1.数据提取 从hive中提取AIS船只一周轨迹数据 2.数据预处理 提取AIS数据中的经纬度数据，考虑到每个船只在一周内行驶范围不一样，调惨时针对每个船只的超参数差别较大，于是使用0-1归一化将经纬度都缩减至0到1的范围，既可解决超参数问题，也可以加速算法收敛。 3.轨迹点聚类 使用DBSCAN算法对轨迹点进行密度聚类，将指定半径内密度不达到要求的数据点标记为异常点。 4.正常簇筛选 可能会出现如下情况：船只可能大部分时间在正常轨迹上，只有一天时间在异常轨迹，但异常轨迹的轨迹点密度较大，如绕圈行为，此时异常轨迹密度达到了正常轨迹，会将此类判断为正常轨迹。对于此类情况，计算聚类后每个正常簇的持续天数，将持续天数小于整体轨迹持续天数三分之一的标记为异常轨迹。 5.异常轨迹筛选 由于DBSCAN算法标记为异常点的数据不是一个簇，可能为分布在不同地方的异常点，这些异常点可能为正常轨迹的末端，即被误判为异常点，对于这类情况，对这些异常点再进行一次DBSCAN聚类，并计算每个簇的持续时长，将持续时长满足条件的异常点标记为正常点

通过大数据平台为基础，提取AIS、雷达数据，使用逻辑回归、SVM等多个分类模型对数据进行训练，达到可以实时对船只行为进行预测，判断是否会有抛锚行为。

1. 使用flink实时框架对轨迹数据进行实时处理 2. 使用tensorflow训练分类模型，对船只是否存在风险行为进行判断 3. flink调用模型进行实时预警 4. 对轨迹进行实时平滑处理