基于渔船轨迹数据的进出港区域识别方法OACSTPCD

针对当前渔船进出港区域获取方法成本高、更新周期长等问题,提出了一种基于渔船轨迹数据的渔船进出港区域识别方法。首先,提出基于多特征融合下轨迹点间相似性的轨迹划分算法,将渔船轨迹划分为不同渔船行为的轨迹段;然后,提出特征距离加权-K均值聚类算法(Feature Distance Weighted-K-means clustering algorithm,FDW-K-means),将上一步得到的轨迹段特征作为聚类对象,实现渔船进出港轨迹段的提取。最后,综合运用DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法和Del-Alpha-Shape算法对聚集的渔船进出港轨迹段轨迹点集进行边界提取获得渔船进出港区域。以椒江渔港和博贺渔港2021年3月的渔船轨迹数据为例,识别到椒江渔港和博贺渔港的渔船进出港区域的正确率分别为94.2%和95.8%。与使用K-means聚类算法或传统基于对各特征设定约束条件思想提取轨迹段的方法相比,该方法识别到的渔港渔船进出港区域正确率分别提高了10.7%,8.7%和9.5%,6.6%。实验结果表明所提方法能够有效识别渔船进出港区域,其结果能为渔船进出港监管提供科学参考。