1.一种基于改进的DBSCAN算法的船舶轨迹聚类分析方法，其特征在于，包括如下步骤：S1、从AIS数据库中提取有效的船舶轨迹数据；

S2、采用融合距离MD进行轨迹相似性度量，获取轨迹间融合后的最短轨迹；

S3、采用二次时间O(mn)计算通过两条轨迹中所有轨迹点的最短轨迹，其中，m和n分别表示两条轨迹的轨迹点数；

S4、从轨迹的长度中获得融合距离MD；

S5、确定改进后的DBSCAN算法的全局参数，即扫描半径Eps和最小包含点数MinPts，参数(Eps,MinPts)用来描述邻域的样本分布紧密程度，其中，Eps描述了某一样本的邻域距离阈值，MinPts描述了某一样本的距离为Eps的邻域中样本个数的阈值；

S6、通过改进后的DBSCAN算法对整个轨迹段数据集进行扫描，找出一个核心的轨迹段，然后以某个样本点的Eps邻域进行遍历查询，得到簇的集合；

S7、对于获取的空间运动模式，如果一条新的轨迹符合船舶运行模式中的一种，则认为该轨迹为一条常态轨迹，其目标的运动行为也属于一种典型的运行模式。

2.根据权利要求1所述的方法，其特征在于，所述步骤S2中，采用融合距离MD进行轨迹相似性度量获取轨迹间融合后的最短轨迹的具体方法为：假定两条轨迹a和b分别由在二维空间内一系列点序列(a1,...,an)和(b1,...,bm)构成，使用d(ai,bj)表示两点之间在二维平面上的欧氏距离，序列a和b的最短轨迹s(a,b)是通过两条轨迹中所有轨迹点的最短轨迹，这使得a和b是s(a,b)的子序列，最短轨迹的长度用L(a,b)表示。

3.根据权利要求2所述的方法，其特征在于，所述步骤S3中，采用二次时间O(mn)计算最短轨迹的长度的具体方法为：

S3.1、设有两条轨迹(a1,a2,...,ai)和(b1,b2,...,bj)，其中，a[1,i]和b[1,j]表示通过这两条轨迹中所有轨迹点的最短轨迹，i和j分别为这两条轨迹的轨迹点数目， 表示最短轨迹的起点从轨迹(a1,a2,...,ai)中的a1开始， 表示最短轨迹的起点从轨迹(b1,b2,...,bj)中的b1开始；

S3.2、在二次时间O(mn)内采用动态规划的方法计算所有的值 和 最短轨迹的长度L(a,b)为 和 中的最小值。

4.根据权利要求3所述的方法，其特征在于，所述步骤S4中，从轨迹的长度中获得融合距离MD的具体方法为：

通过以下公式(1)、(2)、(3)从轨迹a和b的长度L(a)、L(b)获得融合距离MD(a，b)，并对融合距离MD(a，b)进行归一化处理：

5.根据权利要求4所述的方法，其特征在于，所述归一化处理后的融合距离MD(a，b)的值处于(0，1)之间，MD(a，b)的值越趋于0，表明a与b越相似，当a＝b时，MD(a,b)＝0，表明a与b相同。

6.根据权利要求1所述的方法，其特征在于，所述步骤S6中，在对整个轨迹段数据集进行扫描寻找一个核心的轨迹段时，若只有一个核心对象，则直接选取该核心对象为核心轨迹段；若有多个核心对象，则任意选取其中一条为核心轨迹段并对该核心轨迹段进行扩充。

7.根据权利要求1所述的方法，其特征在于，所述步骤S6得到簇的集合的具体步骤包括如下：

S6.1、输入轨迹数据集D、扫描半径Eps和最小包含点数MinPts；

S6.2、检测数据库中尚未检查过的对象p；

S6.3、判断p包含的对象数是否不小于MinPts，若不小于，则进入下一步；若小于，则标记p为噪声；

S6.4、建立新的簇C1，并将其中的所有点加入候选集N；

S6.5、对候选集N中的每个点q进行判断，若某个点是核心节点且与对象p的邻域不重叠或重叠区域内不存在核心节点，则用新的类表C2进行标记，然后返回步骤S6.5继续对剩余的点q判断；否则，进入下一步；

S6.6、再判断某个点与对象p的邻域是否重叠且在重叠区域内是否存在核心节点，若存在，则用对象p的标记C1将对象q邻域内所有未标记的节点进行标记，然后返回步骤S6.5继续对剩余的点q判断；否则，进入下一步；

S6.7、判断对象q与多个不同标记的核心节点的邻域是否重叠且在重叠区域内是否有核心节点，若有，那么将这些不同类别合并则将这些对象加入候选集N，然后返回步骤S6.5继续对剩余的点q判断；

直至将候选集N中所有的点q判断完毕，最后输出簇的集合。

8.根据权利要求1‑7任一项所述的方法，其特征在于，所述步骤S7之后，还包括步骤S8：对船舶的运动轨迹进行行为模式分析，所述行为模式至少包括对上下水航行行为、停泊行为和偏离航道行为。