港口內運車輛作業(yè)軌跡異常檢測

胡俊雅 李勇華 唐 晨

(武漢理工大學計算機科學與技術學院 湖北 武漢 430063)(武漢理工大學交通物聯(lián)網技術湖北省重點實驗室 湖北 武漢 430070)

0 引 言

港口是水陸運輸樞紐中心，內河港口的裝卸船作業(yè)通常采用內運車輛對貨物進行中轉，一般涉及將碼頭的貨物運輸到堆場(卸貨作業(yè))、將堆場的貨物運輸到碼頭(裝貨作業(yè))、將堆場的貨物運輸到其他堆場(轉堆作業(yè))等作業(yè)行為。在中轉過程中，由于港內道路復雜、中轉作業(yè)類型多樣、堆場環(huán)境惡劣，以及人為因素不可控等原因，該過程極易發(fā)生一些異常作業(yè)行為(偷運貨物、裝卸貨紊亂、未按流程作業(yè)等)，貨物的安全亟需得到監(jiān)管，而貨物的安全與內運車的運行意圖密切相關。內運車在作業(yè)過程中會產生海量的軌跡數據，通過對軌跡數據[1]進行分析，可以發(fā)現(xiàn)內運車的移動特征。而軌跡的異常行為表現(xiàn)出與正常行為不一致的現(xiàn)象，通過對軌跡進行異常檢測，能夠發(fā)現(xiàn)移動對象隱藏在正常行為模式中的真實行為模式，暴露出內運車運行的異常意圖，可令監(jiān)管人員做出相應措施。

目前，軌跡異常檢測[2]已成為學術界和工業(yè)界研究領域的熱點。然而國內外針對港口內運車作業(yè)軌跡異常檢測的研究較少，在社會安全[3-4]、智能交通[5-6]、海事航行[7-8]等領域的研究較多。

Le等[3]針對辦公場所的非法入侵問題，提出一個線性距離函數來比較兩個軌跡活動序列，并使用動態(tài)時間規(guī)整(Dynamic Time Warping,DTW)的度量方法來計算序列間的相似性，最后利用單分類支持向量機(One Class Support Vector Machine,One-Class SVM)對軌跡活動序列進行分類，檢測異常軌跡活動序列。該方法能夠成功檢測到誤報率極低情景中的異常序列，然而并未在真實數據集中進行校驗且構建檢測模型的過程耗時較長。Wang等[5]針對交通流量異常問題提出了一種基于特征的流量異常檢測方法，該方法對原始軌跡進行地圖匹配，通過索引結構聚合路段所有軌跡，并通過路段及軌跡特征等方面進行分析，檢索異常候選段，最后根據候選段的密度變化、駛出比率等推斷交通異常情況。但是該方法考慮的特征并不全面，沒有誤報率的評估實驗。Toloue等[7]針對船舶航海安全問題，結合船舶的速度、位置、航向等參數，提出了一種基于隱馬爾可夫模型(Hidden Markov Model,HMM)的海上船舶異常行為檢測方法，該方法相比于SVM方法有效地降低了誤報率，提高了檢測精度等。然而隨著船舶海上航線的增加，也需要為每個路徑構建不同的行為模型。文獻[2]對現(xiàn)有的異常檢測技術進行了分類，并闡述了每個類型的異常檢測方法的不足之處。

本文考慮到港口內運車作業(yè)的特殊性(部分路網較為密集、作業(yè)類型和作業(yè)貨物多樣、作業(yè)環(huán)節(jié)存在駐留和移動狀態(tài)、作業(yè)司機可更換等)，提出軌跡真實狀態(tài)提取方法并設計自適應有限狀態(tài)機(Adaptive Finite State Machine,AFSM)對內運車作業(yè)軌跡進行異常檢測。首先根據路網匹配知識[9]獲取軌跡點所屬路段，形成臨時狀態(tài)序列集；然后利用規(guī)則和DBSCAN[10]聚類算法將臨時狀態(tài)序列轉化為真實狀態(tài)序列；最后結合港口領域專家經驗、港口實時情況、作業(yè)真實數據等制定規(guī)則，利用每趟序列得到的反饋結果來構建AFSM，將軌跡真實狀態(tài)序列作為AFSM的輸入，檢測內運車作業(yè)軌跡是否異常。

1 軌跡真實狀態(tài)序列提取方法

港口調度人員發(fā)布作業(yè)指令后，內運車根據該指令執(zhí)行對應的作業(yè)流程，同時產生海量的軌跡數據。這些軌跡數據根據行駛路徑、作業(yè)流程的每個作業(yè)環(huán)節(jié)等形成不同的軌跡狀態(tài)，如直接過磅的移動狀態(tài)、堆場/碼頭作業(yè)的耗時駐留狀態(tài)等。雖然通過傳統(tǒng)的聚類方法能夠得到軌跡駐留狀態(tài)，然而由于GPS的精度問題和港區(qū)路網較為密集等原因，傳統(tǒng)的聚類方法得到的軌跡真實狀態(tài)并不足夠準確，此外類似過磅的這種移動狀態(tài)更是無法聚類。為此，本文提出軌跡真實狀態(tài)序列提取方法，其流程如圖1所示，首先搜索軌跡點的候選路段，結合軌跡數據以及港口路網數據，基于啟發(fā)式半徑搜索軌跡點的候選路段集(候選點集)。然后結合軌跡點的上下文信息，計算軌跡點到候選點的觀測概率和候選點間的形成的狀態(tài)轉移概率，并根據1.2節(jié)提出的算法為每個軌跡點匹配路段信息。最后基于規(guī)則和DBSCAN聚類算法判斷軌跡的真實狀態(tài)，并形成軌跡真實狀態(tài)序列，該規(guī)則結合了作業(yè)流程和作業(yè)數據，DBSCAN聚類算法是用于判斷狀態(tài)內的軌跡數據集的駐留情況，其中軌跡真實狀態(tài)是指軌跡形成的駐留區(qū)域以及滿足作業(yè)環(huán)節(jié)的區(qū)域。

圖1 軌跡真實狀態(tài)序列提取方法的工作流程

1.1 基于上下文的軌跡所屬路段判斷算法

內河港口的道路結構復雜，某港口道路結構如圖2所示，其中：粗框矩形的邊框為堆場道路；左下角矩形邊框區(qū)域為碼頭道路；五角星所標區(qū)域為地磅所在位置。由于GPS定位不可避免地存在精度問題，在堆場區(qū)域，堆場和堆場之間的距離較近，且部分堆場相通，軌跡點很容易因為偏差而被識別到另一個堆場中，對于地磅區(qū)域，其與其他道路的距離更為接近，基于傳統(tǒng)的幾何路網匹配方法很難精確地將軌跡點匹配到正確的路段上，這給內運車作業(yè)軌跡的異常檢測帶來了挑戰(zhàn)。

圖2 某港口道路區(qū)域

為此本文基于港口領域，充分結合軌跡點上下文信息和路網拓撲結構，提出基于上下文的軌跡所屬路段判斷算法(TBRSJ)。如圖3所示，確定軌跡點A的候選點是由其自身及其前序和后序軌跡點共同決定的。

圖3 基于上下文的軌跡候選點判斷

(1)基于啟發(fā)式半徑的軌跡候選路段搜索。本文對港口路網模型建立路網索引，并根據該索引確定觀測軌跡點Pi所屬網格，以該網格為中心，基于網格索引查詢出3×3網格內的路段集L={l1,l2,…,ln}，計算觀測點Pi到路段li的投影點，投影點是指觀測點投射到路段上的候選點，其與觀測點的距離最近。計算投影點時，需考慮觀測點與路段的三種位置關系：路段中的投影點、路段左側的投影點、路段右側的投影點。如圖4所示，觀測點Pi對應的候選點即為Pc、Pa、Pb，觀測點到候選點的投影距離即為dic、dia、dib，投影距離是指兩點間的大圓距離。

圖4 軌跡點到路段的投影

如果以觀測點為中心，設置一個半徑大小為R的閾值，簡單地將投影距離小于R的路段添加到候選集中，R大小的選取直接影響候選集的大小。考慮到GPS的誤差以及路段自身存在的寬度等因素，本文將R≤w/2+p的路段加入到該點所屬的候選集中，其中：w為路段寬度；p為軌跡點的定位精度。候選點即為其投影點。路寬因素確定了觀測點到路段投影的閾值選取，經驗證可以減少候選集的大小，降低后續(xù)算法的時間開銷且保證了算法的有效性。

(2)觀測概率。觀測概率是指GPS觀測點和候選點的匹配程度，匹配程度越高說明該候選點與觀測點越接近。文獻[11]認為觀測到的軌跡點符合正態(tài)分布，可以使用高斯函數來表達距離因素的觀測概率，文獻[12]使用均值μ=0、標準差σ=20的高斯分布來模擬觀測概率，如式(1)所示。

(1)

(2)

(3)狀態(tài)轉移概率。軌跡點所屬路段不僅與前序軌跡相關，后序軌跡也是其重要權重因素。在圖5中，對于P2，僅考慮前序P1的影響，易丟失下文信息，而導致P2匹配到路段L2的概率更大。

圖5 點到路段位置

因此在本文中，狀態(tài)轉移概率是指結合了相鄰軌跡狀態(tài)到該軌跡狀態(tài)轉移這一過程的概率，其公式為：

(3)

算法1TBRSJ算法

輸入：預處理后的軌跡集Traj。

輸出：包含所屬路段的軌跡集TrajRes。

1TrajRes=[]

2 計算每個軌跡點的候選路段集合L、軌跡點到候選點的觀測概率Po、候選點到候選點的轉移概率Pt等

4 foriin range(1,len(Traj)-1)

9 forliinLi

11 forli+1inLi+1

16TrajRes.push(pi,l)

18TrajRes.push(pend,l)

19 returnTrajRes

對于此算法，設T為某趟作業(yè)的軌跡數據個數，V為路網節(jié)點數，E為路網中的路段數，假設每個軌跡點的候選路段最多為K。基于HMM的后聯(lián)合概率計算時要計算觀測概率、轉移概率和聯(lián)合概率，候選路段到候選路段的條數共有(T-1)×K2個，觀測概率、聯(lián)合概率需要計算T×K次，又因A*算法最壞的時間復雜度為O(V2)，因此轉移概率的時間復雜度為O(TK2V2)，該過程的全局復雜度為O(2KT+TK2V2)，狀態(tài)轉移概率需要計算T(K2+1)，所以此算法的時間復雜度為O(2KT+TK2V2+T(K2+1))。在實際中，K可以取較小的值，因此，該算法的時間復雜度接近于O(TV2)。

1.2 基于規(guī)則和DBSCAN的真實狀態(tài)判斷

DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一個比較有代表性的基于密度的聚類算法。DBSCAN聚類算法過程是從數據集中，任選一個核心對象作為種子，再由此對象出發(fā)找出其密度可達的樣本，生成聚類簇，直到所有核心對象均被訪問，即確定了最終相應的聚類簇。由于該算法有著優(yōu)良的管理空間特征能力，能夠發(fā)現(xiàn)任意形狀的聚類簇，且對數據集的噪聲數據不敏感，因此本文通過DBSCAN聚類判斷內運車的真實駐留狀態(tài)。然而車輛過磅這類作業(yè)環(huán)節(jié)屬于非耗時操作，簡單地通過密度聚類容易丟失某些內運車軌跡的真實狀態(tài)且全局的聚類算法耗時較長，因此本文從實際作業(yè)流程和真實的作業(yè)數據制定相應規(guī)則，提出基于規(guī)則和DBSCAN的軌跡真實狀態(tài)提取算法。

對1.1節(jié)中提取的TrajRes進行狀態(tài)合并，得到軌跡臨時狀態(tài)序列tState=(S1,S2,…,Sn)，其中狀態(tài)S是一個五元組S=(sName,trajList,enTime,exTime,trajNum)，包含狀態(tài)名稱、軌跡數據集、駛入時間、駛出時間和軌跡總數量。圖6顯示了幾輛內運車的軌跡臨時狀態(tài)，其中駛入和駛出時間是用時間戳進行表示的。

圖6 臨時軌跡狀態(tài)序列結構

軌跡的臨時狀態(tài)序列反映了內運車在港內作業(yè)每條路段上的行駛情況，其作為基于規(guī)則和DBSCAN的軌跡真實狀態(tài)提取算法的輸入。其算法流程如算法2所示，其中：Rule1表示如果狀態(tài)si處于作業(yè)區(qū)域且實際的作業(yè)時間點處于該狀態(tài)的時間段內則為True；Rule2表示如果狀態(tài)si的軌跡數量大于15或時間段長度超過了120 s則為True。

算法2基于規(guī)則和DBSCAN的軌跡真實狀態(tài)提取算法

輸入：軌跡臨時狀態(tài)序列集tState。

輸出：軌跡真實狀態(tài)集合RealState=(S1,S2,…,Sm)。

1Rule1:?si∈tState∧W(si)→True

W(si):si處于作業(yè)區(qū)域且時間段包含實際作業(yè)時間

2Rule2:?si∈tState∧(si.trajNum>15∨si.time>120 s)→True

3RealState=[]

4 foriin range(len(tState))

5 ifsiinRule1

6RealState.push(si)

7 else ifsiinRule2

8clusterRes=_DBSCAN(si.trajList)

#返回聚類結果

9 ifclusterRes.num>0

#有聚類簇

10RealState.push(si)

11 returnRealState

算法2首先制定了作業(yè)規(guī)則，然后遍歷狀態(tài)序列，將符合的狀態(tài)加入到真實狀態(tài)中，對該狀態(tài)內的軌跡數據集進行DBSCAN聚類處理，如果存在聚類類簇則將該狀態(tài)加入到真實狀態(tài)中，否則進行下一次狀態(tài)判斷，最后得到軌跡的真實狀態(tài)序列。

2 自適應FSM的軌跡異常行為檢測

軌跡異常是指該軌跡沒有遵守某種預期模式的事件，或者是根據某種相似性準則表現(xiàn)出與其他軌跡相異的行為。在不同的應用中對軌跡異常存在不同的定義。基于港口監(jiān)管人員對內運車作業(yè)長期觀察得到的作業(yè)異常類型，本文將內運車作業(yè)的異常行為定義為：(1)未按標準作業(yè)流程作業(yè)；(2)同一指令下的多趟作業(yè)的作業(yè)區(qū)域不同；(3)在非作業(yè)區(qū)域駐留超時或作業(yè)區(qū)域作業(yè)超時；(4)違法關閉作業(yè)終端逃避監(jiān)管。

港口內運車根據作業(yè)指令進行生產作業(yè)，在正常的作業(yè)流程中，按照每個指令環(huán)節(jié)執(zhí)行相應操作，從一個工作狀態(tài)遷移到另一個工作狀態(tài)，直至作業(yè)流程完結，整個作業(yè)環(huán)節(jié)的狀態(tài)是確定且有限的，該過程符合有限狀態(tài)機(Finite State Machine,FSM)這一數學模型[14]。軌跡的真實狀態(tài)代表了內運車作業(yè)的行駛意圖，可將第一節(jié)中提取到的軌跡真實狀態(tài)序列放入內運車作業(yè)的FSM中檢測其是否異常。然而在內運車作業(yè)過程中，不同的作業(yè)指令存在不同的作業(yè)類型，每個環(huán)節(jié)的作業(yè)時長跟作業(yè)類型、作業(yè)貨物密切相關，同一指令下的多趟作業(yè)的作業(yè)區(qū)域應當相差無幾，且某些停車、加油等狀態(tài)屬于合法狀態(tài)，這些因素都影響著內運車軌跡異常檢測的精度。因此為了更好適應各種異常類型，本文在FSM的基礎上對其進行調整，通過制定一些規(guī)則和獲取一些反饋數據，設計了自適應有限狀態(tài)機AFSM來檢測內運車作業(yè)軌跡是否異常。

2.1 AFSM自適應的有限狀態(tài)

AFSM在FSM的基礎上自適應地制定了作業(yè)規(guī)則以及結合了該條指令下的反饋數據，將這些因素作為狀態(tài)遷移的前置條件。通過AFSM能夠更加精確地判斷內運車作業(yè)軌跡異常。AFSM由一個七元組M=(S,Σ,R,δ,s0,F,φ)表示。其中：S=(s0,s1,…,sn)是一個非空的有限狀態(tài)集合，在每個確定的時刻，AFSM只能處于一個確定的狀態(tài)si；Σ=(σ1,σ2,…,σn)是一個非空的輸入消息集合，在每個確定的時刻，AFSM只能接收一個確定的輸入σk；R=(r1,r2,…,rn)是狀態(tài)的規(guī)則集合，每個狀態(tài)存在最多一個確定的規(guī)則集rk；δ:S×Σ×R×φ→S是狀態(tài)轉移函數，在某一個狀態(tài)下，給定輸入且滿足前置條件，AFSM將由狀態(tài)轉移函數決定一個新的狀態(tài)；s0∈S是初始狀態(tài)，AFSM由此開始接收輸入，在內運車作業(yè)過程中，初始狀態(tài)為第一次過磅；F∈S是最終狀態(tài)集合，AFSM在到達終態(tài)后結束，并得到軌跡異常檢測的結果；φ是反饋數據，由同一指令下每趟作業(yè)經過AFSM處理后到達等待狀態(tài)得到的反饋數據。

圖7是AFSM結構，其中：狀態(tài)1為第一次過磅狀態(tài)；狀態(tài)2為碼頭或堆場狀態(tài)；狀態(tài)3為第二次過磅狀態(tài)；狀態(tài)4為目標堆場/碼頭狀態(tài)；狀態(tài)5為等待狀態(tài)；狀態(tài)6為異常狀態(tài)；狀態(tài)7為成功狀態(tài)；R為規(guī)則；φ為反饋數據。首先根據內運車作業(yè)指令獲取作業(yè)數據，然后通過作業(yè)數據信息確定有限狀態(tài)S、終止狀態(tài)F，制定狀態(tài)規(guī)則R，確定初始狀態(tài)s0；接著將軌跡真實狀態(tài)序列作為輸入條件Σ，利用規(guī)則R以及軌跡狀態(tài)內的聚類類簇信息自適應設計狀態(tài)轉移函數δ；最后結合每趟作業(yè)狀態(tài)計算反饋數據φ，并作為狀態(tài)5(等待狀態(tài))轉移函數的前置條件，輸出終態(tài)結果，從而檢測出內運車作業(yè)軌跡是否異常。

圖7 AFSM結構

2.2 規(guī)則和反饋的設計及應用

1)作業(yè)規(guī)則。作業(yè)規(guī)則的設計結合了港口領域專家經驗、內運車作業(yè)數據、港口交通實時狀態(tài)等因素，其目的在于判斷內運車作業(yè)軌跡真實狀態(tài)序列中的某些狀態(tài)是否合法，以提高AFSM對軌跡異常檢測的精度。

由于篇幅原因，本文僅列出了AFSM的部分通用規(guī)則，以及作業(yè)指令編號為LXH99201812191328550、作業(yè)貨物為智利粉礦的部分卸貨的非通用規(guī)則，如表1所示。其中：si表示真實狀態(tài)；S表示真實狀態(tài)序列集合；Gas(si)表示si處于加油站區(qū)域；Light(si)表示si處于紅綠燈區(qū)域；Canteen(si)表示si處于食堂區(qū)域。Ct(si.t)表示si.t處于就餐時間內；Yard(si)表示si處于堆場作業(yè)區(qū)域；Pier(si)表示si處于碼頭作業(yè)區(qū)域；PGRules(si)表示si處于通用規(guī)則區(qū)域；Traj(si.t)表示獲取si時間段內港口所有軌跡信息；Congestion(Traj(si.t))表示si處于擁堵狀態(tài)；Legal(si)表示si為合法狀態(tài)。

2)反饋數據。反饋數據的設計是利用同一指令下的每趟作業(yè)軌跡真實狀態(tài)來確定的，其目的在于校驗內運車在堆場或碼頭執(zhí)行作業(yè)時，內運車作業(yè)的具體位置是否合法，以提高AFSM對軌跡異常檢測的精度。

港口調度人員通過發(fā)布作業(yè)指令調度內運車執(zhí)行作業(yè)，在同一條作業(yè)指令下至少存在一趟以上的作業(yè)，且對于每趟作業(yè)而言，它的作業(yè)流程完全相同，其對應的具體作業(yè)區(qū)域相近或一致。由于內運車在不同趟數作業(yè)的作業(yè)時長并不一致，采集的軌跡長度基本不相等，因此本文采用動態(tài)時間規(guī)整(Dynamic Time Warping,DTW)[15]的方法來對同一指令下不同趟數在堆場或碼頭的軌跡的真實狀態(tài)進行相似度分析。

基于DTW的反饋數據算法如算法3所示。其步驟如下，首先計算多趟作業(yè)在作業(yè)區(qū)域之間的相似度，并得到相似度矩陣，然后將每趟和其他趟數的相似度值進行累加，并比較不同趟數得到的相似度值，最后將相似度值最小(相似度最大)的那趟作業(yè)區(qū)域定為合法作業(yè)區(qū)域，并將該趟作業(yè)與其他趟作業(yè)的相似度數據作為反饋數據返回。

算法3基于DTW的反饋數據φ的設計

輸入：已抵達AFSM的等待狀態(tài)下的同一指令下的多趟軌跡真實狀態(tài)RS。

輸出：返回合法趟數φ。

1dtw=[]

#相似度矩陣

2 foriin range(len(RS))

3 forjin range(len(RS))

4 ifi==j

#當前趟數作業(yè)的狀態(tài)轉移到5

5dtw.append(0)

6 else

7dtw.append(DTW(RSi,RSj))

#計算作業(yè)區(qū)域的相似度

8min=sum(dtw0)

#計算當前與其他趟數的相似度之和

9 foriin range(len(dtw))

10 ifmin>sum(dtwi)

11min=sum(dtwi)

12idx=i

13φ=dtwidx

14 returnφ

#選擇φ最小的那趟作業(yè)區(qū)域為標準作業(yè)區(qū)域

3)作業(yè)規(guī)則和反饋數據的應用。根據本章開頭定義的內運車作業(yè)軌跡異常類型，下面將舉例分析這些異常類型下作業(yè)規(guī)則和反饋數據在ASFM中的應用。

(1)未按標準作業(yè)流程作業(yè)。內運車首先完成第一次過磅，然后駛入碼頭作業(yè)，之后未完成第二次過磅，再次駛入碼頭作業(yè)并完成第二次過磅，最后到達堆場結束作業(yè)。該過程并未按照標準的作業(yè)流程作業(yè)，因此此趟作業(yè)存在異常。對應的AFSM會在狀態(tài)2到狀態(tài)3之間經過作業(yè)規(guī)則的判斷后，變遷為異常狀態(tài)。

(2)同一指令下的多趟作業(yè)的作業(yè)區(qū)域不同。在同一指令下，內運車兩趟作業(yè)在堆場的具體作業(yè)區(qū)域不同，因此其中存在異常趟數的作業(yè)。對應的AFSM會在等待狀態(tài)經過反饋數據的判斷后變遷為異常狀態(tài)。

(3)在非作業(yè)區(qū)域駐留超時或作業(yè)區(qū)域作業(yè)超時。內運車完成第一次過磅后駛入碼頭，并在碼頭短暫停留，然而在第二次過磅時，遠超出作業(yè)時長，因此該趟作業(yè)存在異常。對應的AFSM會在狀態(tài)2到狀態(tài)3間，經過規(guī)則的判斷，變遷為異常狀態(tài)。

(4)違法關閉作業(yè)終端逃避監(jiān)管。內運車在經過第一次過磅后便關閉了作業(yè)終端系統(tǒng)，導致后續(xù)作業(yè)軌跡無法上報，因此該趟作業(yè)存在異常。對應的AFSM從狀態(tài)1到狀態(tài)2間，經過規(guī)則判斷后變遷為異常狀態(tài)。

3 實 驗

3.1 實驗數據

本文采用的軌跡數據集是從重慶某港口中獲取的一個月(2018年12月19日00:00:00至2019年01月18日23:59:59)的內運車作業(yè)軌跡數據。利用車載移動終端，以8 s/次的采樣頻率進行數據采集，共采集了1 239條作業(yè)指令、7 547趟作業(yè)、3 415 835個軌跡點。

3.2 實驗結果

(a)候選路段數量對比

在基于上下文的軌跡所屬路段判斷算法中，本文結合HMMM算法，不僅考慮了前序軌跡點的概率，同時也結合了后序軌跡點的概率。由于堆場之間的距離相近，且GPS易漂移，極易發(fā)生在A堆場作業(yè)的部分軌跡點漂移到B堆場。圖9展示了兩者在堆場時的提取狀態(tài)，(a)是本文算法在該區(qū)域的匹配結果，右側是正確匹配的部分，(b)是HMMM算法在該區(qū)域的匹配結果，右側是錯誤的匹配部分。

圖9 本文算法與HMMM算法局部匹配結果對比

在軌跡真實狀態(tài)提取中，為了對其進行評估，本文將基于DBSCAN的軌跡真實狀態(tài)提取、基于規(guī)則的軌跡真實狀態(tài)提取、基于規(guī)則和DBSCAN的軌跡真實狀態(tài)提取進行實驗對比。圖10是本文隨機選取20趟作業(yè)軌跡數據下的時間結果，可知基于規(guī)則和DBSCAN的軌跡真實狀態(tài)提取算法能夠最大程度有效地提取出內運車作業(yè)軌跡的真實狀態(tài)。

(a)三種方式的真實狀態(tài)提取數量

為了評估AFSM對內運車作業(yè)軌跡異常檢測的有效性，本文從兩個方面進行實驗，一方面基于DTW的反饋數據的計算方式，另一方面是AFSM軌跡異常檢測結果。

本文選取了作業(yè)指令為LXH99201812190253-431的5趟作業(yè)軌跡數據，經DTW相似度計算后，該5趟作業(yè)在D1堆場的相似度的堆積柱形圖如圖11所示，兩個具體作業(yè)區(qū)域的相似度值越高說明其相似度越低。

圖11 不同趟數在D1堆場的軌跡相似度堆積結果

可以看出第一趟作業(yè)在堆場的具體作業(yè)區(qū)域與其他四趟在堆場的具體作業(yè)區(qū)域相似度較低，第四趟作業(yè)的堆積值最低，即第四趟作業(yè)與其他趟數的相似度較高，因此本文選取第四趟作業(yè)的堆場作業(yè)區(qū)域為該指令下的標準具體作業(yè)區(qū)域。對于判斷兩個具體作業(yè)區(qū)域是否為同一作業(yè)區(qū)域，需要度量兩者的相似度大小，本文經過大量的計算，該相似度度量值取值為1 066，即當兩個具體作業(yè)區(qū)域的相似度小于1 066時，即可認為兩個具體作業(yè)區(qū)域為同一作業(yè)區(qū)域。

由于人工計算結果集工作量非常大，因此本節(jié)實驗在數據集中隨機選取了50條(45條卸船指令和5條轉堆指令)、75條(67條卸船指令和8條轉堆指令)、100條(90條卸船指令和10條轉堆指令)、125條(112條卸船指令和13條轉堆指令)作業(yè)指令下的軌跡數據，在經過軌跡真實狀態(tài)的提取后，將其作為AFSM的輸入，將其結果與人工獲取結果集進行對比，最終得到的結果如圖12所示。

(a)不同規(guī)模數據的AFSM檢測結果

不同異常類型在不同作業(yè)指令數量下的異常趟數，如圖13所示，其中：異常1是指未按標準作業(yè)流程作業(yè)的軌跡異常類型；異常2是指同一指令下的多趟作業(yè)的作業(yè)區(qū)域不同的軌跡異常類型；異常3是指在非作業(yè)區(qū)域駐留超時或作業(yè)區(qū)域作業(yè)超時的軌跡異常類型；異常4是指違法關閉作業(yè)終端逃避監(jiān)管的異常類型；誤報異常是指AFSM錯誤識別為異常的情況。可以看出，內河港口內運車作業(yè)過程中，異常4類型出現(xiàn)的情況較多，這是由于部分內運車司機在作業(yè)過程中并沒有長時間地打開作業(yè)終端，僅在需要的時候開啟，用完后就關閉。

圖13 不同異常類型的數據量

4 結 語

為了對內河港口內運車輛在進行貨物中轉的過程中進行有效的監(jiān)管，本文提出一種軌跡真實狀態(tài)序列提取方法，并設計了AFSM對內運車作業(yè)軌跡數據進行異常檢測來判斷內運車作業(yè)是否存在異常意圖。在軌跡真實狀態(tài)序列提取方法中，采用啟發(fā)式半徑閾值降低了路段候選集大小，提高了本文方法的時間效率；

綜合考慮了軌跡的上下文信息，利用軌跡點的觀測概率和候選點間形成的狀態(tài)轉移概率得到了軌跡的所屬路段，并基于規(guī)則和DBSCAN聚類提取軌跡真實狀態(tài)。在AFSM中，結合了港口領域專家經驗、港口交通實時狀態(tài)，以及每趟作業(yè)的實際數據制定了相應規(guī)則，并對每趟作業(yè)的作業(yè)區(qū)域進行DTW的相似性分析獲取反饋數據，自適應地調整了FSM。最后，基于重慶某港口提供的真實數據集對軌跡真實狀態(tài)提取方法和AFSM軌跡異常檢測模型進行實驗。實驗表明，本文方法能夠精確地提取內運車作業(yè)的軌跡真實狀態(tài)，不僅提取出非作業(yè)環(huán)節(jié)和作業(yè)環(huán)節(jié)的內運車駐留狀態(tài)，還能夠有效提取作業(yè)環(huán)節(jié)中的內運車移動狀態(tài)，最終在以上方法的基礎上，AFSM對內運車作業(yè)軌跡的異常檢測精度達95%～96%。實驗證明了本文方法適用于該港口的內運車作業(yè)異常檢測。