1.一种基于海量AIS数据的船舶交通行为模式自适应识别方法，其特征在于，该方法包括以下步骤：S101，采集海量的船舶AIS数据，利用牛顿运动定律进行噪声点的检测和剔除，并对数据进行内插从而获得等时间间隔且清洁可用的船舶AIS数据；

S102，采用基于船舶航行行为的AIS数据压缩方法对船舶AIS数据压缩；

S103，基于压缩后的船舶AIS数据，采用多维动态时间弯曲距离算法对空间特征与运动特征的相似性进行度量；根据相似性的度量结果构建轨迹间相似性矩阵，采用改进的和声搜索差分进化算法寻找DBSCAN算法的最优参数，确定DBSCAN算法的最优参数后，利用DBSCAN算法对船舶交通行为模式进行识别；

步骤S103中，改进的和声搜索差分进化算法包括以下步骤：

第一步，初始种群的优化：采用K‑平均最近邻算法优化Eps与MinPts的初始种群并运用分段随机挑选的方式来确定初始种群，获得质量较优的参数备选集；

第二步，基于差分进化算法，将音节调整率bw设计为双差分更新算子，利用双差分算子进行更新；

第三步，在rand

在第二步中，设计双差分更新算子进行更新具体步骤包括：

①当rand

其中，HMCR为和声记忆率；PAR为音调调节概率取值0.9；式(5)、式(6)中 为新生成的和声变量，rand为区间(0，1)内的一个随机数； 为在最优和声向量中随机选取的第i维变量； 为种群的第i维中随机挑选的和声变量；bw为音节调整率；

②当rand＞HMCR时，新的和声向量中所有维度的变量通过全局搜索获取，如式(7)：为种群中所有和声向量中第i维度的最小值， 为种群中所有和声向量中第i维度的最大值；

设定HMCR随着迭代次数增加而逐渐增大，如式(8)：

其中，HMCRmin＝0.3，HMCRmax＝0.9，gn为当前迭代次数，NI最大迭代次数；

在第三步中，采用两种更新策略结构进行寻优包括：

策略1：当迭代次数与最大迭代次数比 时，通过式(5)和式(6)生成策略2：当Pr＞0.75时，通过式(9)与式(10)减少式(5)与式(6)中bw的搜索范围；其中：式(9)为当 表示最优和声变量为Eps时， 的取值范围，式(10)为当表示最优和声变量为MinPts时 的取值范围；其中，Num_obj为种群内的个体总数，SDR和LDR分别表示距离矩阵Dn×n中的最小值和最大值，K为设定簇的数量，D为数据的维度。

2.根据权利要求1所述的基于海量AIS数据的船舶交通行为模式自适应识别方法，其特征在于，在步骤S102中，采用基于船舶航行行为的AIS数据压缩方法对船舶AIS数据压缩，具体包括：采用DP算法对轨迹的空间特征进行压缩，采用滑动窗口算法对位于窗口内的轨迹运动特征进行压缩，将航迹向、航速介于阈值区间内的轨迹点保留，反之则剔除；对于运动特征的压缩阈值区间的确定，是通过对航迹向、航速的统计，并假设航迹向、航速服从高斯分布，利用参数估计确定高斯分布的统计特征，根据航迹向、航速所具有的统计特征最终确定压缩阈值区间；

将通过DP算法获得的压缩轨迹集合与滑动窗口算法获得的压缩轨迹集合进行合并，得到压缩后的基于船舶航行行为的船舶AIS数据。

3.根据权利要求1所述的基于海量AIS数据的船舶交通行为模式自适应识别方法，其特征在于，步骤S103中，基于压缩后的船舶AIS数据，采用多维动态时间弯曲距离算法对空间特征与运动特征的相似性进行度量，具体包括：利用式(1)、式(2)，对经过基于船舶航行行为的AIS数据压缩方法压缩处理过的船舶AIS数据，利用多维动态时间弯曲距离算法从空间特征与运动特征进行相似性度量，实现在船舶交通行为识别中对轨迹空间特征和运动特征耦合作用影响的度量；

其中，d(i，j)表示轨迹Sm中第i个点与轨迹Sn中第j个点间的距离，Sm(i，k)表示轨迹Sm中第i个点的第k维值；

其中， 为轨迹Sm与轨迹Sn的多维动态时间弯曲距离， 为轨迹Sm的轨迹点个数， 为轨迹Sn的轨迹点个数。

4.根据权利要求1所述的基于海量AIS数据的船舶交通行为模式自适应识别方法，其特征在于，步骤S103中，利用DBSCAN算法对船舶交通行为模式进行识别具体包括：通过改善初始种群，采用双差分算子以及两种更新策略结构改进和声搜索差分进化算法，并利用改进的和声搜索差分算法优化DBSCAN算法的参数聚类半径Eps和最小近邻数MinPts。

5.根据权利要求1所述的基于海量AIS数据的船舶交通行为模式自适应识别方法，其特征在于，在第一步中，初始种群的优化具体包括：(a)计算距离矩阵：计算数据集中任意两条轨迹的多维动态时间弯曲距离，获得距离矩阵DN×N；

DN×N＝{D(Nm，Nl)|1≤m≤N，1≤l≤N} (3)

D(Nm，Nl)为第m个轨迹到第l个轨迹间的多维动态时间弯曲距离，Nm为轨迹m的轨迹点个数，Nl为轨迹1的轨迹点个数，N为数据集样本总数；

(b)排序：对实对称距离矩阵DN×N中的每一行进行升序排序，再计算排序后矩阵的每列元素的算数平均值，所有的平均值构成Eps平均值列表；

(c)获得初始Eps种群：将Eps平均值列表分为n等份，从每份数据组中随机抽取一个数据，构成初始Eps种群列表DEps；

(d)获得初始MinPts种群：利用数学期望法根据初始Eps种群列表DEps中的备选值获得MinPts初始种群，公式如下：式中，Pl为第1个对象的Eps邻域对象数量，N为数据集中的样本总数；获得初始MinPts种群列表DMinPts。

6.一种实现如权利要求1‑5任意一项所述基于海量AIS数据的船舶交通行为模式自适应识别方法的基于海量AIS数据的船舶交通行为模式自适应识别系统，其特征在于，该基于海量AIS数据的船舶交通行为模式自适应识别系统包括：AIS数据清洗模块(1)，对海量的船舶AIS数据进行清洗获得清洁可用的船舶AIS数据；

AIS数据压缩模块(2)，采用基于船舶航行行为的AIS数据压缩方法对船舶AIS数据压缩；

船舶交通行为模式识别模块(3)，基于压缩后的船舶AIS数据，采用多维动态时间弯曲距离算法对空间特征与运动特征的相似性进行度量；根据度量结果构建轨迹间相似性矩阵；基于轨迹间相似性矩阵，采用改进的和声搜索差分进化算法寻找DBSCAN算法的最优参数，确定DBSCAN算法的最优参数后，利用DBSCAN算法对船舶交通行为模式进行识别。

7.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1‑5任意一项所述的基于海量AIS数据的船舶交通行为模式自适应识别方法。