本发明涉及异常轨迹检测领域，尤其涉及一种基于卷积自编码的运输船舶异常轨迹检测方法。
背景技术：
1、国际海事组织(imo)于2000年通过solas74公约，规定2002年7月1日起，300吨以上的船舶必须安装船舶自动识别系统(ais)。ais系统使船舶定时向基站发送位置坐标，岸基设备基于这些实时坐标生成船舶轨迹数据。在海上交通定量研究中，船舶行为是指船舶群体的共性行动模式，这些行为模式受到人为操作、突发状况、航行环境等诸多复杂因素的交织影响。目前，对于船舶异常行为并没有统一的定义，相关学者对此有不同的认识。
2、laxhamma首次提出了船舶异常轨迹分类，将其分为航道穿越和反方向航行两类。常用的分类方法包括5类：(a)偏离标准航线，(b)意外ais活动，(c)异常到港，(d)航线近距离异常，(e)进入异常区域。其中，偏离标准航线是最突出的异常轨迹类型。在识别其他四种异常轨迹类型时，可采取策略确保检测的有效性和准确性。因此，多数研究聚焦于偏离标准航线这一核心异常轨迹类型。这些研究利用历史ais数据，通过提取高频航线信息，并借助聚类等数据分析方法，识别未知轨迹与已知轨迹的相似度。如果未知轨迹与已知轨迹不够相似或不属于已识别类簇，则判定为异常轨迹。
3、在船舶异常轨迹检测的研究领域，常用的船舶异常轨迹检测方法主要包括基于统计学的船舶异常轨迹检测方法，基于机器学习和深度学习的船舶异常轨迹检测方法。
4、基于统计学的异常检测方法是船舶轨迹异常检测中最早且相对简单的手段。其核心理念是正常轨迹数据符合高概率分布，而异常轨迹则出现在低概率区域。c.n.burger等使用离散卡尔曼滤波器和线性回归模型对船舶坐标预测进行比较，结果显示离散卡尔曼滤波器虽然增加了复杂性，但与线性回归相比并无显著性能优势。gao d wei提出一种高分辨率长序列多步航迹预报方法，采用三次样条插值法得到高分辨率航迹，以动态时间规整(dtw)作为距离度量，并采用拉普拉斯特征映射自组织映射(le-som)方法提取特征，选择参考历史轨迹用于多步预测和不确定性分析，从而及时评估船舶航行风险。
5、机器学习和深度学习在船舶异常行为检测中的应用日益广泛。随着海运行业的发展，船舶安全性和效率变得更加重要。传统监控系统难以应对复杂的海上环境，而机器学习和深度学习技术提供了新的解决方案。这些算法通过分析大量历史数据，识别正常运行特征，并实时检测异常，如航速、航向和停泊异常。通过持续反馈和优化，这些算法能不断提升准确性和可靠性，显著提高船舶异常行为检测的效果。
6、jour结合改进的灰狼优化(gwo)和支持向量回归(svr)模型进行船舶航迹预报，显著提高了预报精度，提升海上交通管理效率并预防交通事故。jia,h提出双向长短期记忆(bilstm)模型与注意力机制及鲸鱼优化算法结合，进行船舶航迹预测，实现避碰和航路规划。j.liu则提出一种在线多输出最小二乘支持向量机回归模型，在小样本情况下保持高预测精度，辅助生成船舶避碰决策。
7、深度学习模型如rnn和lstm在时序数据异常检测中应用广泛。huang p提出融合离散化气象数据的深度学习船舶轨迹预测方法，设计全局、局部和趋势卷积模块，考虑气候变化对船舶航行的影响。chen,x提出双向长短期记忆(bi-lstm)模型，提取内河航道船舶轨迹特征，解决航迹变化问题。hui feng的改进social-stgcnn模型结合时空图形卷积神经网络和时间外推卷积神经网络，提出基于先验知识的社会抽样策略，提高异常检测有效性。杨帆构建基于lstm的检测模型，利用ais数据高效识别船舶异常行为。赵梁斌采用适用于噪声数据聚类的dbscan方法，训练递归神经网络进行航迹预测，检测异常航迹。
8、尽管方法多样，但这些研究中存在一些问题：1)基于统计学的方法对数据前期处理要求严格，对非极值异常轨迹检测效果不佳；2)机器学习方法使用原始数据进行轨迹聚类，可能误分类；3)深度学习算法依赖大量标注数据，计算开销大，处理复杂且特征损耗严重。
技术实现思路
1、本发明提供一种基于卷积自编码的运输船舶异常轨迹检测方法，以克服上述技术问题。
2、一种基于卷积自编码的运输船舶异常轨迹检测方法，包括
3、s1、获取运输船舶的ais数据，并对ais数据进行预处理，所述预处理包括数据融合、数据清洗、识别并删除漂移点以及轨迹压缩，
4、s2、基于预处理后的ais数据，获取正常运行的运输船舶在不同途经点的经纬度坐标，基于时间顺序对不同途经点进行连接，将连接后的曲线表示为运输船舶的实际轨迹，基于生成灰度值的加权方法对实际轨迹进行特征提取，并得到实际轨迹的特征图像，
5、s3、构建卷积自编码神经网络模型，所述卷积自编码神经网络模型包括编码器和解码器，所述编码器用于获取输入数据对应的编码数据，所述解码器用于从编码数据中获取重构数据，将实际轨迹的特征图像作为输入数据对卷积自编码神经网络模型进行训练，
6、s4、设置重构误差阈值，
7、s5、获取待检测的运输船舶的实际轨迹，对所述待检测的运输船舶的实际轨迹进行特征提取后得到待检测特征图像，根据训练后的卷积自编码神经网络模型对待检测特征图像进行处理并获取处理结果，所述处理结果包括待检测的运输船舶的实际轨迹的重构数据，计算处理结果与正常运行的运输船舶的实际轨迹的重构数据之间的重构误差，并判断是否超过了重构误差阈值，若是，表示待检测的运输船舶的实际轨迹为异常轨迹，反之为正常轨迹。
8、优选地，所述基于生成灰度值的加权方法对实际轨迹进行特征提取包括首先将实际轨迹转换为大小为n×n个像素的图像，再根据基于生成灰度值的加权方法计算图像中像素点的灰度值，并将根据灰度值表示的图像作为特征图像，其中所述基于生成灰度值的加权方法由式(1)表示，
9、l＝r*k1+g*k2+b*k3 (1)
10、其中，n为正整数，r表示红色通道的取值，g表示绿色通道的取值，b表示蓝色通道的取值，k1、k2、k3之和为1。
11、优选地，所述设置重构误差阈值为基于重构误差的核密度估计曲线确定重构误差阈值的取值。
12、优选地，所述基于重构误差的核密度估计曲线确定重构误差阈值的取值包括根据重构误差的取值绘制直方图和核密度估计曲线，根据直方图和核密度估计曲线确定重构误差的分布范围，根据分布范围确定重构误差阈值的取值。
13、优选地，所述轨迹压缩为通过douglas-peucker轨迹压缩算法删除ais数据中冗余的轨迹点。
14、本发明提供一种基于卷积自编码的运输船舶异常轨迹检测方法，通过对船舶ais数据进行预处理，获得了较为稳定且细致的数据基础；采用douglas-peucker算法对船舶轨迹数据进行了压缩。大幅减少了数据冗余，提高了数据处理效率；采用生成灰度值的加权方法，实现船舶轨迹特征的提取；采用卷积自编码神经网络模型对船舶异常轨迹进行检测，实现基于卷积自编码神经网络的船舶异常轨迹的准确检测。
1.一种基于卷积自编码的运输船舶异常轨迹检测方法，其特征在于，包括
2.根据权利要求1所述的一种基于卷积自编码的运输船舶异常轨迹检测方法，其特征在于，所述基于生成灰度值的加权方法对实际轨迹进行特征提取包括首先将实际轨迹转换为大小为n×n个像素的图像，再根据基于生成灰度值的加权方法计算图像中像素点的灰度值，并将根据灰度值表示的图像作为特征图像，其中所述基于生成灰度值的加权方法由式(1)表示，
3.根据权利要求1所述的一种基于卷积自编码的运输船舶异常轨迹检测方法，其特征在于，所述设置重构误差阈值为基于重构误差的核密度估计曲线确定重构误差阈值的取值。
4.根据权利要求1所述的一种基于卷积自编码的运输船舶异常轨迹检测方法，其特征在于，所述基于重构误差的核密度估计曲线确定重构误差阈值的取值包括根据重构误差的取值绘制直方图和核密度估计曲线，根据直方图和核密度估计曲线确定重构误差的分布范围，根据分布范围确定重构误差阈值的取值。
5.根据权利要求1所述的一种基于卷积自编码的运输船舶异常轨迹检测方法，其特征在于，所述轨迹压缩为通过douglas-peucker轨迹压缩算法删除ais数据中冗余的轨迹点。
