黃 琛 陳德山 吳 兵 嚴(yán)新平,3

（1. 武漢理工大學(xué)交通與物流工程學(xué)院 武漢 430063；2. 武漢理工大學(xué)國(guó)家水運(yùn)安全工程技術(shù)研究中心 武漢 430063 3. 武漢理工大學(xué)智能交通系統(tǒng)研究中心 武漢 430063；）

0 引 言

我國(guó)航運(yùn)業(yè)正面臨著船舶大型化、船舶數(shù)量快速增長(zhǎng)的挑戰(zhàn)，而船舶監(jiān)管方式較為落后，雖然近幾年船舶自動(dòng)識(shí)別系統(tǒng)（automatic identification system,AIS）、船舶交通管理系統(tǒng)（vessel traffic service,VTS）、無(wú)線甚高頻（very high frequency,VHF）、閉路電視監(jiān)控系統(tǒng)（closed circuit television,CCTV）等技術(shù)大量投入使用，但難以達(dá)到“全方位覆蓋、全天候運(yùn)行、反應(yīng)快速”的安全監(jiān)管目標(biāo)[1]，當(dāng)前海事監(jiān)管仍需要人員全天盯守。隨著長(zhǎng)江沿岸各港口吞吐量的增加，某些航道港口已達(dá)到或超飽和狀態(tài)[2]，大型船舶的駛?cè)霝橹車靶旭値?lái)極大干擾，經(jīng)常發(fā)生航道擁堵，造成較大的經(jīng)濟(jì)損失和監(jiān)管人力資源浪費(fèi)。

船舶航行交通事件檢測(cè)技術(shù)是指自動(dòng)檢測(cè)航道內(nèi)發(fā)生的各種船舶航行交通事件的方法和手段，對(duì)于降低海事監(jiān)管人員工作強(qiáng)度，提高監(jiān)管效率，減少經(jīng)濟(jì)損失，提升監(jiān)管自動(dòng)化程度起著重要作用[3]。船舶航行交通事件包括船舶事故、船舶異常行為等，船舶事故發(fā)生頻率低，但后果嚴(yán)重，往往伴隨著人員傷亡、經(jīng)濟(jì)損失，以及環(huán)境污染，如2015年在長(zhǎng)江流域發(fā)生的“東方之星”號(hào)客輪特大傾覆事故，共造成442人遇難[4]；與船舶事故相比，船舶異常行為產(chǎn)生危害較輕，但發(fā)生頻率高，若不加管制，會(huì)阻礙船舶正常行駛，降低通行效率，增大航行安全隱患。

由于海上交通量的增長(zhǎng)及AIS 的廣泛使用，海上交通領(lǐng)域數(shù)據(jù)量呈爆發(fā)式增長(zhǎng)，利用AIS 數(shù)據(jù)進(jìn)行船舶航行事件檢測(cè)也成為近幾年的研究熱點(diǎn)。但由于AIS 存在丟失率高、精度低，實(shí)時(shí)處理大量AIS數(shù)據(jù)對(duì)計(jì)算能力要求高，當(dāng)前大多采用離線方式進(jìn)行分析，研究結(jié)果嚴(yán)重依賴于歷史數(shù)據(jù)[5]。對(duì)于海事監(jiān)管部門，實(shí)時(shí)、準(zhǔn)確的交通事件檢測(cè)是必要的。本文針對(duì)不同類型的船舶航行交通事件進(jìn)行檢測(cè)技術(shù)研究，分析了當(dāng)前常用檢測(cè)技術(shù)的優(yōu)缺點(diǎn)，總結(jié)了實(shí)時(shí)檢測(cè)需要的關(guān)鍵技術(shù)，結(jié)合平行檢測(cè)系統(tǒng)架構(gòu)進(jìn)行展望，對(duì)于船舶航行事件檢測(cè)研究具有重要意義。

1 船舶航行交通事件檢測(cè)研究現(xiàn)狀

1.1 船舶航行交通事件分類

船舶航行交通事件即會(huì)對(duì)船舶正常航行產(chǎn)生影響的事件，按照造成后果的嚴(yán)重程度可將其分為船舶異常行為和船舶事故。船舶異常行為指與周圍其他運(yùn)動(dòng)船舶對(duì)象有差別的運(yùn)動(dòng)行為，陳影玉等[6]將其分為位置異常和運(yùn)動(dòng)異常。位置異常通常由于工作船舶施工或者走私船舶躲避稽查隨意行駛而產(chǎn)生，包括船舶軌跡超出歷史路徑范圍、在航道外航行、不在規(guī)定區(qū)域內(nèi)活動(dòng)、駛向危險(xiǎn)區(qū)、違反法規(guī)、入侵禁區(qū)、岸邊匯合、深海匯合、威脅基礎(chǔ)設(shè)施等；運(yùn)動(dòng)異常通常由于船舶縮短航程或降低等待時(shí)間而產(chǎn)生，包括速度太高、速度太低、游蕩、應(yīng)該駛向港口時(shí)偏離港口、航跡終止、不正常航線形狀等。此外，Riveiro等[3]補(bǔ)充了AIS 關(guān)閉和欺騙以及難以直接識(shí)別的復(fù)雜行為等其他船舶異常行為。Long等[7]總結(jié)了主要的船舶事故種類，分別為碰撞、機(jī)損、操作失誤、擱淺、火災(zāi)爆炸、傾覆、沉沒(méi)等。根據(jù)整理和總結(jié)，筆者將船舶航行交通事件分為2類，共20種，見(jiàn)圖1。

圖1 船舶航行交通事件分類Fi g.1 Ship navigation traffic event classification

1.2 船舶航行交通事件檢測(cè)方法

1.2.1 船舶異常行為檢測(cè)

目前國(guó)內(nèi)外船舶異常行為檢測(cè)的研究思路主要分為2 類：①基于對(duì)歷史AIS 數(shù)據(jù)進(jìn)行挖掘，建立正常船舶行為的分布或模型，將不符合正常分布或模型的樣本看作是異常軌跡樣本；②基于規(guī)則，對(duì)各種異常事件進(jìn)行人工標(biāo)定，滿足標(biāo)定條件的視為異常軌跡。由于當(dāng)前海事監(jiān)管領(lǐng)域存在船舶數(shù)據(jù)獲取困難，船舶管理系統(tǒng)封閉，船舶異常事件樣本量少的情況，因此大多數(shù)研究是基于AIS獲取的船舶運(yùn)動(dòng)數(shù)據(jù)進(jìn)行，通過(guò)歷史位置數(shù)據(jù)構(gòu)建船舶運(yùn)行軌跡，分析船舶軌跡是否異常。在各種異常檢測(cè)方法中，最關(guān)鍵的步驟是如何構(gòu)建正常船舶行為模型，針對(duì)不同種類的船舶異常行為檢測(cè)方法進(jìn)行總結(jié)，見(jiàn)圖2。

圖2 船舶異常行為檢測(cè)方法Fig.2 Ship abnormal behavior detection methods

1）位置異常檢測(cè)。船舶的位置異常主要包括船舶超出歷史路徑范圍、航道外航行、駛向危險(xiǎn)水域等情況。主要的檢測(cè)思路是利用機(jī)器學(xué)習(xí)、統(tǒng)計(jì)分析等方法對(duì)船舶歷史軌跡進(jìn)行特征提取，構(gòu)建船舶交通運(yùn)行模式，超出正常模式范圍或者處在置信度低于閾值的范圍內(nèi)的船舶被視為出現(xiàn)位置異常。

聚類屬于無(wú)監(jiān)督機(jī)器學(xué)習(xí)的一類，它利用數(shù)據(jù)的相似度原理，將船舶軌跡分成不同的簇，相同簇中的軌跡相似度高，不同簇中的軌跡相似度低，常用于船舶位置異常檢測(cè)?；诰垲惖拇斑\(yùn)行建模方法將航道內(nèi)的所有船舶軌跡依照不同指標(biāo)進(jìn)行分類，將絕大多數(shù)船舶軌跡遵循的簇定義為正常簇，而不符合正常簇的船舶軌跡則定義為異常軌跡。當(dāng)前使用較多的聚類方法為基于密度的聚類算法（density-based spatial clustering of applications with noise,DBSCAN），該方法對(duì)于任意形狀區(qū)域的聚類和異常值的識(shí)別具有良好效果。Han 等[8]指出DBSCAN 算法存在數(shù)據(jù)分布不均勻和基于歐氏距離計(jì)算的最小半徑無(wú)法代表水上等復(fù)雜場(chǎng)景的軌跡2 個(gè)弊端，并利用考慮相關(guān)性的馬氏距離替代歐氏距離表征最小半徑，用以描述復(fù)雜場(chǎng)景下的軌跡。DBSCAN 算法的核心是尋找數(shù)據(jù)的核心距離和可達(dá)距離，但往往這2 個(gè)參數(shù)無(wú)法快速準(zhǔn)確的找到，需要人為設(shè)置。Rong等[9]利用改進(jìn)的基于密度的聚類算法（ordering point to identify the cluster structure，OPTICS）對(duì)船舶軌跡進(jìn)行聚類，該算法不顯示聚類的具體數(shù)值結(jié)果，而是對(duì)數(shù)據(jù)進(jìn)行排序，以找出其中蘊(yùn)含的信息，因此降低了2 個(gè)參數(shù)的輸入要求，對(duì)軌跡點(diǎn)的可達(dá)距離進(jìn)行排序，發(fā)現(xiàn)低于最小半徑的軌跡點(diǎn)分成了幾個(gè)簇，每個(gè)簇就對(duì)應(yīng)于1類船舶。Rong等[10-11]利用聚類和高斯模型提取1個(gè)區(qū)域內(nèi)船舶的起訖點(diǎn)和航行路線，構(gòu)建船舶交通模式，通過(guò)對(duì)地航向、轉(zhuǎn)彎率、船速和船型4個(gè)自變量預(yù)測(cè)船舶屬于每1條航線的概率，當(dāng)分類到低概率航線時(shí)，將會(huì)視為可能出現(xiàn)異常的船舶。Pallotta等[12]提出1種基于船舶運(yùn)行模式和歷史信息的船舶軌跡預(yù)測(cè)和異常檢測(cè)方法，該方法利用AIS 數(shù)據(jù)提取船舶歷史航線，當(dāng)船舶駛?cè)胗^測(cè)區(qū)域時(shí)，利用船舶軌跡點(diǎn)和速度預(yù)測(cè)船舶位置，利用后驗(yàn)概率推測(cè)船舶最可能的行駛路徑，隨著船舶的運(yùn)動(dòng)，實(shí)時(shí)更新船舶狀態(tài)和預(yù)測(cè)結(jié)果，通過(guò)計(jì)算其偏離正態(tài)的程度調(diào)整報(bào)警率。

2）運(yùn)動(dòng)異常檢測(cè)。船舶的運(yùn)動(dòng)異常主要包括船舶速度過(guò)高、航速過(guò)慢、航向異常等情況。主要的檢測(cè)思路是利用神經(jīng)網(wǎng)絡(luò)、統(tǒng)計(jì)分析等方法對(duì)船舶運(yùn)動(dòng)數(shù)據(jù)進(jìn)行特征提取或者預(yù)測(cè)，當(dāng)出現(xiàn)不符合歷史數(shù)據(jù)特征的數(shù)據(jù)時(shí)則判定其出現(xiàn)了運(yùn)動(dòng)異常。

基于神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)異常檢測(cè)方法是利用神經(jīng)網(wǎng)絡(luò)模型對(duì)歷史數(shù)據(jù)進(jìn)行訓(xùn)練，建立正常船舶行為模型，再將測(cè)試數(shù)據(jù)輸入到模型中，檢測(cè)其是否存在異常。王正星等[13]引入霧天擾動(dòng)量特征神經(jīng)元構(gòu)建神經(jīng)網(wǎng)絡(luò)，基于長(zhǎng)短時(shí)算法更新神經(jīng)網(wǎng)絡(luò)對(duì)船舶軌跡偏離點(diǎn)位進(jìn)行挖掘，帶有霧天擾動(dòng)特征神經(jīng)網(wǎng)絡(luò)的挖掘效果明顯好于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)。向懷坤等[14]利用粒子群優(yōu)化算法改進(jìn)神經(jīng)網(wǎng)絡(luò)參數(shù)，根據(jù)輸入的交通特征評(píng)估當(dāng)前的交通擁擠程度，檢測(cè)率和檢測(cè)時(shí)間均優(yōu)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)。劉慶華等[15]利用遺傳神經(jīng)計(jì)算建立初始閾值和權(quán)值，構(gòu)建初始分類器，結(jié)合AdaBoost算法優(yōu)化閾值和權(quán)值，構(gòu)建強(qiáng)分類器，對(duì)交通流樣本進(jìn)行分類，檢測(cè)出發(fā)生的交通事件。Ma等[16]提出1 種長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)克服反向傳播的誤差衰減問(wèn)題，提高神經(jīng)網(wǎng)絡(luò)的長(zhǎng)期預(yù)測(cè)效果。

基于統(tǒng)計(jì)的運(yùn)動(dòng)異常檢測(cè)方法是利用統(tǒng)計(jì)學(xué)原理對(duì)歷史數(shù)據(jù)（航速、航向等）進(jìn)行分析，擬合出船舶數(shù)據(jù)的概率分布，將分布在高概率區(qū)間內(nèi)的數(shù)據(jù)看作正常，低概率區(qū)間對(duì)應(yīng)的數(shù)據(jù)看作異常數(shù)據(jù)。馬文耀等[17]引入船舶軌跡相似度和操縱行為相似度的度量算法，分別對(duì)AIS 軌跡數(shù)據(jù)和船舶運(yùn)動(dòng)數(shù)據(jù)進(jìn)行訓(xùn)練，得到船舶綜合行為相似度，計(jì)算新數(shù)據(jù)的一致性，檢測(cè)是否有異常。Kowalska 等[18]利用高斯回歸和主動(dòng)學(xué)習(xí)算法對(duì)船舶數(shù)值進(jìn)行預(yù)測(cè)，觀察實(shí)際值與真實(shí)值的差距判斷其是否異常。Botts[19]改進(jìn)了傳統(tǒng)的基于密度的聚類算法，考慮了速度和方向指標(biāo)對(duì)船舶軌跡進(jìn)行聚類。基于統(tǒng)計(jì)的建模方法不足在于依賴歷史信息，未能考慮環(huán)境等信息，例如，船舶以處于高概率區(qū)間的航速行駛時(shí)，如果周圍船舶的航速都遠(yuǎn)低于或者遠(yuǎn)高于此船，那么這艘船也應(yīng)該被視為異常。

3）其他異常檢測(cè)。除了船舶位置異常和運(yùn)動(dòng)異常，還有幾類船舶異常行為不利于船舶監(jiān)管。例如AIS 的關(guān)閉和欺騙行為，由于追求利益或者掩蓋其違規(guī)航行的事實(shí)，部分船舶會(huì)主動(dòng)關(guān)閉AIS 或者惡意修改其AIS 信息，這個(gè)行為對(duì)于海事監(jiān)管造成了阻礙，危害到了船舶航行安全。Zhang等[20]通過(guò)軌跡相似性尋找可疑軌跡和比較軌跡之間的對(duì)比軌跡，再利用對(duì)比軌跡與2 條軌跡的夾角和走向判斷該可疑軌跡是否存在關(guān)閉AIS 的行為，在此基礎(chǔ)上判斷2 個(gè)具有高度相似的軌跡中是否存在AIS 關(guān)閉行為的船舶，若存在則認(rèn)為該條軌跡對(duì)應(yīng)的船舶惡意更改了MMSI 信息。D'Afflisio 等[21]通過(guò)基于欺騙參數(shù)θ的復(fù)合假設(shè)檢驗(yàn)公式確定船舶通過(guò)AIS消息報(bào)告的軌跡是否可信，聯(lián)合解決欺騙和偏離標(biāo)稱路線的問(wèn)題，采用模型階次判定（model order selection, MOS）方法處理產(chǎn)生的多重假設(shè)檢驗(yàn)，依賴于假設(shè)嵌套假設(shè)Hi,i=0,1,2,3 是正確的。

此外，復(fù)雜異常行為的檢測(cè)也受到關(guān)注。復(fù)雜交通事件是由多個(gè)基本交通事件組成的交通事件，通常難以直接從船舶軌跡數(shù)據(jù)中觀察到。當(dāng)前對(duì)于船舶復(fù)雜事件的研究主要集中于船舶違法行為，如船舶走私、運(yùn)毒、搶劫、禁捕區(qū)捕魚(yú)等行為。復(fù)雜事件的檢測(cè)需要將不同的基本事件檢測(cè)方法進(jìn)行結(jié)合，組成復(fù)雜事件檢測(cè)系統(tǒng)。Zhang等[22]利用現(xiàn)有船舶異常行為檢測(cè)算法形成檢測(cè)庫(kù)，讓用戶依據(jù)自己的需求選擇異常檢測(cè)模塊，將選擇的模塊形成事件流，用以檢測(cè)更復(fù)雜的異常行為。Shahir等[23]利用隱馬爾可夫模型觀測(cè)目標(biāo)軌跡，對(duì)存在特殊行為的軌跡分類到給定場(chǎng)景下，結(jié)合上下文信息判斷該行為屬于哪1種復(fù)雜事件。

1.2.2 船舶事故檢測(cè)

與船舶異常行為不同，船舶事故的發(fā)生往往會(huì)造成人員傷亡、生態(tài)破壞、經(jīng)濟(jì)損失等嚴(yán)重后果，因此當(dāng)前對(duì)于船舶事故的檢測(cè)主要是從事故風(fēng)險(xiǎn)評(píng)估的角度出發(fā)，對(duì)船舶存在的航行風(fēng)險(xiǎn)進(jìn)行測(cè)算及預(yù)測(cè)，風(fēng)險(xiǎn)過(guò)高時(shí)，對(duì)船舶進(jìn)行管控，基于船舶事故發(fā)生的頻率和造成的后果不同，從船舶碰撞預(yù)警、船舶失火爆炸檢測(cè)及其他事故檢測(cè)進(jìn)行總結(jié)，見(jiàn)圖3。

圖3 船舶事故檢測(cè)方法Fig.3 Ship accident detection methods

1）船舶碰撞預(yù)警。船舶碰撞事故作為1種頻繁發(fā)生的水上交通事故，一直是研究人員的重點(diǎn)研究對(duì)象，當(dāng)前主要研究思路是對(duì)船舶航行碰撞風(fēng)險(xiǎn)進(jìn)行建模和分析，即獲得某些船舶或者某些區(qū)域發(fā)生碰撞的概率，當(dāng)概率過(guò)高時(shí)，則認(rèn)為將要發(fā)生碰撞事件，需要人為對(duì)其干預(yù)，防止碰撞事故的發(fā)生。

船舶碰撞風(fēng)險(xiǎn)分析研究通常涉及3 個(gè)要素：事故發(fā)生的概率、潛在后果，以及船舶碰撞的人為因素和組織因素，概率是反映船舶碰撞風(fēng)險(xiǎn)的最常用指標(biāo)之一[24]。Zhang 等[25]直接利用距離和其他變量來(lái)評(píng)估遭遇情況，將船舶之間的距離、相對(duì)速度、航向差等合并為1 個(gè)函數(shù)，定義為船舶沖突風(fēng)險(xiǎn)算子。Weng等[26]在碰撞候選檢測(cè)中加入了船舶領(lǐng)域，以侵犯圓形船舶領(lǐng)域?yàn)闃?biāo)準(zhǔn)估計(jì)了新加坡航道的碰撞頻率。Huang等[27]利用速度障礙法衡量碰撞風(fēng)險(xiǎn)，該風(fēng)險(xiǎn)被定義為導(dǎo)致碰撞的可達(dá)速度的比例。Xi等[28]利用故障樹(shù)方法進(jìn)行船舶碰撞的風(fēng)險(xiǎn)分析，將導(dǎo)致事故的不同事件（值班人員的疲勞、疏忽、發(fā)動(dòng)機(jī)故障等）以布爾門的形式進(jìn)行分類識(shí)別，以圖形方式說(shuō)明各事件對(duì)事故的影響，最后利用統(tǒng)計(jì)分析、調(diào)查等手段計(jì)算各事件導(dǎo)致事故發(fā)生的概率。Sotiralis 等[29]建立概率模型來(lái)分析船舶碰撞中的人為因素和組織因素的風(fēng)險(xiǎn)，利用貝葉斯網(wǎng)絡(luò)來(lái)獲得它們的概率相關(guān)性和事故概率。綜上，當(dāng)前船舶碰撞事故風(fēng)險(xiǎn)評(píng)估領(lǐng)域所用到的方法、模型多樣化且各有優(yōu)勢(shì)，但研究重點(diǎn)均為通過(guò)事故發(fā)生概率測(cè)算、事故演化機(jī)理分析及事故造成后果評(píng)估以達(dá)到提前預(yù)警的效果；研究場(chǎng)景偏向于2船之間的碰撞風(fēng)險(xiǎn)研究，較少涉及多船相遇情況，這降低了檢測(cè)結(jié)果的準(zhǔn)確性；其次，碰撞事故中考慮的人為因素缺乏數(shù)據(jù)的支撐，因此降低了檢測(cè)效果，后續(xù)應(yīng)該考慮更多不確定性進(jìn)行分析。

2）船舶失火爆炸檢測(cè)。船舶火災(zāi)爆炸事故是威脅海上運(yùn)輸安全的最嚴(yán)重的事故之一，會(huì)導(dǎo)致船舶損失、貨物損壞、環(huán)境污染、人身傷亡[30]。因此，火災(zāi)事故檢測(cè)領(lǐng)域同樣存在基于事故風(fēng)險(xiǎn)分析以進(jìn)行提前預(yù)警的方法，Wang等[31]對(duì)火災(zāi)事故報(bào)告進(jìn)行關(guān)鍵語(yǔ)句提取，歸納出40 個(gè)船舶火災(zāi)原因，將其作為輸入分別利用故障樹(shù)和貝葉斯網(wǎng)絡(luò)進(jìn)行分析，得出影響火災(zāi)事故的關(guān)鍵因素。付姍姍等[32]利用三腳架事故致因模型分析火災(zāi)事故的影響因素，運(yùn)用布爾代數(shù)的邏輯運(yùn)算求解事故發(fā)生各階段的后果重要性及發(fā)生概率，最后利用風(fēng)險(xiǎn)矩陣計(jì)算各事件的風(fēng)險(xiǎn)值。除了通過(guò)風(fēng)險(xiǎn)評(píng)估進(jìn)行火災(zāi)預(yù)警以外，對(duì)正在發(fā)生的火災(zāi)事故的檢測(cè)也同樣重要。李先鋒等[33]利用OpenCV 技術(shù)對(duì)船舶火災(zāi)視頻圖像進(jìn)行濾波、背景重構(gòu)以及煙霧檢測(cè)，實(shí)現(xiàn)船舶火災(zāi)的檢測(cè)。何光華[34]設(shè)計(jì)了1 種利用火焰探測(cè)器和熱探測(cè)器組合的火災(zāi)報(bào)警信號(hào)無(wú)線傳輸裝置，實(shí)現(xiàn)了高準(zhǔn)確度、低誤報(bào)率的火災(zāi)檢測(cè)與報(bào)警系統(tǒng)。周泊龍等[35]基于煙霧的顏色特征和運(yùn)動(dòng)特征對(duì)船舶視頻圖像進(jìn)行分析，提出了能夠在開(kāi)闊環(huán)境使用的船舶火災(zāi)檢測(cè)技術(shù)。船舶火災(zāi)爆炸檢測(cè)側(cè)重利用多種傳感器檢測(cè)火災(zāi)相關(guān)因素（煙霧、溫度、亮度等）進(jìn)行分析，相較于船舶碰撞檢測(cè)依賴風(fēng)險(xiǎn)模型進(jìn)行碰撞預(yù)警，檢測(cè)準(zhǔn)確性較高，但受到環(huán)境影響嚴(yán)重，檢測(cè)穩(wěn)定性不足，且更側(cè)重于事故發(fā)生后檢測(cè)，事故預(yù)警檢測(cè)較少。

3）其他事故檢測(cè)。除了船舶碰撞事故和船舶火災(zāi)爆炸事故，也有其他事故如擱淺、傾覆、沉沒(méi)等得到關(guān)注。

船舶擱淺事故是指船舶撞擊海床或者航道側(cè)邊的1 種水上事故。Mazaheri 等[36]從風(fēng)險(xiǎn)管理的角度對(duì)船舶擱淺事故風(fēng)險(xiǎn)建模進(jìn)行了綜述，提出了1 種基于知識(shí)的船舶擱淺風(fēng)險(xiǎn)建?？蚣?，從定義、背景知識(shí)、場(chǎng)景、可能性、事故后果，以及風(fēng)險(xiǎn)控制選項(xiàng)方面進(jìn)行了定義，總結(jié)出當(dāng)前建模方法側(cè)重點(diǎn)單一，現(xiàn)有需求如可靠準(zhǔn)確評(píng)估風(fēng)險(xiǎn)程度、不確定性評(píng)估、實(shí)時(shí)高效更新模型評(píng)估結(jié)果、模型適用性等無(wú)法同時(shí)滿足，實(shí)際使用效果不佳。Acanfora等[37]利用船舶外力作用周期和船舶自然周期構(gòu)建模型對(duì)船舶的橫搖周期進(jìn)行預(yù)測(cè)，用以發(fā)現(xiàn)潛在的船舶橫搖場(chǎng)景，之后利用六自由度的混合線性仿真模型對(duì)關(guān)鍵場(chǎng)景進(jìn)行船舶加速度的評(píng)估，建立了1 個(gè)基于運(yùn)動(dòng)周期的船舶大橫搖運(yùn)動(dòng)檢測(cè)模型，該模型可被用于檢測(cè)船舶存在的傾覆風(fēng)險(xiǎn)。針對(duì)不同船舶事故類型，有風(fēng)險(xiǎn)建模、運(yùn)動(dòng)建模、要素分析等檢測(cè)方法，需要研究統(tǒng)一的檢測(cè)模型實(shí)現(xiàn)實(shí)時(shí)檢測(cè)的目標(biāo)。于衛(wèi)紅等[38]利用點(diǎn)互信息算法和雙詞主題模型算法分別對(duì)船舶事故文本中的常見(jiàn)詞和主題進(jìn)行建模，從格式不統(tǒng)一、形式多樣化的事故報(bào)告文本中提取出事故原因，提供了1種基于文本識(shí)別的統(tǒng)一事故檢測(cè)模型。

1.3 船舶航行交通事件檢測(cè)研究現(xiàn)狀小結(jié)

數(shù)據(jù)上，當(dāng)前船舶航行交通事件檢測(cè)的數(shù)據(jù)源主要為船舶AIS 數(shù)據(jù)，數(shù)據(jù)量大，獲取難度低，可用于獲取船舶位置、航向、航速等指標(biāo)，成為事件檢測(cè)的主要判別依據(jù)。AIS 數(shù)據(jù)中包含了大量船舶運(yùn)動(dòng)、行駛意圖等信息，但由于接收基站質(zhì)量、水文氣象影響、人為關(guān)閉篡改等因素，AIS 數(shù)據(jù)丟失、質(zhì)量不穩(wěn)定等問(wèn)題常見(jiàn)，數(shù)據(jù)預(yù)處理成為事件檢測(cè)必不可少的環(huán)節(jié)，因此大多數(shù)研究結(jié)果無(wú)法對(duì)實(shí)時(shí)接收的數(shù)據(jù)進(jìn)行檢測(cè)；此外，船舶運(yùn)動(dòng)受潮汐、風(fēng)速、水流速度、航行規(guī)則等影響，檢測(cè)時(shí)需要考慮其他數(shù)據(jù)源，當(dāng)前部分研究通過(guò)人為篩選對(duì)數(shù)據(jù)集添加標(biāo)簽的方式考慮環(huán)境信息，但檢測(cè)結(jié)果受主觀因素影響大，航行規(guī)則、事故報(bào)告等文本數(shù)據(jù)利用率低，因此對(duì)于不同格式、不同體量的數(shù)據(jù)源需要進(jìn)行融合。

方法上，基于聚類的檢測(cè)方法適用于提取航道等不規(guī)則區(qū)域內(nèi)的船舶分布，但聚類效果受到輸入?yún)?shù)影響大，最小半徑及可達(dá)距離需要人為調(diào)整以適應(yīng)不同數(shù)據(jù)源、不同航段的軌跡；此外，基于聚類的事件檢測(cè)本質(zhì)是對(duì)特定航段內(nèi)的歷史軌跡進(jìn)行相似性分析，將相似性低的軌跡視為異常，該方法可用于輔助監(jiān)管人員查找未被發(fā)現(xiàn)的異常行為，但無(wú)法實(shí)時(shí)檢測(cè)異常船舶，對(duì)其進(jìn)行干預(yù)?；陬A(yù)測(cè)的檢測(cè)方法能對(duì)存在的風(fēng)險(xiǎn)進(jìn)行預(yù)警，是監(jiān)管水面安全的重要手段，但是預(yù)測(cè)效果受到算法、輸入數(shù)據(jù)質(zhì)量、參數(shù)等眾多條件約束，預(yù)測(cè)效果無(wú)法滿足實(shí)際使用要求，例如軌跡預(yù)測(cè)中直線形軌跡的預(yù)測(cè)效果要好于曲線形軌跡，這會(huì)降低預(yù)測(cè)的準(zhǔn)確性?；谏窠?jīng)網(wǎng)絡(luò)的檢測(cè)方法是利用算法找出數(shù)據(jù)的內(nèi)在聯(lián)系，建立正常行為模型，但由于檢測(cè)過(guò)程模糊，調(diào)參難度大，模型適用性低，檢測(cè)結(jié)果難以解釋，難以構(gòu)建檢測(cè)不同航行狀態(tài)船舶的模型?；诮y(tǒng)計(jì)的檢測(cè)方法通過(guò)擬合數(shù)據(jù)，構(gòu)建數(shù)據(jù)分布模型，適用于檢測(cè)數(shù)值型數(shù)據(jù)如速度、航向等，但檢測(cè)效果嚴(yán)重依賴于歷史數(shù)據(jù)，對(duì)于不滿足歷史軌跡分布的船舶全部視為異常，沒(méi)有考慮實(shí)際航行狀態(tài)，需要不斷更新檢測(cè)模型，檢測(cè)效率低，且無(wú)法檢測(cè)文本數(shù)據(jù)如貨物、船名等異常?；诖邦I(lǐng)域、貝葉斯網(wǎng)絡(luò)、故障樹(shù)等模型進(jìn)行風(fēng)險(xiǎn)預(yù)警的方法，考慮因素多能提升預(yù)警準(zhǔn)確性，但多因素會(huì)增大模型復(fù)雜性、降低計(jì)算效率，例如當(dāng)前常用的指標(biāo)最近會(huì)遇距離（distance closest point of approach,DCPA）、最近會(huì)遇時(shí)間（time closest point of approach,TCPA），計(jì)算簡(jiǎn)單，但預(yù)警效果較差?；趫D像識(shí)別的檢測(cè)方法利用深度學(xué)習(xí)算法對(duì)大量事故圖像進(jìn)行訓(xùn)練，提取事故船舶圖像特征，檢測(cè)結(jié)果更加直觀，準(zhǔn)確性較高，但基于圖像的檢測(cè)效果與訓(xùn)練集高度相關(guān)，如實(shí)際拍攝船舶角度與訓(xùn)練集不一致、事故發(fā)生位置被遮擋、水上大霧暴雨等惡劣天氣導(dǎo)致圖像不清晰等，這些問(wèn)題還未解決。

實(shí)時(shí)船舶航行交通事件檢測(cè)要求融合各類數(shù)據(jù)，自動(dòng)檢測(cè)不同航行環(huán)境下的船舶航行狀態(tài)，在考慮歷史數(shù)據(jù)的基礎(chǔ)上，具有檢測(cè)實(shí)時(shí)數(shù)據(jù)的功能，這是當(dāng)前研究所缺少的。將來(lái)的船舶航行交通事件檢測(cè)應(yīng)該從多源數(shù)據(jù)融合、多項(xiàng)技術(shù)結(jié)合的角度進(jìn)行研究，如Liu 等[39]融合交通圖像數(shù)據(jù)和交通流數(shù)據(jù)，利用卷積神經(jīng)網(wǎng)絡(luò)算法進(jìn)行檢測(cè)，Zhang等[40]利用基于模糊自適應(yīng)密度的聚類算法預(yù)處理船舶轉(zhuǎn)彎區(qū)域，再利用神經(jīng)網(wǎng)絡(luò)提取不同轉(zhuǎn)彎區(qū)域特征。圖像數(shù)據(jù)直觀反映交通事件的發(fā)生，但數(shù)據(jù)質(zhì)量受天氣、拍攝角度影響嚴(yán)重，交通流數(shù)據(jù)容易獲取，但無(wú)用數(shù)據(jù)多，處理難度大，多源數(shù)據(jù)融合可以彌補(bǔ)各種數(shù)據(jù)的缺點(diǎn)，提高檢測(cè)效率；聚類方法首先對(duì)軌跡進(jìn)行分類，再利用神經(jīng)網(wǎng)絡(luò)提取特征，降低調(diào)參難度，提高模型可解釋性。

2 船舶航行交通事件實(shí)時(shí)檢測(cè)技術(shù)

當(dāng)前船舶航行事件檢測(cè)大多基于歷史數(shù)據(jù)和離線算法檢測(cè)，一方面是因?yàn)閷?shí)時(shí)接收的船舶數(shù)據(jù)存在丟失、噪聲大等質(zhì)量問(wèn)題，原始數(shù)據(jù)需要經(jīng)過(guò)清洗、修復(fù)等手段才能被使用；另一方面是因?yàn)闄z測(cè)模型未考慮船舶航行環(huán)境，不同航行場(chǎng)景下的船舶采用不同的檢測(cè)模型和算法，檢測(cè)方法可擴(kuò)展性差，因此無(wú)法實(shí)現(xiàn)實(shí)時(shí)的事件檢測(cè)。此外，事件檢測(cè)過(guò)程及結(jié)果最終需要落實(shí)到日常實(shí)際監(jiān)管工作中，而大多數(shù)研究者并未考慮針對(duì)監(jiān)管人員開(kāi)發(fā)可解釋性強(qiáng)的檢測(cè)模型和結(jié)果顯示技術(shù)。針對(duì)以上問(wèn)題，本文針對(duì)實(shí)時(shí)的船舶航行交通事件檢測(cè)提出了海事大數(shù)據(jù)處理技術(shù)、船舶行為動(dòng)態(tài)建模技術(shù)和實(shí)時(shí)分析與可視化技術(shù)3項(xiàng)關(guān)鍵技術(shù)，見(jiàn)圖4。

圖4 船舶航行交通事件檢測(cè)關(guān)鍵技術(shù)Fig.4 Key technologies of ship navigation traffic event detection

2.1 海事大數(shù)據(jù)處理技術(shù)

隨著衛(wèi)星、雷達(dá)等信息技術(shù)的革新，海事領(lǐng)域也面臨著數(shù)據(jù)量大、數(shù)據(jù)生成速度快、數(shù)據(jù)格式多樣、數(shù)據(jù)可靠性低的問(wèn)題[41]。其中以AIS 數(shù)據(jù)為主的海事數(shù)據(jù)應(yīng)用逐漸從最初的避免船舶碰撞和提高航行安全擴(kuò)展到更多元的領(lǐng)域，例如船舶活動(dòng)范圍研究、船舶對(duì)環(huán)境影響評(píng)估、船舶軌跡提取及預(yù)測(cè)、船舶航行監(jiān)管、港口績(jī)效及航運(yùn)業(yè)影響等[42]。大數(shù)據(jù)處理技術(shù)能夠快速清洗異常數(shù)據(jù)，同時(shí)處理儲(chǔ)存海量船舶數(shù)據(jù)，運(yùn)行效率高，可靠性強(qiáng)，無(wú)延時(shí)為船舶行為動(dòng)態(tài)建模傳輸數(shù)據(jù)，進(jìn)行實(shí)時(shí)的船舶航行交通事件檢測(cè)。因此，為了滿足實(shí)時(shí)監(jiān)管的需求，針對(duì)海事領(lǐng)域的大數(shù)據(jù)處理技術(shù)亟待研究。

海事大數(shù)據(jù)處理應(yīng)從數(shù)據(jù)清洗和數(shù)據(jù)標(biāo)準(zhǔn)化方面考慮。原始海事數(shù)據(jù)存在大量空集、缺失、信息錯(cuò)誤、人為篡改等問(wèn)題，利用不準(zhǔn)確不完整的數(shù)據(jù)集分析船舶行為特征，會(huì)得到帶有偏差甚至相反的結(jié)果，誤導(dǎo)交通事件檢測(cè)研究方向，因此需要精準(zhǔn)全面的數(shù)據(jù)清洗技術(shù)對(duì)海事數(shù)據(jù)進(jìn)行處理。此外，水上交通事件檢測(cè)需要考慮航行環(huán)境信息，不兼容的數(shù)據(jù)標(biāo)準(zhǔn)可能會(huì)導(dǎo)致難以組合不同類型的數(shù)據(jù)，因此，如果各種數(shù)據(jù)兼容，考慮航行環(huán)境的交通事件檢測(cè)將成為可能。IHO 提出的S-100 提供了1 個(gè)水文地理空間數(shù)據(jù)標(biāo)準(zhǔn)，支持接入各種水文相關(guān)的數(shù)據(jù)源，并且完全符合主流的國(guó)際地理空間標(biāo)準(zhǔn)，能夠更輕松地將水文數(shù)據(jù)和應(yīng)用程序集成到地理空間解決方案中[43]，統(tǒng)一的數(shù)據(jù)格式或結(jié)構(gòu)在國(guó)際舞臺(tái)上得到認(rèn)可。因此，標(biāo)準(zhǔn)化的海事數(shù)據(jù)對(duì)于事件檢測(cè)及海事行業(yè)其他領(lǐng)域均有益處。

2.2 船舶行為動(dòng)態(tài)建模技術(shù)

作為實(shí)時(shí)交通事件檢測(cè)的關(guān)鍵，船舶行為動(dòng)態(tài)建模技術(shù)融合海事大數(shù)據(jù)處理后的船舶航行情境信息和船舶運(yùn)動(dòng)數(shù)據(jù)，根據(jù)船舶運(yùn)動(dòng)環(huán)境構(gòu)建不同的船舶行為模型，進(jìn)行實(shí)時(shí)交通事件檢測(cè)。其主要包含2 個(gè)難點(diǎn)：①如何將難以量化描述的非結(jié)構(gòu)型情境數(shù)據(jù)與結(jié)構(gòu)型的船舶運(yùn)動(dòng)數(shù)據(jù)進(jìn)行融合，在分析船舶運(yùn)動(dòng)時(shí)實(shí)時(shí)考慮船舶航行情境；②用何種方法分析非結(jié)構(gòu)型與結(jié)構(gòu)型混合的船舶航行數(shù)據(jù)，以提高檢測(cè)結(jié)果的準(zhǔn)確性。

情境信息融合方面，知識(shí)圖譜采用圖結(jié)構(gòu)來(lái)描述、構(gòu)建知識(shí)及事物間關(guān)系[44]，其本質(zhì)是1 種大規(guī)模語(yǔ)義網(wǎng)絡(luò)，不僅包含了豐富的語(yǔ)義信息，又天然具有圖的各種特征[45]。由于其呈現(xiàn)圖的結(jié)構(gòu)，在道路交通領(lǐng)域自然的與路網(wǎng)進(jìn)行聯(lián)系，節(jié)點(diǎn)表示路口，邊表示路段。水上交通領(lǐng)域采用知識(shí)圖譜的信息表示方式既能天然的表示船舶交通的空間信息，還能將水文氣象、航行規(guī)則等信息作為節(jié)點(diǎn)屬性與船舶運(yùn)動(dòng)信息進(jìn)行融合?；谥R(shí)圖譜的船舶航行信息表示架構(gòu)，融合航行情境信息，利用現(xiàn)有的技術(shù)手段進(jìn)行事件檢測(cè)，能達(dá)到良好的動(dòng)態(tài)性和可拓展性。

檢測(cè)方法上，除了現(xiàn)有技術(shù)手段，一些新興技術(shù)的介入可以提高檢測(cè)結(jié)果的準(zhǔn)確性。①深度學(xué)習(xí)是利用機(jī)器模擬人腦思考過(guò)程的1 種人工智能，它通過(guò)多層神經(jīng)元找出輸入數(shù)據(jù)之間隱含的關(guān)系，傳統(tǒng)船舶行為識(shí)別技術(shù)基于簡(jiǎn)單的船舶位置數(shù)據(jù)和運(yùn)動(dòng)數(shù)據(jù)，但船舶行為與外界環(huán)境關(guān)系密切，且難以定量體現(xiàn)，深度學(xué)習(xí)的方法有助于發(fā)現(xiàn)數(shù)據(jù)之間隱性的關(guān)系；②船舶行為要素與要素間的聯(lián)系實(shí)際上是信息的語(yǔ)義描述及信息語(yǔ)義之間的關(guān)聯(lián)關(guān)系[46]，每種船舶行為具有他的概念、屬性，以及關(guān)系，利用這些船舶行為的語(yǔ)義推理、關(guān)系挖掘可以發(fā)現(xiàn)不同行為之間的關(guān)聯(lián)、簡(jiǎn)單行為與復(fù)雜行為的關(guān)系；③圖神經(jīng)網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)的1 種變體，能有效地對(duì)不規(guī)則的圖結(jié)構(gòu)模型進(jìn)行特征提取與分析，Zhu等[47]基于知識(shí)圖譜架構(gòu)構(gòu)建交通時(shí)空?qǐng)D，利用圖卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行交通流預(yù)測(cè)，預(yù)測(cè)結(jié)果優(yōu)于單純基于路網(wǎng)的圖模型，因此可以作為水上交通事件檢測(cè)新的參考方向。

2.3 實(shí)時(shí)分析與可視化技術(shù)

海事監(jiān)管系統(tǒng)可視化內(nèi)河航道要素信息，借助人機(jī)交互界面結(jié)合自動(dòng)化分析技術(shù)與交互式可視化[48]，因此，對(duì)于實(shí)際監(jiān)管工作，簡(jiǎn)單易懂的檢測(cè)結(jié)果實(shí)時(shí)分析和直觀清晰的檢測(cè)結(jié)果顯示也是重要的一部分，當(dāng)前研究中檢測(cè)結(jié)果通常是定量的，定性分析需要人為觀察和評(píng)估，這樣降低了事件檢測(cè)效率，無(wú)法做到實(shí)時(shí)檢測(cè)，因此良好的人機(jī)交互性是促使監(jiān)管人員愿意使用檢測(cè)功能的保障。

平行系統(tǒng)是基于社會(huì)物理信息系統(tǒng)（cyber physical social system，CPSS），主要研究社會(huì)網(wǎng)絡(luò)、信息資源和物理空間深度融合[49]。平行系統(tǒng)將實(shí)際系統(tǒng)中的各要素建模為多智能體，利用知識(shí)工程獲得多智能體的屬性和規(guī)則，利用機(jī)器學(xué)習(xí)等手段獲得其在特定場(chǎng)景下的執(zhí)行方案，最后反饋給實(shí)際系統(tǒng)，并不是單純的模擬現(xiàn)實(shí)，因此建模難度大大降低[50]。基于平行系統(tǒng)架構(gòu)的事件檢測(cè)系統(tǒng)能接入多種數(shù)據(jù)源，集成多種事件檢測(cè)技術(shù)，實(shí)時(shí)分析顯示檢測(cè)結(jié)果，對(duì)于海事監(jiān)管，每1艘船舶都可以被映射到虛擬系統(tǒng)中，按照現(xiàn)實(shí)方式行動(dòng)，船舶的異常也將實(shí)時(shí)反饋到虛擬系統(tǒng)中被監(jiān)管人員查看，因此可以作為實(shí)時(shí)事件檢測(cè)的1種實(shí)時(shí)分析與可視化技術(shù)。

2.4 船舶航行交通事件實(shí)時(shí)檢測(cè)關(guān)鍵技術(shù)小結(jié)

大數(shù)據(jù)處理已運(yùn)用在各領(lǐng)域研究中，并獨(dú)自成為一門學(xué)科，但在海事領(lǐng)域應(yīng)用尚淺，以AIS數(shù)據(jù)為例，當(dāng)前大多數(shù)研究中數(shù)據(jù)處理停留在簡(jiǎn)單的清洗、篩查，剔除缺少信息的數(shù)據(jù)，采用插值法形成均勻連續(xù)的軌跡，該方法形成的軌跡并非船舶的真實(shí)軌跡，以此為基礎(chǔ)的研究成果會(huì)產(chǎn)生較大誤差；除了AIS數(shù)據(jù)，船舶的進(jìn)出港報(bào)文、調(diào)度報(bào)告、事故報(bào)告等文本數(shù)據(jù)同樣蘊(yùn)含著大量信息，如船舶航行意圖、常用航線、事故原因分析等，但非結(jié)構(gòu)化數(shù)據(jù)提取、利用困難，需要考慮形成統(tǒng)一的數(shù)據(jù)結(jié)構(gòu)對(duì)其進(jìn)行儲(chǔ)存，以便研究。

船舶動(dòng)態(tài)行為建模是實(shí)現(xiàn)實(shí)時(shí)事件檢測(cè)的關(guān)鍵，其中已有多項(xiàng)研究考慮了情境信息，如設(shè)置水文氣象標(biāo)簽區(qū)分?jǐn)?shù)據(jù)集、利用知識(shí)圖譜融合更多環(huán)境因素等，研究表明模型檢測(cè)效果得到提升，此外，深度學(xué)習(xí)的應(yīng)用提高了檢測(cè)的自動(dòng)化程度，但對(duì)于航道空間結(jié)構(gòu)、航行規(guī)則匹配的考慮不足，圖神經(jīng)網(wǎng)絡(luò)作為提取不規(guī)則圖模型特征的算法，提供了1 種考慮空間結(jié)構(gòu)的研究思路，其模型適用性、可擴(kuò)展性仍需進(jìn)一步提升。

實(shí)時(shí)分析和可視化是服務(wù)監(jiān)管部門、與現(xiàn)有海事監(jiān)管系統(tǒng)結(jié)合的保障，當(dāng)前常用檢測(cè)方法無(wú)法滿足行業(yè)需求，實(shí)際使用效果較差，亟需同時(shí)考慮檢測(cè)算法和實(shí)際應(yīng)用效果的新型檢測(cè)模型。平行系統(tǒng)的概念既結(jié)合檢測(cè)模型，又具有良好的顯示交互功能，是檢測(cè)系統(tǒng)構(gòu)建的新方向。

綜上所述，當(dāng)前船舶航行交通事件檢測(cè)關(guān)鍵技術(shù)進(jìn)入初始階段，部分人員與機(jī)構(gòu)相繼展開(kāi)研究，但與實(shí)際應(yīng)用水平仍差距較大，需要開(kāi)展深入研究。

3 船舶航行交通事件檢測(cè)展望

當(dāng)前船舶航行交通事件檢測(cè)利用統(tǒng)計(jì)分析、神經(jīng)網(wǎng)絡(luò)、聚類分析、圖像識(shí)別、仿真建模等技術(shù)，檢測(cè)效果及自動(dòng)化程度得到提升，但由于海事監(jiān)管領(lǐng)域數(shù)據(jù)質(zhì)量差、船舶航行環(huán)境復(fù)雜等原因，多數(shù)研究采取基于歷史數(shù)據(jù)的離線檢測(cè)方式，對(duì)實(shí)時(shí)交通的檢測(cè)效果差，且檢測(cè)模型可拓展性低，檢測(cè)結(jié)果誤報(bào)率過(guò)高，監(jiān)管人員使用滿意度低。嚴(yán)新平等[51]提出的新一代航運(yùn)系統(tǒng)體系架構(gòu)中提到，未來(lái)的航運(yùn)系統(tǒng)應(yīng)該是智能化的，船舶航行安全需要靠船舶運(yùn)行智能控制、交通運(yùn)營(yíng)組織、水上應(yīng)急救援等關(guān)鍵技術(shù)來(lái)保障，而實(shí)時(shí)的、精準(zhǔn)的事件檢測(cè)是完成這一環(huán)節(jié)的重要組成部分。結(jié)合新一代航運(yùn)系統(tǒng)提出的平行檢測(cè)系統(tǒng)可分為數(shù)據(jù)采集、后臺(tái)服務(wù)、客戶端應(yīng)用3個(gè)功能模塊。如圖5 所示，數(shù)據(jù)采集功能通過(guò)AIS、CCTV、VTS、航行計(jì)劃、水文氣象等數(shù)據(jù)，對(duì)現(xiàn)實(shí)交通系統(tǒng)進(jìn)行全要素感知，將其實(shí)時(shí)輸入后臺(tái)服務(wù)中的交通態(tài)勢(shì)推演模塊，同時(shí)上傳至交通大數(shù)據(jù)云平臺(tái)，構(gòu)建水路交通場(chǎng)景仿真模型；后臺(tái)服務(wù)功能對(duì)實(shí)時(shí)輸入數(shù)據(jù)進(jìn)行融合處理與儲(chǔ)存，實(shí)時(shí)分析、預(yù)測(cè)及預(yù)警交通狀態(tài)，通過(guò)仿真運(yùn)算、結(jié)果儲(chǔ)存、模型管理進(jìn)行事件檢測(cè)，將檢測(cè)結(jié)果輸入虛擬交通系統(tǒng)，根據(jù)預(yù)設(shè)管控方案對(duì)虛擬系統(tǒng)進(jìn)行調(diào)整；客戶端應(yīng)用功能將虛擬系統(tǒng)中的檢測(cè)結(jié)果以及管控方案展示給指揮調(diào)度中心，監(jiān)管人員進(jìn)行決策，對(duì)現(xiàn)實(shí)交通系統(tǒng)進(jìn)行管理、調(diào)度和控制，其決策同時(shí)影響虛擬和現(xiàn)實(shí)交通系統(tǒng)，并進(jìn)行下一輪循環(huán)迭代，達(dá)到實(shí)時(shí)檢測(cè)并管理交通的目標(biāo)。

圖5 平行檢測(cè)系統(tǒng)架構(gòu)Fig.5 The architecture of parallel detection system

根據(jù)2.4 總結(jié)出的船舶航行交通事件實(shí)時(shí)檢測(cè)關(guān)鍵技術(shù)，提出船舶航行交通事件平行檢測(cè)系統(tǒng)下的展望：數(shù)據(jù)融合包含海事大數(shù)據(jù)處理技術(shù)，融合虛擬交通系統(tǒng)數(shù)據(jù)和現(xiàn)實(shí)交通系統(tǒng)數(shù)據(jù)，儲(chǔ)存交通仿真和態(tài)勢(shì)推演過(guò)程的全部信息；交通狀態(tài)感知是船舶行為動(dòng)態(tài)建模的保障，實(shí)時(shí)感知現(xiàn)實(shí)交通信息，綜合評(píng)估交通狀態(tài)；交通虛實(shí)映射應(yīng)用實(shí)時(shí)分析和可視化技術(shù)，融合交通數(shù)據(jù)生成交通流，將現(xiàn)實(shí)交通系統(tǒng)映射到虛擬交通系統(tǒng)中并讓其在當(dāng)前交通狀態(tài)中進(jìn)行推演，實(shí)時(shí)檢測(cè)船舶航行交通事件。

3.1 數(shù)據(jù)融合

從數(shù)據(jù)類型劃分，當(dāng)前海事領(lǐng)域數(shù)據(jù)包括非結(jié)構(gòu)型數(shù)據(jù)：船名、船舶類型、貨物種類、航道、錨地等；結(jié)構(gòu)型數(shù)據(jù)：船長(zhǎng)、經(jīng)緯度、航速、航向、風(fēng)速、水流速度等。從數(shù)據(jù)來(lái)源劃分，海事領(lǐng)域數(shù)據(jù)包括AIS、VTS、雷達(dá)、CCTV、報(bào)港文書(shū)等。多源異構(gòu)數(shù)據(jù)融合需要構(gòu)建統(tǒng)一的數(shù)據(jù)儲(chǔ)存格式，如word2vec 詞向量模型、知識(shí)圖譜三元組模型等文本數(shù)據(jù)處理技術(shù)，對(duì)海量數(shù)據(jù)進(jìn)行分析可以減輕單一數(shù)據(jù)源造成的噪聲大、精度低的問(wèn)題，此外，統(tǒng)一的數(shù)據(jù)格式能提高計(jì)算效率，滿足實(shí)時(shí)性的要求。

3.2 交通狀態(tài)感知

交通狀態(tài)包括船舶交通流狀態(tài)（速度、流量、密度等）、航道狀態(tài)（橋區(qū)、航道水深等）、水文氣象狀態(tài)（潮汐、大霧、急流等）等。不同交通狀態(tài)下的船舶航行交通事件判斷標(biāo)準(zhǔn)會(huì)發(fā)生變化，例如，不同船舶密度下的最大航速不一樣，橋區(qū)和非橋區(qū)的航行規(guī)則不同，霧天內(nèi)河航道禁止通行等等。交通狀態(tài)感知需要采集船舶航行相關(guān)信息，分析船舶分布、船舶相對(duì)運(yùn)動(dòng)、通航資源可達(dá)性、航行環(huán)境時(shí)空分布特征等交通狀態(tài)影響因素，利用船舶密度、船舶會(huì)遇避讓緊迫程度、船舶碰撞風(fēng)險(xiǎn)、泊位碼頭擁堵指數(shù)、航道資源利用率、惡劣天氣比等評(píng)價(jià)指標(biāo)，分別對(duì)微觀交通狀態(tài)和宏觀交通狀態(tài)進(jìn)行評(píng)估，對(duì)水上交通狀態(tài)進(jìn)行分類定級(jí)，計(jì)算出水上交通宏微觀時(shí)空分異特征，推演出水上交通宏微觀狀態(tài)變化趨勢(shì)，對(duì)其進(jìn)行預(yù)測(cè)。宏觀上，根據(jù)交通狀態(tài)分級(jí)評(píng)價(jià)其飽和程度；微觀上，根據(jù)飽和程度、碰撞風(fēng)險(xiǎn)、天氣等判斷船舶行為是否異常，實(shí)現(xiàn)更準(zhǔn)確、可靠的船舶航行交通事件檢測(cè)。

3.3 交通虛實(shí)映射

交通虛實(shí)映射是根據(jù)現(xiàn)實(shí)交通系統(tǒng)搭建虛擬交通系統(tǒng)，按照實(shí)際船舶交通流狀態(tài)在虛擬系統(tǒng)內(nèi)進(jìn)行初始化，并讓其按照設(shè)定航行規(guī)則自主運(yùn)行，最終得到不同時(shí)刻的交通狀態(tài)。交通仿真是交通虛實(shí)映射的初級(jí)階段，當(dāng)前常用交通仿真系統(tǒng)集中在道路領(lǐng)域，水路交通領(lǐng)域還未出現(xiàn)較好的仿真系統(tǒng)。水路交通仿真系統(tǒng)可分為靜態(tài)模型和動(dòng)態(tài)模型2個(gè)部分：靜態(tài)模型包括航道模型、碼頭港口模型、錨地服務(wù)區(qū)模型、航標(biāo)模型、船舶模型、交通組織模型、三維場(chǎng)景模型等；動(dòng)態(tài)模型包括船舶運(yùn)動(dòng)仿真、河口卡口仿真、航段分段仿真、區(qū)域網(wǎng)絡(luò)仿真、突發(fā)事件仿真、航道通過(guò)能力仿真、交通態(tài)勢(shì)仿真等。從交通仿真中船舶按照人為規(guī)則行駛的被動(dòng)控制，到平行系統(tǒng)中船舶按照實(shí)際船舶行為自動(dòng)行駛的主動(dòng)控制，需要從數(shù)據(jù)采集、狀態(tài)感知、決策反饋、可視化等方面進(jìn)一步研究。

4 結(jié)束語(yǔ)

將船舶航行交通事件分為船舶異常行為和交通事故2類，分析各事件的常用檢測(cè)方法，異常行為檢測(cè)研究大多基于AIS 數(shù)據(jù)，數(shù)據(jù)量大，獲取難度低，但處理時(shí)間久，需要提前對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，無(wú)法滿足實(shí)時(shí)性；事故檢測(cè)主要從風(fēng)險(xiǎn)評(píng)估的角度出發(fā)，檢測(cè)結(jié)果受模型適用性影響，難以動(dòng)態(tài)建模進(jìn)行檢測(cè)。當(dāng)前事件檢測(cè)方法存在歷史數(shù)據(jù)依賴度高、檢測(cè)模型可擴(kuò)展性低的現(xiàn)狀，高誤報(bào)率致使監(jiān)管部門使用效果差。

總結(jié)出船舶航行交通事件實(shí)時(shí)檢測(cè)的關(guān)鍵技術(shù)：海事大數(shù)據(jù)處理技術(shù)、船舶行為動(dòng)態(tài)建模技術(shù)和結(jié)果分析和可視化技術(shù)。從檢測(cè)前提高數(shù)據(jù)質(zhì)量，檢測(cè)中提升模型適用性，檢測(cè)后結(jié)果實(shí)時(shí)分析與展示3 個(gè)方面進(jìn)行分析，提出實(shí)時(shí)檢測(cè)的重點(diǎn)是在特定航行情境下進(jìn)行交通流評(píng)估。

結(jié)合新一代航運(yùn)系統(tǒng)提出了船舶航行交通事件平行檢測(cè)系統(tǒng)架構(gòu)，按照關(guān)鍵技術(shù)的發(fā)展需求，從數(shù)據(jù)融合、交通狀態(tài)感知和交通虛實(shí)映射3 個(gè)方面進(jìn)行展望，為船舶航行交通事件實(shí)時(shí)檢測(cè)的進(jìn)一步研究提供參考。