趙吟秋，索永峰，鮮 波

(1.集美大學(xué)航海學(xué)院，福建 廈門361021；2.集美大學(xué)航海技術(shù)研究所，福建 廈門 361021)

0 引言

船舶自動(dòng)識別系統(tǒng)(automatic identification system,AIS)提供了豐富的船舶航行數(shù)據(jù)，基于AIS船舶軌跡數(shù)據(jù)進(jìn)行通航水域風(fēng)險(xiǎn)評價(jià)、船舶自身行為特征分析、自動(dòng)避碰以及船舶會遇等方面的研究是當(dāng)前的熱點(diǎn)[1]。潘家財(cái)?shù)萚2]根據(jù)廈門灣內(nèi)水域特點(diǎn)以兩船會遇距離作為會遇判定條件，統(tǒng)計(jì)船舶會遇的空間分布以及會遇船長分布等，分析了廈門灣船舶會遇狀況。任亞磊等[3]基于構(gòu)建的動(dòng)態(tài)船舶領(lǐng)域模型，對會遇類型、會遇船舶特征等進(jìn)行統(tǒng)計(jì)，進(jìn)而評估相關(guān)水域的宏觀碰撞危險(xiǎn)度，該方法對開闊水域船舶目標(biāo)航行數(shù)據(jù)較少的情況下難以確定每條船舶的動(dòng)態(tài)領(lǐng)域，因此在開闊水域中該方法的適用性還有待驗(yàn)證。馬杰等[4]采用時(shí)空關(guān)系對數(shù)據(jù)進(jìn)行約束，提取特定時(shí)間段內(nèi)船舶的位置和航向特征，形成會遇特征序列，利用支持向量機(jī)(SVM)對會遇特征進(jìn)行分類辨識，但該方法并未列舉判定會遇態(tài)勢的篩選條件，也不適用于對大量數(shù)據(jù)進(jìn)行船舶的會遇挖掘。甄榮等[5]提出運(yùn)用墨卡托算法計(jì)算船舶之間的距離，并通過DBSCAN算法識別船舶會遇。冮龍暉等[6]根據(jù)船舶AIS動(dòng)態(tài)數(shù)據(jù)，結(jié)合插值方法計(jì)算船舶間相對運(yùn)動(dòng)參數(shù)，提取船舶會遇信息。Du等[7]通過檢測船舶會遇，進(jìn)而對船舶可操縱余量，避讓有效性等指標(biāo)對會遇船舶的碰撞風(fēng)險(xiǎn)等級進(jìn)行劃分，檢測近距離會遇的船舶。Zhang等[8]通過對會遇的船舶進(jìn)行風(fēng)險(xiǎn)排序，考慮船舶領(lǐng)域和船舶尺寸計(jì)算碰撞風(fēng)險(xiǎn)，檢測近距離會遇的船舶，該方法可以有效區(qū)分具有不同碰撞風(fēng)險(xiǎn)的會遇船舶，但缺少對會遇過程的量化分析。Kim等[9]運(yùn)用分布式隨機(jī)搜索算法，結(jié)合AIS數(shù)據(jù)實(shí)現(xiàn)會遇的多船各自判斷會遇態(tài)勢。Chen等[10]運(yùn)用改進(jìn)的時(shí)間離散非線性速度障礙(TD-NLVO)算法識別特定區(qū)域AIS數(shù)據(jù)中的多船會遇局面。

綜上所述，根據(jù)海量AIS數(shù)據(jù)快速高效挖掘船舶會遇信息，定量多維度分析船舶的會遇過程方面的研究有待提高。為了能夠快速有效地挖掘船舶會遇局面，識別潛在的碰撞風(fēng)險(xiǎn)點(diǎn)，監(jiān)測處于會遇過程中的船舶航行數(shù)據(jù)，定量分析船舶會遇過程，本文改善傳統(tǒng)DBSCAN算法，分析船舶會遇時(shí)空演化特性，有效識別會遇船舶，并在此基礎(chǔ)上挖掘多船會遇局面，劃分船舶不同會遇類型，分析船舶的會遇避讓方式，建立會遇船舶數(shù)據(jù)庫。

1 AIS數(shù)據(jù)預(yù)處理

在現(xiàn)實(shí)條件下，由于各種原因?qū)е翧IS數(shù)據(jù)存在缺失、重復(fù)等數(shù)據(jù)異?，F(xiàn)象，給AIS數(shù)據(jù)處理以及分析帶來一定的難度。為提高數(shù)據(jù)的準(zhǔn)確性和可信度，首先對AIS數(shù)據(jù)中船舶位置、航速、航向等不符合常理的異常數(shù)據(jù)進(jìn)行刪除。由于在船速較低的情況下船舶的操縱性能較差，難以實(shí)施有效的避讓行為，分析會遇過程沒有實(shí)際意義，因此，刪除船速值小于4 kn的AIS數(shù)據(jù)。當(dāng)AIS數(shù)據(jù)中數(shù)據(jù)條目的時(shí)間間隔較大時(shí)，容易導(dǎo)致后續(xù)插值補(bǔ)全的誤差很大，影響再現(xiàn)船舶真實(shí)航行情景，因此，刪除數(shù)據(jù)條目時(shí)間間隔大于30 min的數(shù)據(jù)。

為了對海量的AIS數(shù)據(jù)進(jìn)行有效分析，將AIS數(shù)據(jù)條目大于300條的船舶航行數(shù)據(jù)提取出來，對船舶數(shù)據(jù)進(jìn)行后續(xù)統(tǒng)計(jì)分析，處理后的部分AIS數(shù)據(jù)如表1所示。

表1 AIS數(shù)據(jù)處理項(xiàng)

2 會遇挖掘算法模型與特征參數(shù)計(jì)算

2.1 船舶潛在會遇的定義

人們將海上航行船舶相遇而必須采取行動(dòng)的情況稱為“會遇”。會遇不包括無需采取避讓行為的船舶相遇的情況。在海上交通研究中，會遇是指與碰撞事故密切相關(guān)且在一定程度上表征海上交通危險(xiǎn)的一種特殊的船舶相遇情況[8]。本文將潛在會遇定義為：當(dāng)兩船位于某一給定距離以內(nèi)的一種實(shí)際情況。參考文獻(xiàn)[12]有關(guān)船舶最小安全會遇距離的模糊確定研究，本文采用0.5 n mile為潛在會遇判定的閾值條件。

2.2 DBSCAN算法原理

DBSCAN聚類算法應(yīng)用廣泛[1]，其基本原理如圖1所示。在研究區(qū)域內(nèi)，設(shè)定兩個(gè)參數(shù)閾值MinPoints和領(lǐng)域半徑E，以數(shù)據(jù)對象S為圓心，劃定一個(gè)半徑為E的圓形區(qū)域，在此區(qū)域內(nèi)檢測數(shù)據(jù)樣本數(shù)量Q，若Q≥MinPoints則S為核心對象，其余點(diǎn)稱為邊界對象，處于核心對象E領(lǐng)域中的樣本點(diǎn)為核心對象的直接密度可達(dá)樣本點(diǎn)；如若Q

2.3 船舶會遇特征參數(shù)計(jì)算

以時(shí)間戳為關(guān)鍵字提取船舶航行數(shù)據(jù)，建立時(shí)空約束下不同船舶的軌跡狀態(tài)時(shí)間序列traj={(p1,t1),(p2,t2),(p3,t3),…,(pn,tn)}，p={mmsi,postime,lon,lat,speed,course,heading}表示標(biāo)志碼為mmsi的船舶在某一時(shí)刻的航行狀態(tài)數(shù)據(jù)，為了避免應(yīng)用DBSCAN算法挖掘船舶會遇時(shí)，出現(xiàn)船舶A與船舶B之間的相對距離值dAB(A,B=1,2,…,n)重復(fù)計(jì)算的情況，構(gòu)建船舶相對距離矩陣D,計(jì)算不同船舶之間的距離[13]。該矩陣與全矩陣計(jì)算相比較，將算法的運(yùn)算量減小了50%。

(1)

給定兩船經(jīng)緯度坐標(biāo)A(Lon1,Lat1),B(Lon2,Lat2)，采用恒向線方位距離計(jì)算公式計(jì)算兩船方位角C和距離d[11]。具體計(jì)算公式如下：

C=arctan(ΔLon/Δq)

(2)

(3)

式中：經(jīng)度差ΔLon=Lon2-Lon1；Δq為AB間緯度漸長率差值；SLati為點(diǎn)到赤道的子午線弧長；r1為Lat1緯度處的等緯圈半徑。其中，SLati的計(jì)算式為：

(4)

式中:a為地球橢圓體長半軸長;e為偏心率。

A、B間緯度漸長率差值Δq計(jì)算公式如下：

(5)

Lat1緯度處的等緯圈半徑r1為：

(6)

本文在兩船會遇起始點(diǎn)計(jì)算兩船航向差與相對方位關(guān)系，并將此作為依據(jù)劃分船舶的會遇類型，兩船航向差ΔH以及目標(biāo)船的相對方位計(jì)算如下。

(7)

式中:AO為目標(biāo)船的相對方位;HO,HT分別為本船和目標(biāo)船船首向；ΔH為兩船的航向交叉的角度。

2.4 改進(jìn)的船舶會遇挖掘算法流程設(shè)計(jì)

首先對原始AIS數(shù)據(jù)進(jìn)行預(yù)處理，按照位置時(shí)間作為關(guān)鍵字進(jìn)行升序排序，以1 min為時(shí)間間隔提取時(shí)間段內(nèi)船舶航行數(shù)據(jù)，將該數(shù)據(jù)按照船舶識別號分別進(jìn)行插值補(bǔ)全到同一時(shí)刻T1,T2,…Tn，且每分鐘內(nèi)每條船只保留一條AIS數(shù)據(jù)。遍歷每一個(gè)時(shí)間片,計(jì)算相對距離矩陣，調(diào)用DBSCAN算法。DBSCAN 聚類算法設(shè)計(jì)的關(guān)鍵參數(shù)為MinPoints≥2，E=0.5，以相對距離矩陣D為算法輸入數(shù)據(jù)，輸出潛在會遇船舶狀態(tài)信息，并將其存儲在對應(yīng)的數(shù)據(jù)庫中，運(yùn)用CPA算法，驗(yàn)證數(shù)據(jù)庫中的船舶會遇情況，最后結(jié)合船舶會遇分類劃分船舶會遇類型，進(jìn)行會遇過程分析。算法流程如2圖所示。

3 算法實(shí)驗(yàn)

3.1 DBSCAN聚類實(shí)驗(yàn)結(jié)果

以2020年6月臺灣海峽的AIS數(shù)據(jù)為研究對象，原始AIS數(shù)據(jù)為1000萬條，經(jīng)過數(shù)據(jù)預(yù)處理后剩余400萬條。通過設(shè)置滑動(dòng)時(shí)間窗口以提取研究水域內(nèi)會遇場景的特征序列數(shù)據(jù)。根據(jù)算法流程和參數(shù)計(jì)算法公式，可以得出某一時(shí)刻T的潛在會遇船舶信息，如圖3所示。其中：紅色點(diǎn)(-1)表示沒有達(dá)到會遇篩選條件的船舶，即為噪聲點(diǎn)；圖3中其余顏色(標(biāo)識分別為1，2，…，8)各自代表一組潛在會遇船舶，通過標(biāo)記可以得到潛在會遇船舶的標(biāo)識碼和相關(guān)航行狀態(tài)信息。

將圖3部分類別數(shù)據(jù)導(dǎo)出，并去除噪聲點(diǎn)，得到表2。將表2中數(shù)據(jù)進(jìn)行相關(guān)參數(shù)計(jì)算，可得兩船的相對距離和方位以及航向差信息。

表2 潛在會遇船舶狀態(tài)數(shù)據(jù)

3.2 會遇類型劃分

當(dāng)會遇船舶相互位于各自正前方以相反或接近相反的方向相互逼近時(shí)，通常是指船首向交叉在6°范圍內(nèi)構(gòu)成對遇局面；當(dāng)船首向交叉大于6°且小于112.5°時(shí)，構(gòu)成交叉會遇；若滿足后船于前船正橫大于22.5°范圍內(nèi)，以較大速度趕超前船的情況，則構(gòu)成追越局面。其方位關(guān)系如圖4所示。

根據(jù)圖4方位關(guān)系，結(jié)合會遇船舶相對方位關(guān)系和會遇船舶航向差可以實(shí)現(xiàn)不同會遇局面的識別。

3.3 會遇挖掘結(jié)果與分析

根據(jù)DBSCAN算法得出的潛在會遇船舶，結(jié)合圖4的會遇局面劃分關(guān)系，進(jìn)行船舶會遇局面的識別與分析。本文選擇追越、交叉和對遇3種典型局面進(jìn)行展示，結(jié)果如圖5所示。

為避免碰撞發(fā)生，圖5b和圖5c都有典型的避讓行為發(fā)生。圖5b中A船舶(藍(lán)色，下同)保持直航，B船舶(紅色，下同)向右改向，完成避讓后回到原航向。圖5c中B船舶為完成避讓采取了向右改向，待避讓完成后回到原航向繼續(xù)行駛。這也表示船舶嚴(yán)格遵守了《規(guī)則》中的向右改向避讓他船的要求。

4 結(jié)論

為保障船舶在海上的航行安全，提高船舶危險(xiǎn)會遇的識別率，本文基于AIS數(shù)據(jù)，通過改進(jìn)DBSCAN算法的相對距離矩陣，減小了DBSCAN算法的運(yùn)算量。同時(shí)在數(shù)據(jù)不失真的前提下，合理處理AIS數(shù)據(jù)，減小了CPA算法的運(yùn)算量，并且處理過程中保證了數(shù)據(jù)時(shí)空的一致性，減小了會遇的誤判與漏判。本文以臺灣海峽部分?jǐn)?shù)據(jù)為基礎(chǔ)，結(jié)合會遇局面方位關(guān)系，驗(yàn)證了算法的有效性。通過定量描述船舶會遇過程，可加深對會遇態(tài)勢的整體感知，再現(xiàn)船舶會遇過程，為后續(xù)基于AIS的船舶避碰行為研究提供參考，也為自動(dòng)避碰決策優(yōu)化提供一種可行的驗(yàn)證方法。目前算法僅對兩船會遇進(jìn)行了研究，后續(xù)還需對多船會遇進(jìn)行深入研究。