EN中文

Journal of Geo-information Science >

2021 , Vol. 23 >Issue 12: 2111 - 2127

DOI: https://doi.org/10.12082/dqxxkx.2021.210495

Advance in Character Mining and Prediction of Ship Behavior based on AIS Data

  • ZHEN Rong , 1, 2, 3 ,
  • SHAO Zheping , 1, * ,
  • PAN Jiacai 1
Expand
  • 1. Navigation College, Jimei university, Xiamen 361001, China
  • 2. Hubei Key Laboratory of Inland Shipping Technology, Wuhan 430063, China
  • 3. Intelligent Transportation Systems Research Center, Wuhan University of Technology, Wuhan 430063, China
*SHAO Zheping, E-mail:

Received date: 2021-08-24

  Request revised date: 2021-11-20

  Online published: 2022-02-25

Supported by

Natural Science Foundation of China(52001134)

Science and Technology Innovation Special Zone project of Science and Technology Department of central Military Commission(KL12004)

Natural Science Foundation of Fujian Province(2020J01661)

Hubei Provincial Key Laboratory of Inland River Navigation Technology(NHHY2020001)

Copyright

Copyright reserved © 2021
Fold

Abstract

The mining and prediction of ship behavior characteristics is an important research content of maritime intelligent transportation system and a key scientific problem in the field of transportation engineering. In order to systematically study the research status and development trend of ship behavior characteristic mining and prediction, the Vosviewer is used to generate the clustering map and trend evolution map of high-frequency keywords of research content from the perspective of bibliometrics, based on literatures collected from WOS database and CNKI database. After comprehensive analysis, three topics of data mining of maritime traffic elements based on Automatic Identification System (AIS), ship behavior clustering research and ship behavior prediction research are summarized. The research contents, methods and existing problems of each topic are systematically analyzed. The research results show that: ① In the aspect of data mining of maritime traffic elements based on AIS, the research mainly focuses on the mining of spatial features of maritime traffic and temporal features of traffic flow,and the results are lack of sufficient association mining of time features AIS data and background environment features. Further exploration needs to be made on the mining of space-time characteristics and data fusion. ②In the aspect of ship behavior clustering, the research mainly uses the unsupervised clustering method to study the clustering of ship track points and ship track segments to obtain the spatial-temporal distribution of ship navigation behavior patterns and the maneuvering intention. The similarity calculation method of ship trajectory integrating multidimensional features, identification of ship the adaptive selection of clustering parameters and the semantic modeling of ship behavior need to be further studied. ③ In the aspect of ship behavior prediction, it mainly focuses on the prediction of ship behavior based on dynamic equation, traditional intelligent algorithm and deep neural network. Considering the characteristics of randomness, diversity and coupling of ship behavior, the use of hybrid neural network model and combining neural network with vector machine. In the end, the paper proposes the promising research area which include mining of ship behavior feature based on semantic model, the prediction of ship behavior based on deep convolutional neural network, the mining of ship behavior feature based on knowledge graph and the visualization of prediction results.

Key words： marine GIS; waterway transportation; AIS data; characteristic of ship behavior; ship trajectories clustering; ship behavior prediction

Cite this article

ZHEN Rong , SHAO Zheping , PAN Jiacai . Advance in Character Mining and Prediction of Ship Behavior based on AIS Data[J]. Journal of Geo-information Science, 2021 , 23(12) : 2111 -2127 . DOI: 10.12082/dqxxkx.2021.210495

1 引言

随着船载AIS设备的普及和数据接收存储的便捷,积累了海量的船舶AIS数据,基于AIS数据的船舶行为特征挖掘与预测研究成为了国内外水上交通工程领域的研究热点。船舶AIS数据中包括的船舶动态信息、静态信息和航次相关的信息蕴含了船舶行为模式的时空分布、船舶操纵行为特征、船舶交通流特征和船舶习惯航路分布特征。如何运用地理数据挖掘和机器学习的方法对特征进行挖掘分析,发现船舶AIS数据背后隐藏的潜在的船舶行为知识和规律,可以为《智能航运发展指导意见》[1]背景下的智能船舶、智能航保、智能航运监管等研究提供重要的理论支撑。
沿海、港口和内河水域的船舶交通密度大、态势复杂,船舶交通面临较高的航行和碰撞风险,发生水上交通事故会造成巨大的人命财产损失和海洋环境污染。在AIS数据所包含的水上交通信息的基础上,运用数据驱动和人工智能理论开展船舶行为特征挖掘和预测的系列研究,对提高水上交通监管效率和降低交通风险有重要意义。当前在水上交通研究领域已经开展了大量的基于AIS数据的船舶航迹数据修复预测[2]、船舶交通参数建模[3]、船舶会遇[4]、船舶航迹聚类[5]和船舶行为预测[6]等研究,取得了较丰硕的研究成果。当前已有学者梳理了关于基于AIS数据的船舶碰撞风险[7]、船舶避碰系统[8]和船舶异常行为检测[9]等方面的研究综述,然而在基于AIS数据的船舶行为特征分析、聚类和预测方面的研究进展仍有待系统地梳理总结和全面客观地分析。因此本文在运用文献计量可视化对船舶行为特征挖掘与预测研究的相关论文进行检索分析的基础上,对基于AIS数据的水上交通要素挖掘、船舶行为聚类和船舶行为预测等研究主题开展详细的综述分析,以期为智能航运背景下的船舶行为特征挖掘和预测领域的深入研究提供参考。

2 基于文献检索的研究脉络分析

2.1 研究方法与数据来源

为了对船舶行为特征挖掘与预测的研究现状和趋势进行详细分析,本文检索了WOS（Web of Science）和中国知网（China National Knowledge Infrastructure, CNKI）数据库最近10年的船舶和碰撞风险评估相关的文献,其中英文文献116篇,中文文献114篇,中英文文献数量相当,具体的检索方法如下：
WOS:主题=（“ship behavior analysis”）或者主题=（“ship trajectories clustering”）或者主题=（“ship trajectory prediction”）
CNKI:主题=（“船舶行为分析”）或者主题=（“船舶航迹聚类”）或者主题=（“船舶行为预测”）
时间跨度：2010年1月1日—2020年12月31日。

2.2 相关主题的文献数量动态变化

国内外有关船舶行为特征挖掘与预测的研究领域发表成果及发展趋势如图1所示,从图中可以看出,中英文论文的数量的发展趋势基本一致,2013年以前该领域研究论文数量较少,从2014年研究论文数量开始增加,英文论文数量维持在每年20篇左右,总体上论文数量呈增加趋势。早期英文文章数量多于中文文章,体现国内对研究主题的相关学术成果的发表存在一定滞后。从2019年开始中文论文数量多于英文文章的数量,2020年国内学者发表了38篇中文文章,说明近2年国内较多的学者开始运用人工智能和大数据技术研究船舶行为特征挖掘和预测内容。
图1 船舶行为特征挖掘与预测的研究领域发表论文数量分布

Fig. 1 Distribution of published papers in the research field of ship behavior characteristics mining and prediction

2.3 检索文献的计量分析

基于WOS的116篇英文文献和CNKI的114篇中文文献,运用Vosviewer软件[10]从文献计量学的角度生成研究内容的高频关键词的聚类图谱和趋势演化图谱,对2010—2020年的船舶行为特征挖掘与预测研究热点进行了可视化分析。
图2所示的是船舶行为特征挖掘与预测中文文献聚类图谱,图中节点之间的连线代表节点之间有直接关系,通过文献聚类可以发现中文文献由船舶行为预测（船舶行为、水路运输和预测）、船舶航迹聚类（航迹聚类、数据挖掘、AIS数据、相似性度量）、船舶轨迹异常检测（船舶轨迹、异常检测、AIS和船舶航迹聚类）和船舶轨迹预测（船舶自动识别系统、轨迹预测、循环神经网络和卡尔曼滤波） 4个研究主题组成。文献聚类在得到了研究主题关键词的基础上,还包含了相关的研究方法和数据来源,比如船舶行为主题的预测研究方法,航迹聚类的数据挖掘和相似性度量研究方法,异常检测中的轨航迹聚类方法,轨迹预测中的循环神经网络和卡尔曼滤波器的研究方法等内容。
图2 船舶行为特征挖掘与预测中文文献聚类图谱

注：不同的颜色代表不同的研究主题类,节点的大小代表该研究内容出现频率的高低。

Fig. 2 Literature cluster map of ship behavior characteristic mining and prediction

图3所示的是船舶行为特征挖掘与预测中文文献研究主题随时间的演化过程,从图中可以看出早期的研究集中在AIS、船舶轨迹、水路运输、数据挖掘等研究内容和方法上,随着国内有关智能船舶和人工智能相关政策和案例实施的发展,运用深度循环神经网络研究船舶行为预测成为研究热点。
图3 船舶行为特征挖掘与预测中文文献趋势演化图谱

注：颜色的深浅代表研究时间的早晚

Fig. 3 Literature trend evolution map of ship behavior characteristic mining and prediction

图4是船舶行为特征挖掘与预测英文文献聚类图谱,从图中可以看出英文文献的研究主题有航迹聚类(cluster,clustering,density,similarity,region)、船舶轨迹（ship trajectory,automatic identification system,AIS）、船舶碰撞案例（collision,experimental result）和轨迹/位置预测（predication,trajectory prediction,position） 4个研究主题,主题聚类的结果分别表达了运用相似性计算方法和密度聚类的方法进行船舶航迹聚类,运用AIS表征船舶轨迹和行为,船舶碰撞风险的实验和船舶轨迹的预测等研究内容和方法。图5是船舶行为特征挖掘与预测英文文献的研究主题随时间的演化过程,可以看出早期的研究主题集中在船舶预测、聚类和船舶碰撞等内容上,随着大数据和人工智能理论的发展,近期研究主题朝着AIS数据、轨迹相似性、密度聚类、实验结果分析等内容发展。
图4 船舶行为特征挖掘与预测英文文献聚类图谱

注：不同的颜色代表不同的研究主题类,节点的大小代表该研究内容出现频率的高低。

Fig. 4 Literature cluster map of ship behavior characteristics mining and prediction

图5 船舶行为特征挖掘与预测英文文献趋势演化图谱

注：颜色的深浅代表研究内容时间的早晚。

Fig. 5 Literature trend evolution map of ship behavior characteristics mining and prediction

通过VOSviewer软件对在CNKI和WOS检索的船舶行为特征挖掘与预测领域的中、英文文献进行计量可视化分析,挖掘得到了研究主题对应的研究内容、方法和发展趋势,为详细的文献综述分析提供一定的先验知识和理论参考。根据研究内容的内涵和相关性,本文从基于AIS数据的水上交通要素挖掘研究、船舶行为聚类研究和船舶航行行为预测研究3个主题进行详细分析和综述。

3 基于AIS数据的水上交通要素 挖掘研究

船载AIS设备的普及和数据接收存储的便捷,使得海量的船舶AIS数据得以积累,为水上交通要素的研究提供了丰富的数据源。水上交通要素定量表达了水上交通特征,是水上交通特征的量化和场景仿真研究的前提。根据研究内容含义的不同,可以分为船舶航迹数据预处理、船舶交通流特征参数分布和船舶会遇等研究内容。

3.1 船舶航迹数据预处理

由于以往AIS数据在传输过程中存在着错误、间断和缺失,为了保证数据的完整性和轨迹的存储显示高效性,需要对航迹数据进行预处理,航迹数据预处理主要包括航迹清洗、航迹插值、航迹融合和航迹压缩研究。
（1）航迹清洗。航迹数据清洗方法主要是在存储AIS航迹的数据库中,通过数据查询方法删除MMSI为0和经、纬度数值超过阈值范围、具有明显错误的数据和异常数据[11],航迹数据的清洗可以保证后续数据挖掘和计算的准确性。
（2）航迹插值。在一些特殊情况下,船舶AIS设备发生故障导致接受设备无法准确接收完整船舶的航迹信息,因此需要对缺失的船舶轨迹插值补全,以获取完整的航迹表达。从船舶轨迹插值研究方法的发展角度分析,船舶航迹数据插值的方法从单一方法的插值发展到复合方法的插值和基于机器学习的插值方法。单一方法的插值包括：线性插值方法[12]、三次样条插值[13]、拉格朗日插值方法[14]、均值插值方法和向量函数的插值方法[15]。复合插值方法是在单一方法的基础上考虑船舶轨迹的特性和航行场景特征（如Vondark滤波[16]、船舶导航状态估计和船舶轨迹拟合[17]、船舶运动学建模[18]等方法）进行插值和轨迹修复,获得了更加完整的船舶行为轨迹数据。基于机器学习的插值方法主要是通过神经网络、牛顿搜索算法、支持向量机的方法对船舶轨迹进行插值[19],在考虑插值船舶轨迹数据的速度和航向特征的基础上,对插值时间段内的船舶位置进行动力学预测,最长可以实现端点间33min时间差的航迹插值[20]。
（3）航迹融合。船舶AIS设备在甚高频（Very High Frequency, VHF）频段内采用自组织时分多址接入（Self-organized Time Division Multiple Access,SOTDMA）技术自动收发船舶静动态信息,根据船舶的航行状态和速度的大小的不同,数据的接发间隔为2s~3min,AIS表征的船舶航迹是非等间距的离散特征点,同时AIS数据还可以反映船舶类型、尺度、目的港和预计到达时间等船舶自身和航行相关的参数。沿海、内河和港口水域安装的海事雷达可以主动探测获得监控水域内的船舶方位、距离数据,雷达数据包含了船舶形状、大小和水域的全景交通图像的特点[21],船舶AIS数据和雷达数据具有互补优势。在基于船舶AIS和雷达的船舶航迹融合研究中,根据研究方法的不同,可以分为统计加权方法[22]、基于BP神经网络的方法[23]、基于卡尔曼滤波的方法[24]、时间序列聚类的方法[25]和集成融合方法[26]的船舶航迹融合研究。当前船舶AIS和雷达航迹融合方法具备一定的融合精度,但是随着通航环境的复杂和船舶航迹数据量的增多,融合算法的权重和门限选择存在一定的缺陷和局限性,融合算法对大批量数据的适用性和准确性有待进一步提高,需要改进现有数据融合方法中的航迹匹配、航迹关联和航迹融合算法,包括融合过程中权值和特征的选择的优化算法,融合后的高精度船舶航迹数据为后续船舶行为研究提供精准的数据源。
（4）航迹压缩。随着船舶航迹数据存储数量的增加,需要对海量的船舶AIS在确保数据质量的前提下降低存储成本,需要用数据压缩方法对船舶AIS航迹数据进行压缩,以提高航迹数据的计算和显示效率。根据船舶轨迹的压缩是否需要完整的轨迹数据,把压缩算法分为离线压缩和在线压缩2种方法。在离线压缩方面,主要有Douglas-Peucker（DP）算法[27]、Dead Reckoning[28]、OLDCAT[29]等算法,对以上离线航迹压缩算法在船舶轨迹上的压缩误差和执行时间进行了比较,结果表明DP算法的压缩误差最小[30]。离线压缩可以在保持较低失真度的情况下对AIS提供的船舶运动轨迹数据进行有效快速的压缩。在在线压缩方面,在线压缩在分析船舶AIS数据时间序列特征和操纵特征的基础上,运用滑动窗口方法[31,32]、在线有向无环图方法[33]实现船舶航迹数据压缩,相较DP压缩算法,该类算法保留了较多特征点。船舶航迹压缩取决于距离和航向阈值的选取,选取阈值越大,压缩率越高,保留的关键船舶航迹点越少,当距离阈值为120 m,压缩率可以达到97%[31],船舶航迹压缩在保证船舶行为的重要特征点的基础上可以提高船舶轨迹数据的运算效率,在研究过程中需要结合研究需要,在保留关键船舶航迹点的基础上,选取合适的阈值参数,因此如何结合航迹数据特征点分布选取合适的阈值值得深入研究。

3.2 船舶交通流特征参数分布

船舶交通流参数特征规律有助于水上交通系统的仿真和交通组织和管理,使水域船舶交通流更加有序合理,进而降低水上交通事故发生率和提高水域的通航效率[34]。船舶交通流包含交通流的位置、速度、方向、船舶数量和船舶间时距等特征,根据研究内容的复杂程度,可以分为船舶交通流特征参数拟合和交通流特征参数合成研究。
（1）船舶交通流特征参数拟合。以往船舶交通流之间的关系较多是通过经验统计的方法定性的描述船,缺乏精确的梳理统计模型和指标,而船舶AIS数据具备大样本的特点,可以实现船舶交通流中船舶交通量和船舶速度分布及其之间的关系的拟合[35]、航道内船舶航行位置的分布函数的拟合[36,37]、船舶到达规律参数的拟合[38],通过AIS数据驱动和数理统计拟合的方法,验证和提高了基于经验船舶交通流参数间的数理关系,可以使得船舶交通特征模型和参数更加丰富和准确。
（2）船舶交通流特征合成。船舶交通流参数的合成是在交通流的位置、速度、方向、船舶数量和船舶间时距等单维特征的基础上,运用数据场和Delaunay剖分插值[39]、数据聚类[40]的方法,合成具有多重含义的船舶交通流场、船舶转向点和交通流框架等多维特征。船舶交通特征的合成研究对于水域的交通流管理和船舶航路规划具有重要的指导意义。

3.3 船舶会遇

船舶会遇是船舶发生碰撞事故的前提条件,会遇态势的辨识和时空分布可以一定程度上表征水域内船舶碰撞风险分布,船舶会遇的挖掘成果可以为水上交通安全管理提供依据。船舶会遇可以分为会遇时空特征研究和会遇船舶紧迫度研究。
（1）船舶会遇时空特征研究。该研究主要根据水上交通工程理论中船舶会遇定义,设计从海量的船舶AIS数据中提取船舶会遇信息的算法,从船舶会遇的空间、时间分布、会遇船舶尺度和态势等多个角度研究水域内船舶会遇状况[41]和特定船舶航行过程中周围船舶的会遇数目、会遇态势和会遇最近距离等信息[42],船舶会遇时空特征挖掘结果可以为水上交通的高风险区域的监控提供理论依据,也可以为特定船舶的航行操纵和风险应对提供决策。
（2）会遇船舶紧迫度研究。该研究主要是根据避碰规则和航海实践经验,在AIS数据中根据船舶运动几何关系提取对不同会遇态势下的船舶会遇样本[43],然后考虑本船速度的动态圆形领域为空间约束条件和其他船舶相对于本船的方位分布和距离指标的影响,提出船舶会遇局面紧迫度的计算模型,运用热力图可视化方式量化会遇船舶紧迫度[44]和自适应理解模型[45],会遇船舶的紧迫度量化了会遇船舶间的碰撞风险的大小,研究方法从基础的船舶运动几何关系方法,向着支持向量机和贝叶斯网络的智能方法发展。

3.4 基于AIS数据的水上交通要素挖掘研究总结和评述

为了进一步详细总结分析基于AIS数据的水上交通要素的研究现状及后续发展思路,表1梳理了水上交通要素的研究范围、研究内容和研究方法及模型。
表1 水上交通要素的内容及方法研究总结

Tab. 1 Summary of research contents and methods of marine traffic element

研究主题 研究内容 研究方法及模型
船舶航迹数据预处理 航迹清洗 数据查询方法[11]
航迹插值 线性插值[12]、三次样条插值[13]、拉格朗日插值[14]、均值插值和向量函数的插值[15]、复合插值[16,17,18]、机器学习的插值方法[19,20]
航迹融合 统计加权方法[22]、基于BP神经网络的方法[23]、基于卡尔曼滤波的方法[24]、时间序列聚类的方法[25]、集成融合方法[26]
航迹压缩 离线压缩方法（DP算法[27]、Dead Reckoning[28]、OLDCAT[29]、扫描-选择-移动算法[30]）、在线压缩方法（改进的滑动窗口[31,32]、在线有向无环图[33]）
船舶交通流参数特征分布分析 交通流特征参数拟合 船舶交通量和速度模型拟合[35]、交通流风险模型的拟合[36]、船舶到达规律模型拟合[38]
交通流特征合成 船舶交通流场方法[39]、密度聚类方法[40]
船舶会遇分析 船舶会遇时空特征 会遇时空特征统计[41,42]
会遇船舶紧迫度 船舶运动几何关系[43]、空间约束和热力图方法[44-45] 、支持向量机-贝叶斯滤波方法[4]
船舶AIS数据蕴含的大量船舶的静态和动态信息可以定量化表征水上交通要素,通过对水上交通要素研究的总结分析和表1的内容可以看出：
（1）当前有关船舶轨迹插值的研究较多的通常是对完整的航行轨迹删除一部分航迹点,通过插值算法得到的航迹点与原本的航迹点进行精确度的比较分析,插值的时间间隔小于30 s,得到的航迹点具有较高的精度,插值航迹在较小误差内逼近真实的运动轨迹,随着时间差的增加,相较短时间差的精确性会有所下降。基于机器学习的船舶轨迹插值方法是黑箱的方法,尽管具有较高的精度和操作便利性,但是中间过程及物理意义缺乏解释性。在航迹融合方面,随着人工智能技术的发展和运用,可以在现有融合方法的基础上,引入深度神经网络对大量样本数据进行训练,有效学习雷达和AIS数据的特征,研究基于深度学习的船舶航迹融合方法,实现大量船舶航迹数据的融合,后续船舶行为研究提供精准的数据源。
（2）当前有关船舶交通流特征分析的研究主要集中在交通流参数的分布回归、交通流框架提取等内容,研究内容主要是对水上交通中船舶行为的空间特征和交通流的时间特征单独的分析挖掘,缺乏对AIS数据的时间、空间以及环境因素特征的关联挖掘,对于如何进行关联融合挖掘研究还有待深入探索。研究方法从早期的基础的数据统计拟合朝着数据场、关联规则和聚类等智能化方法发展,研究结果可为船舶交通模拟和航路规划提供基础理论和参考。
（3）当前有关船舶会遇的研究内容主要是沿着船舶会遇特征分布、会遇局面紧迫度计算和会遇局面下航行决策的研究脉络发展的,研究方法从简单数理统计、船舶运动的几何原理、船舶领域重叠,发展到基于热力图的可视化和支持向量机-贝叶斯滤波的相对更易于理解和智能的方法。随着智能无人船航行风险评估和避碰的科研需要,对于船舶会遇场景界定和会遇距离的设定标准以及是否需要采取避碰行动有待后续更加明晰的量化。

4 船舶行为聚类研究

船舶行为是指船舶在驾驶人员操纵下以航行、避让为主要目的行动方式和规律,通过对船舶行为的分析研究,可以掌握船舶在航行、操纵和避碰规律,为研究船舶交通理论、开发助航仪器、交通安全管理和规划提供依据[46]。基于AIS数据的船舶行为航迹数据隐含着船舶行为的时空分布规律,需要运用数据挖掘中的无监督聚类分析方法挖掘隐含的规律特征,根据处理的AIS数据的结构特征的不同,在研究中可以分为船舶航迹点和航迹段的聚类,船舶轨迹段的聚类可以获得更加完整的船舶行为模式分布特征。在聚类挖掘中首先要进行的关键步骤是计算船舶行为的相似性,精确的距离计算方法对聚类结果有着至关重要的作用。

4.1 船舶航迹距离计算

船舶航迹聚类过程中首要的步骤是计算船舶轨迹之间的相似性,海域范围较小时,船舶轨迹点之间的可以用平面空间的欧式距离进行简单计算。当海域距离较远时,考虑纬度渐长现象,为了精确计算船舶航迹点之间的距离,需要用墨卡托算法或者中分纬度算法计算航迹点之间的球面距离[47]。在船舶航迹段聚类的过程中,聚类算法处理的航迹段包括多个航迹点组成的航迹段之间的距离,除此以外,由于船舶航迹点还具备速度和方向,因而轨迹段聚类中的距离计算相对复杂。
船舶轨迹点的相似性可以用欧式距离[48]和切比雪夫距离[49]进行计算,船舶轨迹段之间的距离计算方法有结构相似度距离[50]、Hauudorff距离[51,52]、动态时间弯矩距离[53]、基于行为特征的距离[54]、基于复合特征的距离[55]和深度卷积自编码[56]等船舶轨迹距离计算方法,其中基于深度卷积自编码的方法可以有效学习信息轨迹数据低维特征,为船舶航迹聚类提供相似性度量方法。轨迹相似性计算是船舶航迹聚类的前提条件,距离计算方法的选择对聚类的结果和精度有着重要影响,船舶航迹间距离的计算方法由基础的欧式距离、切比雪夫距离计算方法向着基于深度学习的方法趋势发展。

4.2 船舶航迹点聚类

根据聚类方法的不同,船舶航迹点的聚类研究可以分为基于划分的聚类方法、基于密度的聚类方法、基于层次的聚类方法。基于划分的聚类方法主要包括k-means和k-mediods,通过定义AIS航运数据中孤立点的判断标准,k-means聚类可以实现多维数据异常点探测[57]。k-mediods聚类可以实现航道内船舶AIS航迹点聚类,利用统计学中曲线拟合的最小二乘法对聚类后的轨迹点进行拟合[58],为船舶异常行为监测提供样本。基于密度的聚类方法主要是运用DBSCAN[59]和密度峰值快速搜索与聚类方法[60]对海域的船舶AIS轨迹点进行处理,得到海域的船舶轨迹的时空分布特征和船舶群体行为模式。基于层次的聚类算法的基本思想把初始船舶航迹点数据视为原子类,根据聚类的选择规则判断每1个原子类之间是否满足相似度选择条件,如符合,则把2个原子类归为一类,以新类替换原有船舶航迹点类,再次进行该分类过程,不停迭代该聚合过程,直至满足聚类停止条件形成船舶航迹点类。利用层次聚类可以实现自由航行海域的船舶行为特征模式的提取[61]和高碰撞危险的区域的识别[62]。通过无监督的基于划分的聚类方法、基于密度的聚类方法和基于层次的聚类方法,可以从大量的船舶AIS数据中提取船舶航迹点空间分布模式和高风险区域,为海事安全监管提供基础数据。

4.3 船舶航迹段聚类

船舶行为本质上是由离散的船舶轨迹点在时空上变化形成的航迹段组成,为了全面系统的挖掘船舶行为,需要在航迹点聚类的基础上对连续的船舶航迹段进行聚类,以获取更加完整的船舶行为分布模式。船舶航迹段的聚类研究分为船舶行为模式的提取和船舶操纵行为特征的推断。
（1）船舶交通行为模式的提取研究。根据研究方法可以分为基于密度聚类的方法[63]、基于层次聚类[64]、基于谱聚类[65]和拉普拉斯特征聚类[66]的方法。该系列方法分别可以实现港水域船舶典型的运动轨迹建模、自动航路设计和水上航行航路和船舶转向点的区域分布和船舶轨迹骨架线的聚类图。
（2）船舶操纵行为特征的推断研究。该研究主要针对船舶轨迹数据量大、分布复杂的特点,运用基于DP压缩和DBSCAN的方法、基于多步子航迹聚类分析和随机邻居嵌入算法、概率图形模型的方法,得到港口及沿海水域的水上船舶操纵模式表征[67]、船舶操纵行为模式识别[68]和目标船操纵意图推断[69],为水域船舶航路规划、船舶航行指南建立和船舶安全航行决策提供参考依据。基于船舶轨迹聚类的船舶操纵行为推断实现了从数据到船舶行为的反演,该方法的精确程度取决于是否有足够的数据和精确的挖掘方法作为理论支撑。

4.4 船舶行为聚类研究总结与评述

为了详细总结分析船舶行为聚类的研究现状及后续发展思路,表2梳理了船舶行为聚类的研究范围、研究内容和研究方法及模型。
表2 船舶行为聚类研究内容及方法总结

Tab. 2 Summary of research contents and methods of ship behavior clustering

研究主题 研究内容 研究方法及模型
船舶航迹距离计算 船舶轨迹点间距离计算 欧式距离[48]、切比雪夫距离[49]计算方法
船舶轨迹段间距离计算 结构相似度[50]、Hauudorff[51,52]、动态时间弯矩[53]、基于行为特征的方法[54]、基于复合特征的方法[55]、无监督深度学习[56]等距离计算方法
船舶航迹点聚类 基于划分的船舶轨迹点聚类 k-means[57]、k-mediods[58]
基于密度的船舶轨迹点聚类 DBSCAN[59]、密度峰值快速搜索与聚类方法[60]
基于层次的船舶轨迹点聚类 AGNES层次聚类方法[61,62]
船舶航迹段聚类 船舶交通行为模式的提取 密度聚类[63]、层次聚类[64]、谱聚类[65,66]、拉普拉斯特征聚类[5]方法
船舶操纵行为特征的推断 结合DP和DBSCAN的聚类方法[67]、多步子航迹聚类分析和随机邻居嵌入算法[68]、概率图形模型[69]
通过对船舶行为聚类研究的总结分析和表2的内容可以看出：
（1）不同的水上交通场景下需要选择不同的相似性度量方法,每一种方法适用的场景也不同,欧式距离要求轨迹长度相等,动态时间弯矩距离适合用于形状变化的轨迹,Hauudorff距离可以用于计算长度不相等的轨迹之间的距离,可以反映轨迹段之间的最大不匹配程度,因此较多的船舶航迹聚类中采用Hauudorff及其改进的方法进行船舶轨迹段间距离的计算。由于船舶轨迹具有位置、速度和航向特征,因此基于船舶行为特征的相似性计算方法可以较好的反映船舶行为模式的差异性。
（2）基于划分的聚类需要在聚类前人工指定需要聚类的数目,同时聚类算法中聚类中心的选择对聚类结果影响较大;基于密度的聚类算法需要输入构成数据簇的邻域距离和最小数据点数目,适合船舶航迹点的空间密度数据聚类的需求符合,因此基于密度的聚类方法得到的船舶航迹点聚类效果较好;基于层次的聚类方法可以生成聚类树,具有易于观测聚类结果的特点,可以选择合适的阈值得到合适的聚类结果;通过对船舶轨迹点聚类可以获得水域的典型船舶行为的分布模式,将其运用到船舶异常行为识别中,由于船舶航迹点具有空间数据的属性,因此当前的研究中基于密度的船舶轨迹点聚类具有较好的效果。
（3）船舶轨迹段聚类可以得到水域内整体的船舶交通流模式的分布情况,包含了船舶行为的时空特征,船舶航迹段具有更完整的船舶行为特征,航迹段聚类的研究结果可为航路规划、定线制的设计和船舶异常行为监测提供参考依据。研究过程中聚类方法和聚类参数的选取是关键步骤,由于船舶行为具有时空分布的特点,因此基于密度的聚类方法可以较好的进行船舶行为的聚类处理。随着航迹数据量的增加,融合航迹压缩和聚类的研究是后续发展的趋势。与此同时,考虑船舶行为的特点和环境影响,如何选取聚类参数得到较好的聚类效果需要进行深入研究。
（4）船舶航行行为聚类研究对于水上船舶交通模式辨识、交通流特征挖掘、船舶典型航行行为建模和航路规划具有重要的理论意义,在聚类的过程中如何考虑船舶航迹段包括的空间、时间和方向特征的距离计算方法有待进一步优化,在此基础上设计合适的聚类算法和聚类参数的自适应选取有待深入研究,最终实现船舶行为的高效聚类。除了现有的基于船舶轨迹的船舶行为模式发现技术外,自然语言处理领域中语义建模和空间拓扑技术[70,71,72]可以对船舶行为进行建模研究,为船舶轨迹中的隐含行为模式发现提供新的方法。

5 船舶行为预测研究

船舶行为预测对水上交通事故预测和预警的重要技术支撑,对提高水上交通监管效率和降低交通风险具有重要意义。根据船舶行为预测研究采用的方法和发展过程,研究内容和趋势可以分为基于动力学方程、基于传统智能算法、基于深度循环神经网络和基于深度卷积神经网络的船舶行为预测研究,随着深度学习的运用,运用深度循环神经网络和卷积神经网络可以实现更高精度的船舶行预测。

5.1 基于动力学方程的船舶行为预测

基于动力学方程的预测方法需要是在船舶的操纵性参数和航迹推算的基础上,运用高斯跟踪滤波[73]、卡尔曼滤波[74,75,76]、灰色预测[77]、矢量分析[78]和惯性定位原理方法[79]建立船舶行为的动力学方程,进行船舶行为的预测。该系列方法是基于物理建模的思想,保证船舶行为预测具有较好精度的前提是预测者需要掌握预测船舶的操船指数和性能,如果无法获得船舶的物理参数,就需要运用基于神经网络的智能算法进行船舶行为预测。

5.2 基于传统智能算法的船舶行为预测

在基于船舶动力学方程船舶行为预测的基础上,一些学者利用传统的神经网络具备的非线性拟合和特征学习的优势,进行了基于传统智能算法的船舶行为预测研究。根据采用研究方法分为BP（Back Propagation）神经网络[80,81,82]、k-最近邻方法[83]、支持向量机[84]等方法。通过以船舶AIS数据中的船舶航向、航速作为输入,经度差、纬度作为输出来神经训练网络参数,实现船舶位置的预测,例如：将（t-1）时刻船舶经纬度、航迹和航向的4维向量作为输入,以（t）、（t+1）和（t+2）的3个时刻的经纬度、航迹和航向的12维向量作为输出,设计了船舶行为预测的多维神经网络模型[81]。针对船舶航艏向在零度附近变动时带来的实际方向变动幅度与数据变化幅度存在不一致的问题,在BP神经网络基础上,引入双三角函数变换,同时将正弦值与余弦值纳入模型,构建一种基于改进神经网络算法的船舶AIS轨迹预测模型,提高了航迹预测模型适用的范 围[82]。刘娇等[84]提出一种基于支持向量机的航迹预测模型,采用差分进化算法对模型内部参数寻优以提高模型收敛速度和预测精度,与基于BP神经网络的航迹预测模型的仿真结果比较,该方法具有更好的收敛性能。

5.3 基于深度循环神经网络的船舶行为预测

在传统智能算法的基础上,采用深度循环神经网络对船舶行为进行预测是当下的研究趋势。根据研究方法可以分为基于长短期记忆[85,86,87,88]、门循环单元[89]、注意力机制[90]、生成对抗网络[91]、改进Seq2Seq[92]和混合神经网络的方法[93]。该系列方法将长短期记忆（Long Short Term Memory,LSTM）和门循环单元（Gated Recurrent Unit, GRU）神经网络应用到船舶航行动态预测,将AIS数据转化为航行动态时间序列数据用于LSTM网络的训练和测试,相比BP神经网络,LSTM和GRU网络预测的准确性更高。在此基础上,一些学者利用改进Seq2Seq的短时AIS轨迹序列预测模型[92]、基于LSTM自编码、注意机制和双向LSTM结构集成模型[94],通过使用门控循环单元网络和混合神经网络等融合方法预测船舶轨迹的时空序列。该方法相比传统的LSTM该方法的精确性更好,需要对大量的船舶航迹数据进行充分训练,网络模型的训练需要更长的时间,以保证模型网络的泛化性能。

5.4 基于深度卷积神经网络的船舶行为预测

随着深度卷积神经网络（Convolutional Neural Networks, CNN）在图像识别和分类领域的广泛研究应用,CNN及其与其他方法组合的方法也被运用到船舶行为分类的研究中。基于CNN的方法是将有标签的船舶AIS轨迹转换为不同类型的运动图像,充分利用CNN的分类能力实现船舶类型的分类[95];基于多尺度CNN和LSTM的船舶行为识别网络[96]可以实现正常航行、捕鱼、抛锚、系泊四个渔船行为类别的预测。根据船舶AIS数据构建的会遇船舶碰撞风险图像,CNN实现船舶会遇场景碰撞风险等级分类[97]。针对AIS数据的不平衡性使得在不同类型船舶存在的情况下很难取得令人满意的分类结果,Liang等[98]提出了一种多视图特征融合网络,该方法实现了不平衡AIS数据下船舶类型的精确分类。

5.5 船舶行为预测研究总结与评述

为了详细总结分析船舶行为预测的研究现状及后续发展思路,表3梳理了船舶行为预测的研究内容和研究方法及模型。
表3 船舶行为预测研究总结

Tab. 3 Research summary of ship behavior prediction

研究内容 研究方法及模型
基于动力学方程船舶行为预测 高斯跟踪滤波[73]、卡尔曼滤波[74,75,76]、灰色预测[77]、矢量分析[78]和惯性定位原理方法[79]
基于传统智能算法的船舶行为预测 BP神经网络方法[80,81,82]、k-最近邻方法[83]、支持向量机[84]方法
基于深度循环神经网络船舶行为预测 基于长短期记忆[85,86,87,88]、门循环单元[89]、注意力机制[90]、生成对抗网络[91]、改进Seq2Seq[92]神经网络方法
基于深度卷积神经网络的船舶行为预测 CNN[95]、CNN+LSTM[96,97]、多视图特征融合网络方法[98]
通过对以往船舶行为预测研究的总结分析和表3的内容可以看出：
（1）目前基于船舶动力学方程的船舶航行行为预测方法适合具备详实的船舶的操纵性参数和环境的影响参数情况下的船舶行为预测,当缺乏精确的船舶和环境参数得到情况下,海况的动态性和不确定性导致了船舶运动的复杂性,建立实时船舶运动状态模型的难度较大,该方法的适用性存在一定的局限性,而神经网络本身具有较强的学习性,特别适用于样本规律未知、建模困难的情况。
（2）基于传统智能算法的船舶航行行为预测方法研究中并没有有效利用时间序列的时间特征,存在参数难以调整,算法容易使损失函数的训练结果收敛于局部最优解的情况,因此该基于传统神经网络算法的船舶预测模型存在过拟合的问题,其泛化能力受到一定制约。
（3）深度循环神经网络是当下主要的船舶航行行为预测方法,深度学习可以通过则可以通过学习一种深层非线性网络就够,实现复杂函数的逼近,具有从少数样本集中学习数据本质特征的能力,因此成为船舶行为预测的热门研究趋势。深度学习主要是对表征船舶航行行为特征的船舶航速、航向、经度、纬度等进行预测,预测的思路主要有2种：① 利用航行行为相似性度量的办法,在船舶历史航行行为的基础上,用当前行为特征与历史行为特征进行比对匹配的方法;② 对于时间序列的预测,在船舶实时行为特征的基础上,对接下来的时刻进行预测。研究方法从单纯的深度循环神经网络方法向着运用多种神经网络模型、混合神经网络模型以及神经网络与向量机、注意力机制相结合的模型发展。总体上混合神经网络预测的准确度较好,但是存在目前的预测算法需要大量的数据进行训练,在实际场景应用范围具有一定的局限性的问题。
（4）基于CNN的方法实现了船舶行为的分类研究是新的研究领域,该方法是一种有监督的方法,在研究中需要标记船舶AIS数据对应的船舶行为模式的样本,在数据量很大的情况船舶行为模式的标记将会是一项繁重的任务和挑战。

6 结论与展望

6.1 结论

本文旨在推动智能航运安全监管技术研究的进一步发展,系统性分析了船舶为特征挖掘和预测的研究现状与发展趋势。学术界已经在水上交通要素挖掘、船舶行为聚类和船舶行为预测3个方面取得了较多成果,丰富了水上交通中船舶行为特征挖掘和预测研究的内涵,具体总结如下：
（1）基于AIS数据的水上交通要素挖掘研究方面,研究内容主要集中在船舶轨迹数据预处理、船舶交通特征参数分布、船舶会遇分布和船舶领域的挖掘等方面;研究方法上主要运用数理统计和初步的数据挖掘的方法。目前研究主要集中在对AIS数据中表征船舶行为的空间特征和交通流的时间特征的单独分析挖掘,研究存在的问题是缺乏对AIS数据时间特征、船舶静态特征以及环境特征的关联挖掘。后续需要考虑构建空间、时间、船舶特性和环境因素的多维船舶行为特征,以及如何进行多维特征融合后的船舶会遇、航迹压缩与融合、交通特征参数特征挖掘和可视化分析展示还有待进一步的探索与创新。
（2）船舶行为聚类研究方面,当前研究主要集中在船舶航迹相似性计算、船舶航迹点聚类、船舶航迹段聚类等内容,研究方法主要运用了数据挖掘的无监督的K-means、DBSCAN、层次聚类、模型聚类等聚类分析方法对船舶航迹的空点特征进行聚类,挖掘得到船舶航行行为模式的时空的分布和船舶操纵意图辨识。实际上船舶行为受到了水上交通环境、地理环境、气象水文等因素影响,现有研究在聚类中较少船舶行为影影响因素,导致船舶行为表征不够完善。因此,将船舶行为的影响因素加入聚类的要素和相似性计算方法中有待突破,探究船舶轨迹聚类参数的自适应选取方法,最终得到更加合理、精确、丰富的船舶航行行为表征模式。
（3）船舶行为预测研究方面,现阶段研究主要运用基于动力学方程、传统智能算法、深度循环神经网络的研究方法,船舶航行行为受到风、流、浪等环境因素的干扰影响,干扰的随机性、多样性直接导致了运动的复杂性,导致构建船舶运动学方程困难。从智能航运背景下的水上交通安全监控系统角度考虑,基于深度神经网络的船舶行为预测方法具备实时、高效的特点,是当下主流的研究趋势。采用船舶多维特征的船舶行为的表征数据,运用混合深度神经网络模型以及神经网络与向量机、注意力机制相结合的模型实现多维的船舶行为特征的实时预测是后续的发展方向。

6.2 展望

基于智能船舶、智能航保、智能航运监管的技术需求,船舶行为特征挖掘和预测研究具有一定的理论和实际意义。大数据、深度学习和复杂性科学理论和方法的深入发展,也为船舶行为特征挖掘和预测研究提供了新的方法和机遇。因此,本文从以下3个方面进行展望,以期为后续相关内容的拓展和深入研究提供理论依据。
（1）基于语义模型的船舶行为特征挖掘方面,由于船舶行为受到水域环境、船舶本身的静动态性能和船舶驾驶员的综合影响,导致船舶行为模式和要素间具有较强的内在耦合联系。因此,在引入语义建模和空间网络拓扑技术的基础上,需要进一步优化船舶行为特征和分类,构建更加精确的船舶行为语义网络,为船舶航迹中的隐含的潜在行为模式挖掘和预测提供新思路。
（2）基于深度卷积神经网络的船舶行为预测方面,随着将船舶轨迹数据映射为矩阵特征进行船舶行为分类预测研究的发展,运用图像识别中CNN的方法进行船舶行为感知和预测是接下来研究的另一个重要方向,该方法是有监督的方法,在研究中需要标记船舶AIS数据对应的船舶行为模式的样本,在数据量很大的情况,如何快速有效地建立船舶行为模式样本库将是后续研究的重要内容。
（3）基于知识图谱的船舶行为特征挖掘和预测结果可视化方面,当前船舶行为特征挖掘和预测的研究较多注重数据挖掘和预测算法的设计研究,缺乏了研究结果可视化与挖掘和预测算法之间交互式优化过程。在充分发挥现有挖掘及预测算法的优势的基础上,需引入基于知识图谱的可视化分析方法,自动聚合现有的船舶行为特征数据,研究设计具有地理隐喻和时空约束的船舶行为知识图谱,深入揭示海量船舶AIS数据中隐藏的重要、但非常识的船舶交通规律。

感谢大连海事大学许小卫博士在文章修改中给予的帮助。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
赵晨, 马桂山. 交通运输部等七部门联合印发《智能航运发展指导意见》[J]. 中国海事, 2019(6):2-3.

[ Zhao C, Ma G S. The ministry of transport and other seven departments jointly issued the guidelines for the development of smart shipping[J]. China Maritime, 2019(6):2-3. ]

[2]
刘磊, 蒋仲廉, 初秀民, 等. 船舶自动识别系统数据修复和预测算法研究[J]. 哈尔滨工程大学学报, 2019, 40(6):1072-1077.

[ Liu L, Jiang Z L, Chu X M, et al. Automatic identification system data restoration and prediction[J]. Journal of Harbin Engineering University, 2019, 40(6):1072-1077. ]

[3]
金辉, 刘克中, 马杰, 等. 基于高斯混合模型的船舶到达规律研究[J]. 武汉理工大学学报(交通科学与工程版), 2020, 44(1):162-166.

[ J i H, Liu K Z, Ma J, et al. Research on vessel arrival rules based on gaussian mixture model[J]. Journal of Wuhan University of Technology (Transportation Science & Engineering), 2020, 44(1):162-166. ]

[4]
马杰, 李文楷, 张春玮, 等. 基于AIS数据的交汇水域船舶会遇态势辨识[J]. 中国航海, 2021, 44(1):68-74.

[ Ma J, Li W K, Zhang C W, et al. Ship encounter situation recognition by processing AIS data from traffic intersection waters[J]. Navigation of China, 2021, 44(1):68-74. ]

[5]
Zhang D, Zhang Y, Zhang C. Data mining approach for automatic ship-route design for coastal seas using AIS trajectory clustering analysis[J]. Ocean Engineering, 2021, 236:109535.

DOI

[6]
Gao D, Zhu Y, Zhang J, et al. A novel MP-LSTM method for ship trajectory prediction based on AIS data[J]. Ocean Engineering, 2021, 228:108956.

DOI

[7]
Huang Y, Chen L, Chen P, et al. Ship collision avoidance methods: State-of-the-art[J]. Safety science, 2020, 121:451-473.

DOI

[8]
张嘉琪, 付振楷. 船舶避碰系统研究综述[J]. 科学技术与工程, 2019, 19(34):32-39.

[ Zhang J Q, Fu Z K. A review of ship collision avoidance system[J]. Science Technology and Engineering, 2019, 19(34):32-39. ]

[9]
周世波, 徐维祥. 船舶轨迹异常检测方法研究进展[J]. 电子测量与仪器学报, 2017, 31(3):329-337.

[ Zhou S B, Xu W X. Research progress on anomaly detection in vessel tracking[J]. Journal of Electronic Measurement and Instrumentation, 2017, 31(3):329-337. ]

[10]
Vaneck N J, Waltman L. Software survey:VOSviewer.A computer program for bibliometric mapping[J]. Scientometrics, 2010, 84(2):523-538.

DOI

[11]
唐存宝, 邵哲平, 唐强荣, 等. 基于AIS的船舶航迹分布算法[J]. 集美大学学报(自然科学版), 2012, 17(2):109-112.

[Tang, C B, Shao Z P, Tang Q R, 等. Vessel track distribution algorithm based on AIS[J]. Journal of Jimei University (Natural Science), 2012, 17(2):109-112. ]

[12]
罗璞. 基于轨迹大数据的船舶类型自动识别方法研究[D]. 北方工业大学, 2021.

[ Luo P. Research on automatic recognition method of ship type based on big data of trajectory[D]. North China University of Technology, 2021. ]

[13]
田利芹, 贾杰. 三次样条插值在船舶轨迹修复中的研究[J]. 舰船科学技术, 2016, 38(6):79-81.

[ Tian L Q, Jia J. Research of cubic spline interpolation in the ship track repair[J]. Ship Science and Technology, 2016, 38(6):79-81. ]

[14]
毕月琨. AIS基站系统中的数据解析与压缩[D]. 舟山:浙江海洋学院, 2014.

[ Bi Y K. The compression of AIS message data[D]. Zhoushan: Zhejiang Ocean University, 2014. ]

[15]
蔡奉君, 胡勤友, 施朝健. 一种船舶运动状态插值算法[J]. 中国航海, 2015, 38(1):71-74.

[ Cai F J, Hu Q Y, Shi C J, An interpolation algorithm of s hip motion states[J]. Navigation of China, 2015, 38(1):71-74. ]

[16]
刘立群, 吴超仲, 褚端峰, 等. 基于Vondrak滤波和三次样条插值的船舶轨迹修复研究[J]. 交通信息与安全, 2015, 33(4):100-105.

[ Liu L Q, Wu C Z, Zhu R F, et al. A study of ship trajectory restoration based on vondark filter and cublic spline interpolation[J]. Journal of Transport Information and Safety, 2015, 33(4):100-105. ]

[17]
Zhang L, Meng Q, Xiao Z, et al. A novel ship trajectory reconstruction approach using AIS data[J]. Ocean Engineering, 2018, 159:165-174.

DOI

[18]
Guo S, Mou J, Chen L, et al. Improved kinematic interpolation for AIS trajectory reconstruction[J]. Ocean Engineering, 2021, 234:109256.

DOI

[19]
崔可征. 基于机器学习的船舶AIS轨迹预测方法研究[D]. 郑州:郑州大学, 2020.

[ Cui K Z. Research on AIS trajectory prediction method based on machine learning[D]. Zhengzhou: Zhengzhou University, 2020. ]

[20]
王超, 纪永刚, 黎明, 等. 一种考虑船舶航速航向的AIS航迹插值方法[J]. 舰船科学技术, 2015, 37(4):60-64.

[ Wang C, Ji Y G, Li M, et al. An AIS track interpolation method considering the vessel's speed and course[J]. Ship Science and Technology, 2015, 37(4):60-64. ]

[21]
王晨曦. 雷达与AIS数据融合算法研究[D]. 哈尔滨工程大学, 2017.

[ Wang C X. Research of radar and AIS data fusion algorithm[D]. Harbin Engineering University, 2017. ]

[22]
林长川, 孙腾达, 洪爰助, 等. 雷达与AIS目标航迹模糊关联算法与仿真[J]. 系统仿真学报, 2006, 18(S2):903-905,908.

[ Lin C C, Sun T D, Hong Y Z, et al. Algorithm and simulation of fuzzy correlation tracks from radar and AIS[J]. Journal of System Simulation. 2006, 18(S2):903-905,908. ]

[23]
Hu X, Lin C. A preliminary study on targets association algorithm of radar and AIS using BP neural network[C]// Procedia Engineering, 2011:1441-1445.

[24]
刘庆华, 仲海啸, 陶峰, 等. 卡尔曼滤波融合新算法及其船舶高精度液位测量的应用[J]. 中国造船, 2016, 57(2):192-200.

[ Liu Q H, Zhong H X, Tao F, et al. Kalman Filter Fusion Algorithm and Its Application in Highly Precise Measurement of Liquid Level in Ship Tank[J]. Shipbuilding of China, 2016, 57(2):192-200. ]

[25]
张乾君. 基于时间序列聚类的多雷达数据融合[J]. 电讯技术, 2019, 59(2):1-7.

[ Zhang Q J. Multi-radar data fusion based on time series clustering[J]. Telecommunication Engineering, 2019, 59(2):145-150. ]

[26]
范耀天, 王驰. 内河船舶AIS与雷达动态信息集成性融合[J]. 中国航海, 2017, 40(4):16-20.

[ Fan Y T, Wang C. Integration of AIS and Dynamic Radar Information of Inland Ships[J]. Navigation of China, 2017, 40(4):16-20. ]

[27]
张树凯, 刘正江, 张显库, 等. 基于Douglas-Peucker算法的船舶AIS航迹数据压缩[J]. 哈尔滨工程大学学报, 2015, 36(5):1-5.

[ ZhangS K, Liu Z J, Zhang X K, et al. A method for AIS track data compression based on Douglas-Peucker algorithm[J]. Journal of Harbin Engineering University, 2015, 36(5):1-5. ]

[28]
Ralph L, Frank D, Kurt R. Online trajectory data reduction using connection-preserving dead reckoning. In Proceedings of the 5th Annual International Conference on Mobile and Ubiquitous Systems: Computing, Networking, and Services. Dublin, Ireland, July 21-25,2008.

[29]
Wang T. An online data compression algorithm for trajectories (An OLDCAT)[J]. International Journal of Information and Education Technology, 2013, 3(4):480.

[30]
Singh A K, Aggarwal V, Saxena P, et al. Performance analysis of trajectory compression algorithms on Marine Surveillance data[C]// 2017 International Conference on Advances in Computing, Communications and Informatics (ICACCI). IEEE, 2017:1074-1079.

[31]
高邈, 史国友, 李伟峰. 改进的Sliding Window在线船舶AIS轨迹数据压缩算法[J]. 交通运输工程学报, 2018, 18(3):218-227.

[ Gao M, Shi G Y, Li W F. Online compression algorithm of AIS trajectory data based on improved sliding window[J]. Journal of Traffic and Transportation Engineering, 2018, 18(3):218-227. ]

[32]
董婉婷, 于红, 周弈志, 等. 基于改进滑动窗口的渔船AIS轨迹数据压缩算法[J]. 大连海洋大学学报, 2020, 35(3):462-468.

[ Dong W T, Yu H, Zhou Y Z, et al. AIS trajectory data compression algorithm of a fishing vessel based on improved Sliding Window[J]. Journal of Dalian Ocean University, 2020, 35(3):462-468. ]

[33]
张远强, 史国友, 李松. 基于在线有向无环图的船舶轨迹压缩算法[J]. 交通运输工程学报, 2020, 20(4):227-236.

[ Zhang Y Q, Shi G Y, Li S. Compression algorithm of ship trajectory based on online directed acyclic graph[J]. Journal of Traffic and Transportation Engineering, 2020, 20(4):227-236. ]

[34]
刘钊, 刘敬贤, 周锋, 等. 船舶交通流行为特征及其在水上交通组织中的应用[J]. 大连海事大学学报, 2014, 40(2):22-26.

[ Liu Z, Liu J X, Zhou F, et al. Behavior characteristics of vessel traffic flow and its realization in marine traffic organization[J]. Journal of Dalian Maritime University, 2014, 40(2):22-26. ]

[35]
金兴赋, 付玉慧, 张连东. 基于AIS 数据的成山头水域船舶交通流研究[J]. 大连海事大学学报, 2012, 38(1):33-36.

[ Jing X F, Fu Y H, Zhang L D. Research on vessel traffic flow at Chengshantou water area based on AIS data[J]. Journal of Dalian Maritime University, 2012, 38(1):33-36. ]

[36]
柯冉绚, 胡栩祯, 陈毅. 基于IWRAP模型的船舶交通流数据拟合模型[J]. 中国航海, 2018, 41(4):77-82,89.

[ Ke R X, Hu Y Z, Chen Y. Ship Traffic Flow Data Processing for IWRAP[J]. Navigation of China, 2018, 41(4):77-82,89. ]

[37]
Silveira P A M, Teixeira A P, Soares C G. Use of AIS data to characterise marine traffic patterns and ship collision risk off the coast of Portugal[J]. The Journal of Navigation, 2013, 66(6):879-898.

DOI

[38]
孟范立. 利用AIS数据挖掘建立船舶到达规律模型[J]. 舰船科学技术, 2016, 38(10):28-30.

[ Meng F L. The use of AIS data mining to establish the ship arrives law model[J]. Ship Science and Technology, 2016, 38(10):28-30. ]

[39]
甘浪雄, 张磊, 邹早建. 基于场方法的船舶交通流分析[J]. 上海交通大学学报, 2014, 48(4):551-557.

[ Gan L X, Zhang L, Zhou Z J. Analysis of vessel traffic flow based on field method[J]. Journal of Shanghai Jiao Tong University, 2014, 48(4):551-557. ]

[40]
王震, 李伟峰, 高邈. 多算法结合的船舶交通流框架提取[J]. 上海海事大学学报, 2021, 42(2):45-52.

[ Wang Z, Li W F, Gao M. Framework extraction of ship traffic flow with multi-algorithm combination[J]. Journal of Shanghai Maritime University, 2021, 42(2):45-52. ]

[41]
潘家财, 邵哲平, 姜青山. 船舶会遇的时空数据挖掘算法及应用[J]. 中国航海, 2010, 33(4):57-64.

[ Pan J C, Shao Z P, Jiang Q S. Ship encounter data mining algorithm[J]. Navigation of China, 2010, 33(4):57-64. ]

[42]
肖潇, 邵哲平, 潘家财. 基于AIS的特定船舶会遇实况分布[J]. 中国航海, 2014, 37(3):50-53.

[ Xiao X, Shao Z P, Pan J C. Specific ship’s encounter live distribution based on AIS[J]. Navigation of China, 2014, 37(3):50-53. ]

[43]
冮龙晖, 郑中义, 齐乐. AIS数据中船舶会遇信息的提取方法[J]. 中国科技论文, 2017, 12(7):802-805.

[ Gang L H, Zheng Z Y, Qi L. Extraction of ship-encounter information from AIS data[J]. China Science Paper, 2017, 12(7):802-805. ]

[44]
欧阳知雨, 张安民, 张永兵. 基于AIS的船舶会遇局面紧迫度量化分析[J]. 海洋通报, 2019, 38(2):225-232.

[ Ouyang Z Y, Zhang A M, Zhang Y B. Quantitative analysis of the degree of ship urgency based on AIS data[J]. Marine Science Bulletin, 2019, 38(2):225-232. ]

[45]
Wang S, Zhang Y, Zheng Y. Multi-ship encounter situation adaptive understanding by individual navigation intention inference[J]. Ocean Engineering, 2021, 237:109612.

DOI

[46]
吴兆麟. 海上交通工程[M]. 大连: 大连海事大学出版社, 2004:51-53.

[ Wu Z L. Marine traffic engineering[M]. Dalian: Dalian: Dalian Maritime University Press, 2004:51-53. ]

[47]
郭禹. 航海学[M]. 大连: 大连海事大学出版社, 2014.

[ Guo Y. Marine navigation[M]. Dalian: Dalian Maritime University Press, 2014. ]

[48]
章永来, 周耀鉴. 聚类算法综述[J]. 计算机应用, 2019, 39(7):1869-1882.

[ Zhang Y L, Zhou Y J. Review of clustering algorithms[J]. Journal of Computer Applications, 2019, 39(7):1869-1882. ]

[49]
杨威, 龙华, 邵玉斌, 等. 基于切比雪夫距离的密度计算与K-means的聚类方法研究[J]. 通信技术, 2019, 52(4):833-838.

[ Yang W, Long H, Shao Y B, et al. Chebyshev distance-based density calculation and k-means clustering algorithm[J]. Communications Technology, 2019, 52(4):833-838. ]

[50]
Wei Z, Xie X, Zhang X. AIS trajectory simplification algorithm considering ship behaviours[J]. Ocean Engineering, 2020, 216:108086.

DOI

[51]
Zhen R, Jin Y, Hu Q, et al. Maritime anomaly detection within coastal waters based on vessel trajectory clustering and Naïve Bayes Classifier[J]. The Journal of Navigation, 2017, 70(3):648-670.

DOI

[52]
牟军敏, 陈鹏飞, 贺益雄, 等. 船舶AIS轨迹快速自适应谱聚类算法[J]. 哈尔滨工程大学学报, 2018, 39(3):428-432.

[ Mou J M, Chen P F, He Y X, et al. Fast self-tuning spectral clustering algorithm for AIS ship trajectory[J]. Journal of Harbin Engineering University, 2018, 39(3):428-432. ]

[53]
李爽, 史国友, 高邈, 等. 基于改进谱聚类算法的航路辨识[J]. 上海海事大学学报, 2019, 40(4):1-6.

[ Li S, Shi G Y, Gao M, et al. Route identification based on improved spectral clustering algorithm[J]. Journal of Shanghai Maritime University, 2019, 40(4):1-6. ]

[54]
张春玮, 马杰, 牛元淼, 等. 基于行为特征相似度的船舶轨迹聚类方法[J]. 武汉理工大学学报(交通科学与工程版), 2019, 43(3):517-521.

[ Zhang C W, Ma J, Niu Y M, et al. Clustering method of ship trajectory based on similarity of behavior pattern[J]. Journal of Wuhan University of Technology (Transportation Science & Engineering), 2019, 43(3):517-521. ]

[55]
包磊. 基于聚类距离计算的船舶轨迹异常检测方法[J]. 舰船电子工程, 2020, 40(9):56-61.

[ Bao L. A trajectory data anomaly detection method based on trajectory cluster distance[J]. Ship Electronic Engineering, 2020, 40(9):56-61. ]

[56]
Liang M, Liu R W, Li S, et al. An unsupervised learning method with convolutional auto-encoder for vessel trajectory similarity computation[J]. Ocean Engineering, 2021, 225:108803.

DOI

[57]
王天真, 刘萍, 汤天浩, 等. 一种基于k-means聚类的航运信息孤立点分析算法[J]. 上海海事大学学报, 2011, 32(3):54-57.

[ Wang T Z, Liu P, Tang T H, et al. Outlier detection algorithm for maritime information based on k-means clustering[J]. Journal of Shanghai Maritime University, 2011, 32(3):54-57. ]

[58]
甄荣, 邵哲平, 潘家财, 等. 基于统计学理论的船舶轨迹异常研究[J]. 集美大学学报, 2015, 20(3):193-197.

[ Zhen R, Shao Z P, Pan J C, et al. A Study on the identification of abnormal ship trajectory based on statistic theories[J]. Journal of Jimei University, 2015, 20(3):193-197. ]

[59]
Pallotta G, Vespe M, Bryan K. Traffic Route Extraction and Anomaly Detection (TREAD): vessel pattern knowledge discovery and exploitation for maritime situational awareness[R]. NATO Technical Report, CMRE-FR-2013-001(2013).

[60]
周世波, 徐维祥. 密度峰值快速搜索与聚类算法及其在船舶位置数据分析中的应用[J]. 仪器仪表学报, 2018, 39(7):152-163.

[ Zhou S B, Xu W X. Clustering by fast search and find of density peaks and its application in ship Location data analysis[J]. Chinese Journal of Scientific Instrument, 2018, 39(7):152-163. ]

[61]
杜磊, 文元桥, 肖长诗. 自由航行海域船舶碰撞概率计算[J]. 中国安全科学学报, 2015, 25(1):53-58.

[ Du L, Wen Y Q, Xiao C S. Collision probability calculation for ship sailing in free navigational sea area[J]. China Safety Science Journal, 2015, 25(1):53-58. ]

[62]
陈德军, 刘冬, 郭南彬, 等. 基于层次聚类自动巡航的港区船舶碰撞危险识别方法研究[J]. 武汉理工大学学报(交通科学与工程版), 2017, 41(1):12-16.

[ Chen D J, Liu D, Guo N B, et al. Research on ship collision risk identification in port area based on AGNES automatic patrol[J]. Journal of Wuhan University of Technology (Transportation Science & Engineering), 2017, 41(1):12-16. ]

[63]
肖潇, 邵哲平, 潘家财, 等. 基于AIS信息的船舶轨迹聚类模型及应用[J]. 中国航海, 2015, 38(2):82-86.

[ Xiao X, Shao Z P, Pan J C, et al. Ship Trajectory Clustering Model Based on AIS Data and its Application[J]. Navigation of China, 2015, 38(2):82-86. ]

[64]
王森杰, 何正伟. 分层建模的船舶轨迹快速聚类算法[J]. 武汉理工大学学报(交通科学与工程版), 2021, 45(3):596-601.

[ Wang S J, He Z W. Fast cluster algorithm of ship trajectory based on hierarchical modeling[J]. Journal of Wuhan University of Technology[J]. 2021, 45(3):596-601. ]

[65]
李雨潇, 吴传生, 刘文, 等. 仿射传播和谱聚类的船舶轨迹聚类[J]. 河南科技大学学报(自然科学版), 2018, 39(1):35-40+6.

[ Li Y X, Wu C S, Liu W, et al. Ship trajectory clustering based on affinity propagation and spectral clustering[J]. Journal of Henan University of Science and Technology (Natural Science), 2018, 39(1):35-40+6. ]

[66]
刘岳豪, 师本慧. 基于骨架提取的船舶航迹聚类技术研究[J]. 信息技术, 2020, 44(3):50-53+58.

[ Liu Y H, Shi B H. Research on ship track clustering based on skeleton extraction[J]. Information Technology, 2020, 44(3):50-53+58. ]

[67]
Zhao L, Shi G. A trajectory clustering method based on Douglas-Peucker compression and density for marine traffic pattern recognition[J]. Ocean Engineering, 2019, 172:456-467.

DOI

[68]
Gao M, Shi G. Ship-handling behavior pattern recognition using AIS sub-trajectory clustering analysis based on the T-SNE and spectral clustering algorithms[J]. Ocean Engineering, 2020, 205:106919.

DOI

[69]
Cho Y, Kim J, Kim J. Intent Inference of Ship Collision Avoidance Behavior Under Maritime Traffic Rules[J]. IEEE Access, 2021, 9:5598-5608.

DOI

[70]
文元桥, 张义萌, 黄亮, 等. 基于语义的船舶行为动态推理机制[J]. 中国航海, 2019, 42(3):34-39,50.

[ Wen Y Q, Zhang Y M, Huang L, et al. Mechanism of ship behavior dynamic reasoning based on semantics[J]. Navigation of China, 2019, 42(3):34-39,50. ]

[71]
Huang L, Wen Y, Guo W, et al. Mobility pattern analysis of ship trajectories based on semantic transformation and topic model[J]. Ocean Engineering, 2020, 201:107092.

DOI

[72]
文元桥, 宋荣鑫, 黄亮, 等. 船舶行为的语义建模与表达[J]. 哈尔滨工业大学学报, 2021, 53(8):109-115.

[ Wen Y Q, Song R X, Huang L, et al. Semantic modeling and expression for ship behaviors[J]. Journal of Harbin Engineering University, 2021, 53(8):109-115. ]

[73]
Ristic B, Scala B, Morelande M. Statistical Analysis of Motion Patterns in AIS Data: Anomaly detection and Motion Prediction[C]// The 11thInternational Conference on Information Fusion, Cologne, Germany, 2008:55-61.

[74]
徐铁, 蔡奉君, 胡勤友, 等. 基于卡尔曼滤波算法船舶AIS轨迹估计研究[J]. 现代电子技术, 2014, 37(5):97-100.

[ Xu T, Cai F J, Hu Q Y, et al. Research on estimation of AIS vessel trajectory data based on Kalman filter algorithm[J]. Modern Electronics Techniques, 2014, 37(5):97-100. ]

[75]
姜佰辰, 关键, 周伟, 等. 基于多项式卡尔曼滤波的船舶轨迹预测算法[J]. 信号处理, 2019, 35(5):741-746.

[ Jiang B C, Guan J, Zhou W, et al. Vessel trajectory prediction algorithm based on polynomial fitting kalman filtering[J]. Journal of Signal Processing, 2019, 35(05):741-746. ]

[76]
Perera L P, Oliveira P, Soares C G. Maritime traffic monitoring based on vessel detection, tracking, state estimation, and trajectory prediction[J]. IEEE Transactions on Intelligent Transportation Systems, 2012, 13(3):1188-1200.

DOI

[77]
Tong X, Chen X, Sang L, et al. Vessel trajectory prediction in curving channel of inland river[C].//The 3rd International Conference on Transportation Information and Safety, 2015, Wuhan, China.

[78]
Luo W, Zhang G. Ship Motion trajectory and prediction based on vector analysis[J]. Journal of Coastal Research, 2020, 95(sp1):1183.

DOI

[79]
李饶. 船舶航行轨迹预测的数学模型设计[J]. 舰船科学技术, 2020, 42(8):13-15.

[ Li R. Design of mathematical model for predicting ship's navigation trajectory[J]. Ship Science and Technology, 2020, 42(8):13-15. ]

[80]
徐婷婷, 柳晓鸣, 杨鑫. 基于BP神经网络的船舶航迹实时预测[J]. 大连海事大学学报, 2012, 38(1):9-11.

[ Xu T T, Liu X M, Yang X. BP neural network-based ship track real-time prediction[J]. Journal of Dalian Maritime University, 2012, 38(1):9-11. ]

[81]
甄荣, 金永兴, 胡勤友, 等. 基于AIS信息和BP神经网络的船舶航行行为预测[J]. 中国航海, 2017, 40(2):6-10.

[ Zhen R, Jin Y X, Hu Q Y, et al. Ship behavior prediction based on AIS data and BP Neural Network[J]. Navigation of China, 2017, 40(2):6-10. ]

[82]
高天航, 徐力, 靳廉洁, 等. 考虑航艏向与数据变化差异的船舶轨迹预测[J]. 交通运输系统工程与信息, 2021, 21(1):90-94.

[ Gao T H, Xu L, Jin L J, et al. Vessel trajectory prediction considering difference between heading and data changes[J]. Journal of Transportation Systems Engineering and Information Technology, 2021, 21(1):90-94. ]

[83]
Virjonen P, Nevalainen P, Pahikkala T, et al. Ship movement prediction using k-NN method[C]// 2018:304-309.

[84]
刘娇, 史国友, 杨学钱, 等. 基于DE-SVM的船舶航迹预测模型[J]. 上海海事大学学报, 2020, 41(1):34-39,115.

[ Liu J, Shi G Y, Qian X Q, et al. Ship trajectory prediction model based on DE-SVM[J]. Journal of Shanghai Maritime University, 2020, 41(1):34-39,115. ]

[85]
Gao M, Shi G, Li S. Online prediction of ship behavior with automatic identification system sensor data using bidirectional long short-term memory recurrent neural network[J]. Sensors, 2018, 18(12):4211.

DOI

[86]
任宇翔, 赵建森, 刘卫, 等. 基于AIS数据和LSTM网络的船舶航行动态预测[J]. 上海海事大学学报, 2019, 40(3):32-37.

[ Ren Y X, Zhao J S, Liu W, et al. Ship navigation behavior prediction based on AIS data and LSTM network[J]. Journal of Shanghai Maritime University, 2019, 40(3):32-37. ]

[87]
胡玉可, 夏维, 胡笑旋, 等. 基于循环神经网络的船舶航迹预测[J]. 系统工程与电子技术, 2020, 42(4):871-877.

[ Hu Y K, Xia W, Hu X X, et al. Vessel trajectory prediction based on recurrent neural network[J]. Systems Engineering and Electronics, 2020, 42(4):871-877. ]

[88]
徐洪敏. LSTM网络在船舶航行轨迹预测中的应用[J]. 舰船科学技术, 2021, 43(8):37-39.

[ Xu H M. Application of LSTM network in ship trajectory prediction[J]. Ship Science and Technology, 2021, 43(8):37-39. ]

[89]
Suo Y, Chen W, Claramunt C, et al. A ship trajectory prediction framework based on a recurrent neural network[J]. Sensors, 2020, 20(18):5133

DOI

[90]
徐国庆, 马建文, 吴晨辉, 等. 基于Attenton-LSTM神经网络的船舶航行预测[J]. 舰船科学技术, 2019, 41(23):177-180.

[ Xu G Q, Ma J W, Wu C H, et al. A method of ship navigation prediction based on Attenton-LSTM neural network[J]. Ship Science and Technology, 2019, 41(23):177-180. ]

[91]
王森杰, 何正伟. 基于生成对抗网络的船舶航迹预测模型[J]. 中国航海, 2021, 44(2):72-77.

[ Wang S J, He Z W, Ship trajectory prediction model based on generative adversarial network with attention and interaction[J]. Navigation of China, 2021, 44(2):72-77. ]

[92]
游兰, 韩雪薇, 何正伟, 等. 基于改进Seq2Seq的短时AIS轨迹序列预测模型[J]. 计算机科学, 2020, 47(9):169-174.

[ You L, Han X W, He Z W, et al. Improved sequence-to sequence model for short-term vessel trajectory prediction using AIS data stream[J]. Computer Science, 2020, 47(9):169-174. ]

[93]
Borkowski P. The ship movement trajectory prediction algorithm using navigational data fusion[J]. Sensors, 2017, 17(6):1432.

DOI

[94]
Zhang S, Wang L, Zhu M, et al. A bi-directional LSTM ship rrajectory prediction method based on attention mechanism[C]// 2021 IEEE 5th Advanced Information Technology, Electronic and Automation Control Conference (IAEAC). IEEE, 2021, 5:1987-1993.

[95]
Chen X, Liu Y, Achuthan K, et al. A ship movement classification based on Automatic Identification System (AIS) data using Convolutional Neural Network[J]. Ocean Engineering, 2020, 218:108182.

DOI

[96]
王立林, 刘俊. 基于多尺度卷积的船舶行为识别方法[J]. 计算机应用, 2019, 39(12):3691-3696.

[ Wang L L, Liu J. Ship behavior recognition method based on multi-scale convolution[J]. Journal of Computer Application[. 2019, 39(12):3691-3696. ]

[97]
Zhang W, Feng X, Goerlandt F, et al. Towards a convolutional neural network model for classifying regional ship collision risk levels for waterway risk analysis[J]. Reliability Engineering & System Safety, 2020, 204:107127.

DOI

[98]
Liang M, Zhan Y, Liu R W. MVFFNet: Multi-View Feature Fusion Network for Imbalanced Ship Classification[J]. Pattern Recognition Letters, 2021, 204,1-28.

Options
Outlines

/

〈 〉