1. 研究目的与意义（文献综述）

随着国际贸易的发展，水上运输业务日益增多，船舶大型化、高速化、多样化成为必然的趋势，船舶交通事故的发生概率进一步增大，对船舶异常行为进行研究是水上安全监控和管理的重要内容。近年来，随着船舶自动识别系统（automatic identification system，ais）设备的强制安装，大量与船舶行为有关的数据越来越便于获取，ais系统不仅是海事监控的主要数据来源，也是保障航行安全的主要手段。因此，对基于ais的船舶航行数据进行建模分析并识别出船舶的异常行为，是目前水上交通领域的研究热点之一，这有助于提高海事部门监管的有效性，确保船舶交通安全。

许多学者采用轨迹聚类方法从ais数据中提取典型运动模式。肖潇等结合hausdorff与结构相似度优化相似性度量，采用dbscan算法进行轨迹聚类，然后运用扫描线来获取典型运动轨迹。胡智辉等在此基础上统计每条船舶轨迹与船舶典型轨迹模型的距离、航向和航速偏差，根据准确率和误报警率来确定最优偏差阈值，从而达到智能识别出船舶异常行为的效果。这种方法可以从整体上判别轨迹的偏差情形，但对于局部异常行为的判别效果较弱。

除了轨迹聚类方法，国内外学者运用各种统计方法对船舶异常行为进行检测。甄荣等利用统计学中曲线拟合的最小二乘法对训练集船舶轨迹点进行拟合，得到船舶典型轨迹的数学表达模型，将偏离典型轨迹95%置信区间的船舶行为识别为异常，这种方法对于船舶位置异常检测简单有效，但是没有考虑航速、航向及其他因素的影响；laxhammar采用混合高斯模型（gaussian mixture model，gmm）对正常船舶轨迹点的位置和速度特征建模，假定正常运动的船舶轨迹点服从混合高斯分布，则处于低密度区的船舶的行为判定为异常，这种方法对轨迹点的分布有假设，对数据的要求较高；ristic等采用核密度估计方法对正常船舶轨迹点的特征值建模，处于低密度区域的船舶行为被认定为异常；lane等采用贝叶斯网络检测异常行为，使用条件概率来度量船舶行为的正常程度。

2. 研究的基本内容与方案

研究的基本内容：对ais数据进行解码和预处理，得到包括船舶类型、经纬度、航速、航向在内的轨迹数据，将行为异常和轨迹异常融合分析，通过一定规则将轨迹和海域进行网格划分，利用空间相似度对网格内的轨迹点完成正常轨迹行为建模，据此建立异常行为判别模型，最后对待测数据进行检测，验证模型的可行性。

研究的目标：建立船舶行为异常检测模型，对待检测的实时船舶数据进行计算分析，以提前判别异常行为的存在并采取相应的措施减少损失。

拟采用的技术方案及措施：

3. 研究计划与安排

第1－3周：查阅有关ais数据及船舶异常检测的文献资料，明确研究的主要内容，了解行业背景，学习研究所需的理论知识和方法。

第4－5周： 完成一篇与研究内容有关的英文文献的翻译工作，确定自己详细的研究方案，撰写毕业论文开题报告，并着手数据的收集。

第6－8周：利用matlab或r软件对ais数据进行解码和清洗，对处理过的数据建模并得到初步结果。

4. 参考文献（12篇以上）

[1] 肖潇 ,邵哲平,潘家财,等. 基于ais信息的船舶轨迹聚类模型及应用[j].中国航海.2015.38（2）:82-86

[2] 胡智辉. 基于轨迹聚类的船舶异常行为识别研究[d].集美大学,2017.

[3] 甄荣,邵哲平,潘家财, 等.基于统计学理论的船舶轨迹异常识别[j].集美大学学报（自然科学版）,2015,20(3):193-197.