王永明，劉興龍，桑凌志

(1.大連海事大學(xué)航海學(xué)院，遼寧 大連 116026；2.閩江學(xué)院物理與電子信息工程學(xué)院，福州 350108；3.中國(guó)交通通信信息中心交通安全應(yīng)急信息技術(shù)國(guó)家工程實(shí)驗(yàn)室，北京 100011)

0 引 言

我國(guó)是世界主要航運(yùn)大國(guó)，航運(yùn)的安全有序?qū)?guó)家具有重要的戰(zhàn)略意義。水上交通安全是航運(yùn)發(fā)展永恒的主題，加強(qiáng)水上交通管理的信息化、智能化是維護(hù)水上交通安全的重要方式。在水上智能交通運(yùn)輸體系中，船舶時(shí)空軌跡信息的感知和處理是整個(gè)體系的核心。傳統(tǒng)船舶軌跡數(shù)據(jù)的獲取方式非常有限，主要是依靠航海日志、船舶進(jìn)出港報(bào)告和海事雷達(dá)回波信號(hào)等，而且獲取成本高、樣本少、時(shí)間跨度短，難以長(zhǎng)時(shí)間地觀測(cè)和記錄大量船舶在海上的行駛過程。

自2002年《國(guó)際海上人命安全公約》(SOLAS公約)強(qiáng)制推行船舶自動(dòng)識(shí)別系統(tǒng)(automatic identification system,AIS)以來(lái)，AIS受到了全球航運(yùn)界的廣泛關(guān)注。AIS通過甚高頻(VHF)將船舶靜態(tài)信息和動(dòng)態(tài)信息廣播至附近水域的他船和岸基，使船舶之間可進(jìn)行相互協(xié)調(diào),同時(shí)使海事部門能夠?qū)Υ斑M(jìn)行監(jiān)控和管理，提高了船舶通行能力和安全保障能力。[1]AIS數(shù)據(jù)在航道通過能力評(píng)估、船舶交通流分析[2-3]、水上交通安全評(píng)價(jià)[4-6]等方面具有廣泛的應(yīng)用。

船舶靜態(tài)信息指船舶MMSI號(hào)、船名、船舶類型、船寬、船長(zhǎng)等信息，在一般情況下不允許修改。船舶動(dòng)態(tài)信息指船舶航行位置(一般用船舶的經(jīng)緯度坐標(biāo)表示)、航速、航向(包括對(duì)地航向、真航向)等，這類數(shù)據(jù)大多由設(shè)備獲取，受人的因素影響較小。當(dāng)AIS設(shè)備未與羅經(jīng)連接或舶舶位置數(shù)據(jù)轉(zhuǎn)換信號(hào)出現(xiàn)較大誤差時(shí)，發(fā)送的AIS動(dòng)態(tài)數(shù)據(jù)會(huì)出錯(cuò)。動(dòng)態(tài)數(shù)據(jù)的發(fā)送也可能受到干擾，導(dǎo)致數(shù)據(jù)異常。BALDAUF等[7]對(duì)實(shí)地AIS數(shù)據(jù)發(fā)送時(shí)間間隔和動(dòng)態(tài)數(shù)據(jù)可靠性進(jìn)行了調(diào)查研究，發(fā)現(xiàn)大量AIS數(shù)據(jù)不符合技術(shù)規(guī)范。常會(huì)振等[8-9]等通過統(tǒng)計(jì)分析發(fā)現(xiàn),大量AIS數(shù)據(jù)不符合IMO規(guī)范。

基于上述原因，對(duì)AIS數(shù)據(jù)進(jìn)行可靠性評(píng)估和錯(cuò)誤數(shù)據(jù)識(shí)別方法研究具有重要意義。國(guó)內(nèi)外已經(jīng)開展了一些研究：吳建華等[10]對(duì)錯(cuò)誤致因進(jìn)行分類并據(jù)此對(duì)異常軌跡進(jìn)行分類，分別提出了各類異常數(shù)據(jù)自動(dòng)檢測(cè)依據(jù)。ZHANG等[11]、劉磊等[12]和SANG等[13]通過構(gòu)建AIS異常數(shù)據(jù)識(shí)別規(guī)則、設(shè)置數(shù)據(jù)閾值，將異常軌跡點(diǎn)或異常航速等數(shù)據(jù)刪除。衛(wèi)桂榮等[14]提出了MMSI校驗(yàn)碼、填充位和校驗(yàn)碼的綜合檢測(cè)，靜態(tài)信息與動(dòng)態(tài)信息匹配校驗(yàn)，以及異常點(diǎn)數(shù)據(jù)檢測(cè)等數(shù)據(jù)檢測(cè)方法，以減少AIS數(shù)據(jù)庫(kù)中的異常數(shù)據(jù)?？傊?，AIS錯(cuò)誤數(shù)據(jù)識(shí)別主要依靠的仍是設(shè)置閾值，缺乏有效的評(píng)估并修復(fù)數(shù)據(jù)的模型。

以往主要使用數(shù)據(jù)插值方法對(duì)AIS軌跡數(shù)據(jù)進(jìn)行修復(fù)：吳建華等[10]和田利芹等[15]均采用三次樣條插值修復(fù)數(shù)據(jù)，取得了一定的效果；劉磊等[12]采用分段三次Hermite插值修復(fù)數(shù)據(jù)；鑒于AIS數(shù)據(jù)標(biāo)準(zhǔn)時(shí)間間隔的差異性，NGUYEN等[16]首先對(duì)時(shí)間序列進(jìn)行特征識(shí)別，繼而采用分段線性插值或分段三次Hermite插值修復(fù)數(shù)據(jù),該方法對(duì)一類AIS數(shù)據(jù)具有自適應(yīng)修復(fù)能力;SANG等[17]分別采用分段線性插值、分段三次樣條插值和分段三次插值對(duì)船舶軌跡進(jìn)行了還原，發(fā)現(xiàn)分段三次樣條插值的軌跡還原精度最高。

AIS作為重要的水上交通信息感知工具，在海事監(jiān)管和船舶避碰方面有著極其重要的作用。然而，當(dāng)前的AIS數(shù)據(jù)由于存在大量錯(cuò)誤和缺失，尚不滿足船舶避碰決策和海事監(jiān)管的要求。在基于AIS數(shù)據(jù)的船舶時(shí)空軌跡修復(fù)方面，目前基于插值的AIS數(shù)據(jù)修復(fù)方法只考慮AIS數(shù)據(jù)中的船舶位置信息，故需要引入AIS數(shù)據(jù)中的航速和航向信息以提高軌跡還原的精度，同時(shí)修復(fù)AIS數(shù)據(jù)中的航速和航向信息。

本文首先解決AIS動(dòng)態(tài)數(shù)據(jù)發(fā)送周期的不同步問題，通過時(shí)間匹配解決模型的時(shí)間參數(shù)輸入問題，然后利用AIS歷史數(shù)據(jù)庫(kù)中的相似軌跡建立船舶軌跡回歸模型，最后基于最小二乘支持向量機(jī)(least squares support vector machine,LSSVM)對(duì)船舶位置、航速、航向等分別進(jìn)行訓(xùn)練，通過案例實(shí)現(xiàn)對(duì)AIS動(dòng)態(tài)數(shù)據(jù)的有效修復(fù)。本方法可以有效幫助航程較遠(yuǎn)船舶AIS軌跡數(shù)據(jù)的還原，進(jìn)而幫助水上交通主管部門準(zhǔn)確獲取船舶航行軌跡、船舶行為、避碰決策等相關(guān)信息，推進(jìn)現(xiàn)有各類信息化系統(tǒng)的使用，為海事大數(shù)據(jù)的應(yīng)用、智慧海事的發(fā)展提供良好的AIS數(shù)據(jù)基礎(chǔ)。

1 基礎(chǔ)理論與方法

1.1 時(shí)空軌跡相似度

船舶時(shí)空軌跡相似度反映的是兩艘船空間運(yùn)動(dòng)趨勢(shì)的一致性和軌跡曲線的貼近程度。評(píng)估船舶時(shí)空軌跡的相似度并不是根據(jù)一定準(zhǔn)則給兩條軌跡的相似程度“評(píng)分”，而是對(duì)一條指定的船舶軌跡，從歷史船舶軌跡數(shù)據(jù)庫(kù)中找出一條與其趨勢(shì)最一致的軌跡曲線。對(duì)于一條指定的軌跡Trj，給出一個(gè)包含若干條軌跡的軌跡數(shù)據(jù)庫(kù)T，從T中返回一條軌跡T′∈T，使得

d(T′,Trj)≤d(X,Trj), ?X∈T

(1)

式中，d(·)為兩條軌跡間的距離度量函數(shù)。

可見，在查詢相似軌跡時(shí)，度量軌跡相似度的核心是距離度量函數(shù)。AIS數(shù)據(jù)發(fā)送周期隨船舶運(yùn)動(dòng)狀態(tài)而變化，導(dǎo)致不同船舶的軌跡點(diǎn)數(shù)且不同，因此船舶運(yùn)動(dòng)軌跡相似度的衡量，是不同軌跡點(diǎn)數(shù)目下軌跡間的距離度量。兩條軌跡之間的距離通常由軌跡點(diǎn)之間距離的聚合來(lái)度量。Hausdorff距離是常用的能夠處理軌跡點(diǎn)數(shù)目不等情形下軌跡間距離度量的方法，具有計(jì)算復(fù)雜度相對(duì)較小的優(yōu)點(diǎn)。

Hausdorff距離主要描述的是兩組軌跡點(diǎn)之間的相似度，它是采用一條軌跡中每個(gè)軌跡點(diǎn)與另一條軌跡中軌跡點(diǎn)距離最小值中的最大值來(lái)表示的。設(shè)兩條船的軌跡分別用軌跡點(diǎn)集合A(a∈A)和集合B(b∈B)表示，則兩條軌跡的Hausdorff距離計(jì)算式為

H(A,B)=max(h(A,B),h(B,A))

(2)

式(2)是兩條軌跡間的雙向Hausdorff距離,其中：

從式(2)可以看出，兩條軌跡間的雙向Hausdorff距離H(A,B)是兩條軌跡間的單向Hausdorff距離h(A,B)和h(B,A)中的較大值，它描述兩條軌跡之間的最大不匹配度。

1.2 LSSVM

支持向量機(jī)(support vector machine，SVM)是20世紀(jì)90年代中期被提出來(lái)的一種分類學(xué)習(xí)機(jī)，其內(nèi)涵是根據(jù)小樣本數(shù)據(jù)建立一種非線性的高維映射，從而回歸出一個(gè)超平面，進(jìn)而實(shí)現(xiàn)數(shù)據(jù)的分類。LSSVM是SUYKENS等[18]提出的一種改進(jìn)的SVM模型，它將傳統(tǒng)SVM中的不等式約束改為等式約束，采用最小二乘線性系統(tǒng)作為損失函數(shù)，代替?zhèn)鹘y(tǒng)的SVM采用的二次規(guī)劃方法，將其轉(zhuǎn)化為求解線性方程組的問題。LSSVM方法提高了求解速度和收斂精度。

在修復(fù)船舶軌跡時(shí)，可以把經(jīng)度、緯度、速度和航向均當(dāng)作一維時(shí)間序列。假設(shè)有N條相似軌跡樣本集合{xk,yk,vk,αk}作為訓(xùn)練樣本集，其中k=1,2,…,N,x、y、v、α分別代表軌跡數(shù)據(jù)中的經(jīng)度、緯度、速度、航向。每個(gè)軌跡樣本包含4個(gè)一維向量，對(duì)應(yīng)輸出4個(gè)預(yù)測(cè)值。根據(jù)統(tǒng)計(jì)學(xué)理論，船舶軌跡回歸預(yù)測(cè)優(yōu)化問題可描述為

(3)

式中:φ(·)為核空間映射函數(shù)；ω∈RN為權(quán)矢量；ek∈R為誤差變量;e=(e1,e2,…,eN)T；c為偏差量；γ為正則化參數(shù)。核函數(shù)φ(·)可以將船舶軌跡數(shù)據(jù)原始序列樣本映射成為高維特征空間中的一個(gè)向量，從而解決線性不可分的問題。一般用拉格朗日法求解這個(gè)優(yōu)化問題：

Γ(ω,c,e,α)=JP(ω,e)-

(4)

其中：αk為拉格朗日乘子,αk∈R,k=1,2,…,N;α=(α1,α2,…,αN)T。根據(jù)KKT條件可得到

(5)

這將優(yōu)化問題轉(zhuǎn)變?yōu)榫€性求解問題，即

(6)

(7)

2 AIS動(dòng)態(tài)數(shù)據(jù)可靠性評(píng)估

2.1 數(shù)據(jù)丟失時(shí)間匹配

AIS動(dòng)態(tài)信息的發(fā)送周期與船舶的航行動(dòng)態(tài)相關(guān)。高航速和轉(zhuǎn)向都會(huì)導(dǎo)致AIS動(dòng)態(tài)信息發(fā)送時(shí)間間隔縮短。根據(jù)實(shí)際航行情況，一般船舶的AIS船臺(tái)動(dòng)態(tài)信息報(bào)文發(fā)送周期主要為10 s和30 s[19]。然而，現(xiàn)實(shí)中存在很多不符合規(guī)范的AIS船臺(tái)，如存在大量周期為15 s的AIS船臺(tái)。因此，需要對(duì)周期不符合規(guī)范的AIS船臺(tái)數(shù)據(jù)進(jìn)行處理，使它們與常見周期匹配。本次匹配周期選擇為3 s，數(shù)據(jù)明顯超出此周期才能判定為數(shù)據(jù)丟失。具體的丟失時(shí)間匹配流程見圖1。

圖1AIS數(shù)據(jù)丟失時(shí)間匹配流程

2.2 完備AIS軌跡庫(kù)制定

采用分段三次Hermite插值可以對(duì)3個(gè)連續(xù)軌跡點(diǎn)以內(nèi)的AIS數(shù)據(jù)進(jìn)行高精度修復(fù)，因此首先需要對(duì)短距離(3個(gè)連續(xù)軌跡點(diǎn)以內(nèi))的AIS數(shù)據(jù)進(jìn)行修復(fù)，得到完備的AIS軌跡數(shù)據(jù)庫(kù),再對(duì)長(zhǎng)距離的AIS動(dòng)態(tài)數(shù)據(jù)，采用相似軌跡回歸預(yù)測(cè)的方法進(jìn)行修復(fù)。

以長(zhǎng)江武漢段為例，原始AIS數(shù)據(jù)經(jīng)過數(shù)據(jù)清洗和甄別之后，會(huì)出現(xiàn)大量的軌跡點(diǎn)空缺。當(dāng)前后兩條數(shù)據(jù)的時(shí)間差大于90 s時(shí)，該條船舶軌跡會(huì)被截?cái)?，形成兩條單獨(dú)的軌跡。如果所有的船舶軌跡連續(xù)丟失點(diǎn)數(shù)量均少于3個(gè)點(diǎn)，則可以采用分段三次Hermite插值予以修復(fù)，形成完備的AIS軌跡歷史數(shù)據(jù)庫(kù)。選取2015年6月2日中午11:04至11:15某船(MMSI為413940407)的AIS動(dòng)態(tài)數(shù)據(jù),采用分段三次Hermite插值對(duì)該船的經(jīng)度、緯度、航速和航向的修復(fù)結(jié)果見圖2。由圖2可見，采用分段三次Hermite插值能夠有效修復(fù)短距離的AIS數(shù)據(jù)，形成完備的AIS軌跡數(shù)據(jù)庫(kù)。

a)經(jīng)度和緯度

b)航速

c)航向

2.3 相似AIS數(shù)據(jù)查詢與檢索

船舶軌跡數(shù)據(jù)具有時(shí)空和大數(shù)據(jù)特征(即數(shù)據(jù)體量巨大)，且軌跡點(diǎn)序列在時(shí)空上并非嚴(yán)格匹配對(duì)齊。為解決搜索大數(shù)據(jù)樣本效率低的問題，本文提出一種兩層匹配方法。若使用該方法時(shí)出現(xiàn)無(wú)法匹配的情況，則需要進(jìn)一步擴(kuò)大AIS數(shù)據(jù)搜索的時(shí)間范圍。

圖3 軌跡粗匹配示意圖

(1)粗匹配。以序列初始坐標(biāo)值起始點(diǎn)(X,Y)為中心，200 m為半徑，由近至遠(yuǎn)搜索軌跡點(diǎn)，若搜索到的點(diǎn)處于待匹配軌跡集內(nèi)，則將該點(diǎn)納入備選點(diǎn)，同時(shí)將該點(diǎn)軌跡納入粗匹配軌跡集。考慮到內(nèi)河船舶航速通常不超過10 kn，在AIS數(shù)據(jù)發(fā)送周期(30 s)內(nèi)船舶運(yùn)動(dòng)距離不超過155 m，以及GPS的漂移等因素，以200 m作為半徑可以保證相近軌跡點(diǎn)被選中。圖3中，軌跡1為樣本軌跡，以200 m為搜索半徑，軌跡3中存在一個(gè)點(diǎn)處于搜索范圍內(nèi)，因此將軌跡3選中。為提高算法效率，設(shè)定粗匹配搜索結(jié)束的兩個(gè)終止條件為：①備選點(diǎn)達(dá)到50個(gè)；② 200 m內(nèi)沒有其他待匹配點(diǎn)。

(2)細(xì)匹配。在粗匹配軌跡集Tx={T1,T2,…,Tn}中，對(duì)每條軌跡Ti進(jìn)行跟蹤搜索，直到該條軌跡中存在點(diǎn)滿足如下條件：O(Ni,Ne)

2.4 AIS數(shù)據(jù)相似度評(píng)判

船舶航速的不同，在一個(gè)AIS動(dòng)態(tài)報(bào)文發(fā)送周期內(nèi)，船舶的航程也不同，導(dǎo)致軌跡點(diǎn)集的疏密程度不同，使得待匹配序列點(diǎn)與模板點(diǎn)無(wú)法實(shí)現(xiàn)精確對(duì)齊。針對(duì)不匹配的兩個(gè)AIS序列集，本文采用Hausdorff距離作為其相似度度量空間。設(shè)兩條軌跡相似度可表示為S(p,q)，其定義為

S(p,q)=H(p,q)+|Np-Nq|

(8)

式中:Np和Nq分別表示軌跡p和q的節(jié)點(diǎn)數(shù)量。

船舶軌跡信息中，最能表征船舶運(yùn)動(dòng)信息的特征即為航向特征和航速特征?；贖ausdorff距離的相似度可以表征船舶在航向特征上的相似度。

3 基于LSSVM的AIS數(shù)據(jù)修復(fù)

船舶在航道中的行為通常隱藏著固定的模式，這種行為模式實(shí)際上是歷史AIS數(shù)據(jù)和當(dāng)前AIS數(shù)據(jù)都具有的一種函數(shù)關(guān)系。基于LSSVM的AIS數(shù)據(jù)修復(fù)步驟見圖4。LSSVM中核函數(shù)是關(guān)鍵要素。核函數(shù)有很多種，徑向基函數(shù)(radial basis function，RBF)是最為常用的，對(duì)不同大小的樣本和不同的維度都具有很好的適應(yīng)性。本文選定RBF作為模型的核函數(shù)。

圖4基于LSSVM的AIS數(shù)據(jù)修復(fù)步驟

圖5 PSO算法流程

基于RBF的LSSVM回歸模型的兩個(gè)超參數(shù)(懲罰系數(shù)和核函數(shù)寬度)決定船舶軌跡數(shù)據(jù)回歸中LSSVM的泛化能力。隨著智能優(yōu)化算法的發(fā)展，粒子群算法、蟻群算法、遺傳算法等被用于求取LSSVM模型參數(shù)，其中粒子群算法以其編程簡(jiǎn)單、搜尋速度快的優(yōu)點(diǎn)，成為應(yīng)用最廣的參數(shù)確定算法。本文采用粒子群優(yōu)化(particle swarm optimization，PSO)算法得到LSSVM回歸模型的兩個(gè)超參數(shù)值。

基本粒子群算法的應(yīng)用具體包括算法流程、算法的參數(shù)設(shè)置和算法的終止條件。PSO算法流程見圖5。

4 案例驗(yàn)證

4.1 歷史軌跡庫(kù)制定

為驗(yàn)證本文提出方法的有效性，在長(zhǎng)江中游的武漢段開展驗(yàn)證試驗(yàn)。從寶船網(wǎng)取得2015年6月1日至8月31日3 001萬(wàn)余個(gè)原始AIS數(shù)據(jù)。地域范圍為東經(jīng)114.21°至114.56°，北緯30.48°至30.70°，河段長(zhǎng)度大約為30 km。

將獲取的原始AIS數(shù)據(jù)列表后，制定分段規(guī)則：(1)對(duì)MMSI進(jìn)行排序，如果前后MMSI不一樣，則確定前后軌跡為不同船舶的軌跡。(2)對(duì)于每艘船的AIS軌跡數(shù)據(jù)，根據(jù)時(shí)間順序排序，獲取AIS時(shí)序數(shù)列。對(duì)于AIS船臺(tái)，信息發(fā)送周期以30 s居多，如果前后軌跡的時(shí)間間隔大于90 s，則確定前后軌跡為不同船舶的軌跡。

首先對(duì)AIS數(shù)據(jù)根據(jù)MMSI進(jìn)行排序操作，共分離得到8 520條船舶軌跡，其中上水船軌跡4 000條，下水船軌跡4 520條。根據(jù)UTC時(shí)間對(duì)軌跡數(shù)據(jù)排序，當(dāng)前后數(shù)據(jù)的時(shí)間差大于90 s時(shí)，則認(rèn)為出現(xiàn)長(zhǎng)距離的數(shù)據(jù)丟失，確定前后軌跡為不同船的軌跡。分離后的時(shí)間間隔小于90 s的子軌跡共有18 520條。經(jīng)過清洗后的軌跡數(shù)據(jù)見圖6，淺色點(diǎn)為下行船的軌跡，深色點(diǎn)為上行船的軌跡。

圖6 長(zhǎng)江武漢段水域船舶軌跡庫(kù)

清除錯(cuò)誤的AIS數(shù)據(jù)后，需要重新計(jì)算時(shí)間差，將時(shí)間間隔大于90 s的軌跡分離為兩條單獨(dú)的子軌跡。針對(duì)少量缺失的AIS軌跡，采用分段三次Hermite插值進(jìn)行初始修復(fù)，獲取完備AIS軌跡庫(kù)。

4.2 相似軌跡樣本搜尋

在已建立好的AIS軌跡數(shù)據(jù)庫(kù)中，選取一條軌跡數(shù)據(jù)進(jìn)行相似軌跡樣本搜尋。選擇長(zhǎng)江武漢段天興洲下游航道中間部分為起始點(diǎn)，一條下行船軌跡為目標(biāo)軌跡，進(jìn)行軌跡庫(kù)快速檢索。共得到14條待匹配軌跡，見表1。在檢索結(jié)果集中，使用第2.4節(jié)的方法進(jìn)行計(jì)算，結(jié)果見表2。根據(jù)計(jì)算結(jié)果，第8條軌跡為匹配結(jié)果。

4.3 動(dòng)態(tài)AIS數(shù)據(jù)修復(fù)

圖7為AIS動(dòng)態(tài)數(shù)據(jù)修復(fù)流程。在預(yù)報(bào)過程中，每修復(fù)一個(gè)點(diǎn)的數(shù)據(jù)，就將該數(shù)據(jù)加入LSSVM模型輸入中，并去除最后一個(gè)舊數(shù)據(jù)點(diǎn)，以構(gòu)成新的模型輸入，進(jìn)行循環(huán)預(yù)報(bào)，直至完成全部AIS數(shù)據(jù)的修復(fù)工作。n為所構(gòu)造的相似軌跡樣本的長(zhǎng)度，m為自相關(guān)時(shí)間序列長(zhǎng)度，Yt為t時(shí)刻所預(yù)報(bào)的值。因此，AIS動(dòng)態(tài)數(shù)據(jù)修復(fù)分為相似樣本訓(xùn)練、數(shù)據(jù)修復(fù)兩個(gè)步驟。

表1 快速檢索結(jié)果

表2 軌跡相似度匹配結(jié)果

圖7 相似樣本訓(xùn)練和數(shù)據(jù)修復(fù)流程

4.3.1 樣本訓(xùn)練

長(zhǎng)距離AIS數(shù)據(jù)的修復(fù)準(zhǔn)確程度由兩方面的因素決定:一方面是相似樣本與待修復(fù)軌跡的相似程度;另一方面是LSSVM方法對(duì)相似樣本的建模精度。使用PSO算法優(yōu)化后的LSSVM方法對(duì)相似樣本進(jìn)行建模(記為PSO-LSSVM模型)，當(dāng)擬合精度達(dá)到要求后，進(jìn)行缺失數(shù)據(jù)的預(yù)報(bào)。由于AIS數(shù)據(jù)樣本量較大，采用實(shí)時(shí)性好的全局PSO算法進(jìn)行優(yōu)化。試驗(yàn)對(duì)比分為兩組:一組是優(yōu)化前后的LSSVM方法對(duì)相似樣本建模精度的對(duì)比;另一組是優(yōu)化后LSSVM方法與插值法對(duì)丟失數(shù)據(jù)修復(fù)的對(duì)比。共有4條軌跡及其相似軌跡被選中作為驗(yàn)證。

根據(jù)訓(xùn)練模型預(yù)報(bào)的擬合程度來(lái)評(píng)價(jià)LSSVM方法對(duì)相似樣本的建模精度，選取均方根誤差作為擬合程度的目標(biāo)函數(shù)。

由上述相似樣本所訓(xùn)練的模型(PSO-LSSVM模型)可以直接進(jìn)行待修復(fù)軌跡的預(yù)報(bào)，經(jīng)度、緯度、航速、航向的修復(fù)模型參數(shù)見表3。

4.3.2 數(shù)據(jù)修復(fù)

訓(xùn)練完P(guān)SO-LSSVM模型參數(shù)后，即可進(jìn)行該航段長(zhǎng)距離AIS數(shù)據(jù)的修復(fù)。由于實(shí)際修復(fù)時(shí)待修復(fù)樣本數(shù)據(jù)不可知，使用一組相似樣本中的一條軌跡數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，另一條作為假設(shè)待修復(fù)數(shù)據(jù)。分別利用分段三次Hermite插值、LSSVM、PSO-LSSVM方法對(duì)數(shù)據(jù)進(jìn)行修復(fù)，結(jié)果對(duì)比見表3，修復(fù)效果見圖8。從表3可以得出，對(duì)于選定的4組數(shù)據(jù)樣本，在船舶AIS數(shù)據(jù)的經(jīng)度、緯度、航速、航向數(shù)據(jù)修復(fù)中，采用PSO算法優(yōu)化后的LSSVM修復(fù)誤差要遠(yuǎn)小于未優(yōu)化的LSSVM和傳統(tǒng)的分段三次Hermite插值的修復(fù)誤差。

表3 PSO-LSSVM模型參數(shù)及3種方法的修復(fù)誤差對(duì)比

a)第1組的經(jīng)度、緯度

b)第2組的經(jīng)度、緯度

c)第3組的經(jīng)度、緯度

d)第4組的經(jīng)度、緯度

e)第1組的航速

f)第2組的航速

g)第3組的航速

h)第4組的航速

i)第1組的航向

j)第2組的航向

k)第3組的航向

l)第4組的航向

圖84組數(shù)據(jù)的修復(fù)結(jié)果

5 結(jié) 論

(1)AIS在海事監(jiān)管和船舶避碰方面有著極其重要的作用。由于AIS數(shù)據(jù)存在大量錯(cuò)誤和缺失，當(dāng)前AIS數(shù)據(jù)質(zhì)量尚不能滿足船舶避碰決策和海事監(jiān)管的要求。

(2)通過匹配AIS數(shù)據(jù)丟失時(shí)間，制定完備AIS數(shù)據(jù)庫(kù)；采用改進(jìn)的Hausdorff距離計(jì)算公式，融合了軌跡空間相似度和船舶航行速度相似度，為AIS數(shù)據(jù)修復(fù)提供數(shù)據(jù)基礎(chǔ)。

(3)選取長(zhǎng)江武漢段進(jìn)行驗(yàn)證。采用相似軌跡作為L(zhǎng)SSVM方法的輸入樣本，通過數(shù)據(jù)訓(xùn)練得到回歸模型，結(jié)果顯示本文提出的PSO-LSSVM方法與其他方法相比，能夠準(zhǔn)確地還原AIS數(shù)據(jù)。

(4)研究結(jié)果有助于改善AIS數(shù)據(jù)連續(xù)性差、完整性不足的問題,通過提高AIS數(shù)據(jù)質(zhì)量，進(jìn)一步實(shí)現(xiàn)對(duì)船舶運(yùn)動(dòng)規(guī)律等的有效分析，推進(jìn)現(xiàn)有各類信息化系統(tǒng)的使用，為海事大數(shù)據(jù)的應(yīng)用、智慧海事的發(fā)展提供良好的AIS數(shù)據(jù)基礎(chǔ)。