摘要
在10分钟以内的稀疏自动识别系统（AIS）数据采样情况下，点状运动统计数据的可靠性会显著下降，而传统的分类方法依赖于轨迹插值，这可能会引入虚假的运动模式。本研究提出了一种基于特征的渔船类型识别框架，无需进行插值预处理。该框架利用中位数和四分位数范围等稳健统计量构建了39维特征集，用于描述轨迹层面的行为模式。通过基于贝叶斯决策边界的数据驱动方法来确定自适应的速度区间阈值，从而避免了依赖手动设定的阈值。借助特征重要性排序的向后消融法，找到了一个12维的特征子集，在69%的压缩率下仍能保持98.7%的分类准确率。在东海的18,320条渔船轨迹上进行的测试显示，完整的39维特征集在5折交叉验证中的准确率为91.92%（宏观F1值为0.919，卡帕值为0.879），各折之间的标准差在0.002到0.004之间。对比实验表明，三种基于树的分类器在相同特征集上的准确率均超过90%，这说明特征的稳健性而非模型选择才是决定性能的关键因素。LightGBM在准确率和训练效率之间取得了最佳平衡，而LSTM的交叉验证标准差大约是其7.5倍，这表明精心设计的稳健特征在稀疏采样条件下具有更强的稳定性。所提出的框架无需任何与渔业相关的先验知识，为稀疏AIS轨迹分析提供了一种可迁移的解决方案。
