0 引　言

一直以来，海事监管部门和大型航运物流公司都是通过电子海图和人工值守的方式，进行航线上船舶的监管，识别具有异常航行轨迹的船舶。这种人工值守的方式不仅监管的效率非常低，而且对值守工作人员的要求很高，一旦值守人员出现疏忽，极有可能引发交通事故等问题。因此，提高海上船舶的监管自动化水平非常重要。

随着海事信息化技术的发展，雷达、AIS系统得到了迅速发展，基于信息化技术的海上船舶监管成为一项研究热点。由于海上航运船舶的数量非常多，每艘船舶产生的航线数据也呈现多样化，这些数据的分析和处理是提升海上船舶监管的关键。近年来，大数据技术的发展使海上船舶的坐标、航向、航速等海量信息的处理能力大幅提高。本文研究的重点是通过信息化平台实现船舶异常航行轨迹的识别，基于雷达和AIS系统，实现航运船舶的导航和管理。本文采用基于云分段的最优熵算法，对船舶航行轨迹数据进行处理，提升了船舶异常轨迹的识别效率与精度。

1 云模型及云分段最优熵算法的原理研究 1.1 云模型的定义

船舶在海上航行时会产生大量的航运数据，这些数据中包含了航行速度、航线信息、物流信息等，通过对这些数据的分析可以得到当前船舶的航运状态，防止船舶出现航运事故。

在船舶航运数据中往往会掺杂着一些异常数据，这些数据由于船舶种类、位置、动力系统参数等个体化差异，数据的分布特征各不相同，及时从船舶航运数据中提取异常数据是保障船舶航行安全的关键，也是本文研究的重点。

采用一种云分段最优熵算法进行船舶航运数据的分析，首先对数据的云模型进行阐述^[1]。

假设U是航运数据表示的定量域，C是U上的定性概念，且定量值 $ C \in U $ ，变量x对C的确定度用 $ \ \mu \left( x \right) $ 表示，且 $ \ \mu \left( x \right) \in \left[ {0,1} \right] $ ，可得：

$ \mu :U \in \left[ {0,1} \right],\forall x \in U,X \to \mu \left( x \right) \text{，} $

称x在U上的分布为云分布，记为 $ U\left( x \right) $ ，每个变量x称为云点数据。

云模型的期望为 $ Ex $ ，熵为 $ En $ ，超熵为 $ He $ ，分布如下：

1）期望 $ Ex $

云模型的期望 $ Ex $ 表征云点数据的分布特性，用下式计算：

$ Ex = \frac{1}{N}\sum\limits_{i = 1}^N {{x_i}} 。$

2）熵 $ En $

熵 $ En $ 用来表征云模型数据的不确定性，由概念的随机性决定，在数据域中，熵 $ En $ 决定了云模型中变量的取值范围，也体现了数据的稳定性。

熵 $ En $ 用下式计算：

$ En = \sqrt[4]{{\frac{{9{c_2}^2 - {c_4}}}{6}}} 。$

3）超熵 $ He $

超熵 $ He $ 用来表征熵的不确定性，用下式计算：

$ He = \left( {{c_2} - \sqrt {{{\left. {\frac{{9{c_2}^2 - {c_4}}}{6}} \right)}^{\frac{1}{2}}}} } \right. \text{，} $

其中， $ {c_2} $ 为云模型样本数据的二阶中心距，如下式：

$ {c_2} = \frac{1}{{N - 1}}\sum\limits_{i = 1}^N {{{\left( {{x_i} - Ex} \right)}^2}} 。$

$ {c_4} $ 为云模型样本数据的4阶中心距，如下式：

$ {c_4} = \frac{1}{{N - 1}}\sum\limits_{i = 1}^N {{{\left( {{x_i} - Ex} \right)}^4}} 。$

1.2 云分段最优熵算法流程

云分段最优熵算法是一种进行数据寻优的重要方法，它通过判断云模型数据的熵值来确定数据的异常状态，将船舶航运数据分为上部异常数据、合理数据和下部异常数据3种，图1为基于云分段最优熵算法的异常数据识别流程。

基于云分段最优熵算法的异常数据识别过程包括：

1）数据读取和预处理

船舶航运数据的主要来源为雷达和AIS系统，将采集的船舶航运数据进行分段表示，每个数据之间间隔为0.05 s，将航运数据划分为M段，则有：

$ E = \left( {E\left( 1 \right),E\left( 2 \right),\cdots,E\left( M \right)} \right) \text{。} $

2）熵值计算

按照前文公式，计算云模型数据的熵和超熵，将航运数据发送至云发生器中，输出所求的熵和超熵^[2]。

3）数据分离

将云模型的熵值与最大、最小阈值R/r进行对比，将航运数据划分为上部异常数据、合理数据和下部异常数据。

2 基于云分段最优熵算法的船舶航行异常轨迹识别技术 2.1 船舶航行异常轨迹识别系统

针对船舶航运数据的异常轨迹识别问题，建立一种船舶航行异常轨迹识别系统。该系统以云分段最优熵算法为识别核心，以AIS系统、雷达、VHF通信、服务器和云计算中心为硬件基础，其组成原理图如图2所示。

船舶航行异常轨迹识别系统的基础功能包括：

1）海量数据分析、转换和存储

系统能够快速实现海量的船舶轨迹数据的分析、转换和存储，建立船舶航行数据库，将船舶航行数据与时间、空间等参数信息统一存储。

2）航运异常数据识别

该系统采用云分段最优熵算法对船舶航运数据进行处理，识别出航运数据的异常信息，并通过无线或有线通信将异常信息反馈至船舶终端。航运数据识别是该系统的核心功能，云分段最优熵算法能够显著提高船舶航运异常轨迹的识别效率^[3]。

3）历史数据查询预测

系统支撑船舶航运历史轨迹的查询功能，可按照时间序列查询船舶的历史轨迹，该功能有助于提高船舶航运数据的挖掘分析，提升海上航线的管理。

2.2 船舶航行异常轨迹识别系统的轨迹监控功能设计

系统采用视频监控技术实现船舶航行轨迹的实时监测，在每个雷达站上建立一个云台监视点，视频数据通过网络和交换机发送至用户客户端和监控中心，图3为视频监控模块的原理图。

系统的视频监控模块要求具备以下功能：

1）具备全天候监控和红外摄像功能，可实现24 h船舶的监控；

2）监控采集的图像质量清晰度高，分辨率为1 920×1 080；

3）具备船舶航运航迹的记录回放功能，每个雷达站的监控距离大于3 km；

4）客户端和监控中心可最高满足接入5路视频信号，并具备运算器和存储器的扩展功能。

2.3 船舶航迹数据压缩与挖掘

在船舶航行数据的实际处理过程中，由于数据的量非常大，有必要对船舶航迹数据进行压缩处理，从而提高数据的挖掘效率^[4]。

本文采用的数据压缩方法为基于船舶轨迹字符的压缩方式，流程图如图4所示。

船舶航运数据的压缩程度用压缩率表示：

$ C_R^{} = \frac{{{S_t}}}{{{S_r}}} \text{，} $

式中： $ C_R^{} $ 为航运数据的压缩率； $ {S_t} $ 为压缩前的数据大小； $ {S_r} $ 为压缩后的数据大小，存储空间的压缩比率为：

$ C_s^{} = 1 - C_R^{} 。$

假设船舶的航迹数据点数为n， $ {P_i} $ 为i时刻的航迹点，建立压缩后的航迹序列为：

$ {E_D} = \sum\limits_{i = 1}^n {\left| {dist\left( {{P_i} - {P_{i - 1}}} \right)} \right|} 。$

2.4 船舶航行异常轨迹数据识别

船舶航行异常轨迹识别系统的云计算中心是实现航行异常轨迹数据识别的基础，其硬件参数如表1所示。

1）采集一段时间的航迹数据^[5]，按照时间间隔0.05 s进行云分段，每个航迹特征点为 $ {S_0}\left( {x,y} \right) $ ，航迹数据采集的滤波函数为：

$ \varphi (x,y) = \frac{1}{{{t^2} - 1}}\sum\limits_{s = 1}^s {f(x,y)} \text{，} $

2）将分段后的数据进行熵值计算，得到航迹数据的熵值曲线如图5所示。

3）将船舶航迹数据的熵值与阈值R/r进行对比，获取船舶航行轨迹数据的异常数据识别结果，如图6所示。

3 结　语

本文采用云分段最优熵算法实现船舶航行轨迹数据的异常数据识别，分别介绍了云模型与最优熵算法的原理，结合AIS系统建立了船舶航行异常轨迹数据快速识别系统，并重点对视频监控模块、航行轨迹的数据压缩以及异常数据识别过程进行了详述。