船舶进出港口时,由于航行环境复杂,可航水域受限,同时受到风、浪、流以及驾驶员对港口水文环境不熟悉等多种因素影响,使得通航水域内发生安全事故的风险增加,同时船舶进出港口的航行效率低下,进而影响港口的生产效率。为实时掌握港口水域中船舶航行态势,提升港口和船舶智能化水平,从而保障船舶航行安全,本文以进出港船舶为研究对象,运用智能化方法对进出港船舶行为进行分析,以帮助监管部门对辖区水域内的船舶进行更有效地监管。论文完成了如下主要工作:数据预处理是数据挖掘过程中非常重要的一环,很大程度上影响着数据挖掘算法的效率。通过对原始船舶轨迹数据集的分析,发现其存在字段错误、噪声明显等问题,且属于不规则时序数据。因此本文设计了一种简捷高效的数据处理算法,提高数据的准确性和完整性,并有效减少数据处理过程的计算量。对原始数据进行预处理,去除噪声数据,调整数据存储格式,使之满足模型的输入要求。基于Hausdorff距离,提出了一种具有方向分辨能力的轨迹相似性度量改进算法。针对轨迹聚类过程中无法识别轨迹方向的问题,提出在传统Hausdorff距离基础上叠加余弦距离的度量方式,能够顺利区分同形反向的船舶轨迹,从而提高轨迹聚类的准确性。提出一种具有航向一致性和自适应压缩比的轨迹简化算法。算法通过用户预设压缩效果,采用自适应压缩比的方法对轨迹进行简化,输出简化后的轨迹,可有效减少轨迹聚类过程的计算量。实验结果表明,论文提出的聚类算法具有对船舶轨迹方向的分辨能力,并通过简化轨迹来减少聚类过程中的计算量。预测航行环境的变化趋势是环境感知领域不可或缺的一部分,尤其在拥挤的港口水域中,对目标船舶的运动趋势进行预测显得尤为重要。针对现有方法在船舶轨迹长时预测方面精度较低的问题,论文提出一种基于长短时记忆神经网络(LSTM:Long Short-Term Memory)的船舶轨迹预测方法,提高了船舶轨迹长时预测精度。本文通过搜集海量船舶历史轨迹数据,从中获取船舶每个时刻的状态信息。在传统循环神经网络基础上,加入长短时记忆单元,建立船舶轨迹预测模型。将这一任务看作特定时间维度中船舶在空间中的位置序列问题来进行处理,通过对船舶进行多个时刻的观测,输出该船舶在未来时刻位置信息概率分布。针对模型的预测准确性,采用真实船舶历史AIS(Automatic Identification System)轨迹数据集对模型进行训练和测试,实验数据表明,本文模型通过对船舶历史运动数据进行学习,在对船舶长时间位置预测方面的效果优于现有方法。为保障船舶航行安全,更有效地监管港口水域中航行的船舶,需要对船舶进行跟踪,并实时地识别船舶航行行为是否存在异常,论文提出了一种基于概率有向图模型的船舶异常行为检测方法。在对船舶轨迹进行聚类的基础上,针对每一类轨迹,将船舶瞬时状态离散到相应网格中。以网格为基础单位,得到港口中船舶历史轨迹在地理空间中的统计特征。以网格为节点,建立轨迹有向图。通过对船舶历史轨迹数据的学习,获得图中各节点之间的权重。计算每个节点中船舶航向、航速维度的均值和方差,得到其统计特征,并根据所得到的数据统计特征构建船舶状态异常检测模型。在概率有向图模型中,给定当前节点,通过搜索该节点所有子节点并计算每个子节点的条件概率,构建船舶潜在异常行为检测模型。最后采用航海模拟器平台设计船舶航行实验,对模型性能进行验证。针对不同船型尺度和情景模式设计了四组船舶模拟操纵实验,实验过程中,采用本文训练好的模型对船舶的瞬时状态和行为进行检测和判断。实验结果显示,在检测任务量增加的同时,模型总时间消耗未明显增加,表明模型能够对航行中的船舶行为进行实时检测。其中,模型对船舶速度、航向等状态异常的检测平均准确率为93.35%,对船舶潜在的异常行为检测平均准确率为92.68%。本文模型具有检测大部分异常船舶行为的能力,在异常行为检测通用性方面优于现有方法。