徐武雄,初秀民,劉興龍

(1.武漢理工大學(xué) 智能交通系統(tǒng)研究中心，湖北 武漢 430063；2.湖北科技學(xué)院 電信學(xué)院，湖北 咸寧 437100 )

?

船舶行為可視分析關(guān)鍵技術(shù)研究

徐武雄1,2,初秀民1,劉興龍1

(1.武漢理工大學(xué) 智能交通系統(tǒng)研究中心，湖北 武漢 430063；2.湖北科技學(xué)院 電信學(xué)院，湖北 咸寧 437100 )

對船舶行為可視化的國內(nèi)外研究現(xiàn)狀進(jìn)行了介紹，提出了船舶行為數(shù)據(jù)預(yù)處理技術(shù)，以保障和提高數(shù)據(jù)質(zhì)量，探討了船舶行為特征提取技術(shù)，以識別船舶的行為特征和模式，探索了船舶行為可視化技術(shù)并提出了船舶行為可視分析系統(tǒng)框架結(jié)構(gòu)。這些關(guān)鍵技術(shù)是實現(xiàn)船舶行為可視化分析的基礎(chǔ)，為分析船舶行為提供了一種新的方法。

大數(shù)據(jù)；船舶行為；可視化；可視化分析

船舶行為受到人、船、環(huán)境和管理等多種因素的影響，其影響機(jī)理并不十分明確，僅用船舶動力學(xué)等數(shù)學(xué)分析的方法很難獲得準(zhǔn)確的結(jié)果。隨著通信、計算機(jī)和網(wǎng)絡(luò)等技術(shù)的日益成熟，已形成了重點水域VTS(vessel traffic services)、AIS(automatic identification system)、雷達(dá)、CCTV(closed circuit television)和海巡艇互為補(bǔ)充的現(xiàn)代化水上一體化監(jiān)管系統(tǒng)[1]。這些設(shè)施全天候運行，產(chǎn)生了大量多源異構(gòu)，時空特性具有大數(shù)據(jù)特征的數(shù)據(jù)。信息可視化分析技術(shù)是一種研究這類數(shù)據(jù)的新方法，其目的是通過可視化工具實現(xiàn)人機(jī)交互，從大量的、動態(tài)的、模糊的、復(fù)雜的或抽象的甚至是混亂的數(shù)據(jù)中匯集和抽取預(yù)期的或意外的有價值信息，以直觀、形象和容易理解的方式呈現(xiàn)，為決策評估提供及時、準(zhǔn)確的支持。

1 船舶行為可視化分析研究現(xiàn)狀

海事交通信息可視化分析是一個相對較新的研究領(lǐng)域，其應(yīng)用尚不多見。MALIK等[2]以北美洲五大湖的海事電子地圖為背景，構(gòu)建了可視化分析系統(tǒng)，以方便海事管理人員對海事應(yīng)急資源調(diào)配和風(fēng)險評估進(jìn)行分析。TOMINSKI等[3]以堆疊的方法對船舶軌跡的時間、空間和屬性值進(jìn)行可視化，以三維堆疊的方式呈現(xiàn)軌跡帶，以分析船舶進(jìn)出港的轉(zhuǎn)彎變化情況。SCHEEPENS等[4]設(shè)計了一個船舶時空軌跡可視化分析系統(tǒng)，對鹿特丹港水域的船舶軌跡進(jìn)行可視化，用不同顏色分別表示一天不同時段的船舶交通軌跡密度分布，以揭示航道的使用情況。WILLEMS等[5-6]通過可視化海上船舶軌跡，分析船舶的異常行為和航行風(fēng)險。國內(nèi)在這方面的研究處在起步階段，相關(guān)文獻(xiàn)并不多見，其許多關(guān)鍵技術(shù)需要進(jìn)一步研究。

2 數(shù)據(jù)預(yù)處理技術(shù)

2.1 多源數(shù)據(jù)融合

(1)非移動船舶目標(biāo)數(shù)據(jù)自動去除方法。由于水上交管雷達(dá)在使用過程中會將陸地目標(biāo)與航道建筑物識別為船只，干擾正常船舶目標(biāo)自動識別，需參考人工識別過程，使用模糊C聚類(fuzzy C-means,FCM)方法，利用目標(biāo)運動速度、航行和位置3個參數(shù)，建立對交管雷達(dá)目標(biāo)的FCM分類器，實現(xiàn)自動分類。

(2)數(shù)據(jù)融合算法。針對船舶空間軌跡數(shù)據(jù)AIS、雷達(dá)、GPS存在不一致的現(xiàn)象，以船舶速度、航行、位置為參數(shù)，采用模糊數(shù)學(xué)方法來獲得基本概率賦值，并利用證據(jù)理論的合成法實現(xiàn)船舶軌跡融合。

2.2 數(shù)據(jù)清洗與修復(fù)

(1)數(shù)據(jù)清洗。由于船舶行為動態(tài)數(shù)據(jù)存在不合理或錯誤的數(shù)據(jù)，根據(jù)船舶行為分析數(shù)據(jù)知識、協(xié)議和格式等提出數(shù)據(jù)正確性條件和數(shù)據(jù)約束性原則，實現(xiàn)船舶行為分析數(shù)據(jù)清洗。

(2)數(shù)據(jù)修復(fù)。由于船舶行為數(shù)據(jù)，特別是船舶軌跡數(shù)據(jù)，可能存在缺失，采用時間序列分析法修復(fù)船舶行為數(shù)據(jù)，并根據(jù)船舶航路、交通流特性和船舶操縱特性等建立規(guī)則庫，通過置信度決策分析確定船舶航行軌跡時間序列分析參數(shù)。

2.3 軌跡重構(gòu)

船舶航跡劃分為若干直線段和圓弧段。直線段航跡采集線性插值實現(xiàn)船舶軌跡的重建，圓弧段則利用樣條插值函數(shù)實現(xiàn)船舶軌跡的重建。同時利用殘差估計船舶航跡重建精度，實現(xiàn)重建結(jié)果的有效評估。

3 船舶行為特征提取技術(shù)

3.1 高斯混合模型

高斯混合模型(Gaussian mixture model, GMM)是一個描述混合密度分布的模型。它能夠以任意精度逼近任意的多變量連續(xù)分布，能較好地刻畫變量空間中數(shù)據(jù)的空間分布及特性。其定義如式(1)所示。

(1)

(2)

式中：μi為均值向量；∑i為方差矩陣。

由式(1)和(2)可知，參數(shù)wi、μi及∑i均為未知，需要對這些參數(shù)進(jìn)行估計，采用期望最大化(expectationmaximization，EM)算法估計這些未知參數(shù)。

GMM適合對船舶的速度、船舶間時距等進(jìn)行擬合，其建模步驟如下：

(1)確定所描述的特征變量；

(2)從船舶行為數(shù)據(jù)庫中抽取一定數(shù)量的數(shù)據(jù)形成樣本記錄集，每一條記錄的屬性與特征變量對應(yīng)，80%的樣本數(shù)據(jù)作為訓(xùn)練樣本，其余作為驗證樣本；

(3)用EM算法對GMM的參數(shù)進(jìn)行估計，即利用訓(xùn)練樣本對模型進(jìn)行訓(xùn)練，確定模型參數(shù)；

(4)用驗證樣本對GMM模型進(jìn)行驗證，如果驗證通過，則參數(shù)估計完成；否則，返回到步驟(2)重新進(jìn)行參數(shù)估計。

3.2 核密度估計

核密度估計(kerneldensityestimation,KDE)是一種非參數(shù)的概率密度估計方法，能以任意精度估計和逼近未知的概率密度函數(shù)[7]，其定義如式(3)所示。

(3)

式中：K為核函數(shù)；h為帶寬。

(4)

KDE對水域船舶的密度及軌跡分布進(jìn)行擬合。其建模步驟如下：

(1)確定所研究水域的大小，并將該區(qū)域劃分成大小相等的網(wǎng)格；

(2)從船舶行為數(shù)據(jù)庫中抽取一定數(shù)量的數(shù)據(jù)形成樣本記錄集；

(3)選擇高斯密度函數(shù)作為核函數(shù)，確定帶寬，利用式(3)對每一個網(wǎng)格進(jìn)行核密度估計；

(4)繪制密度分布圖；

(5)對估計結(jié)果進(jìn)行分析，若擬合效果不理想，則改變網(wǎng)格大小和帶寬，對核密度重新進(jìn)行估計。

3.3 聚類分析

聚類分析是對大數(shù)據(jù)進(jìn)行挖掘的一項重要的技術(shù)，是將類似的對象組成多個類集合進(jìn)行分析的過程[8]。船舶行為數(shù)據(jù)聚類主要包括船舶屬性的聚類和時空軌跡的聚類。

(1)船舶屬性的聚類。采用K-means聚類算法對船舶的屬性進(jìn)行聚類分析。K-means算法將距離遠(yuǎn)近作為聚類的評價指標(biāo)。其實現(xiàn)的目標(biāo)是將含有n個數(shù)據(jù)對象的集合X={x1,x2,…,xn}劃分成K個類Cj(j=1,2,…,k)。集合中每一個數(shù)據(jù)對象xi常用一些參數(shù)來描述，因此xi都可用一個向量表示，如果對象有p個屬性，則可表示為xi=[xi1,xi2,…,xip]。

相似性度量采用歐式距離表示，如式(5)所示：

(5)

聚類性能準(zhǔn)則函數(shù)用誤差平方和表示，如式(6)所示：

(6)

式中：p為數(shù)據(jù)空間中相應(yīng)的一個數(shù)據(jù)點；mi為聚類Ci的平均值。

船舶屬性聚類分析過程如下：①確定船舶對象屬性;②根據(jù)對象屬性，從船舶行為數(shù)據(jù)庫中抽取數(shù)據(jù)屬性值形成對象集；③將對象集的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，減少不同數(shù)據(jù)類型之間的差異；④確定K值；⑤根據(jù)K-means算法完成聚類分析。

(2)船舶軌跡的聚類。時空相似性度量是時空軌跡聚類分析的關(guān)鍵技術(shù)之一。相似性有空間相似性、時間相似性和時空總體相似性，采用相應(yīng)的度量方法。

空間相似性采用軌跡間歐式距離函數(shù)實現(xiàn)，計算公式如下：

(7)

(8)

式中：R、S分別為兩條軌跡；n為記錄點數(shù)；ri,si分別為軌跡R、S上的第i記錄點；rix,riy,six,siy分別為ri,si的x坐標(biāo)和y坐標(biāo)。

時間相似性度量采用如下公式：

(9)

式中：tr1,tr2分別為軌跡R起點和終點時刻；ts1,ts2分別為軌跡S起點和終點時刻。

時空總體相似性是將空間相似性和時間相似性進(jìn)行線性組合。但在組合兩種距離之前還需要考慮它們的不同單位和數(shù)量級，采用z-score方法對其進(jìn)行標(biāo)準(zhǔn)化處理，公式如下:

(10)

式中：x′為處理后的數(shù)據(jù)；x為原始數(shù)據(jù)；μ為數(shù)據(jù)的平均值；σ為標(biāo)準(zhǔn)差。

(11)

式中，ξ的取值范圍在0到1之間，通過ξ可以調(diào)節(jié)空間相似度和時間相似度在總體相似度中所占比例大小，以適應(yīng)不同的應(yīng)用環(huán)境需求。

基于上述時空相似度量的方法采用基于子軌跡密度的軌跡聚類算法實現(xiàn)軌跡的聚類。

4 可視化技術(shù)

4.1 可視化呈現(xiàn)

采用多種可視化呈現(xiàn)技術(shù)表現(xiàn)數(shù)據(jù)信息，利用直方圖、點圖、線圖和條形圖等表現(xiàn)船舶和交通流的屬性，比如船舶的速度和長度等分布特性可用直方圖和線圖來描繪，其密度分布可用散點圖表示，其速度方向可用條形圖表示；船舶交通流信息以時空信息居多，以電子江圖為可視化背景呈現(xiàn)各種圖形；采用顏色編碼來表現(xiàn)船舶和交通流屬性的大小和種類等，如用顏色的深淺表示船舶密度的大小，用顏色的種類表示船舶的種類等；用動畫表現(xiàn)數(shù)據(jù)的多維屬性隨時間的變化趨勢；以堆疊的方式實現(xiàn)軌跡的三維呈現(xiàn)。

4.2 人機(jī)交互

人機(jī)交互是現(xiàn)代信息可視化技術(shù)的核心?？刹捎靡韵陆换ゼ夹g(shù)[9]：①概覽。以抽象的方式表示數(shù)據(jù)，整體瀏覽信息全局；②放大。將感興趣的地方放大；③細(xì)化。選取某一個或某一組信息，獲取更多細(xì)節(jié)；④過濾。過濾掉不感興趣的部分，按一定的條件篩選數(shù)據(jù)項；⑤關(guān)聯(lián)。體現(xiàn)不同數(shù)據(jù)項之間的聯(lián)系和顯示被隱藏的數(shù)據(jù)項與其他數(shù)據(jù)項的關(guān)聯(lián)；⑥記憶。保存操作過程，支持重播、撤銷和逐步求精等功能。

4.3 可視化實現(xiàn)

目前有一些開源的可視化工具軟件、軟件包，以及一些商業(yè)化軟件幫助人們實現(xiàn)可視化任務(wù)，但這些軟件基本上是一些通用軟件，并不適合于水上交通信息的可視化。對于船舶行為可視化分析系統(tǒng)宜自主開發(fā)可視化系統(tǒng)：以Visual Studio 2008為開發(fā)環(huán)境，C++為程序開發(fā)語言，MS SQL Server 2008為數(shù)據(jù)庫管理系統(tǒng)，電子航道圖作為可視化載體。

5 可視分析系統(tǒng)框架

船舶行為信息可視化分析處理系統(tǒng)框架如圖1所示。數(shù)據(jù)采集平臺完成對監(jiān)管水域各種數(shù)據(jù)的采集和預(yù)處理工作；船舶行為數(shù)據(jù)庫是整個系統(tǒng)的數(shù)據(jù)中心，采集平臺收集和處理的各種數(shù)據(jù)、后續(xù)可視化處理過程需要的數(shù)據(jù)及生成的各種數(shù)據(jù)都存儲于該數(shù)據(jù)庫中；數(shù)據(jù)抽取環(huán)節(jié)根據(jù)不同的可視化任務(wù)從數(shù)據(jù)庫中提取需要的數(shù)據(jù)并生成相應(yīng)的數(shù)據(jù)表存儲于數(shù)據(jù)庫中；由于水上信息的多樣性，數(shù)據(jù)格式各不相同，數(shù)據(jù)變換環(huán)節(jié)根據(jù)可視化任務(wù)的不同對抽取的這些數(shù)據(jù)進(jìn)行離散化、模糊化或標(biāo)準(zhǔn)化等操作，以便于后續(xù)算法的處理；數(shù)據(jù)挖掘與分析環(huán)節(jié)利用數(shù)據(jù)挖掘技術(shù)對變換后的數(shù)據(jù)進(jìn)行處理，以識別船舶行為；映射環(huán)節(jié)將數(shù)據(jù)挖掘與分析生成的計算數(shù)據(jù)映射成具有幾何意義的屏幕數(shù)據(jù)或地理數(shù)據(jù)；繪制環(huán)節(jié)將映射生成的幾何數(shù)據(jù)以不同的圖形或圖像的形式在屏幕上描繪出來；交互控制是可視化分析的核心，只有通過人機(jī)交互才能根據(jù)用戶的需求有效揭示船舶的行為模式。

圖1 船舶行為可視分析系統(tǒng)框架

6 結(jié)論

筆者對船舶行為可視化分析的關(guān)鍵技術(shù)進(jìn)行了初步探討，為船舶行為可視化技術(shù)的研究已做了一些基礎(chǔ)性工作。目前已完成船-標(biāo)-岸協(xié)同下水上交通狀態(tài)感知與交互的數(shù)據(jù)采集平臺的構(gòu)建，已解決船舶行為可視化分析需要的數(shù)據(jù)來源問題，并在數(shù)據(jù)預(yù)處理技術(shù)方面開展了大量的研究，在錯誤數(shù)據(jù)的甄別、數(shù)據(jù)的清洗和多源異構(gòu)數(shù)據(jù)的融合方面取得一定的進(jìn)展。然而，船舶行為可視化分析技術(shù)仍處于發(fā)展階段，理論基礎(chǔ)、研究方法和應(yīng)用技術(shù)還有待深入研究。

[1] 孫星，嚴(yán)新平，初秀民，等.基于船標(biāo)岸一體化技術(shù)的內(nèi)河信息服務(wù)關(guān)鍵技術(shù)研究[J].交通信息與安全，2012，30(4):126-130.

[2] MALIK A, MACIEJEWSKI M R B. A visual analytics process for maritime resource allocation and risk assessment[C]∥Symposium on Visual Analytics Science and Technology. Providence:IEEE, 2011:221-230.

[3] TOMINSKI C, SCHUMANN H, ANDRIENKO G, et al. Stacking-based visualization of trajectory attribute data [J]. Transactions on Visualization and Computer Graphics, 2012,18(12):2565-2574.

[4] SCHEEPENS R, WILLEMS N, VAN-DE-WETERING H. Interactive visualization of multivariate trajectory data with density maps[C] //Pacific Visualisation Symposium. Hong Kong: IEEE, 2011:147-154.

[5] WILLEMS N. Visualization of vessel traffic [D]. Netherlands: Eindhoven University of Technology, 2011.

[6] SCHEEPENS R, WILLEMS N, VAN-DE-WETERING H, et al.Composite density maps for multivariate trajectories[J]. Transactions on Visualization and Computer Graphics, 2011,17(12):2518-2527.

[7] ANDERSON T K. Kernel density estimation and K-means clustering to profile road accident hotspots[J]. Accident Analysis and Prevention, 2009,41(3):359-364.

[8] 劉大有，陳慧靈，齊紅，等.時空數(shù)據(jù)挖掘研究進(jìn)展[J].計算機(jī)研究與發(fā)展，2013，50(2)：225-239.

[9] YI J S, KANG Y, STASKO J T. Toward a deeper understanding of the role of interaction in information visualization[J]. Transactions on Visualization and Computer Graphics, 2007,13(6):1224-1231.

XU Wuxiong:Doctorial Candidate; Intelligent Transport System Research Center, WUT, Wuhan 430063, China.

[編輯：王志全]

Key Technologies of Visual Analytics for Vessel Behaviors

XUWuxiong,CHUXiumin,LIUXinglong

The research advances of traffic information visualization were firstly briefly introduced. Then the preprocessing technologies of vessel behavior data were presented to guarantee and improve data quality. Extraction techniques of vessel behavior characteristics were explored to identify the characteristics and modes of vessel behaviors. Finally, visualization technologies of for vessel behaviors were explored and a system framework of visual analytics for vessel behaviors was set up. The above researches on these key technologies can help to improve the supervision level of navigation safety and reduce the navigation risk. The key technologies are the foundation to realize the visual analytics for vessel behaviors and provide a new method for analyzing vessel behaviors.

big data; vessel behaviors; visualization; visual analytics

2015-04-01.

徐武雄(1971-),男,湖北咸寧人，武漢理工大學(xué)智能交通系統(tǒng)研究中心博士研究生.

國家自然科學(xué)基金資助項目(61273234, 51479155)；湖北省自然科學(xué)基金資助項目(2013CFA007)；交通運輸部信息化技術(shù)研究基金資助項目(2013-364-548-200).

2095-3852(2015)05-0589-04

A

U675.7; TP391

10.3963/j.issn.2095-3852.2015.05.014