内河船舶航行异常行为检测方法、系统及存储介质

技术领域

本发明涉及海事智能监管技术领域，尤其涉及一种内河船舶航行异常行为检测方法、系统及存储介质。

背景技术

随着内河航运船舶数量激增，船舶偏航、搁浅等事故频发，船舶安全监管问题日益突出。相关技术中，主要采用“人盯死守”监管模式，即在重点河口区域监管过程中，经人工观察、专家讨论等方法对在航船舶当前水域行为研判，并对偏离航线或运动状态异常的船舶通讯提醒。但这种人工监管的方法，监管实时性不高，且细粒度不够，对于繁忙水域，船舶监管任务难度大，人工劳动负荷较大，容易造成漏判、误判。

发明内容

为了解决上述技术问题的至少之一，本发明提出一种内河船舶航行异常行为检测方法、系统及存储介质，能够实现船舶航行异常行为的实时检测，减少船舶航行事故的发生，并且有效提高船舶异常行为检测的准确性。

一方面，本发明实施例提供了一种内河船舶航行异常行为检测方法，包括以下步骤：

根据预设水域的船舶航行轨迹数据提取船舶轨迹运动行为特征以及预设交互特征；其中，所述预设交互特征为船舶与航道预设浮标距离的交互特征；

构建注意力机制自编码模型；

通过所述注意力机制自编码模型将所述船舶轨迹运动行为特征以及所述预设交互特征进行融合，得到中间层信息；其中，所述中间层信息为所述船舶轨迹运动行为特征以及所述预设交互特征进行聚合得到的轨迹特征信息；

将所述中间层信息输入聚类分析算法对船舶轨迹进行聚类分析，得到轨迹聚类簇；其中，每一个所述轨迹聚类簇表示一种船舶运动模式；

根据所述轨迹聚类簇通过栅格划分法统计各船舶运动模式的运动状态概率密度分布数据；

根据所述轨迹聚类簇构建相应的本地自编码模型；其中，所述本地自编码模型与所述船舶运动模式相对应；

根据船舶当前轨迹数据通过所述本地自编码模型进行运动模式识别，得到当前船舶运动模式；其中，所述船舶当前轨迹数据为实时获取的船舶轨迹数据；

根据所述船舶当前轨迹数据和所述当前船舶运动模式对应的所述运动状态概率密度分布数据进行船舶异常行为分析，得到异常检测结果。

根据本发明实施例的一种内河船舶航行异常行为检测方法，至少具有如下有益效果：本实施例首先从预设水域的船舶航行数据提取船舶轨迹运动行为特征以及预设交互特征，即船舶与航道预设浮标距离的交互特征，并通过构建的注意力机制自编码模型将船舶轨迹运动行为特征以及预设交互特征进行融合，得到中间层信息，使得中间层信息能够反映不同船舶航行轨迹间的差异性和相似性。接着，本实施例将中间层信息输入聚类分析算法对船舶轨迹进行聚类分析得到轨迹聚类簇，使得每一轨迹聚类簇对应一种船舶运动模式，从而能够识别出船舶的不同运动模式。进一步地，本实施例根据轨迹聚类簇通过栅格划分法统计各船舶运动模式的运动状态概率密度分布数据。同时，根据轨迹聚类簇构建与船舶运动模式一一对应的本地自编码模型，以通过不同的本地自编码模型对船舶航行轨迹的重构差异性识别出相应的船舶运动模式，从而实现对动态、实时轨迹的船舶运动模式识别，缓解了传统轨迹聚类分析、运动模式识别需要输入全部轨迹点的问题。进一步地，本实施例根据船舶当前轨迹数据通过本地自编码模型识别得到当前船舶运动模式后，通过比较船舶当前轨迹数据和当前船舶运动模式所对应的运动状态概率密度分布数据，进行船舶异常行为分析得到检测结果，实现船舶航行异常行为的实时、微观尺度检测，有利于减少船舶航行事故的发生，并且有效提高船舶异常行为检测的细粒度。

根据本发明的一些实施例，所述根据预设水域的船舶航行轨迹数据提取船舶轨迹运动行为特征以及预设交互特征，包括：

基于时间滑动窗构建船舶轨迹运动行为特征提取模型以及预设交互特征提取模型；

通过所述船舶轨迹运动行为特征提取模型对所述船舶航行轨迹数据进行特征提取，得到所述船舶轨迹运动行为特征；

通过所述预设交互特征提取模型对所述船舶航行轨迹数据和航道地标数据进行特征提取，得到所述预设交互特征。

根据本发明的一些实施例，所述注意力机制自编码模型包括多维量度运动特征序列注意力机构子模块以及船舶与环境交互状态注意力子模块；

所述通过所述注意力机制自编码模型将所述船舶轨迹运动行为特征以及所述预设交互特征进行融合，得到中间层信息，包括：

通过所述多维量度运动特征序列注意力机构子模块确定轨迹运动特征权重集合；

通过所述船舶与环境交互状态注意力子模块确定交互特征注意力权重集合；

根据所述轨迹运动特征权重集合和所述交互特征注意力权重集合对所述船舶轨迹运动行为特征以及所述预设交互特征进行融合，得到所述中间层信息。

根据本发明的一些实施例，所述将所述中间层信息输入聚类分析算法对船舶轨迹进行聚类分析，得到轨迹聚类簇，包括：

将所述中间层信息输入k均值聚类算法对所述船舶轨迹进行聚类分析，得到所述轨迹聚类簇。

根据本发明的一些实施例，所述根据所述轨迹聚类簇通过栅格划分法统计各船舶运动模式的运动状态概率密度分布数据，包括：

通过栅格划分法对航道进行划分，得到所述各船舶运动模式下的航道栅格数据；

根据所述航道栅格数据和所述轨迹聚类簇统计所述各船舶运动模式下的船舶运动状态在栅格内的高斯概率密度分布数据。

根据本发明的一些实施例，所述根据船舶当前轨迹数据通过所述本地自编码模型进行运动模式识别，得到当前船舶运动模式，包括：

通过遮盖机制对所述船舶当前轨迹数据进行填充，得到船舶预期轨迹数据；其中，所述船舶预期轨迹数据与所述预设水域的船舶航行轨迹数据的数据长度相同；

将所述船舶预期轨迹数据输入各个所述本地自编码模型，得到相应的重构误差；

根据所述重构误差的变化差异性匹配得到所述当前船舶运动模式根据本发明的一些实施例，所述根据所述船舶当前轨迹数据和所述当前船舶运动模式对应的所述运动状态概率密度分布数据进行船舶异常行为分析，得到异常检测结果，包括：

根据所述船舶当前轨迹运动模式和相应的所述运动状态概率密度分布数据通过高斯截断概率生成异常告警阈值；其中，所述异常告警阈值包括告警上届和告警下届；

根据所述异常告警阈值对所述船舶当前轨迹数据进行异常行为分析，得到所述检测结果。

另一方面，本发明实施例还提供了一种内河船舶航行异常行为检测系统，包括：

特征提取模块，用于根据预设水域的船舶航行轨迹数据提取船舶轨迹运动行为特征以及预设交互特征；其中，所述预设交互特征为船舶与航道预设浮标距离的交互特征；

第一模型构建模块，用于构建注意力机制自编码模型；

特征融合模块，用于通过所述注意力机制自编码模型将所述船舶轨迹运动行为特征以及所述预设交互特征进行融合，得到中间层信息；其中，所述中间层信息为所述船舶轨迹运动行为特征以及所述预设交互特征进行聚合得到的轨迹特征信息；

聚类分析模块，用于将所述中间层信息输入聚类分析算法对船舶轨迹进行聚类分析，得到轨迹聚类簇；其中，每一个所述轨迹聚类簇表示一种船舶运动模式；

栅格划分模块，用于根据所述轨迹聚类簇通过栅格划分法统计各船舶运动模式的运动状态概率密度分布数据；

第二模型构建模块，用于根据所述轨迹聚类簇构建相应的本地自编码模型；其中，所述本地自编码模型与所述船舶运动模式相对应；

运动模式识别模块，用于根据船舶当前轨迹数据通过所述本地自编码模型进行运动模式识别，得到当前船舶运动模式；其中，所述船舶当前轨迹数据为实时获取的船舶轨迹数据；

异常行为分析模块，用于根据所述船舶当前轨迹数据和所述当前船舶运动模式对应的所述运动状态概率密度分布数据进行船舶异常行为分析，得到异常检测结果。

另一方面，本发明实施例还提供了一种内河船舶航行异常行为检测系统，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得至少一个所述处理器实现如上述实施例所述的内河船舶航行异常行为检测方法。

另一方面，本发明实施例还提供了一种计算机存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由所述处理器执行时用于实现如上述实施例所述的内河船舶航行异常行为检测方法。

附图说明

图1是本发明实施例提供的内河船舶航行异常行为检测方法流程图；

图2是本发明实施例提供的内河船舶航行异常行为检测系统原理框图；

图3是本发明实施例提供的注意力机制自编码模型结构示意图；

图4是本发明实施例中提供的6类船舶运动模式示意图；

图5是本发明实施例中提供的栅格划分方式示意图；

图6是本发明实施例中提供的本地自编码模型重构误差趋势差异性示意图；

图7是本发明实施例中提供的船舶实时轨迹的检测点示意图；

图8是本发明实施例中提供的实时船舶异常行为检测结果示意图。

具体实施方式

本申请实施例所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

随着内河航运船舶数量激增，船舶偏航、搁浅等事故频发，船舶安全监管问题日益突出。相关技术中，主要采用“人盯死守”监管模式。在重点河口区域监管过程中，经人工观察、专家讨论等方法对在航船舶当前水域行为研判，然后对偏离航线或运动状态异常的船舶通讯提醒。但这种人工监管的方法实时性不高，且细粒度不够，对于繁忙水域，通过人工进行船舶监管任务难度大，人工劳动负荷较大，容易造成漏判、误判。

本发明的一个实施例提供了一种内河船舶航行异常行为检测方法、系统及存储介质，能够实现船舶航行异常行为的实时检测，减少船舶航行事故的发生，并且有效提高船舶异常行为检测的准确性。参照图1，本发明实施例的方法包括但不限于步骤S110、步骤S120、步骤S130、步骤S140、步骤S150、步骤S160、步骤S170和步骤S180。

具体地，本发明实施例的方法应用过程包括但不限于以下步骤：

S110：根据预设水域的船舶航行轨迹数据提取船舶轨迹运动行为特征以及预设交互特征。其中，预设交互特征为船舶与航道预设浮标距离的交互特征。

S120：构建注意力机制自编码模型。

S130：通过注意力机制自编码模型将船舶轨迹运动行为特征以及预设交互特征进行融合，得到中间层信息。其中，中间层信息为船舶轨迹运动行为特征以及预设交互特征进行聚合得到的轨迹特征信息。

S140：将中间层信息输入聚类分析算法对船舶轨迹进行聚类分析，得到轨迹聚类簇。其中，每一个轨迹聚类簇表示一种船舶运动模式。

S150：根据轨迹聚类簇通过栅格划分法统计各船舶运动模式的运动状态概率密度分布数据。

S160：根据轨迹聚类簇构建相应的本地自编码模型。其中，本地自编码模型与船舶运动模式相对应。

S170：根据船舶当前轨迹数据通过本地自编码模型进行运动模式识别，得到当前船舶运动模式。其中，船舶当前轨迹数据为实时获取的船舶轨迹数据。

S180：根据船舶当前轨迹数据和当前船舶运动模式对应的运动状态概率密度分布数据进行船舶异常行为分析，得到异常检测结果。

在本具体实施例工作过程中，本实施例首先根据预设水域的船舶航行轨迹数据提取船舶轨迹运动行为特征和预设交互特征。具体地，预设交互特征为船舶与航道预设浮标距离的交互特征。其中，航道预设浮标为航道中设置的关键浮标。本实施例通过获取预设水域的船舶航行轨迹数据，预设水域可以为任意所需要进行船舶异常行为检测的水域。本实施例根据获取的预设水域的船舶航行轨迹数据提取船舶的运动行为特征，即船舶轨迹运动行为特征，以及船舶与航道预设浮标距离的交互特征，即预设交互特征。其中，船舶与航道预设浮标距离的交互特征通过船舶与航区管辖范围内的各个航道关键浮标，即航道预设浮标的距离变化特征表示。进一步地，本实施例构建注意力机制自编码模型。同时，本实施例通过注意力机制自编码模型将船舶轨迹运动行为特征以及预设交互特征进行融合得到中间层信息。具体地，本实施例通过建立注意力机制自编码模型重构船舶轨迹运动行为特征和预设交互特征，并将注意力机制自编码模型的中间层信息用来代表轨迹特征。其中，中间层信息可以作为船舶轨迹的深层编码的向量代表，因为船舶轨迹的重构序列可以由编码器根据中间层信息进行重构，中间层信息体现了不同船舶轨迹间的差异性与相似性，其包含了轨迹的全部信息。接着，本实施例将中间层信息输入聚类分析算法对船舶轨迹进行聚类分析，得到轨迹聚类簇。本实施例中通过提取船舶历史轨迹(即预设水域的船舶航行轨迹数据)的中间层信息作为聚类分析算法的输入，通过聚类分析算法对船舶轨迹进行聚类分析，得到轨迹聚类簇。其中，每一个轨迹聚类簇表示一种船舶运动模式。需要说明的是，本实施例中船舶运动模式为船舶不同的航行轨迹集合，大多数船舶都按照相应的运动模式进行航行，通过聚类分析得到相应的船舶运动模式。进一步地，本实施例根据轨迹聚类簇通过栅格划分法统计各船舶运动模式的运动状态概率密度分布数据。本实施例首先进行栅格划分，然后统计不同船舶运动模式下各个栅格内轨迹聚类簇的概率密度分布数据。

同时，为实现对船舶实时轨迹的运动模式识别，本实施例根据轨迹聚类簇构建相应的本地自编码模型。其中，本地自编码模型与注意力机制自编码模型结构相同。同时，通过相应运动模式下的完整船舶航行轨迹作为本地自编码模型的训练数据，以训练得到每种运动模式下更精确的船舶轨迹重构方式。

容易理解的是，在实际航行过程中，船舶在航道内的实时航行轨迹是逐渐增加的，且该轨迹形状、运动特征逐渐接近其固有运动模式对应的历史轨迹簇，即轨迹聚类簇。因此，船舶固有运动模式对应的本地自编码模型重构将会逐渐降低，即实时获取的船舶轨迹数据的固有运动模式对应的本地自编码模型的重构误差将逐渐减小，而其他本地自编码模型的重构误差将逐步增大或震荡。本实施例通过滚动计算轨迹重构机构误差的方式，利用轨迹重构误差趋势的差异性较为精确地实现船舶运动模式的自动识别。进一步地，本实施例通过实时获取船舶的航行轨迹数据，即船舶当前轨迹数据，根据船舶当前轨迹数据识别得到当前船舶运动模式后，通过当前船舶运动模式和该运动模式对应的运动状态概率密度分布数据进行船舶异常行为分析对比，得到网格级别的异常检测结果，实现船舶航行异常行为的实时检测，减少船舶航行事故的发生，并且有效提高船舶异常行为检测的细粒度。

在本发明的一些实施例中，根据预设水域的船舶航行轨迹数据提取船舶轨迹运动行为特征以及预设交互特征，包括但不限于：

基于时间滑动窗构建船舶轨迹运动行为特征提取模型以及预设交互特征提取模型。

通过船舶轨迹运动行为特征提取模型对船舶航行轨迹数据和航道地标数据进行特征提取，得到船舶轨迹运动行为特征。

通过预设交互特征提取模型对船舶航行轨迹数据进行特征提取，得到预设交互特征。

在本具体实施例中，本实施例首先基于时间滑动窗构建船舶轨迹运动行为特征提取模型以及预设交互特征提取模型。其中，预设交互特征提取模型为船舶与航道预设浮标距离的交互特征。然后，通过船舶轨迹运动行为特征提取模型对船舶航行轨迹数据进行特征提取得到船舶轨迹运动行为特征，并通过预设交互特征提取模型对船舶航行轨迹数据和航道地标数据进行特征提取，得到预设交互特征。具体地，船舶轨迹数据集Tr＝{Tr

其中，式中r代表轨迹片段数量，

同时，船舶与其所在航区管辖范围多个航道关键浮标，即航道预设浮标的距离变化是一个时空演变过程，设航道预设浮标a

其中，式中r代表滑动窗口数量，

在本发明的一些实施例中，注意力机制自编码模型包括多维量度运动特征序列注意力机构子模块以及船舶与环境交互状态注意力子模块。其中，通过注意力机制自编码模型将船舶轨迹运动行为特征以及预设交互特征进行融合，得到中间层信息，包括但不限于：

通过多维量度运动特征序列注意力机构子模块确定轨迹运动特征权重集合。

通过船舶与环境交互状态注意力子模块确定交互特征注意力权重集合。

根据轨迹运动特征权重集合和交互特征注意力权重集合对船舶轨迹运动行为特征以及预设交互特征进行融合，得到中间层信息。

在本具体实施例中，本实施例构架的注意力机制自编码模型包括多维量度运动特征序列注意力机构子模块以及船舶与环境交互状态注意力子模块。具体地，本实施例通过多维量度运动特征序列注意力机构子模块确定轨迹运动特征权重集合，并通过船舶与环境交互状态注意力子模块确定交互特征注意力权重集合。然后根据轨迹运动特征权重集合和交互特征注意力权重集合对船舶轨迹运动行为特征以及预设交互特征进行融合得到中间层信息。示例性地，参照图3，本实施例中多维量度运动特征序列注意力机构子模块(注意力模块一)通过Dense层和softmax层将r个窗口轨迹片段转化为长度为r，值为0-1的权重集，该模型通过Adam优化器学习参数进而确定多维量度运动特征序列权重，即轨迹运动特征权重集合，如下式(3)所示：

其中，式中

另外，本实施例中船舶与环境交互状态注意力子模块(注意力模块二)的构建方式跟多维量度运动特征序列注意力机构子模块的构建方式相同，得到的船舶与环境交互状态注意力权重集，即交互特征注意力权重集合，如下式(4)所示：

其中，式中

进一步地，本实施例融合预设交互特征和船舶轨迹运动行为特征，将轨迹运动特征权重集合与交互特征注意力权重集合进行拼接，得到中间层信息。其中，本实施例将得到的中间层信息作为模型解码器的输入，解码器采用单层长短期记忆(Long short-termmemory,LSTM)模块。同时，本实施例中输入单元数r为30，中间层单元长度为h＝150，即所述轨迹高维度特征向量尺寸为150，构建注意力机制轨迹自编码模型，编码器采用Bilstm模块，解码器采用单层LSTM模块，解码器能够根据所述高维度特征向量连接还原出与原始输入尺寸相同的重建特征，该模型基于损失函数Loss并采用Adam优化器相应优化，如下式(5)所示：

其中，式中E

在本发明的一些实施例中，将中间层信息输入聚类分析算法对船舶轨迹进行聚类分析，得到轨迹聚类簇，包括但不限于：

将中间层信息输入k均值聚类算法对船舶轨迹进行聚类分析，得到轨迹聚类簇。

在本具体实施例中，本实施例通过k均值聚类算法对船舶轨迹进行聚类分析。具体地，本实施例首先获取经过训练的注意力机制自编码模型的中间层高维特征向量，即中间层信息。然后，本实施例将中间层信息作为轨迹的提取特征，并将其作为Kmeans聚类分析的输入，得到轨迹聚类簇，从而确定船舶运动模式，聚类分析过程如下式(6)所示：

L

其中，L

在本发明的一些实施例中，根据轨迹聚类簇通过栅格划分法统计各船舶运动模式的运动状态概率密度分布数据，包括但不限于：

通过栅格划分法对航道进行划分，得到各船舶运动模式下的航道栅格数据。

根据航道栅格数据和轨迹聚类簇统计各船舶运动模式下的船舶运动状态在栅格内的高斯概率密度分布数据。

在本具体实施例中，本实施例首先将航道进行栅格划分，然后根据得到的航道栅格数据和轨迹聚类簇统计各船舶运动模式下的船舶运动状态在栅格内的高斯概率密度分布数据。具体地，本实施例首先通过栅格划分法对预设水域的航道进行划分，得到航道栅格数据。然后，本实施例统计每一类船舶运动状态在栅格内的高斯概率密度分布。本实施例根据各个轨迹聚类簇，即不同船舶运动模式对应的船舶运动状态，在航道栅格中分布情况统计得到相应的高斯概率密度分布数据。示例性地，栅格划分过程参照图5。

在本发明的一些实施例中，根据船舶当前轨迹数据通过本地自编码模型进行运动模式识别，得到当前船舶运动模式，包括但不限于：

通过遮盖机制对船舶当前轨迹数据进行填充，得到船舶预期轨迹数据。其中，船舶预期轨迹数据与预设水域的船舶航行轨迹数据的数据长度相同。

将船舶预期轨迹数据输入各个本地自编码模型，得到相应的重构误差。

根据重构误差的变化差异性匹配得到当前船舶运动模式。

在本具体实施例中，本实施例首先通过Keras深度学习环境下的Mask(遮盖)机制对获取的船舶当前轨迹数据进行填充，以使得到的船舶预期轨迹数据与训练数据中预设水域的船舶航行轨迹数据的数据长度相同。接着，通过将船舶预期轨迹数据分别输入各个本地自编码模型，得到相应的重构误差，从而根据重构误差匹配得到船舶当前轨迹运动模式。进一步地，根据船舶当前轨迹运动模式和运动状态概率密度分布数据进行异常行为分析，得到船舶航行异常行为的检测结果。示例性地，假设本实施例选择一条轨迹为测试轨迹l，其轨迹长度len(l)是逐步增加的，为保证模型稳定对轨迹稳定重构，采用Keras深度学习环境下的Mask机制(遮盖机制)保持长度与训练模型输入长度一致。其中，Mask机制对填充数据不做运算。进一步，本实施例以固定频率将轨迹输入到不同本地自编码模型中，得到相应的重构误差。容易理解的是，在船舶固有运动模式下的本地自编码模型产生的轨迹重构误差将会逐渐降低，而对除固有运动模式外的其他本地自编码重构模型将会逐渐升高。示例性地，参照图6和图7，本实施例根据重构误差匹配得到船舶当前轨迹运动模式，可以较快识别当前轨迹运动模式类别为运动模式4，即C到A。然后，本实施例根据船舶当前轨迹运动模式和运动状态概率密度分布数据进行异常行为分析，得到检测结果，实现船舶航行异常行为的实时检测，减少船舶航行事故的发生。

在本发明的一些实施例中，根据船舶当前轨迹数据和当前船舶运动模式对应的运动状态概率密度分布数据进行船舶异常行为分析，得到异常检测结果，包括但不限于：

根据船舶当前轨迹运动模式和相应的运动状态概率密度分布数据通过高斯截断概率生成异常告警阈值。其中，异常告警阈值包括告警上届和告警下届。

根据异常告警阈值对船舶当前轨迹数据进行异常行为分析，得到检测结果。

在本具体实施例中，本实施例首先根据船舶当前轨迹运动模式和该运动模式对应的运动状态概率密度分布数据通过高斯截断概率生成包括告警上届和告警下届的告警异常告警阈值。接着，本实施例根据异常告警阈值对船舶当前轨迹数据进行异常行为分析，得到检测结果。具体地，在通过识别出当前轨迹所属运动模式，即根据重构误差匹配得到船舶当前轨迹运动模式后，本实施例判断当前轨迹点是否符合其所属运动模式类别在当前栅格下的概率密度分布，即运动状态概率密度分布数据。然后，根据高斯截断概率判断船舶当前轨迹异常可能性，并生成告警上届与告警下届如下式(7)所示：

其中，式中μ

本发明的一个实施例还提供了一种内河船舶航行异常行为检测系统，包括：

特征提取模块，用于根据预设水域的船舶航行轨迹数据提取船舶轨迹运动行为特征以及预设交互特征。其中，预设交互特征为船舶与航道预设浮标距离的交互特征。

第一模型构建模块，用于构建注意力机制自编码模型。

特征融合模块，用于通过注意力机制自编码模型将船舶轨迹运动行为特征以及预设交互特征进行融合，得到中间层信息。其中，中间层信息为船舶轨迹运动行为特征以及预设交互特征进行聚合后的特征信息。

聚类分析模块，用于将中间层信息输入聚类分析算法对船舶轨迹进行聚类分析，得到轨迹聚类簇。其中，每一个所述轨迹聚类簇表示一种船舶运动模式。

栅格划分模块，用于根据轨迹聚类簇通过栅格划分法统计各船舶运动模式的运动状态概率密度分布数据。

第二模型构建模块，用于根据轨迹聚类簇构建相应的本地自编码模型。其中，本地自编码模型与船舶运动模式相对应。

运动模式识别模块，用于根据船舶当前轨迹数据通过本地自编码模型进行运动模式识别，得到当前船舶运动模式。其中，船舶当前轨迹数据为实时获取的船舶轨迹数据。

异常行为分析模块，用于根据船舶当前轨迹数据和当前船舶运动模式对应的运动状态概率密度分布数据进行船舶异常行为分析，得到异常检测结果。

参照图2，本发明的一个实施例还提供了一种内河船舶航行异常行为检测系统，包括：

至少一个处理器210。

至少一个存储器220，用于存储至少一个程序。

当至少一个程序被至少一个处理器210执行，使得至少一个处理器210实现如上述实施例描述的内河船舶航行异常行为检测方法。

本发明的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，例如，执行以上实施例描述的步骤。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。