赵梁滨, 史国友, 杨家轩
(1.大连海事大学 航海学院, 辽宁 大连 116026;2.辽宁省航海安全保障重点实验室, 辽宁 大连 116026)
随着国家大数据战略的稳步推进及船舶自动识别系统(Automatic Identification System,AIS)的普及,海事领域的数据产业蓬勃发展。传统的海事监管模式受人为因素的制约导致低效。顺应着对 “更好地感知交通态势”及“更及时地识别异常船舶”的迫切需求,随着“智能航海”及“海上智能监管”等新概念的提出,“互联网+”及“云计算”等理念与海事领域的结合越来越紧密。
每艘搭载AIS设备的船舶能向外播发包括船舶轨迹在内的AIS数据,由于AIS数据量庞大,其中蕴藏着海上复杂交通环境中的潜在规律,能保持稳定且快速增长,为水上交通数据挖掘理论提供基础。
轨迹数据的分析方法包括聚类、数理统计、贝叶斯网络及神经网络等。其中,聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN[1])作为一种经典的空间聚类算法,已遍及各类交通情景的研究。LEE等[2]基于DBSCAN算法提出一种轨迹聚类的框架“TRACLUS”,该框架先将轨迹分裂成子轨迹片段,再用最小描述长度距离衡量片段间的相似度,最后采用DBSCAN算法对所有片段进行聚类来获得轨迹分布特征。该方法被后续的相关研究所广泛借鉴[3]。
以船舶作为研究对象时,在水上交通环景中由于移动对象在空间上更加自由无约束,轨迹分布更加零散、复杂,所以DBSCAN算法的应用效果不佳。LIU等[4]提出一种考虑国际海事组织(International Maritime Organization,IMO)规则和非空间属性的方法,作为聚类后的辅助手段以提取类簇的特征。此外,PALLOTTA等[5]提出名为“TREAD”(Traffic Route Extraction and Anomaly Detection)的方法,考虑船舶轨迹数据点集中的间歇性、持续性等因素。……