基于数据挖掘的水上交通肇事逃逸船舶自动追踪方法研究

Poperty damage or personal injuries in a ship hit-and-run accident are very serious，however the case dection rate is always low. The most important reason to restrain dection rate is that Chinese maritime safety administration can not timely get the evidence provided by witness. This research project proposes an original idea that suspect ships can be quickly automatic identified according to ship behavior knowledge. This research project explores to mine the hit-and-run ship's behaviors feature model from massive waterborne traffic data sets and deeply analyzes the efficient detection algorithm for the model. First of all, the waterborne traffic data pre-processing mechanism is researched and data quality assessment model is proposed for data quality assurance; Second, in order to overcome the dimensionality curse problem in analysis of ship's behaviors, the data reduction algorithm based on Rough Set theory is designed and applied to reduce the dimension of ship's behaviors . The features of the hit-and-run ship's behaviors are discovered and the relationship of features is analysised; Third, a new clustering algorithm designed in this research project is applied to single-dimension or multi-dimensions feature data for building the normal and the hit-and-run ship's behaviors feature model. Finally, the efficient sub-level anomaly detection algorithm based on misuse detection and anomaly detection method is proposed to reduce the computing cost. This research project which researchs hit-and-run ship's behaviors will enrich and improve the data mining theory for complex data with high dimension and will provide a new method for analyzing the ship's abnormal behavior. Research achievements can be applied to improve Chinese maritime supervision.

水上船舶肇事逃逸案件危害大，查获率低，其主要原因是海事管理机构缺少或不能及时获取目击证人提供的办案线索。本项目首次提出根据船舶行为知识自动快速识别肇事逃逸嫌疑船舶的研究思路，尝试从大量水上交通数据中构建肇事逃逸船舶行为特征模型，并探索该行为特征的高效检测算法。首先，提出建立水上交通数据综合预处理机制，构建数据质量评价模型，为项目实施提供高质量数据保障；其次，针对船舶行为分析过程中存在的"维数灾难"问题，提出利用粗糙集理论约简逃逸船舶行为属性的降维方法，揭示特征属性及其相互作用关系；再次，研制新的聚类算法对确定的特征属性集从单维或多维的角度分别建立正常和肇事逃逸船舶行为特征模型；最后，提出误用检测和异常检测相结合的、高效的分层次检测算法，克服海量数据计算开销大的问题。本课题可望对高维复杂结构数据的挖掘理论研究取得突破，为船舶异常行为检测研究提供新思路，对提高我国海事监管能力具有一定促进意义。

针对水上交通肇事逃逸案件线索不易获取、查获率低的现状，本项目研究利用船舶行为知识自动识别肇事逃逸嫌疑船舶的方法。项目研究内容已按计划全部完成，达到了预期的研究目标，取得的主要成果如下：. （1）构建了肇事逃逸船舶行为特征模型。通过分析所收集的肇事逃逸船舶事故调查报告，发现由于人的本能反应，双方船舶碰撞前会采取大幅度转向、紧急倒车等避让措施，反映到空间上，则会出现一小段异常航迹。因此，项目组从航向变化率、航速变化率和航迹三个特征属性构建肇事逃逸船舶行为特征模型。. （2）项目组提出了同时考虑航速变化率、航向变化率及空间距离等因素的船舶航迹多维压缩算法，在保持航迹运动特征前提下尽可能压缩航迹数据，相比传统的Douglas-Peucker矢量数据压缩算法，能有效地保留船舶变向或变速的航迹点。. （3）提出了一种船舶异常行为特征模型检测算法。在对异常航迹检测过程中，相比TROAD算法中MDL（最小描述长度）的航迹分割原则，项目组提出基于运动特征（选取航速、航向显著变化点作为特征点）的航迹分割原则，同时在度量子航迹距离时，不但考虑空间距离，还考虑了时间维度上的特征（航速变化率、航向变化率等）。该算法更符合行业应用背景。. （4）水上交通数据挖掘原型系统及其验证。实验结果表明，船舶异常行为的检测算法能识别出孤立航迹或与正常交通流趋势在方向上存在较大差异的异常子航迹段，验证了算法的正确性和可行性。同时，通过对原型系统的研发，积累了大量的经验，并成功运用到国际海事组织的提案研究中，提升了我国在国际海事事务中的话语权。. 本项目的研究建立在真实、大量实际数据之上，为船舶行为数据分析方法提供了新思路，并在人才培养、成果应用等方面达到了预期目标。