写在前面的话
大家好，我是 Champion Chasing Boy 的 DOTA，在队友 鱼遇雨欲语与余、尘沙杰少、林有夕、嗯哼哼唧 的Carry下，最终在本届智能算法赛拿到了复赛总榜单Top1的成绩。下面分享一下我们团队在A、B、C榜各阶段的解决方案。
一、赛题背景介绍
本赛题基于位置数据对海上目标进行智能识别和作业行为分析，要求选手通过分析渔船北斗设备位置数据，得出该船的生产作业行为，具体判断出是拖网作业、围网作业还是流刺网作业。初赛将提供11000条(其中7000条训练数据、2000条testA、2000条testB)渔船轨迹北斗数据。
复赛考虑以往渔船在海上作业时主要依赖AIS数据，北斗相比AIS数据，数据上报频率和数据质量均低于AIS数据，因此复赛拟加入AIS轨迹数据辅助北斗数据更好的做渔船类型识别，其中AIS数据与北斗数据的匹配需选手自行实现，具体细节复赛开赛时更新。同时，希望选手通过数据可视化与分析，挖掘更多海洋通信导航设备的应用价值。
数据示例：
- 渔船ID：渔船的唯一识别，结果文件以此ID为标示
- x：渔船在平面坐标系的x轴坐标
- y：渔船在平面坐标系的y轴坐标
- 速度：渔船当前时刻航速，单位节
- 方向：渔船当前时刻航首向，单位度
- time：数据上报时刻，单位月日 时:分
- type：渔船label，作业类型
原始数据经过脱敏处理，渔船信息被隐去，坐标等信息精度和位置被转换偏移。选手可通过学习围网、刺网、拖网等专业知识辅助大赛数据处理。
AIS数据：
ais_id：AIS设备的唯一识别ID
评估指标
其中P为某类别的准确率，R为某类别的召回率，评测程序f1函数为sklearn.metrics.f1_score，average='macro'。
方案整体框架设计
二、A、B榜方案分享（算法篇）
2.1 数据探索&信息挖掘
刺网变化情况：刺网的线段看上去很多较为规范，很多看上去像是在很多地方放了很多网，然后船去收网的样子。
从数据中挖掘信息是辅助识别作业类型的关键，不同作业的渔船，其行驶轨迹、速度、经纬度变化等都存在一定的差异。
拖网变化情况
- 拖网的坐标看上去有些乱，lon的移动相较于lat要大一些。
- 可能因为拖网的关系，会明显出现几段直线；
围网变化情况
- 围网很多都有明显的画圆或者半圆的痕迹；
- 有些围网看上去像是快速转圈的情况；
刺网变化情况
- 刺网的线段看上去很多较为规范，很多看上去像是在很多地方放了很多网，然后船去收网的样子。
2.2 特征工程框架
单属性特征，从速度、方向、经纬度等方面，由全局和局部两个方向，从分位数特征、分桶统计特征刻画渔船的基本画像。
多属性特征，采用速度相关的交叉特征为主。
2.3 算法框架
本次比赛依旧使用了“倚天屠龙”之一的LightGBM模型。
很多样本经纬度几乎不变，速度方向信息受波浪影响波动，可能是停泊等原因，分开建模。
2.4 设备匹配算法
TWS和SWS
- 当两个轨迹在长时间和长距离内相似，那么它们就应该是相似的，则称其为同源轨迹。
- 这里通过时间加权相似（TWS）和空间加权相似度（SWS）两种路径匹配算法来匹配北斗数据和AIS数据，同时帮助挖掘AIS数据的价值。
基于对抗验证的匹配算法（杰少尘沙）
本赛题 杰少 提出了 基于对抗验证的匹配算法，将无监督问题转为有监督问题，同时易于加入多种不同的信息，将多种不同的因素信息一起进行考虑。
三、C榜方案分享（可视化篇）
3.1 系统架构
可视化方案部分，由 首席全栈搬砖师 林有夕 实现了智慧海洋云系统的搭建。主要包含：
- Angular.js前端框架 + echarts可视化，完成前后端分离设计，保证代码和数据安全；
- Nginx + Flask 实现web接口，灵活部署。利用数据预计算+缓存+索引优化技术，提高效率。
3.2 应用案例
渔船作业种类繁多，分布差异巨大，对渔船进行大数据画像，描绘知识图谱，以便于政府部门掌握渔船的基本信息、状态监控和行为特点等。
使用时序模型预测渔船未来30分钟所在的位置，并结合风控画像计算碰撞指数。综合考量船速、渔船密度、设备掉线时常、定位漂移率等指标。
流量预测方面，结合船只运行轨迹以及历史行为对未来24小时区域进行流量预测。
通过热力图展示区域碰撞系数，对碰撞做出有效的提前预警。
安全生产一直是我们关心的一个方向，在经过前面图谱的构建、可视化数据的深度分析和挖掘之后，我们有了一定的基础，通过机器学习、人工智能的方式对海洋渔船流量进行预测，向安全监控进行赋能，帮助渔船调度、防碰撞预警、资源的合理安排等。通过动态分布图刻画渔船行为迁移规律。
写在最后的话
以上是我们团队Champion Chasing Boy 在本次数字中国创新大赛智能算法赛道中的完整方案。本篇文章只从整体架构方面进行了方案介绍，具体涉及的部分细节，敬请关注其他队友的分享。