1.一种航迹识别模型构建方法，其特征在于，包括：获取若干船舶在预设时长内行驶的历史AIS原始数据；其中，每条历史AIS原始数据表征船舶对应于一个历史时刻的轨迹点；对各船舶的历史AIS原始数据进行预处理，得到对应的预处理后AIS数据；利用所有预处理后AIS数据，通过数据截取拼接的方式构建第一数据集和第二数据集；其中，所述第一数据集中的样本标签表征样本对应的航迹属于同一船舶；所述第二数据集中的样本标签表征样本对应的航迹不属于同一船舶；基于所述第一数据集和所述第二数据集，对预先构建的多维深度学习模型进行训练，得到训练完成的航迹识别模型；其中，所述航迹识别模型用于对输入的AIS数据样本，输出航迹属于同一船舶的概率；其中，所述利用所有预处理后AIS数据，通过数据截取拼接的方式构建第一数据集，包括：随机选择一个船舶，利用该船舶的所有预处理后AIS数据得到一条完整航迹；在该条完整航迹中随机选择相隔不超过预设时间间隔，且时间等长的两段轨迹进行首尾拼接，生成一个第一AIS数据样本并设置标签为1，从而完成一次第一AIS数据样本生成过程；重复多次第一AIS数据样本生成过程，由得到的所有第一AIS数据样本构成第一数据集；所述利用所有预处理后AIS数据，通过数据截取拼接的方式构建第二数据集，包括：随机选择两个不同船舶，针对选出的每个船舶，利用该船舶的所有预处理后AIS数据得到该船舶的一条完整航迹；在选出的两条完整航迹中，各自随机选择一段轨迹以满足：两段轨迹时间等长且相隔不超过预设时间间隔，且在前的一段轨迹的最后一个轨迹点，与在后的一段轨迹的第一个轨迹点之间的距离小于预设的最大距离；将选出的两段轨迹按照时间先后顺序进行首尾拼接，生成一个第二AIS数据样本并设置标签为0，从而完成一次第二AIS数据样本生成过程；重复多次第二AIS数据样本生成过程，由得到的所有第二AIS数据样本构成第二数据集；所述预先构建的多维深度学习模型，包括：顺次连接的卷积神经网络结构、Concatenate层、Flatten层、两层全连接层以及输出层；其中：所述卷积神经网络结构包括并行的四个卷积神经网络分支，每个卷积神经网络分支包括顺次连接的第一卷积层、第二卷积层和最大池化层。
2.根据权利要求1所述的航迹识别模型构建方法，其特征在于，所述对各船舶的历史AIS原始数据进行预处理，得到对应的预处理后AIS数据，包括：删除各船舶的历史AIS原始数据中的重复点，得到对应的去重后AIS原始数据；对各船舶的去重后AIS原始数据进行等间距采样，并进行特征设置，得到对应的预处理后AIS数据。
3.根据权利要求2所述的航迹识别模型构建方法，其特征在于，所述等间距采样的时间间隔为10分钟。
4.根据权利要求3所述的航迹识别模型构建方法，其特征在于，任一条预处理后AIS数据，表示为： ；其中， 表示一船舶在对应时刻的一条预处理后AIS数据； 表示该条预处理后AIS数据对应的轨迹点的经度； 表示该条预处理后AIS数据对应的轨迹点的纬度； 表示船舶的行驶速度； 表示船舶的行驶方向； 表示船舶发出AIS数据的时刻，以秒为单位； 表示该轨迹点与上一个轨迹点的经度差值； 表示该轨迹点与上一个轨迹点的纬度差值； 表示该轨迹点与上一个轨迹点的时间差值。
5.根据权利要求1所述的航迹识别模型构建方法，其特征在于，所述第一卷积层用于提取序列数据之间的时序关系，所述第二卷积层用于提取序列数据的特征信息，所述最大池化层用于进行特征筛选；所述第一卷积层的卷积核设置为3×3×32；所述第二卷积层的卷积核设置为3×3×64；所述最大池化层的步长为2；所述Concatenate层用于对所述四个卷积神经网络分支输出的特征进行拼接；所述Flatten层用于将所述Concatenate层的输出重构为一维，所得到的一维张量表征学习到的特征数据；所述两层全连接层分别包含128个和64个神经元，用于对输入的特征进行分析；所述输出层采用一个神经元并选择sigmoid作为激活函数，用于根据输入的特征将输出结果映射到[0，1]区间内。
6.根据权利要求5所述的航迹识别模型构建方法，其特征在于，基于所述第一数据集和所述第二数据集，对预先构建的多维深度学习模型进行训练，得到训练完成的航迹识别模型，包括：将所述第一数据集和所述第二数据集中的各AIS数据样本处理为4×12的张量，并按列分离，进行数据归一化处理，得到处理后的第一数据集和处理后的第二数据集；从所述处理后的第一数据集和所述处理后的第二数据集中分别选取预设数量的数据构成训练集，将剩余的数据构成测试集；设置训练参数，利用所述训练集对预先构建的多维深度学习模型进行训练，在达到收敛条件后，利用所述测试集进行验证，并在验证通过后得到训练完成的航迹识别模型。
7.根据权利要求6所述的航迹识别模型构建方法，其特征在于，所述设置训练参数，包括：将批处理的大小设为256条；优化器选择Adam算法；损失函数选择适合二分类问题并且与sigmoid函数相容的二元交叉熵；选用三个callbacks函数，包括ModelCheckpoint、ReduceLROnPlateau和EarlyStopping；训练次数上限设为500次。
8.一种异常船舶轨迹匹配方法，其特征在于，包括：在未接收到一目标船舶的AIS信号的时长达到设置时长时，获取所述目标船舶在AIS信号消失点之前的航迹作为第一航迹；以所述目标船舶的AIS信号消失点为中心，记录预定时长内所述消失点附近的各段第二航迹；将所述第一航迹和各段第二航迹分别进行首尾拼接，得到对应的待识别AIS数据样本；将每个待识别AIS数据样本分别输入预先训练完成的航迹识别模型，得到对应的待识别AIS数据样本中所述第一航迹和第二航迹属于同一船舶的概率值；其中，所述航迹识别模型是根据权利要求1-7任一项所述的基于AIS数据的航迹识别模型构建方法得到的；选取所有待识别AIS数据样本得到的概率值中最大者对应的第二航迹，作为所述目标船舶的预测轨迹。
