雷進宇， 初秀民， 蔣仲廉， 王 樂

(武漢理工大學 a.智能交通系統(tǒng)研究中心， 武漢 430063；b.國家水運安全工程技術研究中心， 武漢 430063)

船舶交通管理系統(tǒng)(Vessel Traffic Services,VTS)是繁忙水域監(jiān)管中采取的重要手段之一。國際海事組織對VTS的定義為：由主管機關實施的，用于提高船舶交通安全和效率與保護環(huán)境的服務，在VTS覆蓋水域內，這種服務應能與交通相互作用并對交通形勢的變化做出反應。VTS系統(tǒng)具有信息服務、助航服務、交通組織及支持聯(lián)合行動等4大主要功能,工作模式主要以人工監(jiān)控、人工決策和人工干預為主[1]。VTS的廣泛應用，實現(xiàn)了真正意義上的全天候全方位的管理，在很大程度上減少了水上交通事故的發(fā)生，為提高通航效率和保障航行安全發(fā)揮了不可或缺的作用[2]。VTS每天24 h不間斷地運行，匯聚和存儲大量多源異構數(shù)據。然而，VTS本身并不具備對海量數(shù)據分析的能力，特別是對異常狀況感知、預警和決策的能力，只能通過人工來完成。由于受管理人員的精力和能力的限制，誤判及漏判等現(xiàn)象時有發(fā)生，極易影響VTS監(jiān)管水域船舶航行安全。因此，研究VTS航行態(tài)勢感知及管理的智能決策具有重要現(xiàn)實意義。

在VTS航行管理決策技術研究中，孫苗等[3]引入形成擱淺緊迫局面的時間值來判斷船舶擱淺危險的緊迫程度，指導有關人員及時向存在擱淺危險的船舶發(fā)出危險預警信息。ZISSIS等[4]采用RPROP神經網絡算法實時預測VTS監(jiān)管水域船舶航行行為，為船舶航行管理決策提供基礎數(shù)據。WIERSMA等[5]率先將態(tài)勢感知理論引入VTS管理人員認知評價中，并比較Endsley’s SAGAT與性能監(jiān)控PMI兩種模型效果。當前VTS研究大多是宏觀管理與評估技術的研究，結合態(tài)勢感知模型的航行智能決策是VTS未來的發(fā)展方向，而基于態(tài)勢感知模型的VTS管理人員認知模型、VTS區(qū)域船舶航行風險決策管理方法和提升VTS管理人員人機交互方法則是VTS的研究熱點。

態(tài)勢感知(Situation Awareness，SA)是人機工效學中的一個重要研究領域[6-8]，由于其在框架模型、數(shù)據預處理、量化感知及動態(tài)預測等關鍵技術問題上顯示出良好的魯棒性，在海事安全研究中引起關注。WESTRENEN等[9]分析空中交通與水路交通控制中態(tài)勢感知技術的異同，并根據VTS的功能要求與特性，指出采用態(tài)勢感知用于水上交通管理的優(yōu)勢。CHEN等[10]針對海事安全防恐態(tài)勢相關數(shù)據量巨大和變化快的特點，開發(fā)基于遺傳算法的海事安全防恐態(tài)勢知識發(fā)現(xiàn)系統(tǒng)。LAVIGNE等[11]提出運用可視分析技術識別船舶行為，并結合動態(tài)思維導圖輔助目標船舶多部門協(xié)同管控分析與決策，減少海事領域態(tài)勢感知的信息過載。

由上述對態(tài)勢感知及應用研究現(xiàn)狀的分析可知，結合可視分析的智能態(tài)勢感知模型與技術在船舶航行安全態(tài)勢領域的研究尚處于探索階段，亟需深入開展船舶航行態(tài)勢感知模型結構、態(tài)勢感知智能算法以及可視分析等研究?；谏鲜霰尘埃疚拈_展對VTS監(jiān)管水域船舶航行態(tài)勢感知系統(tǒng)的研究。

1 VTS航行風險認知分析研究概述

船舶航行風險分析與態(tài)勢評估是VTS船舶航行指揮決策的基礎。近年來，國內外學者針對繁忙水域船舶航行風險分析及風險態(tài)勢評估等方面進行了大量的研究工作。

1.1 船舶航行風險分析

船舶領域是船舶航行風險評估的基本參數(shù)。因此，船舶領域一直也是船舶航行風險評估的熱點。為實現(xiàn)船舶領域影響因素的重要性評價與因素約簡，降低能見度良好時船舶領域模型的復雜度，周丹等[12]選擇主成分回歸算法和基于粗糙集的相關算法對其進行分析，確定影響船舶領域的因素的重要性。作為船舶避碰中的重要參考因素，最近會遇點(Closest Point of Approach，CPA)在船舶避碰態(tài)勢分析中廣泛應用。JEONG等[13]統(tǒng)計在MOKPO-Gu航道中最小會遇距離(Distance at Closest Point of Approach,DCPA)小于1 n mile的數(shù)據以評估航道交通流的安全性和特征，研究結果顯示CPA對航道空間的使用和船舶交通的安全都起到積極的作用。在幫助緊迫局面下船舶航行方面，CHIN等[14]針對港口水域建立基于CPA的碰撞風險回歸模型，而模型中的DCPA和最小會遇時間(Time to Closest Point of Approach,TCPA)是得到碰撞風險的關鍵因素。

1.2 船舶航行風險態(tài)勢評估

船舶航行狀態(tài)以及交通態(tài)勢演化是船舶航行風險分析的主要研究方向之一。PERERA等[15]為提升船舶航行駕駛態(tài)勢感知能力，建立基于航行風險的船舶航行間距定量計算模型。SNIDARO[16]針對海事安全態(tài)勢分析不確定性數(shù)據處理的問題，提出采用馬爾可夫邏輯網絡數(shù)據融合模型，并對異常船舶航行態(tài)勢進行判別。在區(qū)域交通態(tài)勢演化分析方面，郭遲等[17]從時間、空間等不同維度對數(shù)據進行降維，基于區(qū)域動力學特征和移動對象的行為模式，提出一種位置大數(shù)據的協(xié)同挖掘方法，深化各類交通數(shù)據的挖掘及研究。

這些研究工作在一定程度上完善了水上通航交通風險及評估系統(tǒng)，降低水上交通事故的發(fā)生概率，但在VTS監(jiān)管水域交通日益繁忙的情況下，船舶交通航行態(tài)勢的感知和實時風險計算的研究工作仍顯不足。因此，以大數(shù)據為基礎，開展基于船舶航行態(tài)勢的風險研究，揭示VTS監(jiān)管水域船舶航行態(tài)勢的演化機理，進行航行風險態(tài)勢預測，將有助于實現(xiàn)更全面的VTS監(jiān)管水域的船舶航行安全管理及指揮。

2 基于可視分析的VTS航行風險認知框架設計

可視分析是時空大數(shù)據分析的方法之一，主要利用數(shù)據可視化方式呈現(xiàn)并結合人機交互，幫助人們探索、理解和分析數(shù)據。在交通態(tài)勢可視分析的研究中，SCHEEPENS等[18]將船舶按照時間和位置進行聚類，并結合直方圖、點圖和象形符號分析各聚類的船舶動靜態(tài)信息的比例分布。GUO等[19]利用平行坐標圖來反映多種路口環(huán)境態(tài)勢的關系，并使用時序圖和主題河來探究路口軌跡數(shù)據的微觀模式。此外，WANG等[20]利用像素圖、熱力圖及堆疊圖，深入研究交通擁堵現(xiàn)象的態(tài)勢演變。

可視分析在理解交通態(tài)勢的過程中得到廣泛的應用，然而，系統(tǒng)完整的可視分析框架尚未建立。因此,本文擬采用體系結構方法，結合認知理論、態(tài)勢感知和人機交互可視分析技術，實現(xiàn)航行風險態(tài)勢感知認知可視分析系統(tǒng)頂層設計，設計VTS監(jiān)管水域船舶航行風險認知系統(tǒng)。根據體系結構方法中系統(tǒng)頂層設計“自上而下”的原則，設計基于認知環(huán)跨層結構的航行風險態(tài)勢感知可視分析系統(tǒng)頂層架構見圖1。該系統(tǒng)主要由航行風險態(tài)勢感知、航行風險管理決策和航行風險認知可視分析等3個模塊組成。

1)航行風險態(tài)勢感知模塊由通航環(huán)境感知層、通航態(tài)勢理解層和通航風險預測層組成。通過對繁忙水域船舶的密度分布、速度分布和船舶間距分布等船舶航行時空特征進行建模與跟蹤，從而揭示VTS監(jiān)管水域船舶航行風險態(tài)勢演化，它是VTS船舶航行指揮決策的基礎。

2)航行風險管理決策模塊提出航行指揮決策推理過程、可視化方法展示推理過程，為水上交通安全監(jiān)管和交通規(guī)劃提供決策參考。該模塊的核心是由感知、融合、決策和控制組成的認知環(huán)，并通過組件之間的協(xié)作形成閉環(huán)反饋控制結構。

3)航行風險認知可視分析模塊通過有效的可視化圖形與人機交互實現(xiàn)繁忙水域船舶航行態(tài)勢實現(xiàn)風險評價、航行指揮決策可視化呈現(xiàn)。通過風險態(tài)勢演變的可視化，提升決策者對監(jiān)管水域總體通航態(tài)勢的科學認知水平；基于視覺認知機理優(yōu)化船舶航行決策可視化方案，加深監(jiān)管者對決策依據的判斷和對決策后果的理解。

3 關鍵技術分析

船舶航行風險態(tài)勢感知系統(tǒng)是一個復雜的人機交互系統(tǒng)，它包含船舶航行風險態(tài)勢評價方法與預測模型、船舶航行決策多維參數(shù)可視分析技術及船舶航行風險態(tài)勢感知認知試驗驗證與效用評測等關鍵技術。

3.1 VTS監(jiān)管水域船舶航行風險態(tài)勢評價方法與預測模型

3.1.1VTS監(jiān)管水域航行風險態(tài)勢智能評價算法

擬采用非對稱的船舶領域模型，并通過子空間聚類算法分析VTS監(jiān)管繁忙水域的船舶航行軌跡，通過統(tǒng)計分析標定船舶領域模型參數(shù)。

研究擬采用船舶領域侵入程度及侵入時間作為船舶碰撞風險評估參數(shù)；結合船舶基礎信息數(shù)據庫，采用模糊評價方法與PAWSA模型[21]實現(xiàn)繁忙水域船舶航行風險識別與網格化計算。

3.1.2VTS監(jiān)管水域船舶交通態(tài)勢演化模型

VTS監(jiān)管水域船舶航行態(tài)勢演化本質上對繁忙水域船舶的密度分布、速度分布和船舶間距分布等船舶航行時空特征進行建模與跟蹤。擬采用高斯混合模型(Gaussian Mixture Model，GMM)建立船舶航行時空軌跡特征模型，并利用增量學習的機制實時計算GMM參數(shù)，實現(xiàn)船舶航行時空軌跡特征的動態(tài)跟蹤。

針對傳統(tǒng)高斯混合模型中采用的EM(Expectation-Maximum)算法存在耗時過長的問題，擬采用一種增量式的估計算法[22-23]。該算法對每個VTS網格分區(qū)數(shù)據塊在初始時間步進行GMM建模，使用增量學習的機制更新數(shù)據塊GMM在每個時間步的參數(shù)。計算每個數(shù)據塊在每個時間步的數(shù)據塊潛在特征運動的概率和指定特征存在的兩種概率,再將這兩種概率進行線性結合，建立新的特征分類場，使用給定閾值過濾分類場，結合區(qū)域增長算法提取所有的連通特征區(qū)域；計算目標特征和所有檢測到的區(qū)域距離，得到最為匹配的區(qū)域并將其作為新的目標特征，并在下一個時間步的循環(huán)中使用。最終，追蹤目標特征隨時間的變化。

3.1.3VTS監(jiān)管水域船舶航行風險預測模型

船舶航行風險態(tài)勢預測模型架構見圖2，其模型是3層結構信息流且具有跨層處理的架構。以船舶航行態(tài)勢分析及航行風險要素網格化計算為基礎，利用時序層級記憶(Hierarchical Temporal Memory，HTM)智能算法[24]實現(xiàn)船舶航行態(tài)勢多粒度、多維特征信息流融合在線處理，并預測繁忙水域的船舶航行風險。

3.2 VTS監(jiān)管水域船舶航行決策多維參數(shù)可視分析技術

3.2.1VTS監(jiān)管水域船舶航行態(tài)勢可視化方法

船舶信息的可視化有助于增強用戶對當前環(huán)境的認知與理解，支持用戶對決策的制定。因此，依據態(tài)勢感知中的感知層、理解層和預測層等3層模型分別建立不同的信息可視化模型，實現(xiàn)對船舶航行態(tài)勢的多層次、系統(tǒng)的信息可視化。

(1)感知層可視化中主要實現(xiàn)環(huán)境中的各種要素特征的可視化，例如：水文、航道、氣象等環(huán)境狀態(tài)與船舶的靜態(tài)、動態(tài)整體特征。

(2)理解層可視化主要負責對繁忙水域中各要素之間的關聯(lián)及當前水域的航行態(tài)勢特征信息進行可視化。

(3)預測層可視化側重于水域中航行態(tài)勢預測趨勢的可視化展示。

用戶可根據其專業(yè)知識對預測算法、預測時間、預測范圍等算法參數(shù)進行調整。系統(tǒng)依據預測算法重新計算不同區(qū)域時變的船舶靜態(tài)、動態(tài)信息及環(huán)境要素，將其輸入感知層與理解層的可視化模型并動態(tài)展示航行態(tài)勢,提升監(jiān)管者對未來一段時間內通航態(tài)勢的理解與預測能力。

3.2.2VTS監(jiān)管水域船舶航行風險可視化方法

由于船舶航行風險是一種具有不確定性的數(shù)據類型。因此，借鑒集合數(shù)據的不確定性可視化方法，對船舶航行風險進行展現(xiàn)。

(1)利用核密度估計方法(Kernel Density Estimation，KDE)重構風險數(shù)據集合對象的高維分布;

(2)結合集合均值與集合分布差異描述不同集合數(shù)據對象之間的不相似性關系;

(3)利用基于拉普拉斯的降維投影方法將多維度不確定性感知的繁忙水域的船舶航行風險信息投影至二維的可視化視圖中，深入研究船舶航行風險的分布模式等[25]。

基于上述所提出的VTS船舶航行風險網格計算結果，采用數(shù)據語境圖展現(xiàn)不同網格中的船舶航行風險值[26]。同時，采用布局空間填充和量化的方式，進一步體現(xiàn)特定數(shù)值信息在圖中分布的區(qū)域。

3.2.3VTS監(jiān)管水域船舶航行決策過程可視化方法

通過VTS船舶航行指揮決策推理過程的可視化，提供一種更直觀的數(shù)據理解渠道，以做出科學合理的決策。在船舶航行指揮決策推理可視化中需要解決的主要問題有:

(1)決策者對船舶航行態(tài)勢進行判斷時，能獲取得出該結論的主要理由；

(2)當決策者對感興趣的理由交互時，能向其展示產生該理由的證據;

(3)在展示證據的時候，能讓決策者快速明白推理的可信度并隱藏無關證據,為了使決策者理解整個推理過程，擬采用對于常規(guī)自動推理模型的推理過程的有向無環(huán)圖(Directed Acyclic Graph，DAG)可視化模型來展示(見圖3)。

可視化界面主要由兩部分組成：

(1)推理過程圖展示部分，即整體采用DAG圖;

(2)Sugiyama Layout的方法展示推理過程[27]見圖4。

DAG和Sugiyama的方法展示示意見圖4中左上角梯形柱圖表示推理的可信度，向上黑色條數(shù)越多則表示存在這種行為的可信度越高，向下黑色條數(shù)則表示不存在該行為的可信度。中間利用思維導圖的形式展示由推理得到最終假設的過程，箭頭則表示推理的先后順序。右側證據矩陣模型展示船舶在不同數(shù)據庫中登記的船舶屬性信息，以展示不同證據之間的沖突和相似性，便于決策者發(fā)現(xiàn)船舶是否存在人為篡改信息等不一致的行為。矩陣塊的著色深淺則表示船舶屬性在多個數(shù)據庫中的不一致，用戶鼠標懸停時可查看具體信息。其中，對于數(shù)據源的可信度展示，擬采用時間軸技術展示方法，即提供一個時間軸，用戶可在時間軸上查看數(shù)據源記錄的時間并做出決策。時間軸技術側重于分析時變特性，可使用點邊圖表示，也可使用矩陣表示。使用點邊圖時，通常會將每個時間步的圖重疊或并列放置。

3.3 VTS監(jiān)管水域船舶航行風險態(tài)勢感知認知試驗驗證與效用評測

3.3.1多用戶協(xié)作的繁忙水域船舶航行風險認知可視分析試驗平臺

為驗證研究提出方法的有效性，結合電子海圖開發(fā)繁忙水域船舶航行風險認知可視分析試驗平臺軟件系統(tǒng)。試驗系統(tǒng)中除視覺呈現(xiàn)外，人機交互技術是整個系統(tǒng)中的重要組成部分，由于大面積的監(jiān)視水域和大規(guī)模的船舶交通集使人無法從有限的可視化空間得到所有的啟示,因此，需要使用人機交互技術，允許用戶人員操作可視化視圖對風險信息進行深層次的探索。

3.3.2航行決策管理多維參數(shù)可視化方法效用評測

態(tài)勢感知全局評估技術(Situation Awareness Global Assessment Technique, SAGAT)是一種較成熟的用于態(tài)勢感知的可視分析系統(tǒng)的效用評測方法。其評價過程為:

(1)利用以VTS監(jiān)管目標為導向的任務分析方法，明確完成任務所需的信息，并依照態(tài)勢感知的3個層次對水域通航態(tài)勢信息進行分類;

(2)根據上述信息設計問卷，問卷全面覆蓋監(jiān)管水域通航態(tài)勢感知所需信息;

(3)在用戶使用態(tài)勢感知可視分析系統(tǒng)時，隨機中斷決策者的操作過程，并且隱藏系統(tǒng)某類可視化視圖，顯示問卷并由用戶回答;

(4)循環(huán)執(zhí)行“操作-中斷-回答”的過程，直至所有問題回答完畢。

根據用戶的問卷調查情況，對通航態(tài)勢可視分析系統(tǒng)的功能進行評價。僅靠SAGAT技術不易判斷出決策者對態(tài)勢的理解與預測情況，因此，該研究擬采用態(tài)勢感知全局評估技術[28]并結合眼動儀等儀器實現(xiàn)可視化方法的效用評測；同時，通過層次分析法、模糊評價法、調查問卷以及試驗數(shù)據分析，實現(xiàn)航行決策管理多維參數(shù)可視化方法效用評測。根據試驗測試結果，對航行決策過程可視化模型與方法進行修正，尋求最佳的航行風險認知方法與可視化技術。

4 結束語

針對目前VTS管理決策中缺乏監(jiān)管水域船舶交通態(tài)勢與航行風險評估功能的問題，以態(tài)勢感知理論為基礎，以可視分析方法為手段，提出VTS監(jiān)管水域風險認知的航行態(tài)勢感知系統(tǒng)。設計VTS監(jiān)管水域船舶航行風險態(tài)勢感知認知框架，并闡述其中的關鍵技術；研究基于時空數(shù)據挖掘的船舶航行風險態(tài)勢評價方法，通過揭示船舶航行風險態(tài)勢演化機理，建立船舶航行風險不確定性預測模型；通過構建VTS管理人員決策多維參數(shù)可視化算法和系統(tǒng)評估方法，開展可視分析系統(tǒng)驗證與改進。

本文研究有助于提高VTS監(jiān)管水域船舶航行安全，推動智慧航運的發(fā)展。在后續(xù)研究中，將依照上述框架與方法，結合船舶航行特征，研發(fā)實現(xiàn)通航態(tài)勢可視化系統(tǒng)，并在VTS監(jiān)管水域開展驗證與應用。與現(xiàn)有的多數(shù)關注歷史數(shù)據分析與挖掘相關的研究不同，VTS是一種對監(jiān)管水域實時監(jiān)控的動態(tài)系統(tǒng)；如何結合大數(shù)據存儲及智能分析技術實現(xiàn)海量數(shù)據流信息快速有效地處理,是一項巨大的挑戰(zhàn)，也是研究的主要出發(fā)點。