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。

以上异常检测方法在选取轨迹点特征时忽略了船舶行为的连续性和自相关性，导致操纵异常行为无法检测。针对这个问题，马文耀等在船舶轨迹点中引入能够体现操纵模式的特征，以转向行为与变速行为度量了操纵行为相似性，将空间位置相似性与操纵行为相似性进行组合，定义了船舶综合行为相似性，通过一致性预测对异常行为进行检验。但是这种算法要求常态数据满足独立同分布，条件性较高。

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：

1、首先考虑将船舶的运动轨迹视为M个直航段进行分段拟合。混合高斯分布可用均值和协方差来表示位置特征值，且不依赖于先验知识，与分段拟合相比光滑度更高。因此选用混合高斯模型进行船舶轨迹建模。

2、根据拟合轨迹对海域进行网格划分。首先将拟合轨迹根据相邻点切线的变化幅度划分成子轨迹段，注意子轨迹段的长度不宜过长或过短；然后根据子轨迹的走向和轨迹点的边界设置网格，网格的其中一条边与子轨迹段大致平行。

3、对划分后的每块网格单独分析，利用网格内每个轨迹点的船舶类型、经纬度、航速、航向等数据建立船舶行为参数，综合考虑原始数据和行为参数构造空间相似度模型，完成网格内船舶的正常行为建模。