基于轨迹特征挖掘的船舶伴随模式检测方法、系统和介质

1.本发明涉及船舶伴随模式检测技术领域，具体涉及一种基于轨迹特征挖掘的船舶伴随模式检测方法、系统和介质。


背景技术：

2.随着信息技术全面发展以及定位设备精度的提高，海量的时空数据得以保存，时空轨迹数据作为其中一类，蕴含着移动目标的活动规律，通过数据挖掘可以获得有趣的信息，而海量时空轨迹数据维度高、粒度变化大、时空相关性高等特征给数据分析与挖掘技术带来了挑战。
3.伴随模式是一种群体目标时空运动模式，且各移动目标在邻近时间与邻近空间约束下共同移动了一定的距离。伴随模式作为海量时空轨迹数据中极为常见的时空模式之一，其特征是移动目标在时间、空间和其他维度上(移动速度、移动方向等)存在高度相似性，比如结伴出行、舰队护航、动物迁徙等等，从海量时空轨迹数据中挖掘潜在的移动目标伴随模式对异常行为检测、交通拥堵预测等方面具有重要研究价值和意义。
4.传统的伴随模式挖掘方法大多集中在聚类取交集、相似性分析、运动属性矩阵等方面，当面对海量时空轨迹数据时，对这些方法的效率与精度是个极大的挑战。


技术实现要素：

5.本发明的目的在于克服上述技术不足，提供一种基于轨迹特征挖掘的船舶伴随模式检测方法、系统和介质，能够从海量时空轨迹数据中快速精确地提取群体目标的运动模式，挖掘船舶时空伴随模式，降低挖掘时间复杂度，提高挖掘准确度。
6.为达到上述技术目的，第一方面，本发明的技术方案提供一种基于轨迹特征挖掘的船舶伴随模式检测方法，包括以下步骤：
7.获取船舶ais(船舶自动识别系统，automaticidentificationsystem)时空轨迹数据；
8.对所述船舶ais时空轨迹数据进行数据预处理和时空网格序列转换，得到船舶航行轨迹；
9.基于时空索引统计特征对所述船舶航行轨迹进行过滤处理与伴随筛选，得到船舶轨迹伴随模式的强关联候选集；
10.基于多特征网格相似性从所述强关联候选集检测出多种关联强度的船舶伴随模式。
11.与现有技术相比，本发明提供的基于轨迹特征挖掘的船舶伴随模式检测方法的有益效果包括：
12.通过时空轨迹特征与伴随模式时空特征设置过滤规则，在时空与航程特征上设置约束，从数据源头减少计算数据规模，减少了算法整体计算量，提高了算法效率；基于改进最长公共子序列，度量网格轨迹序列相似性的模式挖掘方法，相比于其他距离度量方法对
离散轨迹点及噪声点具有鲁棒性；基于多特征网格序列相似性表达轨迹相似程度的挖掘船舶伴随模式方法，时间复杂度优于传统的聚类-取交集、运动属性矩阵等挖掘方法，比传统仅考虑时空属性的方法对伴随模式检测更全面、更精确。
13.根据本发明的一些实施例，所述对所述船舶ais时空轨迹数据进行数据预处理和时空网格序列转换，包括步骤：
14.对所述船舶ais时空轨迹数据进行去噪清洗，以删除格式错误数据、重复数据、冗余数据和离群异常点，稀疏轨迹段进行插值处理，将所述船舶ais时空轨迹数据中每个移动目标的轨迹点按时间顺序排序得到清洗后的时空轨迹点；
15.基于船舶尺寸与运动特征，选取网格精度，对全球进行网格化处理，以构建时空网格索引，将所述清洗后的时空轨迹点转换为时空网格轨迹序列；
16.基于船舶航行速度特征和所述时空网格索引从所述时空网格轨迹序列筛选出所述船舶航行轨迹。
17.根据本发明的一些实施例，所述基于船舶航行速度特征和所述时空网格索引从所述时空网格轨迹序列筛选出所述船舶航行轨迹，包括步骤：
18.设置最小航行速度阈值，结合滞留轨迹所述时空网格轨迹序列的连续网格索引保持一致的时空特征，检验每艘船舶时空网格索引一致性，过滤掉停留轨迹点和锚泊的轨迹点，筛选出所述船舶航行轨迹。
19.根据本发明的一些实施例，所述基于时空索引统计特征对所述船舶航行轨迹进行过滤处理与伴随筛选，包括步骤：
20.基于伴随模式特征剔除所述船舶航行轨迹中的短航程船舶时空轨迹；
21.对所述船舶航行轨迹进行筛选处理，得到基于伴随时间特征筛选的船舶轨迹伴随模式的初始候选集；
22.对所述初始候选集基于空间网格统计，得到船舶轨迹伴随模式的所述强关联候选集。
23.根据本发明的一些实施例，所述基于多特征网格相似性从所述强关联候选集检测出多种关联强度的船舶伴随模式，包括步骤：
24.构建基于网格索引的船舶运动多特征时空网格；
25.根据所述船舶运动多特征时空网格，从所述强关联候选集中提取关联船舶；
26.计算所述关联船舶时空网格序列的最长公共子序列作为伴随模式的支持度，对模式支持度进行过滤，当支持度满足伴随航程要求时，计算所述关联船舶的轨迹相似性作为伴随模式置信度，根据所述伴随模式置信度得到不同关联强度的船舶伴随模式。
27.根据本发明的一些实施例，对所述船舶航行轨迹进行筛选处理，得到基于伴随时间特征筛选的船舶轨迹伴随模式的初始候选集，包括步骤：
28.对各船舶时空轨迹的时间特征进行处理，从所述船舶航行轨迹数据集内任意提取一艘船作为主目标，所述船舶航行轨迹数据集的其他船作为副目标；
29.匹配所述主目标与所述副目标的公共时间区间，筛选出满足公共时间区间大于等于伴随时间阈值的主目标、副目标作为关联船舶，遍历整个船舶航行轨迹数据集，生成基于伴随时间特征筛选的船舶轨迹伴随模式所述初始候选集。
30.根据本发明的一些实施例，对所述初始候选集基于空间网格统计，得到船舶轨迹
伴随模式的所述强关联候选集，包括步骤：
31.利用步长为2的滑动窗口对初始候选集内的每艘船舶进行船舶时空网格轨迹序列去重处理，当窗口内网格索引相同时仅保留一个，以缩小数据规模且保留了网格序列的时序性；
32.统计各船舶去重后的网格序列，计算各关联船舶网格序列间的公共元素个数，将小于公共元素个数阈值的关联船舶从所述初始候选集内剔除，将大于等于公共元素个数阈值的关联船舶作为模式挖掘候选对象，更新所述初始候选集；
33.遍历所述初始候选集，以过滤掉空间维度低关联强度的船舶对，得到时空特征上满足船舶伴随模式要求的关联船舶强关联候选集。
34.第二方面，本发明的技术方案提供一种基于轨迹特征挖掘的船舶伴随模式检测系统，包括：
35.数据获取模块，用于获取船舶ais时空轨迹数据；
36.船舶航行轨迹提取模块，与所述数据获取模块通信连接，所述船舶航行轨迹提取模块用于对所述船舶ais时空轨迹数据进行数据预处理和时空网格序列转换，得到船舶航行轨迹；
37.强关联候选集提取模块，与所述船舶航行轨迹提取模块通信连接，所述强关联候选集提取模块用于基于时空索引统计特征对所述船舶航行轨迹进行过滤处理与伴随筛选，得到船舶轨迹伴随模式的强关联候选集；
38.船舶伴随模式检测模块，与所述强关联候选集提取模块通信连接，所述船舶伴随模式检测模块用于基于多特征网格相似性从所述强关联候选集检测出多种关联强度的船舶伴随模式。
39.第三方面，本发明的技术方案提供一种基于轨迹特征挖掘的船舶伴随模式检测系统，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面中任意一项所述的基于轨迹特征挖掘的船舶伴随模式检测方法。
40.第四方面，本发明的技术方案提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面中任意一项所述的基于轨迹特征挖掘的船舶伴随模式检测方法。
41.本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
42.本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中摘要附图要与说明书附图的其中一幅完全一致：
43.图1为本发明一个实施例提供的基于轨迹特征挖掘的船舶伴随模式检测方法的流程图；
44.图2为本发明另一个实施例提供的基于时空网格的船舶轨迹数据处理与组织方法的流程图；
45.图3为本发明另一个实施例提供的基于时空网格统计特征的船舶轨迹过滤与伴随
筛选方法的流程图；
46.图4为本发明另一个实施例提供的基于多特征网格相似性的船舶伴随模式检测的流程图；
47.图5为本发明另一个实施例提供的基于轨迹特征挖掘的船舶伴随模式检测系统的电子设备结构示意图。
具体实施方式
48.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
49.需要说明的是，虽然在系统示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于系统中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
50.本发明提供了一种基于轨迹特征挖掘的船舶伴随模式检测方法，能够从海量时空轨迹数据中快速精确地提取群体目标的运动模式，挖掘船舶时空伴随模式，降低挖掘时间复杂度，提高挖掘准确度。
51.下面结合附图，对本发明实施例作进一步阐述。
52.参照图1、图2和图3，图1为本发明一个实施例提供的基于轨迹特征挖掘的船舶伴随模式检测方法的流程图；图2为本发明另一个实施例提供的基于时空网格的船舶轨迹数据处理与组织方法的流程图；图3为本发明另一个实施例提供的基于时空网格统计特征的船舶轨迹过滤与伴随筛选方法的流程图；图4为本发明另一个实施例提供的基于多特征网格相似性的船舶伴随模式检测的流程图；图5为本发明另一个实施例提供的基于轨迹特征挖掘的船舶伴随模式检测系统的电子设备结构示意图。
53.基于轨迹特征挖掘的船舶伴随模式检测方法包括但是不仅限于步骤s110至步骤s140。
54.步骤s110，获取船舶ais时空轨迹数据；
55.步骤s120，对船舶ais时空轨迹数据进行数据预处理和时空网格序列转换，得到船舶航行轨迹；
56.步骤s130，基于时空索引统计特征对船舶航行轨迹进行过滤处理与伴随筛选，得到船舶轨迹伴随模式的强关联候选集；
57.步骤s140，基于多特征网格相似性从强关联候选集检测出多种关联强度的船舶伴随模式。
58.在一实施例中，基于轨迹特征挖掘的船舶伴随模式检测方法包括步骤：获取船舶ais时空轨迹数据；对船舶ais时空轨迹数据进行数据预处理和时空网格序列转换，得到船舶航行轨迹；基于时空索引统计特征对船舶航行轨迹进行过滤处理与伴随筛选，得到船舶轨迹伴随模式的强关联候选集；基于多特征网格相似性从强关联候选集检测出多种关联强度的船舶伴随模式。
59.一、基于时空网格的船舶轨迹数据处理与组织
60.原始船舶轨迹数据由于定位设备自身精度与传输信号问题，隐藏了很多噪声点，其存在降低了模式挖掘的效率与效果，因此对数据进行清洗处理与转换具有重要意义，具体步骤如下：
61.(1)对船舶ais(船舶自动识别系统，automaticidentificationsystem)时空轨迹数据进行预处理。对数据进行去噪清洗，删除格式明显错误的数据，剔除重复或位置点较少的冗余数据以及离群异常点，稀疏轨迹段进行插值处理，将每个移动目标的轨迹点按时间顺序排序，整体数据以mmsi(海上移动识别码,maritime mobile service identity)数值升序排序。
62.(2)构建时空网格索引。基于船舶尺寸与运动特征，选取合适的网格精度，通过对全球网格化处理，构建时空网格索引，将清洗后的时空轨迹点转换成时空网格轨迹序列，即由原始轨迹tr＝{mmsi,time,latitude,longitude,direction,heading,speed}转换为tr＝{(x,y),mmsi,time,latitude,longitude,direction,heading,speed}，其中网格索引grid id＝(x,y)，x和y分别是轨迹点经纬度所在网格的索引。各字段分别代表船舶各特征的整列数据(下同)，例如mmsi＝{mmsi1,mmsi2,,,mmsin}，n代表整体数据规模，mmsi去重便是轨迹数据中船舶数量。通过时空索引网格序列代替冗余的船舶位置信息，以便后续通过网格索引对轨迹数据进行统计分析，减小数据规模，降低数据计算量。
63.(3)基于船舶航行速度特征和网格索引筛选船舶航行轨迹。通过设置最小航行速度阈值，结合滞留轨迹时空网格轨迹序列的连续网格索引保持一致的时空特征，检验每艘船舶时空网格索引一致性，过滤掉停留轨迹点和锚泊的轨迹点，筛选出船舶航行轨迹，以避免移动目标间伴随滞留的情况。
64.通过对轨迹数据进行数据预处理与转换，无价值点可以基本清除，减少后续模式挖掘计算量，提高了挖掘效率。
65.二、基于时空网格统计特征的船舶轨迹过滤与伴随筛选
66.伴随模式可理解为移动目标在邻近时间与邻近空间的时空条件约束下连续移动足够长距离的运动现象，其特征即在时空特征及运动特征上具有高度相关性。由此可以设计过滤规则生成模式挖掘对象候选集，具体步骤如下：
67.(1)基于伴随模式特征的短航程船舶时空轨迹剔除。利用步长为2的滑动窗口对初始候选集内的每艘船舶进行船舶时空网格轨迹序列去重处理，当窗口内网格索引相同时仅保留一个，即每艘船舶连续在同一网格航行时仅保留一个网格索引记录，以缩小数据规模且保留了网格序列的时序性。通过对各船舶的网格序列grid id＝{grid id1,grid id2,
…
,grid idn}中的连续重复网格索引进行去重，得到新的网格序列，记为grid id_，通过设置阈值筛选出网格轨迹序列长度len(grid id)大于等于长度阈值δl的船舶，以剔除不能满足伴随移动一定航程的船舶轨迹。
68.(2)基于时间维度特征的船舶轨迹伴随模式初始候选集生成。首先对各船舶时空轨迹的时间特征进行处理，从船舶航行轨迹数据集内任意提取一艘船作为主目标，其他作为副目标，匹配主目标与副目标的公共时间区间，当公共时间区间小于时间阈值δt要求时，跳过后续处理过程，筛选出满足公共时间区间大于等于伴随时间阈值的主、副目标作为关联船舶，遍历整个船舶航行轨迹数据集，生成基于伴随时间特征筛选的船舶轨迹伴随模式初始候选集。
69.(3)基于空间网格统计的船舶轨迹伴随模式强关联候选集生成。从对{grid id，mmsi}两个字段设计过滤规则实现邻近距离约束的角度出发，统计各船舶去重后的网格序列grid id_，通过遍历各关联船舶的网格序列，计算序列间的公共元素个数，然后将满足公共元素个数阈值δσ的关联船舶作为挖掘对象强关联候选集记录下来，并更新初始候选集。例如，生成由mmsi构成的移动主目标mmsia的伴随模式强关联候选集，记为
[0070][0070]70.|mmsia|表示海上移动通信业务标识数字码的数值大小，且要求|mmsia|＞|mmsia|，以避免后续重复记录，该过滤规则通过缩小后序挖掘对象以减少计算量。
[0071]
最终经过遍历并更新各船舶的初始候选集，可以过滤掉空间维度低关联强度的船舶对，得到时空特征上满足船舶伴随模式要求的关联船舶强关联候选集，提高模式挖掘的精确度，减小挖掘数据的冗余度。
[0072]
三、基于多特征网格相似性的船舶伴随模式检测
[0073]
为了从候选集中挖掘出船舶伴随模式，基于伴随模式在船舶时空维度与运动属性上具有高度相关性的特征，结合船舶轨迹时空网格的特性，提出利用最长公共子序列(lcss)距离度量多特征网格序列相似性的方法，挖掘船舶伴随模式，具体步骤如下：
[0074]
(1)构建基于网格索引的多特征船舶运动网格。通过对去重后的各移动目标网格索引序列grid id_进行统计分析，计算出各移动目标在其所经各网格的运动信息，其中包括平均航速、平均航向，构建多特征船舶运动网格，其中包括4个特征，如表1所示。
[0075][0076]
表1各移动目标在其所经网格的运动信息
[0077]
(2)基于改进最长公共子序列算法的轨迹多特征网格序列距离度量。传统的最长公共子序列算法是计算两字符串间相同字符数量来表达两个字符串的相似程度，例如，给定两个集合x，y，长度分别为i和j，最长公共子序列计算公式为：
[0078][0079]
其中lcss[i][j]表示xi和yj的lcs的长度。但是上述两个集合内元素均为一维，为了适应多特征网格序列的相似性度量，算法需要加以改进。在关联船舶轨迹进行匹配时，既要要求网格索引一致，而且要判断关联船舶在各公共网格内运动特征的关联性，要求同一网格内运动特征近似，即两移动目标在同一网格内的平均航向差与平均航速差分别满足阈值δθ与δv的约束。于时，可以得到改进后的最长公共子序列算法，例如，给定一对关联船舶网格轨迹序列
[0080]
tra＝{(x，y)a，mmsia，timea，latitudea，longitudeadirectiona，headinga，speeda}，
[0081]
tra＝{(x，y)a，mmsia，timea，latitudea，longitudeadirectiona，headinga，speeda}，网格索引分别为grid ida＝(x，y)a，grid ida＝(x，y)a，两船舶网格轨迹序列最长公共子序列的计算公式为：
[0082][0083]
其中lcss[i][j]表示tra和tra的最长公共子序列的长度，当且仅当判断条件均符合要求时，最长公共子序列长度加1。由于最长公共子序列的元素顺序在两个集合中出现的顺序一致，即最长公共子序列是个矢量，可以排除两个移动目标相向航行的情况。经过计算得到各关联船舶间的多特征时空网格轨迹序列距离。
[0084]
(3)基于多特征网格序列距离的船舶轨迹伴随模式检测。通过改进后最长公共子序列满足一定关联强度船舶对的最长公共子序列作为伴随模式的支持度，对模式支持度进行过滤，当支持度满足伴随航程要求时，计算出两条轨迹的相似性作为伴随模式置信度，关联船舶轨迹相似性的计算公式为：
[0085][0086]
将生成的伴随模式关联船舶信息按置信度降序排序，可以得到各关联强度的船舶伴随模式，将识别出的伴随模式移动目标时空轨迹信息整理并储存。
[0087]
通过时空轨迹特征与伴随模式时空特征设置过滤规则，通过在时空与航程特征上设置约束，从数据源头减少计算数据规模，减少了算法整体计算量，提高了算法效率；基于改进最长公共子序列，度量网格轨迹序列相似性的模式挖掘方法，相比于其他距离度量方法对离散轨迹点及噪声点具有鲁棒性；基于多特征网格序列相似性表达轨迹相似程度的挖掘船舶伴随模式方法，时间复杂度优于传统的聚类-取交集、运动属性矩阵等挖掘方法，比传统仅考虑时空属性的方法对伴随模式检测更全面、更精确。
[0088]
在一实施例中，基于轨迹特征挖掘的船舶伴随模式检测方法包括步骤：获取船舶ais时空轨迹数据；对船舶ais时空轨迹数据进行数据预处理和时空网格序列转换，得到船舶航行轨迹；基于时空索引统计特征对船舶航行轨迹进行过滤处理与伴随筛选，得到船舶轨迹伴随模式的强关联候选集；基于多特征网格相似性从强关联候选集检测出多种关联强度的船舶伴随模式。对船舶ais时空轨迹数据进行数据预处理和时空网格序列转换，包括步骤：对船舶ais时空轨迹数据进行去噪清洗，以删除格式错误数据、重复数据、冗余数据和离群异常点，稀疏轨迹段进行插值处理，将船舶ais时空轨迹数据中每个移动目标的轨迹点按时间顺序排序得到清洗后的时空轨迹点；基于船舶尺寸与运动特征，选取网格精度，对全球进行网格化处理，以构建时空网格索引，将清洗后的时空轨迹点转换为时空网格轨迹序列；基于船舶航行速度特征和时空网格索引从时空网格轨迹序列筛选出船舶航行轨迹。
[0089]
在一实施例中，基于轨迹特征挖掘的船舶伴随模式检测方法包括步骤：获取船舶
ais时空轨迹数据；对船舶ais时空轨迹数据进行数据预处理和时空网格序列转换，得到船舶航行轨迹；基于时空索引统计特征对船舶航行轨迹进行过滤处理与伴随筛选，得到船舶轨迹伴随模式的强关联候选集；基于多特征网格相似性从强关联候选集检测出多种关联强度的船舶伴随模式。对船舶ais时空轨迹数据进行数据预处理和时空网格序列转换，包括步骤：对船舶ais时空轨迹数据进行去噪清洗，以删除格式错误数据、重复数据、冗余数据和离群异常点，稀疏轨迹段进行插值处理，将船舶ais时空轨迹数据中每个移动目标的轨迹点按时间顺序排序得到清洗后的时空轨迹点；基于船舶尺寸与运动特征，选取网格精度，对全球进行网格化处理，以构建时空网格索引，将清洗后的时空轨迹点转换为时空网格轨迹序列；基于船舶航行速度特征和时空网格索引从时空网格轨迹序列筛选出船舶航行轨迹。基于船舶航行速度特征和时空网格索引从时空网格轨迹序列筛选出船舶航行轨迹，包括步骤：设置最小航行速度阈值，结合滞留轨迹时空网格轨迹序列的连续网格索引保持一致的时空特征，检验每艘船舶时空网格索引一致性，过滤掉停留轨迹点和锚泊的轨迹点，筛选出船舶航行轨迹。
[0090]
在一实施例中，基于轨迹特征挖掘的船舶伴随模式检测方法包括步骤：获取船舶ais时空轨迹数据；对船舶ais时空轨迹数据进行数据预处理和时空网格序列转换，得到船舶航行轨迹；基于时空索引统计特征对船舶航行轨迹进行过滤处理与伴随筛选，得到船舶轨迹伴随模式的强关联候选集；基于多特征网格相似性从强关联候选集检测出多种关联强度的船舶伴随模式。基于时空索引统计特征对船舶航行轨迹进行过滤处理与伴随筛选，包括步骤：基于伴随模式特征剔除船舶航行轨迹中的短航程船舶时空轨迹；对船舶航行轨迹进行筛选处理，得到基于伴随时间特征筛选的船舶轨迹伴随模式的初始候选集；对初始候选集基于空间网格统计，得到船舶轨迹伴随模式的强关联候选集。
[0091]
在一实施例中，基于轨迹特征挖掘的船舶伴随模式检测方法包括步骤：获取船舶ais时空轨迹数据；对船舶ais时空轨迹数据进行数据预处理和时空网格序列转换，得到船舶航行轨迹；基于时空索引统计特征对船舶航行轨迹进行过滤处理与伴随筛选，得到船舶轨迹伴随模式的强关联候选集；基于多特征网格相似性从强关联候选集检测出多种关联强度的船舶伴随模式。基于多特征网格相似性从强关联候选集检测出多种关联强度的船舶伴随模式，包括步骤：构建基于网格索引的船舶运动多特征时空网格；根据船舶运动多特征时空网格从强关联候选集中提取关联船舶；计算关联船舶时空网格序列的最长公共子序列作为伴随模式的支持度，对模式支持度进行过滤，当支持度满足伴随航程要求时，计算关联船舶的轨迹相似性作为伴随模式置信度，根据伴随模式置信度得到不同关联强度的船舶伴随模式。
[0092]
在一实施例中，基于轨迹特征挖掘的船舶伴随模式检测方法包括步骤：获取船舶ais时空轨迹数据；对船舶ais时空轨迹数据进行数据预处理和时空网格序列转换，得到船舶航行轨迹；基于时空索引统计特征对船舶航行轨迹进行过滤处理与伴随筛选，得到船舶轨迹伴随模式的强关联候选集；基于多特征网格相似性从强关联候选集检测出多种关联强度的船舶伴随模式。基于时空索引统计特征对船舶航行轨迹进行过滤处理与伴随筛选，包括步骤：基于伴随模式特征剔除船舶航行轨迹中的短航程船舶时空轨迹；对船舶航行轨迹进行筛选处理，得到基于伴随时间特征筛选的船舶轨迹伴随模式的初始候选集；对初始候选集基于空间网格统计，得到船舶轨迹伴随模式的强关联候选集。
[0093]
对船舶航行轨迹伴随筛选处理，得到基于伴随时间筛选的船舶轨迹伴随模式的初始候选集，包括步骤：对各船舶时空轨迹的时间特征进行处理，从船舶航行轨迹数据集内任意提取一艘船作为主目标，其他作为副目标，匹配主目标与副目标的公共时间区间，筛选出满足公共时间区间大于等于伴随时间阈值的主、副目标作为关联船舶，遍历整个船舶航行轨迹数据集，生成基于伴随时间特征筛选的船舶轨迹伴随模式初始候选集。
[0094]
在一实施例中，基于轨迹特征挖掘的船舶伴随模式检测方法包括步骤：获取船舶ais时空轨迹数据；对船舶ais时空轨迹数据进行数据预处理和时空网格序列转换，得到船舶航行轨迹；基于时空索引统计特征对船舶航行轨迹进行过滤处理与伴随筛选，得到船舶轨迹伴随模式的强关联候选集；基于多特征网格相似性从强关联候选集检测出多种关联强度的船舶伴随模式。基于时空索引统计特征对船舶航行轨迹进行过滤处理与伴随筛选，包括步骤：基于伴随模式特征剔除船舶航行轨迹中的短航程船舶时空轨迹；对船舶航行轨迹伴随筛选处理，得到基于伴随时间筛选的船舶轨迹伴随模式的初始候选集；对初始候选集基于空间网格统计进行处理，得到船舶轨迹伴随模式的强关联候选集。对初始候选集基于空间网格统计进行处理，得到船舶轨迹伴随模式的强关联候选集，包括步骤：统计各船舶去重后的网格序列，计算各关联船舶网格序列间的公共元素个数，将小于公共元素个数阈值的关联船舶从初始候选集内剔除，然后将大于公共元素个数阈值的关联船舶作为模式挖掘候选对象，更新初始候选集；遍历初始候选集，以过滤掉空间维度低关联强度的船舶对，得到时空特征上满足船舶伴随模式要求的关联船舶强关联候选集。
[0095]
本发明还提供了一种基于轨迹特征挖掘的船舶伴随模式检测系统，包括：数据获取模块，用于获取船舶ais时空轨迹数据；船舶航行轨迹提取模块，与数据获取模块通信连接，船舶航行轨迹提取模块用于对船舶ais时空轨迹数据进行数据预处理和时空网格序列转换，得到船舶航行轨迹；强关联候选集提取模块，与船舶航行轨迹提取模块通信连接，强关联候选集提取模块用于基于时空索引统计特征对船舶航行轨迹进行过滤处理与伴随筛选，得到船舶轨迹伴随模式的强关联候选集；船舶伴随模式检测模块，与强关联候选集提取模块通信连接，船舶伴随模式检测模块用于基于多特征网格相似性从强关联候选集检测出多种关联强度的船舶伴随模式。
[0096]
本发明还提供了一种基于轨迹特征挖掘的船舶伴随模式检测系统，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述的基于轨迹特征挖掘的船舶伴随模式检测方法。
[0097]
处理器和存储器可以通过总线或者其他方式连接。
[0098]
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0099]
需要说明的是，本实施例中的基于轨迹特征挖掘的船舶伴随模式检测系统，可以包括有业务处理模块、边缘端数据库、服务端版本信息寄存器、数据同步模块，处理器执行计算机程序时实现如上述应用在基于轨迹特征挖掘的船舶伴随模式检测系统的基于轨迹
特征挖掘的船舶伴随模式检测方法。
[0100]
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0101]
此外，本发明的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个处理器或控制器执行，例如，被上述终端实施例中的一个处理器执行，可使得上述处理器执行上述实施例中的基于轨迹特征挖掘的船舶伴随模式检测方法。
[0102]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
[0103]
以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。
[0104]
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。