1.一种基于卷积自编码器的船舶ais轨迹聚类方法，其特征在于，包括如下步骤：
获取船舶的连续轨迹，并将所述连续轨迹划分为若干子轨迹；
对若干所述子轨迹进行特征工程提取，得到子轨迹特征矩阵，其中，矩阵中第i行表示第i条子轨迹的特征值；
将所述子轨迹特征矩阵输入多特征融合自编码器，通过所述多特则会那个融合自编码器对位置、速度、航向的船舶特征向量进行特征提取，获得位置特征向量、速度特征向量和航向特征向量；
对所述位置特征向量、所述速度特征向量和所述航向特征向量进行拼接操作，获得船舶轨迹的潜在特征向量；
对提取后的船舶轨迹特征向量进行轨迹聚类操作，得到船舶轨迹聚类结果。
2.根据权利要求1所述的一种基于卷积自编码器的船舶ais轨迹聚类方法，其特征在于，将所述连续轨迹划分为若干子轨迹，包括：
当所述连续轨迹中，某轨迹点相对于前一轨迹点的经度差或者纬度差的变化小于设定阈值，且其该轨迹点的速度接近于0时，将该轨迹点确定为一子轨迹的起点；
将所述连续轨迹中下一个相对于前一轨迹点的经度差或者纬度差的变化小于设定阈值，且速度接近于0的轨迹点确定为该子轨迹的终点。
3.根据权利要求1所述的一种基于卷积自编码器的船舶ais轨迹聚类方法，其特征在于，对若干所述子轨迹进行特征工程提取，得到子轨迹特征矩阵后，还包括：
根据如下公式，对所述子轨迹特征矩阵中的特征进行归一化操作：
其中，δ表示需要被归一化的特征，min和max分别表示该特征的最大值和最小值，δ′表示经过归一化处理后得到的特征。
4.根据权利要求3所述的一种基于卷积自编码器的船舶ais轨迹聚类方法，其特征在于，对所述子轨迹特征矩阵中的特征进行归一化操作后，还包括：
以最长的子轨迹点的数量作为标准，对其他轨迹数据进行0填充，使得船舶轨迹特征向量的长度相同。
5.根据权利要求1所述的一种基于卷积自编码器的船舶ais轨迹聚类方法，其特征在于，所述多特征融合自编码器包括：
第一卷积自动编码器，用于学习船舶轨迹的位置类型特征；
第二卷积自动编码器，用于学习船舶轨迹的速度类型特征；
第三卷积自动编码器，用于学习船舶轨迹的航向类型特征。
6.根据权利要求5所述的一种基于卷积自编码器的船舶ais轨迹聚类方法，其特征在于：
所述位置类型特征包括经度和纬度；
所述速度类型特征包括速度和加速度；
所述航向类型特征包括航向和转弯速率。
7.根据权利要求5所述的一种基于卷积自编码器的船舶ais轨迹聚类方法，其特征在于：
针对每个卷积自动编码器，其结构包括：
输入层，用于获取到每条船舶轨迹特征数据的特征矩阵，将子轨迹数据展开成为子轨迹向量，并将其传递给编码器部分；
编码器，由卷积层和池化层组成，激活函数设置为relu函数，用于对子轨迹向量进行卷积运算，并输出提取到的船舶轨迹特征；
解码器，用于使用卷积层和上采样层的组合来实现反卷积功能，将低维的特征向量调整为高维的特征向量并传输到输出层；
输出层，用于将高维特征向量转换为原始轨迹特征向量大小，以使与输入层输入数据的纬度相同。
8.根据权利要求7所述的一种基于卷积自编码器的船舶ais轨迹聚类方法，其特征在于：
使用均方误差来衡量输出层数据和输入层数据之间的相似性，公式如下：
其中，mse表示均方误差，observedm表示真实的轨迹数据，predictedm表示预测的轨迹数据，n表示所有船舶的子轨迹总数。
9.根据权利要求1所述的一种基于卷积自编码器的船舶ais轨迹聚类方法，其特征在于，还包括：
采用f1值方法对聚类效果进行评估，公式如下：
其中，tp表示正确地预测为正例的轨迹，fp表示错误地预测为正例的轨迹，fn表示错误地预测为反例的轨迹。
10.一种基于卷积自编码器的船舶ais轨迹聚类装置，其特征在于，包括：
轨迹获取模块，用于获取船舶的连续轨迹，并将所述连续轨迹划分为若干子轨迹；
特征工程模块，用于对若干所述子轨迹进行特征工程提取，得到子轨迹特征矩阵，其中，矩阵中第i行表示第i条子轨迹的特征值；
特征提取模块，用于将所述子轨迹特征矩阵输入多特征融合自编码器，通过所述多特则会那个融合自编码器对位置、速度、航向的船舶特征向量进行特征提取，获得位置特征向量、速度特征向量和航向特征向量；
拼接模块，用于对所述位置特征向量、所述速度特征向量和所述航向特征向量进行拼接操作，获得船舶轨迹的潜在特征向量；
聚类模块，用于对提取后的船舶轨迹特征向量进行轨迹聚类操作，得到船舶轨迹聚类结果。