器学习方法识别了渔船的捕鱼行为,这两种方法的输入只有船只速度单一特征,在GMM方法中利用EM算法求得速度高斯分布的参数,将中速对应的均值μ和标准差σ构成的区间[μ±σ]作为渔船捕鱼的速度置信区间,从而来识别其捕鱼行为。但该方法需要速度特征满足高斯分布,否则效果会变差。在HMM方法中,通过确定渔船不同行为状态的转移矩阵来识别渔船的捕鱼行为,该方法不受速度分布的影响。GMM和HMM都没有充分利用AIS数据中的其他字段信息。(2)构建了基于长短期记忆神经网络(Long Short-Term Memory,LSTM)的渔船行为识别方法,该方法从时间序列特征上对渔船捕鱼行为进行识别。确定了LSTM模型的输入、输出及结构,充分利用了AIS数据字段信息,模型输入包括速度、经度、纬度、航向、船长和船宽6个特征,通过试验选择了该模型的参数,将准确率、精确率、召回率和F1-score作为实验效果的评价指标,讨论了Timestep取值以及数据输入量对实验结果的影响,并与其他方法进行了实验对比。(3)构建了基于卷积神经网络(Convolutional Neural Networks,CNN)的渔船行为识别方法,输入特征为经度、纬度、速度、航向、船长和船宽。该方法使用了两层卷积操作,一层卷积用来学习数据的局部特征,另一层卷积用来增加网络的非线性,通过实验验证了该方法的可行性。论文还构建了基于卷积长短期记忆神经网络(Convolutional LSTM Network,ConvLSTM)的渔船行为识别方法,该方法首先通过CNN学习数据的局部特征,然后将学习后的特征输入到LSTM进行特征时间相关性的学习,通过实验验证了该方法在渔船行为识别上的优越性,并与单独的LSTM和CNN方法进行了实验对比。实验结果表明,相比于传统的GMM和HMM机器学习方法,深度学习方法LSTM、CNN和ConvLSTM识别效果较好。其中,LSTM识别效果优于CNN,CNN处理速度远快于LSTM,ConvLSTM识别效果最好,该方法结合了CNN和LSTM的优点,识别率更高,模型的收敛速度更快,与单独的LSTM的相比,大大减少了计算时间,其准确率、精确率、召回率和F1-score分别为0.9895、0.9701、0.9893、0.9796。这表明该方法具有较大的应用价值,为识别渔船捕鱼行为提供了其他方案,有利于监控渔船状态、发现渔场、制定渔业资源规划,从而保障渔业的健康可持续发展。