位置不确定移动时空轨迹频繁模式挖掘_王亮

时空轨迹序列模式挖掘方法综述第一个方面是轨迹压缩。

由于时空轨迹数据量庞大，直接进行模式挖掘会消耗大量的计算资源。

因此，需要对轨迹数据进行压缩，减少数据量的同时保留重要的信息。

常用的压缩方法包括基于采样的方法和基于地理信息的方法。

基于采样的方法通过保留轨迹中的关键点来实现数据压缩，可以减少数据量，提高运行效率。

而基于地理信息的方法则依靠地理信息的特点来进行数据压缩，例如利用地理网格进行数据表示。

这些方法可以根据应用场景和需求选择使用。

第二个方面是轨迹分段。

时空轨迹往往由多个片段组成，每个片段表示相对连续的轨迹段。

轨迹分段的目的是提取片段内的重要特征，进而发现轨迹模式。

常见的轨迹分段方法有基于距离的方法和基于速度的方法。

基于距离的方法通过计算轨迹点之间的距离来确定分段点，可以保留轨迹的几何特征。

而基于速度的方法则是通过计算轨迹点之间的速度来确定分段点，可以更好地反映轨迹的运动特征。

这些方法可以根据轨迹数据的具体特点选择使用。

第三个方面是模式挖掘。

在确定好轨迹分段后，可以通过模式挖掘方法来发现轨迹数据中的有用模式。

模式挖掘方法可以分为有监督和无监督两种。

有监督的方法需要事先给定一种模式，然后利用机器学习等方法来训练模型，从而识别出这种模式。

无监督的方法则是通过统计分析等方法来从数据中发现潜在的模式。

常用的模式挖掘方法包括频繁模式挖掘、聚类分析等。

这些方法可以根据需求和目标选择使用。

综上所述，时空轨迹序列模式挖掘是一种重要的数据挖掘方法，可以从大规模的时空轨迹数据中发现有用的模式。

它包括轨迹压缩、轨迹分段和模式挖掘三个方面的内容。

轨迹压缩可以减少数据量，轨迹分段可以提取轨迹特征，而模式挖掘可以发现轨迹数据中的有用模式。

根据应用场景和需求可以选择不同的方法进行使用。

通过时空轨迹序列模式挖掘，可以为交通管理、城市规划、环境监测等领域提供有益的信息和决策支持。

第４５卷第６期２０２３年１２月指挥控制与仿真ＣｏｍｍａｎｄＣｏｎｔｒｏｌ＆ＳｉｍｕｌａｔｉｏｎＶｏｌ ４５㊀Ｎｏ ６Ｄｅｃ ２０２３文章编号：１６７３⁃３８１９（２０２３）０６⁃００６４⁃０６基于航迹挖掘的船舶行为估计方法及软件实现梁晶晶，魏㊀乾（中国人民解放军９１００１部队，北京㊀１０００３６）摘㊀要：船舶活动规律分析尤其是船舶的行为研判问题，一直是研究的难点㊂聚焦船舶的活动规律分析问题，提出了一种基于大量船舶历史航迹聚类的频繁模式挖掘方法，用于对船舶未来行为进行估计，并给出了软件实现㊂首先提出航迹的综合相似性度量方法，并介绍基于航迹聚类的频繁模式挖掘含义；其次对经典密度聚类算法进行适应性改造，给出基于综合相似性的聚类算法的实施方法；然后，提取虚拟主干航迹计算最相似簇，经统计得出对当前船舶行为的估计结果；最后，给出了基于Ｃ／Ｓ架构的软件总体设计和试验效果㊂试验表明该方法能够给出航迹关联行为描述，软件得到的行为估计结果能够辅助研判㊂关键词：船舶行为估计；频繁模式挖掘；综合相似度；聚类；软件设计中图分类号：Ｕ６７５ ７９㊀㊀㊀㊀文献标志码：Ａ㊀㊀㊀㊀ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１６７３⁃３８１９．２０２３．０６．１０ＳｈｉｐｂｅｈａｖｉｏｒｅｓｔｉｍａｔｉｏｎｍｅｔｈｏｄａｎｄｓｏｆｔｗａｒｅｉｍｐｌｅｍｅｎｔａｔｉｏｎｂａｓｅｄｏｎｔｒａｃｋｍｉｎｉｎｇＬＩＡＮＧＪｉｎｇｊｉｎｇ，ＷＥＩＱｉａｎ（Ｕｎｉｔ９１００１ｏｆＰＬＡ，Ｂｅｉｊｉｎｇ１０００３６，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｉｔｉｓａｌｗａｙｓｄｉｆｆｉｃｕｌｔｔｏａｎａｌｙｚｅｔｈｅｌａｗｏｆｓｈｉｐｍｏｖｅｍｅｎｔ，ｅｓｐｅｃｉａｌｌｙｔｈｅｂｅｈａｖｉｏｒｏｆｓｈｉｐ．Ｉｎｔｈｉｓｐａｐｅｒ，ａｆｒｅ⁃ｑｕｅｎｔｐａｔｔｅｒｎｍｉｎｉｎｇｍｅｔｈｏｄｂａｓｅｄｏｎａｌａｒｇｅｎｕｍｂｅｒｏｆｈｉｓｔｏｒｉｃａｌｔｒａｃｋｃｌｕｓｔｅｒｉｎｇｏｆｓｈｉｐｓｉｓｐｒｏｐｏｓｅｄｔｏｅｓｔｉｍａｔｅｔｈｅｆｕｔｕｒｅｂｅｈａｖｉｏｒｏｆｓｈｉｐｓ，ａｎｄｔｈｅｓｏｆｔｗａｒｅｉｍｐｌｅｍｅｎｔａｔｉｏｎｉｓｐｒｅｓｅｎｔｅｄ．Ｉｎｔｈｉｓｐａｐｅｒ，ａｃｏｍｐｒｅｈｅｎｓｉｖｅｓｉｍｉｌａｒｉｔｙｍｅａｓｕｒｅｍｅｎｔｍｅｔｈｏｄｏｆｔｒａｃｋｉｓｐｒｏｐｏｓｅｄａｎｄｔｈｅｍｅａｎｉｎｇｏｆｆｒｅｑｕｅｎｔｐａｔｔｅｒｎｍｉｎｉｎｇｂａｓｅｄｏｎｔｒａｃｋｃｌｕｓｔｅｒｉｎｇｉｓｉｎｔｒｏｄｕｃｅｄ．Ｓｅｃｏｎｄｌｙ，ｔｈｅａｄａｐｔｉｖｅｔｒａｎｓｆｏｒｍａｔｉｏｎｏｆｔｈｅｃｌａｓｓｉｃａｌｄｅｎｓｉｔｙｃｌｕｓｔｅｒｉｎｇａｌｇｏｒｉｔｈｍｉｓｃａｒｒｉｅｄｏｕｔａｎｄｔｈｅｉｍｐｌｅｍｅｎｔａｔｉｏｎｍｅｔｈｏｄｏｆｔｈｅｃｌｕｓ⁃ｔｅｒｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｃｏｍｐｒｅｈｅｎｓｉｖｅｓｉｍｉｌａｒｉｔｙｉｓｇｉｖｅｎ．Ｔｈｅｎ，ｔｈｅｍｏｓｔｓｉｍｉｌａｒｃｌｕｓｔｅｒｏｆｖｉｒｔｕａｌｔｒｕｎｋｔｒａｃｋｃａｌｃｕｌａｔｉｏｎｉｓｅｘｔｒａｃｔｅｄ，ａｎｄｔｈｅｅｓｔｉｍａｔｉｏｎｒｅｓｕｌｔｓｏｆｃｕｒｒｅｎｔｓｈｉｐｂｅｈａｖｉｏｒａｒｅｏｂｔａｉｎｅｄｂｙｓｔａｔｉｓｔｉｃｓ．Ｆｉｎａｌｌｙ，ｔｈｅｓｏｆｔｗａｒｅｄｅｓｉｇｎａｎｄｔｅｓｔｒｅｓｕｌｔｓｂａｓｅｄｏｎＣ／Ｓａｒｃｈｉｔｅｃｔｕｒｅａｒｅｇｉｖｅｎ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｉｓｍｅｔｈｏｄｃａｎｄｅｓｃｒｉｂｅｔｈｅｂｅｈａｖｉｏｒｏｆｔｒａｃｋａｓ⁃ｓｏｃｉａｔｉｏｎ，ａｎｄｔｈｅｂｅｈａｖｉｏｒｅｓｔｉｍａｔｉｏｎｒｅｓｕｌｔｓｏｂｔａｉｎｅｄｂｙｔｈｅｓｏｆｔｗａｒｅｃａｎａｓｓｉｓｔｔｈｅｒｅｓｅａｒｃｈａｎｄｊｕｄｇｍｅｎｔ．Ｋｅｙｗｏｒｄｓ：ｓｈｉｐｂｅｈａｖｉｏｒｅｓｔｉｍａｔｉｏｎ；ｆｒｅｑｕｅｎｔｐａｔｔｅｒｎｍｉｎｉｎｇ；ｃｏｍｐｒｅｈｅｎｓｉｖｅｓｉｍｉｌａｒｉｔｙ；ｃｌｕｓｔｅｒｉｎｇ；ｓｏｆｔｗａｒｅｄｅｓｉｇｎ收稿日期：２０２３⁃０５⁃１０修回日期：２０２３⁃０６⁃１４作者简介：梁晶晶（１９８２ ），男，高级工程师，研究方向为指挥信息系统㊂魏㊀乾（１９７４ ），男，正高级工程师㊂㊀㊀随着计算机网络和数字通讯技术的进步，诞生了船舶自动识别系统（ＡｕｔｏｍａｔｉｃＩｄｅｎｔｉｆｉｃａｔｉｏｎＳｙｓｔｅｍ，ＡＩＳ），使人们能够实时掌握船舶的基本信息㊁具体位置㊁运行状态和航向航速等，保障航行安全㊂同时，大数据技术分析ＡＩＳ的信息系统历史航迹数据，可以为海上目标活动规律分析提供数据支撑，使挖掘历史数据中的潜在知识以辅助未来情况研判成为可能㊂目前关于船舶历史数据的分析应用和基于大量数据的规律挖掘研究较多㊂唐艺灵等研究了通过ＡＩＳ数据聚类得出航迹点归属等级，计算异常值以给出区域告警的方法［１］；刘又嘉研究ＡＩＳ航迹并给出了航路提取方法并设计了航路提取系统［２］；孙杨研究了大数据船舶分析系统，实现了港口的识别和预测［３］；程立龙基于ＡＩＳ数据对船舶航迹停留特征进行了分析［４］；钟原等给出了面向海量ＡＩＳ数据的态势显示系统设计方法，基于共享内存管理提升了海量船舶数据显示的性能［５］；金梁对ＡＩＳ数据进行了可视化分析研究［６］㊂成磊峰㊁吴达等都基于历史数据进行了一些挖掘分析，以实现对实时目标的识别和预测［７⁃９］㊂由此可见，基于海量船舶历史数据挖掘的应用软件领域正在成为研究热点㊂虽然目前有不少关于船舶历史数据的分析研究，但是关于软件自动预判船舶活动行为一直是研究的难点㊂本文提出一种基于航迹频繁模式挖掘的船舶行为估计方法和软件实现流程，针对海量历史数据架构软件，拓展应用频繁模式挖掘等经典算法挖掘潜在规律，从航迹规律角度给出行为的估计结果，供用户分析参考㊂１㊀航迹频繁模式挖掘１ １㊀航迹的定义和表示船舶航迹数据可表示为以时间ｔ为自变量的连续函数ｆ（ｔ），通过船舶运动航迹函数模型实现从时间到空间的映射，获得指定时刻ｔ（ｔɪＲ＋）下船舶在所处空间Ｒｄ中的位置，其中ｄ是空间的维度（本文针对船舶活第６期指挥控制与仿真６５㊀动分析，活动空间为基于墨卡托投影的二维平面）㊂ｆｔ()：Ｒ＋ңＲｄ（１）理想的时空轨迹模型是连续的，但是ＡＩＳ船舶航迹是离散的数据点，因此，船舶航迹数据可以表示为Ｔ＝（ｘ１１， ，ｘｄ１，ｔ１），（ｘ１２， ，ｘｄ２，ｔ２）， ，（ｘ１ｎ， ，ｘｄｎ，ｔｎ）{}（２）其中，序列Ｔ的每一个元组表示船舶对象ｔｎ时刻在空间Ｒｄ中的位置信息㊂通常航迹数据是一种二维空间序列，记录了船舶在海上的历史经纬度坐标，能够在一定程度上反映船舶的运行情况和航路特征，但为了后续准确地分析，航速和航向等也成为组元的必要要素㊂１ ２㊀船舶航迹的综合相似性度量船舶航迹的相似性度量即航迹间的相似程度，是航迹聚类㊁异常分析等航迹数据挖掘应用的基础㊂最常见的航迹相似性度量是计算欧氏距离，它的优点是符合人类对于距离的理解，比较直观，也是很多其他相似性度量方法的基础㊂假设有两条长度相同的航迹Ｌｉ㊁Ｌｊ，则它们的相似性度量可以定义为ｄｉｓｔ（Ｌｉ，Ｌｊ）＝１ｎðｎｋ＝１ðｐｍ＝１ａｍｋ－ｂｍｋ()２（３）其中，ｎ为航迹的点数，ｐ为航迹的维度，对于ＡＩＳ船舶航迹而言，ｐ＝２㊂该方法计算简单，时间复杂度为Ｏ（ｎ），比较适合处理较大量的航迹数据，但这种计算前提是航迹点数相同，这对于ＡＩＳ种类的船舶航迹采样是不现实的㊂动态时间规整（ＤｙｎａｍｉｃＴｉｍｅＷａｒｐｉｎｇ，ＤＴＷ）算法是一种全区间变换对应相似的航迹相似性标识方法，它在时间维上，允许航迹数据进行局部拉伸或收缩，能够找到两个航迹序列的最佳对齐方式且保证航迹点时间顺序不变，定义如下［１０］：ＤＴＷ（Ｌｉ，Ｌｊ）＝０，ｍ＝０且ｎ＝０()ɕ，ｍ＝０或ｎ＝０()ｄｉｓｔＬｉ１，Ｌｊ１()＋ｍｉｎＤＴＷ（Ｒｅｓｔ（Ｌｉ），Ｒｅｓｔ（Ｌｊ））ＤＴＷ（Ｒｅｓｔ（Ｌｉ），Ｌｊ）ＤＴＷ（Ｌｉ，Ｒｅｓｔ（Ｌｊ））ìîíïïïïüþýïïïï，其他()ìîíïïïïïï（４）其中，ｍ和ｎ分别为航迹对象Ｌｉ和Ｌｊ的航迹点数目，ｄｉｓｔ（Ｌｉ，Ｌｊ）表示这对航迹第一个点之间的欧氏距离，Ｒｅｓｔ（Ｌｉ）和Ｒｅｓｔ（Ｌｊ）代表航迹Ｌｉ和Ｌｊ分别删除首点后的航迹子序列㊂若两条航迹点数均为０，则ＤＴＷ也为０；若有且仅有一条为０，则ＤＴＷ距离为无穷大；否则，就继续递归计算㊂根据ＤＴＷ公式，ＤＴＷ用于标识不等长航迹段之间的相似性，因此能够在时间维度上进行局部缩放后寻找到相似航迹，避免了采样率或尺度不同时难以计算航迹相似度的问题㊂然而，在实际应用中，通常会出现两艘船完全逆向航行，而ＤＴＷ值较小，即相似度较高的情况，然而这两条逆向航迹对应的行为往往不同㊂因此，航迹相似性度量不能单纯依靠位置相似度，考虑到ＡＩＳ船舶航迹信息中还包含航速㊁航向，可以将其引入相似度计算中来，通过归一化加权求和，获得航迹之间的综合相似性度量㊂如图１所示，航向ｃ由正北方向与船舶航向的顺时针夹角表示；航速ｖ在两个轴（即经纬度两个方向上）进行水平和垂直投影，即根据航向角度分解为两个航速分量ｖʊ和ｖʅ㊂ｖʊ＝ｖ㊃ｓｉｎｃ()ｖʅ＝ｖ㊃ｃｏｓｃ()（５）则不同航迹点ｉ，ｊ之间的速度差异可通过两个分量求差表示，如下式：Δｖʊ＝ｖｉʊ－ｖｊʊΔｖʅ＝ｖｉʅ－ｖｊʅ（６）那么加权求和为ｄＬｉ，Ｌｊ()＝ω１㊃Δｖʊ＋ω２㊃Δｖʅ＋ω３㊃ｄｉｓｔＬｉ，Ｌｊ()（７）将式（４）中的ｄｉｓｔＬｉ，Ｌｊ()替换成式（７）的ｄＬｉ，Ｌｊ()，即为航迹之间的综合相似性度量㊂式（７）中，权重因子满足ωｉȡ０，ｉ＝１，２，３，且ðωｉ＝１㊂另外，在航迹长度差别较大时，航迹距离与相似性度量的关联程度较低，为避免该问题，本文在计算相似度值时，采取航线截断处理的方式；而对于航迹点极少的航迹，不具有参考价值，本文不予考虑㊂图１㊀综合相似度计算Ｆｉｇ １㊀Ｃｏｍｐｒｅｈｅｎｓｉｖｅｓｉｍｉｌａｒｉｔｙｃａｌｃｕｌａｔｉｏｎ本文软件的航迹频繁模式，可获得同类航迹集合，以支撑后续分析㊂６６㊀梁晶晶，等：基于航迹挖掘的船舶行为估计方法及软件实现第４５卷２㊀基于航迹聚类的行为估计２ １㊀基于航迹综合相似度的密度聚类实现船舶活动的频繁区域和频繁路径挖掘研究常使用密度聚类算法㊂最经典的一种密度聚类算法是ＤＢＳＣＡＮ（Ｄｅｎｓｉｔｙ－ｂａｓｅｄＳｐａｔｉａｌＣｌｕｓｔｅｒｉｎｇｏｆＡｐｐｌｉｃａｔｉｏｎｓｗｉｔｈＮｏｉｓｅ），核心思想是通过定义密度可达㊁直接密度可达和密度相连等概念，以空间邻域为搜索半径，不断遍历符合条件的数据点，当数据集中遍历不到其余符合条件的点时则产生一个新的簇并继续遍历，直至遍历完所有点为止㊂该算法是预先设定两个参数Ｅｐｓ和ＭｉｎＰｔｓ，其中Ｅｐｓ表示扫描半径，也称邻域半径ε，ＭｉｎＰｔｓ表示最小包含点数阈值，用于筛选可以向外扩展的核心点㊂ＤＢＳＣＡＮ算法可以在噪声干扰下发现任意形状的样本集，即簇Ｃ，且具有不需要提前已知簇的数目的优点，非常适合通过航迹点进行频繁区域和路径挖掘的场景［１１⁃１２］㊂考虑航迹的综合相似性，为获取航迹分类，本文采用基于综合相似性度量改造ＤＢＳＣＡＮ算法，将符合聚类条件的综合相似性度量值的临界值抽象为算法中的邻域半径Ｅｐｓ，其余相关规定如下：１）邻近点距离：由一个距离函数计算任意两航迹ｐ和ｑ的综合相似度，标记为Ｄ（ｐ，ｑ）㊂２）邻近点：指对于任意的航迹ｐ和ｑ，抽象为符合条件｛ｑɪＴ｜Ｄ（ｐ，ｑ）ɤＥｐｓ｝（即距离核心对象综合相似性度量值小于Ｅｐｓ的航迹集合）㊂３）核心对象：如若给定对象ε圆形邻域内的样本数量不小于给定的ＭｉｎＰｔｓ，则称其为核心对象，此时本质为航迹㊂４）直接密度可达：给定一个航迹对象集合Ｔ包含ｐ和ｑ，假定ｐ在ｑ的ε邻域内，且ｑ为该航迹集中的一个核心对象，则称ｐ从ｑ出发是直接密度可达的㊂５）密度可达：对于航迹样本集合Ｔ包含一个 点对象链ｐ１，ｐ２，ｐ３ ，ｐｎ，ｐ１＝ｑ，ｐｎ＝ｐ对于ｐｉɪＤ１ɤｉɤｎ()ｐｉ＋１，ｐｉ＋１是从ｐｉ关于ε邻域和ＭｉｎＰｔｓ直接密度可达，则ｐ是从ｑ关于ε和ＭｉｎＰｔｓ密度可达㊂６）密度相连：如果存在航迹对象ｏɪＴ，使ｐ和ｑ都是从ｏ关于ε和ＭｉｎＰｔｓ密度可达的，那么对象ｐ到ｑ是关于ε和ＭｉｎＰｔｓ密度相连㊂７）基于密度的簇：通常是满足下列条件之一：ａ ∀ｐ，ｑ，如果ｐ，ｑɪＣ，并且ｐ在符合Ｅｐｓ和ＭｉｎＰｔｓ条件下，ｐ直接密度可达ｑ㊂ｂ ∀ｐ，ｑɪＣ：ｐ是在符合Ｅｐｓ和ＭｉｎＰｔｓ条件下的密度相连的点㊂８）边界点：如果ｐ点满足ｐ不是核心点，ｐ密度可达其他的核心点，则ｐ称为边界点㊂９）噪声点：对于数据集Ｔ聚成的簇Ｃ１， ，Ｃｋ，噪声点表示不属于任何簇Ｃｋ，即ｉ＝１， ，ｋ，ｎｏｉｓｅ＝ｐɪＴ｜∀ｉ：ｐ∉Ｃｉ{}，此时指不满足条件ｓ的航迹㊂２ ２㊀实施步骤聚类结果结构如图２所示，聚类结果在海图上的显示结果如图３所示㊂改造的聚类算法实施步骤如下㊂图２㊀聚类结果结构图Ｆｉｇ ２㊀Ｓｔｒｕｃｔｕｒｅｄｉａｇｒａｍｏｆｃｌｕｓｔｅｒｉｎｇｒｅｓｕｌｔ图３㊀部分聚类航迹显示效果图Ｆｉｇ ３㊀Ａｒｅｓｕｌｔｇｒａｐｈｏｆｐａｒｔｉａｌｔｒａｃｋｃｌｕｓｔｅｒｉｎｇ１）分类提取航迹：对选定区域的ＡＩＳ船舶分类提取航迹，是因为不同国籍㊁类型的船舶，通常会有不同的任务，即船舶的行为会不同㊂因此频繁航线㊁目的地以及热点活动区域等也会有所不同，将它们的历史航迹不作区分放在一起进行规律挖掘，增加挖掘难度，显然不具有客观性㊂比如商船往往选择始发地和目的港口之间的最近㊁最安全航路航行；美日参与军事行动的海洋监测船，通常在一些争议区域游弋或者拖缆㊂因此，可以预先在选定区域根据船舶属国㊁类型进行分类第６期指挥控制与仿真６７㊀提取，以增加后续挖掘规律等研究结果的可靠性㊂２）航迹预处理：考虑到短时间的ＡＩＳ船舶航迹数据挖掘，结果可能缺少说服力，而长时段大批量的航迹，计算起来又比较耗时，因此，对提取到的航迹数据进行过滤和稀释处理㊂这样能够剔除掉航迹集中的飞点且在保留航迹关键特征点的前提下，滤除一些点，使计算压力减小㊂３）ＤＢＳＣＡＮ聚类处理：将ＤＢＳＣＡＮ应用于船舶航迹聚类，参数Ｅｐｓ反映的是不同航迹聚成一类需满足的最低相似程度，而ＭｉｎＰｔｓ刻画的是不同航迹聚成一类需满足的最少数量，航迹之间综合相似性度量值Ｄｐ，ｑ()可由式（２）和（７）计算得到㊂挖掘算法服务会将聚合为一类的航迹移动并标识到一个簇号下㊂聚类的结果就是形成不同的簇文件㊂算法提取一簇航迹，也可以用来表示一类航迹的活动热点区域或航路特征㊂噪声点作为无法归类的航迹，不作为后续行为分析的凭据㊂２ ３㊀行为估计实现方法首先，对于提取的所有关注船舶的历史航迹，需要进行行为标注㊂标注是在接入ＡＩＳ数据的海洋信息系统上进行的，是日常积累的结果㊂所有被标记的目标航迹都会在数据库中记录，而缺少人为标注的关注目标航迹，在该段航迹入库结束后，系统根据ＡＩＳ所报始发点和目的地给出默认标记㊂其次，在聚类挖掘形成的多个簇中，提取每个簇的虚拟主干航迹，以表征航迹簇的整体特征［１３］㊂如图４所示，平均航向用蓝色箭头表示，橘黄色线与平均航向垂直，红色轨迹表示通过计算每一航迹点的平均值得到的平均航迹，具体步骤描述如下：图４㊀主干航迹计算Ｆｉｇ ４㊀Ｔｒｕｎｋｔｒａｃｋｃａｌｃｕｌａｔｉｏｎ１）通过某一簇内所有航迹向量求出平均向量；２）用一条扫描线，扫描该簇内的各条航迹线：每次扫过一条航迹的起止点时都进行一次判断，若此时与扫描线相交的航迹条数大于等于最小线段阈值，记为ＭｉｎＬｎｓ，则根据各交点计算一个中心点并记录在列表中，否则就忽略㊂算法最终生成点迹列表，即为虚拟主干航迹的点集㊂然后，算法计算当前目标船舶的已知航迹与同类船舶各个簇提取的虚拟主干航迹的综合相似性㊂最后，算法取与当前目标船舶的已知航迹相似度最高（即综合相似性度量值最小）的簇，统计簇中各航迹的所标记的行为，将按在该簇中所占比例由高到低排列㊂由此，算法估计当前船舶的未来行为，选择占比较高的行为进行预测㊂３㊀软件实现３ １㊀软件架构基于上述方法，软件采用Ｃ／Ｓ三层架构设计，具体设计如图５所示㊂图５㊀软件架构Ｆｉｇ ５㊀Ｓｏｆｔｗａｒｅａｒｃｈｉｔｅｃｔｕｒｅ用户界面层即为客户端，主要包括地图态势显示软件和行为显示软件界面，用来支持用户拾取目标㊁查看可视化结果㊁展示行为估计结果等㊂行为结果显示软件采用饼状图的形式，展示经过后台挖掘分析之后，得到的可能性最高的几个行为以及占比情况，输出示意如图６所示㊂客户端通过数据访问服务接口连接业务服务层㊂业务服务层主要提供数据的入库服务㊁数据查询服务㊁频繁模式挖掘服务和计算统计服务等算法服务㊂数据入库服务支持对实时目标航迹的预处理和存储；数据查询服务支持分类提取航迹数据并进行稀释等预处理；频繁模式挖掘服务支持进行标记历史航迹间的相似度计算和聚类处理（由于计算量大，给出设置接口，默认每天空闲时间根据新增数据进行一次挖掘，得到的分类结果或其他规律（如热点区域）可以供前台请求并显示，也可以供其他服务进一步计算分析）；计算统计服务提供提取主干航迹㊁计算相似度和统计结果等算法㊂数据存储层采用ＭｙＳＱＬ存储目标静态信息和标６８㊀梁晶晶，等：基于航迹挖掘的船舶行为估计方法及软件实现第４５卷记信息，采用大数据平台存储船舶历史航迹信息，由分布式回放存储模块（ＨＢａｓｅ）以列式存储的方式存储航迹数据，支持业务服务层的查询和写入等操作㊂图６㊀行为估计软件结果输出示意图Ｆｉｇ ６㊀Ｒｅｓｕｌｔｏｕｔｐｕｔｐａｎｅｌｏｆｂｅｈａｖｉｏｒｅｓｔｉｍａｔｉｏｎｓｏｆｔｗａｒｅ３ ２㊀软件总体流程行为估计软件是通过进行大量历史目标航迹的规律挖掘，将所得规律信息与日常记录的行为标记信息进行分析和统计，根据相似性和占比等要素得出可能性最高的几种结果，从航迹规律的角度给出参考，辅助人们进行海上活动的研判㊂软件支持用户对船舶行为进行人工研判后修改标注信息并入库，以支持后续分析，总体流程如图７所示㊂图７㊀软件流程图Ｆｉｇ ７㊀Ｓｏｆｔｗａｒｅｆｌｏｗｃｈａｒｔ３ ３㊀试验结果试验采用历史航迹段和行为标记数据作为挖掘分析的样本集，采用部分船舶标记数据和历史航迹段作为测试集（每条船舶包含大量航迹段），在地图态势界面随机拾取，得出统计结果，准确度如图８所示㊂由图８可知，占比最高的估计结果准确度为７３％左右；占比前三的估计结果中包含正确行为的有８７％左右，占比前五的估计结果包含正确行为的有９７％左右㊂图８㊀试验结果准确度Ｆｉｇ ８㊀Ａｃｃｕｒａｃｙｏｆｔｅｓｔｒｅｓｕｌｔｓ４㊀结束语本文针对船舶的活动行为分析问题，提出了一种基于大量船舶历史航迹聚类的频繁模式挖掘方法，给出了基于Ｃ／Ｓ架构的软件实现思路，并对关键技术实施方法进行了详细描述㊂考虑运算量大，后台服务支持空闲计算，以保证尽量减少系统资源占用㊂软件支持在地图目标态势界面用鼠标拾取目标分析，然后交由后台服务根据当天挖掘所得簇，经计算统计出行为估计结果，以饼状图的形式展示可能性较高的几种行为，供用户分析参考㊂目前软件对常见关注船舶的预估结果具有较高准确度，同时，船舶行为影响因素复杂，仅从航迹规律角度分析的结果仍有相对的局限性，后续随着数据的积累，仍有继续优化的空间㊂参考文献：［１］㊀唐艺灵．基于ＡＩＳ数据的民船行为预测与区域告警方法研究［Ｊ］．指挥控制与仿真，２０２２，４４（５）：９７⁃１０１．ＴＡＮＧＹＬ．ＲｅｓｅａｒｃｈｏｎｃｉｖｉｌｓｈｉｐｂｅｈａｖｉｏｒｐｒｅｄｉｃｔｉｏｎａｎｄａｒｅａａｌａｒｍＭｅｔｈｏｄｂａｓｅｄｏｎＡＩＳｄａｔａ［Ｊ］．ＣｏｍｍａｎｄＣｏｎ⁃ｔｒｏｌ＆Ｓｉｍｕｌａｔｉｏｎ，２０２２，４４（５）：９７⁃１０１．第６期指挥控制与仿真６９㊀［２］㊀刘又嘉．基于ＡＩＳ的船舶轨迹航路提取方法及系统实现［Ｄ］．大连：辽宁师范大学，２０２１．ＬＩＵＹＪ．ＥｘｔｒａｃｔｉｏｎｍｅｔｈｏｄａｎｄｓｙｓｔｅｍｉｍｐｌｅｍｅｎｔａｔｉｏｎｏｆｓｈｉｐｔｒａｊｅｃｔｏｒｙｒｏｕｔｅｂａｓｅｄｏｎＡＩＳ［Ｄ］．Ｄａｌｉａｎ：ＬｉａｏｎｉｎｇＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，２０２１．［３］㊀孙杨．基于ＡＩＳ大数据的船舶轨迹分析系统的设计与实现［Ｄ］．北京：北京邮电大学，２０２１．ＳＵＮＹ．Ｄｅｓｉｇｎａｎｄｉｍｐｌｅｍｅｎｔａｔｉｏｎｏｆｓｈｉｐｔｒａｊｅｃｔｏｒｙａｎａｌ⁃ｙｓｉｓｓｙｓｔｅｍｂａｓｅｄｏｎＡＩＳｂｉｇｄａｔａ［Ｄ］．Ｂｅｉｊｉｎｇ：ＢｅｉｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＰｏｓｔｓａｎｄＴｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０２１．［４］㊀程立龙．基于ＡＩＳ数据的船舶轨迹停留特征时空分析研究［Ｄ］．南京：南京师范大学，２０２０．ＣＨＥＮＧＬＬ．Ｒｅｓｅａｒｃｈｏｎｓｐａｔｉｏ⁃ｔｅｍｐｏｒａｌａｎａｌｙｓｉｓｏｆｓｔａｙｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｖｅｓｓｅｌ ｓｔｒａｊｅｃｔｏｒｙｂａｓｅｄｏｎＡＩＳｄａｔａ［Ｄ］．Ｎａｎｊｉｎｇ：ＮａｎｊｉｎｇＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，２０２０．［５］㊀钟原，郑文龙，李祥，等．基于共享内存管理的海量ＡＩＳ目标态势显示系统［Ｊ］．网络安全技术与应用，２０２１（３）：３５⁃３６．ＺＨＯＮＧＹ，ＺＨＥＮＧＷＬ，ＬＩＸ，ｅｔａｌ．ＭａｓｓｉｖｅＡＩＳｔａｒｇｅｔｓｉｔｕａｔｉｏｎｄｉｓｐｌａｙｓｙｓｔｅｍｂａｓｅｄｏｎｓｈａｒｅｄｍｅｍｏｒｙｍａｎａｇｅｍｅｎｔ［Ｊ］．ＮｅｔｗｏｒｋＳｅｃｕｒｉｔｙＴｅｃｈｎｏｌｏｇｙ＆Ａｐｐｌｉｃａ⁃ｔｉｏｎ，２０２１（３）：３５⁃３６．［６］㊀金梁．基于ＡＩＳ数据的船舶行为可视分析研究［Ｄ］．武汉：武汉理工大学，２０１６．ＪＩＮＬ．ＲｅｓｅａｒｃｈｏｎｖｉｓｕａｌａｎａｌｙｓｉｓｏｆｓｈｉｐｂｅｈａｖｉｏｒｂａｓｅｄｏｎＡＩＳｄａｔａ［Ｄ］．Ｗｕｈａｎ：ＷｕｈａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏ⁃ｇｙ，２０１６．［７］㊀成磊峰．基于历史规律的目标行为变化预测方法［Ｊ］．指挥信息系统与技术，２０２２，１３（１）：３０⁃３３，５０．ＣＨＥＮＧＬＦ．Ｍｅｔｈｏｄｆｏｒｔａｒｇｅｔ⁃ａｃｔｉｏｎｃｈａｎｇｅｐｒｅｄｉｃｔｉｏｎｓｂａｓｅｄｏｎｈｉｓｔｏｒｉｃａｌｌａｗ［Ｊ］．ＣｏｍｍａｎｄＩｎｆｏｒｍａｔｉｏｎＳｙｓｔｅｍａｎｄＴｅｃｈｎｏｌｏｇｙ，２０２２，１３（１）：３０⁃３３，５０．［８］㊀吴达，吕锐，杨宇，等．基于动态时间规整下密度聚类的轨迹识别研究［Ｊ］．火力与指挥控制，２０２１，４６（１０）：７３⁃７８．ＷＵＤ，ＬＹＵＲ，ＹＡＮＧＹ，ｅｔａｌ．ＲｅｓｅａｒｃｈｏｎｉｍｐｒｏｖｅｍｅｎｔｏｆＤＴＷｍａｎｅｕｖｅｒｔｒａｊｅｃｔｏｒｙｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎＤＢＳＣＡＮ［Ｊ］．ＦｉｒｅＣｏｎｔｒｏｌ＆ＣｏｍｍａｎｄＣｏｎｔｒｏｌ，２０２１，４６（１０）：７３⁃７８．［９］㊀陈浩，任卿龙，滑艺，等．基于模糊神经网络的海面目标战术意图识别［Ｊ］．系统工程与电子技术，２０１６，３８（８）：１８４７⁃１８５３．ＣＨＥＮＨ，ＲＥＮＱＬ，ＨＵＡＹ，ｅｔａｌ．Ｆｕｚｚｙｎｅｕｒａｌｎｅｔｗｏｒｋｂａｓｅｄｔａｃｔｉｃａｌｉｎｔｅｎｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｆｏｒｓｅａｔａｒｇｅｔｓ［Ｊ］．Ｓｙｓ⁃ｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｌｅｃｔｒｏｎｉｃｓ，２０１６，３８（８）：１８４７⁃１８５３．［１０］王超．基于轨迹聚类的频繁模式挖掘方法［Ｄ］．杭州：浙江大学，２０２１．ＷＡＮＧＣ．Ｔｈｅｍｅｔｈｏｄｏｆｍｉｎｉｎｇｆｒｅｑｕｅｎｔｐａｔｔｅｒｎｓｂａｓｅｄｏｎｔｒａｊｅｃｔｏｒｙｃｌｕｓｔｅｒｉｎｇ［Ｄ］．Ｈａｎｇｚｈｏｕ：ＺｈｅｊｉａｎｇＵｎｉｖｅｒ⁃ｓｉｔｙ，２０２１．［１１］顾昱骅．地理时空大数据高效聚类方法研究［Ｄ］．杭州：浙江大学，２０１８．ＧＵＹＨ．Ｔｈｅｍｅｔｈｏｄｓｏｆｈｉｇｈｅｆｆｉｃｉｅｎｔｃｌｕｓｔｅｒｉｎｇｏｎｓｐａｔｉ⁃ｏｔｅｍｐｏｒａｌｂｉｇｄａｔａ［Ｄ］．Ｈａｎｇｚｈｏｕ：ＺｈｅｊｉａｎｇＵｎｉｖｅｒｓｉｔｙ，２０１８．［１２］刘勇．基于ＤＢＳＣＡＮ的空间聚类算法研究与实现［Ｄ］．昆明：云南大学，２０１７．ＬＩＵＹ．ＲｅｓｅａｒｃｈａｎｄｉｍｐｌｅｍｅｎｔａｔｉｏｎｏｆＤＢＳＣＡＮａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｓｐａｔｉａｌｃｌｕｓｔｅｒｉｎｇ［Ｄ］．Ｋｕｎｍｉｎｇ：Ｙｕｎ⁃ｎａｎＵｎｉｖｅｒｓｉｔｙ，２０１７．［１３］王莉莉，彭勃．基于特征航迹简化模型的中心航迹提取研究［Ｊ］．计算机应用研究，２０１９，３６（１）：４９⁃５２．ＷＡＮＧＬＬ，ＰＥＮＧＢ．Ｒｅｓｅａｒｃｈｏｎｃｅｎｔｒａｌｆｌｉｇｈｔｔｒａｃｋｅｘ⁃ｔｒａｃｔｉｏｎｂａｓｅｄｏｎｓｉｍｐｌｉｆｉｅｄｔｒａｃｋｍｏｄｅｌ［Ｊ］．ＡｐｐｌｉｃａｔｉｏｎＲｅｓｅａｒｃｈｏｆＣｏｍｐｕｔｅｒｓ，２０１９，３６（１）：４９⁃５２．（责任编辑：胡前进）。

创新之路Way of Innovation随机系统探索路 科研报国砥砺行——西北工业大学数学与统计学院博士生导师王亮　李 刚世间万物，变化无常。

各种自然现象所对应的复杂系统经常表现出一些随机或不确定性特征。

除此之外，工程与应用科学中的复杂系统，也经常受到随机扰动、随机环境、随机边界条件等随机因素的影响。

随着时代的发展及社会需求的增加，人们为了将事物更加真实地展示出来，随机动力系统这一研究领域应运而生。

“随机因素是无处不在的，在航空航天等诸多领域中，用确定的方程对系统进行描述会造成与现实的差距，考虑含有随机因素的系统能够还原一个更加真实的世界。

”王亮说。

作为西北工业大学数学与统计学院应用概率统计系主任、统计专业负责人，深入随机动力系统、非光滑动力系统、分数阶系统，以及基于数据的动力系统建模等领域研究多年，他已经积累了丰富的科研经验。

在科研探索生涯中，他脚踏实地，将目光着眼于祖国科技的发展及社会的需要，取得了一系列建设性科研成果，得到了国内外同行的广泛认可。

时间的沉淀与积累，让他深刻地感受到随机动力系统等相关领域研究大有可为，作为一名青年科研人，他还将把科研的根蔓延到领域最深处。

以数学为起点的科研探索在终极的分析中，一切知识都是历史；在抽象的意义下，一切科学都是数学。

从小在数理世界里徜徉，王亮天生就对数字有着极为敏锐的洞察力。

在兴趣的驱使下，他于2001年9月顺利考入西北工业大学统计学专业。

从大学三年级开始，他就跟随老师从事非线性动力学领域的研究工作，在这一领域打下了坚实的基础。

一直以来，优秀都与王亮如影随形。

2005年他本科毕业时，西北工业大学恰巧启动了学校第一届直博生招生。

虽然全校数学系只有一个指标，选拔的方式极其严格，但王亮还是以自己扎实的专业基础及优异的学习成绩，突出层层重围，获得了直博资格，成为西北工业大学第一位数学专业的直博生。

博士期间，王亮正式接触到了随机非光滑动力系统。

当时，此问题的研究还是一个新兴领域，放眼全国，从事这一领域研究的科研人员并不多，相关理论并不成熟。