馬 杰, 李文楷, 張春瑋, 張 煜
(武漢理工大學(xué) a.航運(yùn)學(xué)院; b.內(nèi)河航運(yùn)技術(shù)湖北省重點(diǎn)實(shí)驗(yàn)室;c.國(guó)家水運(yùn)安全工程技術(shù)研究中心; d.物流工程學(xué)院, 武漢 430063)
船舶會(huì)遇問(wèn)題是海上船舶交通的研究熱點(diǎn)[1],是確定船舶避讓責(zé)任的重要依據(jù)和前提。[2]船舶會(huì)遇態(tài)勢(shì)是船舶在航行過(guò)程中從不同方向相互駛近形成的會(huì)遇局面,一般分為對(duì)遇態(tài)勢(shì)、交叉態(tài)勢(shì)和追越態(tài)勢(shì)。[3]在交通密度大、態(tài)勢(shì)復(fù)雜的交匯水域,若能準(zhǔn)確辨識(shí)船舶會(huì)遇態(tài)勢(shì),將對(duì)交匯水域的交通安全監(jiān)管和降低船舶碰撞事故率產(chǎn)生重要的現(xiàn)實(shí)意義和應(yīng)用價(jià)值。[4]
近年來(lái),船舶自動(dòng)識(shí)別系統(tǒng)(Automatic Identification System, AIS)[5]在海上交通控制和監(jiān)控中得到廣泛的應(yīng)用,AIS也成為研究船舶會(huì)遇態(tài)勢(shì)的重要工具。現(xiàn)有基于AIS數(shù)據(jù)的會(huì)遇態(tài)勢(shì)研究主要是從空間角度展開(kāi)利用統(tǒng)計(jì)分析、分布擬合等方法提煉船舶會(huì)遇特征,挖掘船舶會(huì)遇行為規(guī)律。冮龍暉等[6]從最近會(huì)遇距離和兩船航向夾角等會(huì)遇特征參量中提取船舶會(huì)遇信息;朱姣等[7]構(gòu)造由船舶位置、航速和航向組成的船舶航行狀態(tài)空間模型辨識(shí)船舶會(huì)遇態(tài)勢(shì);甄榮等[8]利用AIS數(shù)據(jù)提取船舶經(jīng)緯度信息,通過(guò)計(jì)算船舶間的相對(duì)距離并利用密度聚類方法進(jìn)行船舶空間位置聚類分析,制定船舶會(huì)遇態(tài)勢(shì)判別規(guī)則;ZHANG等[9]通過(guò)構(gòu)建兩船距離、航向差和相對(duì)航速的擬合方程對(duì)船舶會(huì)遇態(tài)勢(shì)和潛在的碰撞風(fēng)險(xiǎn)進(jìn)行描述。從空間角度進(jìn)行會(huì)遇特征分析和會(huì)遇態(tài)勢(shì)辨識(shí),忽略了會(huì)遇過(guò)程的時(shí)空變化特性,特別是在通航環(huán)境復(fù)雜的交匯水域,船舶機(jī)動(dòng)轉(zhuǎn)向的情況較多,船舶運(yùn)動(dòng)表現(xiàn)出較大的不確定性將導(dǎo)致會(huì)遇特征更大范圍的波動(dòng)。僅考慮會(huì)遇船舶間的空間約束和位置特征進(jìn)行會(huì)遇態(tài)勢(shì)判別,會(huì)發(fā)生誤判的情況。馬杰等[10]考慮會(huì)遇的時(shí)空變化,提出一種船舶會(huì)遇特征序列構(gòu)建方法并利用支持向量機(jī)(Support Vector Machine, SVM)實(shí)現(xiàn)船舶會(huì)遇態(tài)勢(shì)信息的分類提取,但該方法需利用完整的船舶會(huì)遇軌跡信息,無(wú)法用于船舶會(huì)遇態(tài)勢(shì)的在線辨識(shí)。
鑒于以上不足,本文重點(diǎn)考慮船舶會(huì)遇過(guò)程的時(shí)空演化特性,從AIS產(chǎn)生的海量數(shù)據(jù)中提取船舶航向差和相對(duì)距離作為會(huì)遇特征并構(gòu)建會(huì)遇特征序列,建立基于支持向量機(jī)與貝葉斯濾波(Support Vector Machine and Bayesian Filter, SVM-BF)[11]的會(huì)遇態(tài)勢(shì)辨識(shí)模型。通過(guò)建立BF與會(huì)遇態(tài)勢(shì)的對(duì)應(yīng)關(guān)系,使改進(jìn)的SVM-BF模型能滿足交叉、對(duì)遇和追越等不同會(huì)遇態(tài)勢(shì)辨識(shí)的需要,有效提高辨識(shí)準(zhǔn)確率,為船舶會(huì)遇危險(xiǎn)局面分析與研判提供一種智能化方法。
會(huì)遇幾何模型是研究在會(huì)遇過(guò)程中兩船行為的重要方法。[12]會(huì)遇幾何模型將會(huì)遇船舶視作以一定速度做矢量運(yùn)動(dòng)的2個(gè)質(zhì)點(diǎn),因此,可借助平面幾何的相關(guān)知識(shí)來(lái)計(jì)算在會(huì)遇過(guò)程中的會(huì)遇特征參量。[13]2艘船舶的會(huì)遇場(chǎng)景見(jiàn)圖1,在會(huì)遇過(guò)程中,相對(duì)距離的最小值(最近距離)可反映出兩船接近的程度,若最近距離大于一定范圍,則兩船之間發(fā)生不會(huì)遇,通常將6 n mile作為會(huì)遇局面的限定值。[14]但僅考慮距離特征是不夠的,辨識(shí)會(huì)遇態(tài)勢(shì)還需考慮2艘船舶的相對(duì)方位。航向差是判別船舶會(huì)遇態(tài)勢(shì)的重要依據(jù),由于大多數(shù)船舶的對(duì)地航向都能通過(guò)全球定位系統(tǒng)(Global Positioning System, GPS)有效地獲取,因此,采用對(duì)地航向計(jì)算兩船的航向差作為會(huì)遇船舶相對(duì)方位的表征。[15]綜合以上因素,確定以會(huì)遇船舶的相對(duì)距離與航向差作為會(huì)遇特征參量。設(shè)本船的經(jīng)緯度坐標(biāo)為(lngo,lato),速度標(biāo)量為vo,對(duì)地航向?yàn)棣誳,目標(biāo)船的經(jīng)緯度坐標(biāo)為(lngt,latt),速度標(biāo)量為vt,對(duì)地航向?yàn)棣誸。2種會(huì)遇特征參量為
圖1 2艘船舶的會(huì)遇場(chǎng)景
(1)
2)兩船航向角φo和φt延長(zhǎng)線交于點(diǎn)Q,航向差為
(2)
從AIS原始數(shù)據(jù)中提取會(huì)遇船舶軌跡數(shù)據(jù)(包括經(jīng)緯度、航速和航向等),考慮AIS數(shù)據(jù)缺失和不同步等問(wèn)題,對(duì)軌跡進(jìn)行插值、同步等預(yù)處理,保證每秒時(shí)間點(diǎn)上都有數(shù)值,最后利用式(1)和式(2)計(jì)算會(huì)遇船舶2個(gè)特征量。
船舶會(huì)遇是一個(gè)時(shí)空演化的過(guò)程,因此,需同時(shí)從空間和時(shí)間2個(gè)方面對(duì)其進(jìn)行考量。通過(guò)上述會(huì)遇特征參量的計(jì)算,獲得會(huì)遇船舶在空間上的表征。進(jìn)一步考慮會(huì)遇特征在時(shí)間上的變化。首先,從會(huì)遇初始階段,以10 s為采樣間隔,對(duì)其內(nèi)的相對(duì)距離和航向差分別計(jì)算平均值,得到2維均值向量作為會(huì)遇特征向量。考慮到2種會(huì)遇特征參量的量綱存在差異,對(duì)其進(jìn)行標(biāo)準(zhǔn)化處理為
(3)
(4)
[D1A1…DkAk…DmAm]
(5)
設(shè)數(shù)據(jù)集中包含的會(huì)遇船舶數(shù)量為s對(duì),則可提取s條會(huì)遇特征序列構(gòu)成會(huì)遇特征矩陣Wm,s為
(6)
SVM[17]是一種基于邊緣最大化的監(jiān)督學(xué)習(xí)算法,其目標(biāo)是找到一個(gè)超平面使不同類別的數(shù)據(jù)點(diǎn)之間的分離間隔最大化。其基本原理是利用核函數(shù)[18]的方法將數(shù)據(jù)從低維度投影到高維度,實(shí)現(xiàn)數(shù)據(jù)點(diǎn)在高維空間的線性可分。僅使用SVM辨識(shí)會(huì)遇態(tài)勢(shì)建模容易出現(xiàn)誤判虛警的情況。針對(duì)該問(wèn)題,采用SVM與BF相結(jié)合的方式進(jìn)行辨識(shí)建模,在現(xiàn)有SVM-BF[19]的基礎(chǔ)上,通過(guò)設(shè)計(jì)SVM-BF中BF與會(huì)遇態(tài)勢(shì)的對(duì)應(yīng)關(guān)系,使每個(gè)BF對(duì)應(yīng)一種船舶會(huì)遇態(tài)勢(shì),將辨識(shí)船舶會(huì)遇態(tài)勢(shì)設(shè)計(jì)成一個(gè)二分類問(wèn)題,從而實(shí)現(xiàn)對(duì)交叉態(tài)勢(shì)、對(duì)遇態(tài)勢(shì)和追越態(tài)勢(shì)等態(tài)勢(shì),模型框架見(jiàn)圖2。
圖2 基于SVM-BF的船舶會(huì)遇態(tài)勢(shì)辨識(shí)模型框架
模型的訓(xùn)練過(guò)程如圖2所示,首先從AIS數(shù)據(jù)集中構(gòu)建會(huì)遇特征矩陣Wm,s并將其劃分為訓(xùn)練集特征矩陣Tm,n和測(cè)試集特征矩陣Tm,n*。tm,j表示訓(xùn)練集中第j對(duì)船舶的會(huì)遇特征序列為
tm,j=[f1,j…fk,j…fm,j],fk,j=[Dk,jAk,j]
(7)
式(7)中:根據(jù)fk,j可確定Ck,j的類別,Ck,j∈{交叉,對(duì)遇,追越,其他(非會(huì)遇)}。隨后對(duì)SVM每個(gè)判別模塊逐次訓(xùn)練,將fk,j與Ck,j輸入到SVM判別模塊(由3個(gè)SVM組成)中,得到每個(gè)SVM超平面的權(quán)重和偏置。訓(xùn)練BF判別模塊(由3個(gè)BF組成)并確定每個(gè)BF判別模塊的閾值τ,不失一般性,3個(gè)BF判別模塊分別對(duì)應(yīng)交叉態(tài)勢(shì)、對(duì)遇態(tài)勢(shì)和追越態(tài)勢(shì)。對(duì)應(yīng)模型的測(cè)試過(guò)程如圖2所示,tm,j*為測(cè)試集中第j*對(duì)船舶的會(huì)遇特征序列,將tm,j*輸入到SVM判別模塊,SVM判別模塊會(huì)輸出第j*對(duì)船舶對(duì)應(yīng)的會(huì)遇類別序列C為
C=[C1,j*…Ck,j*…Cm,j*]
(8)
將其作為BF判別模塊的輸入,并將每個(gè)BF判別模塊輸出的后驗(yàn)概率與對(duì)應(yīng)的閾值τ進(jìn)行比較即可實(shí)現(xiàn)對(duì)交叉態(tài)勢(shì)、對(duì)遇態(tài)勢(shì)和追越態(tài)勢(shì)等態(tài)勢(shì)的辨識(shí)。
首先對(duì)SVM判別模塊進(jìn)行訓(xùn)練。在SVM判別模塊中,根據(jù)Tm,n中fk,j以及對(duì)應(yīng)的Ck,j建立形如{fk,j,Ck,j}的數(shù)據(jù)對(duì),并在每個(gè)SVM判別模塊中按照Ck,j的類別賦予Ck,j標(biāo)簽。在第1個(gè)SVM判別模塊中,當(dāng)Ck,j屬于交叉時(shí),Ck,j被標(biāo)記為1,否則,Ck,j被標(biāo)記為-1。將這些數(shù)據(jù)對(duì)作為第1個(gè)SVM判別模塊的輸入。在Ck,j(wΤfk,j+b)≥1的約束條件下,目標(biāo)函數(shù)為
(9)
式(9)中:w和b為超平面的權(quán)重和偏置。由于訓(xùn)練數(shù)據(jù)通常是線性不可分的,因此,需要尋找一個(gè)核函數(shù)將這些低維數(shù)據(jù)映射到更高維度的空間,即
φ(fk,j)×φ(fq,l)=K(fk,j,fq,l)
(10)
結(jié)合拉格朗日乘子法,有
(11)
對(duì)式(11)進(jìn)行求解為
(12)
由式(9)~式(12)可得到第1個(gè)SVM超平面的權(quán)重與偏置,實(shí)現(xiàn)第1個(gè)SVM判別模塊的訓(xùn)練。初始化Ck,j并重新確定Ck,j標(biāo)簽,當(dāng)Ck,j屬于對(duì)遇時(shí),Ck,j被標(biāo)記為1,否則,Ck,j被標(biāo)記為-1,將數(shù)據(jù)對(duì)輸入到第2個(gè)SVM判別模塊中,計(jì)算相應(yīng)超平面的權(quán)重與偏置,以完成第2個(gè)SVM判別模塊的訓(xùn)練。依此類推,重新標(biāo)記Ck,j并將標(biāo)記好的數(shù)據(jù)對(duì)輸入到第3個(gè)SVM判別模塊中,計(jì)算第3個(gè)SVM超平面的權(quán)重與偏置,結(jié)束SVM判別模塊的訓(xùn)練過(guò)程。
隨后對(duì)BF判別模塊進(jìn)行訓(xùn)練。建立由Ck,j組成的會(huì)遇類別序列C作為BF判別模塊的輸入,第1個(gè)BF判別模塊會(huì)求解交叉態(tài)勢(shì)對(duì)應(yīng)的后驗(yàn)概率密度函數(shù)P(θ|C)。由于BF是對(duì)Ck,j進(jìn)行二分類,而直接使用二項(xiàng)分布較難求解P(θ|C),考慮到共軛分布不僅可求出后驗(yàn)分布的封閉形式,同時(shí),也保留先驗(yàn)分布的性質(zhì),使估計(jì)概率更加準(zhǔn)確。而β分布與二項(xiàng)分布是一組共軛分布,因此,采用β分布作為θ的先驗(yàn)分布[20]為
(13)
式(13)中:β分布的超參數(shù)a和b為每種會(huì)遇態(tài)勢(shì)的“置信度”權(quán)重,即Ck,j所屬的會(huì)遇態(tài)勢(shì)的有效觀測(cè)值,a和b初始值設(shè)定為1,表示θ在初始時(shí)刻服從均勻分布。Γ(a)是Gamma函數(shù)為
(14)
θ的似然函數(shù)服從二項(xiàng)分布為
(15)
根據(jù)貝葉斯公式,θ的后驗(yàn)分布P(θ|C)可通過(guò)似然函數(shù)bin(u|v,θ)與先驗(yàn)分布β(θ|a,b)相乘得到[21]:
(16)
當(dāng)會(huì)遇類別序列C中的Ck,j為交叉時(shí),v=1,u=1;Ck,j為非交叉(對(duì)遇,追越和其他(非會(huì)遇))時(shí),v=1,u=0。隨著每次輸入Ck,j,a和b的表達(dá)式更新為a=a+u,b=b+v-u。通過(guò)計(jì)算P(θ|C)的期望值來(lái)累積辨識(shí)tm,j是否屬于交叉態(tài)勢(shì)為
E(θ|C)=P(tm,j=交叉態(tài)勢(shì)|C)=
(17)
將E(θ|C)與τ1進(jìn)行比較,如果E(θ|C)>τ1,第1個(gè)BF判別模塊會(huì)將第j對(duì)船舶的會(huì)遇態(tài)勢(shì)辨識(shí)為交叉態(tài)勢(shì)。與第1個(gè)BF判別模塊相同,第2個(gè)BF判別模塊也會(huì)根據(jù)E(θ|C)和τ2的關(guān)系辨識(shí)第j對(duì)船舶是否為對(duì)遇態(tài)勢(shì)。依此類推,第3個(gè)BF判別模塊會(huì)根據(jù)E(θ|C)和τ3的關(guān)系辨識(shí)第j對(duì)船舶是否為追越態(tài)勢(shì)。如果3個(gè)BF判別模塊的期望都小于閾值,SVM-BF會(huì)將第j對(duì)船舶辨識(shí)為其他(非會(huì)遇)。遍歷Tm,n中會(huì)遇類別序列C,得到BF判別模塊對(duì)交叉態(tài)勢(shì)、對(duì)遇態(tài)勢(shì)和追越態(tài)勢(shì)等態(tài)勢(shì)的整體辨識(shí)準(zhǔn)確率。當(dāng)整體辨識(shí)準(zhǔn)確率達(dá)到90%時(shí),可使SVM-BF模型獲得良好的訓(xùn)練效果和泛化性能。因此,在對(duì)BF判別模塊訓(xùn)練的過(guò)程中,如果BF判別模塊對(duì)交叉態(tài)勢(shì)、對(duì)遇態(tài)勢(shì)和追越態(tài)勢(shì)的整體辨識(shí)準(zhǔn)確率小于90%,則需分別修改閾值τ1、τ2和τ3的數(shù)值,并再次遍歷Tm,n中的會(huì)遇類別序列C,重復(fù)上述步驟,直到BF判別模塊對(duì)每種會(huì)遇態(tài)勢(shì)的整體辨識(shí)準(zhǔn)確達(dá)到90%,才可結(jié)束BF判別模塊的訓(xùn)練過(guò)程。從Tm,n*中選取tm,j*輸入SVM判別模塊,得到tm,j*對(duì)應(yīng)的會(huì)遇類別序列C,將其輸入到BF判別模塊得到第j*對(duì)船舶的會(huì)遇態(tài)勢(shì),實(shí)現(xiàn)船舶會(huì)遇態(tài)勢(shì)辨識(shí)(測(cè)試)?;赟VM-BF的會(huì)遇態(tài)勢(shì)辨識(shí)偽碼如下:
算法名稱:基于SVM-BF的船舶會(huì)遇態(tài)勢(shì)辨識(shí)
輸入:測(cè)試集矩陣Tm,n*,閾值τ1、τ2和τ3
BEGIN
1.FORj*INn*
2.選取tm,j*=[D1,j*A1,j*…Dk,j*Ak,j*…Dm,j*Am,j*]
3.令fk,j*=[Dk,j*Ak,j*],tm,j*=[f1,j*…fk,j*…fm,j*]
4.初始化會(huì)遇類別序列C
5.FORkINm
6.輸入fk,j*到SVM判別模塊
7.根據(jù)式(10)~式(12)計(jì)算的w和b得到Ck,j*
8.添加Ck,j*到C
9.END FOR
10.FORi=1 TO 3 DO
11.輸入C到第i個(gè)BF判別模塊
12.根據(jù)式(16)~式(17)計(jì)算E(θ|C)
13.IFE(θ|C)>τi
14.IFi=1
15.RETRUN 第j*對(duì)船舶屬于交叉態(tài)勢(shì)
16.IFi=2
17.RETRUN第j*對(duì)船舶屬于對(duì)遇態(tài)勢(shì)
18.IFi=3
19.RETRUN 第j*對(duì)船舶屬于追越態(tài)勢(shì)
20.END FOR
21.RETRUN第j*對(duì)船舶屬于其他(非會(huì)遇)
22.END FOR
選取長(zhǎng)江口南槽交匯水域作為研究對(duì)象,見(jiàn)圖3,該水域船舶交通流量較大且船舶發(fā)生會(huì)遇的情況頻繁,是典型的交匯水域,辨識(shí)該水域進(jìn)行會(huì)遇態(tài)勢(shì)的研究具有代表意義。收集該水域2017年7月—2017年11月的AIS數(shù)據(jù)開(kāi)展模型訓(xùn)練和算法驗(yàn)證。提取船舶會(huì)遇態(tài)勢(shì)信息并利用人工標(biāo)注的方式確定船舶會(huì)遇態(tài)勢(shì)類別,共得到1 200條船舶會(huì)遇數(shù)據(jù),其中:訓(xùn)練集有800條數(shù)據(jù),包含3種船舶會(huì)遇態(tài)勢(shì)以及其他(非會(huì)遇)的數(shù)據(jù)各200條;測(cè)試集則包含每類數(shù)據(jù)各100條,共400條數(shù)據(jù)。進(jìn)行數(shù)據(jù)預(yù)處理和特征提取并將時(shí)間窗口長(zhǎng)度設(shè)置為150 s,因此,每條會(huì)遇特征序列中包含15個(gè)2維均值向量。
使用訓(xùn)練集數(shù)據(jù)訓(xùn)練SVM-BF模型,根據(jù)辨識(shí)算法中閾值的確定規(guī)則,得到τ1、τ2和τ3分別為0.7、0.8和0.7。分別使用SVM模型和SVM-BF模型對(duì)測(cè)試集進(jìn)行測(cè)試。2種模型對(duì)5種場(chǎng)景實(shí)例的船舶會(huì)遇態(tài)勢(shì)辨識(shí)結(jié)果見(jiàn)圖4。交叉、對(duì)遇、追越、其他(非會(huì)遇)、有避讓的交叉場(chǎng)景實(shí)例以及2種模型對(duì)不同場(chǎng)景實(shí)例的會(huì)遇態(tài)勢(shì)辨識(shí)結(jié)果見(jiàn)圖4a~圖4t,圖中實(shí)線為SVM-BF模型辨識(shí)結(jié)果的取值范圍由左邊的縱坐標(biāo)軸確定;虛線為SVM模型的辨識(shí)結(jié)果并由右縱坐標(biāo)軸確定,當(dāng)取值1.0(YES)時(shí)為SVM模型正確辨識(shí)會(huì)遇態(tài)勢(shì),當(dāng)取值-1.0(NO)時(shí)為SVM模型產(chǎn)生錯(cuò)誤的辨識(shí)結(jié)果;水平虛線則表示τ1、τ2和τ3,5個(gè)場(chǎng)景實(shí)例中方框?qū)?yīng)的軌跡段的窗口長(zhǎng)度為150 s。
圖3 長(zhǎng)江口南槽交匯水域
1)對(duì)于交叉場(chǎng)景實(shí)例,由圖4b~圖4d可知:SVM模型在70 s時(shí)產(chǎn)生誤判,辨識(shí)結(jié)果直到80 s后才趨于穩(wěn)定,最終SVM模型會(huì)將此場(chǎng)景實(shí)例辨識(shí)為交叉態(tài)勢(shì)。相比于在對(duì)交叉態(tài)勢(shì)辨識(shí)時(shí),SVM-BF模型產(chǎn)生的期望E(θ|C)在20 s時(shí)已超過(guò)τ1,雖然E(θ|C)在60~80 s時(shí)出現(xiàn)波動(dòng)但始終大于τ1。因此,SVM-BF模型會(huì)在20 s時(shí)將此場(chǎng)景實(shí)例辨識(shí)為交叉態(tài)勢(shì)。
2)對(duì)于對(duì)遇場(chǎng)景實(shí)例,由圖4f~圖4h可知:2種模型在所有的采樣點(diǎn)都產(chǎn)生了正確判斷,2種模型都會(huì)將此場(chǎng)景實(shí)例辨識(shí)為對(duì)遇態(tài)勢(shì)。
3)對(duì)于追越場(chǎng)景實(shí)例,由圖4j~圖4l可知:SVM模型在50 s和100 s 2個(gè)時(shí)刻產(chǎn)生誤判,辨識(shí)結(jié)果直到110 s后才穩(wěn)定。相比于SVM-BF模型在辨識(shí)追越態(tài)勢(shì)時(shí),雖然期望曲線也在這2個(gè)采樣點(diǎn)出現(xiàn)震蕩,但E(θ|C)始終大于τ3所在的水平線,因此,SVM-BF模型會(huì)將此場(chǎng)景實(shí)例辨識(shí)為追越態(tài)勢(shì)。
4)由圖4n~圖4p可知:在對(duì)其他(非會(huì)遇)場(chǎng)景實(shí)例辨識(shí)時(shí),由于存在頻繁的轉(zhuǎn)向行為,SVM模型產(chǎn)生大量的誤判,并做出錯(cuò)誤的辨識(shí)結(jié)果。而SVM-BF模型可對(duì)SVM產(chǎn)生的初判結(jié)果做出累積判別,雖然期望曲線出現(xiàn)持續(xù)的波動(dòng),但E(θ|C)一直都小于τ1、τ2和τ3。因此,SVM-BF模型會(huì)將此場(chǎng)景實(shí)例辨識(shí)為其他(非會(huì)遇)。
5)對(duì)于有避讓的交叉場(chǎng)景實(shí)例,由圖4r~圖4t可知:船舶避讓行為使得SVM模型在120 s后都做出誤判,相比于在辨識(shí)交叉態(tài)勢(shì)時(shí),雖然SVM-BF模型的期望曲線在120 s時(shí)也出現(xiàn)下降,但E(θ|C)始終位于τ1所在的水平線之上,因此,SVM-BF模型會(huì)將此場(chǎng)景實(shí)例辨識(shí)為交叉態(tài)勢(shì)。由圖4a~圖4t可知:在對(duì)交叉、對(duì)遇和有避讓的交叉3種場(chǎng)景實(shí)例的會(huì)遇態(tài)勢(shì)進(jìn)行辨識(shí)時(shí),SVM-BF模型產(chǎn)生的累積期望在第2個(gè)采樣時(shí)刻已經(jīng)超過(guò)閾值。
因此,將SVM-BF模型應(yīng)用到實(shí)船避碰時(shí),超過(guò)閾值的辨識(shí)結(jié)果可幫助船長(zhǎng)辨識(shí)船舶的會(huì)遇態(tài)勢(shì)。此外,交匯水域存在多船會(huì)遇的情況,多船會(huì)遇態(tài)勢(shì)辨識(shí)的通常采用兩兩船舶依次判斷,本文所提出的方法雖然基于兩船之間進(jìn)行會(huì)遇態(tài)勢(shì)辨識(shí),但很容易應(yīng)用到多船場(chǎng)景。
a)交叉場(chǎng)景實(shí)例
b)辨識(shí)交叉態(tài)勢(shì)
c)辨識(shí)對(duì)遇態(tài)勢(shì)
d)辨識(shí)追越態(tài)勢(shì)
e)對(duì)遇場(chǎng)景實(shí)例
f)辨識(shí)交叉態(tài)勢(shì)
g)辨識(shí)對(duì)遇態(tài)勢(shì)
h)辨識(shí)追越態(tài)勢(shì)
i)追越場(chǎng)景實(shí)例
j)辨識(shí)交叉態(tài)勢(shì)
k)辨識(shí)對(duì)遇態(tài)勢(shì)
l)辨識(shí)追越態(tài)勢(shì)
m)其它(非會(huì)遇)場(chǎng)景實(shí)例
n)辨識(shí)交叉態(tài)勢(shì)
o)辨識(shí)對(duì)遇態(tài)勢(shì)
p)辨識(shí)追越態(tài)勢(shì)
q)有避讓的交叉場(chǎng)景實(shí)例
r)辨識(shí)交叉態(tài)勢(shì)
s)辨識(shí)對(duì)遇態(tài)勢(shì)
t)辨識(shí)追越態(tài)勢(shì)
2種模型對(duì)測(cè)試集進(jìn)行辨識(shí)的總體結(jié)果見(jiàn)表1,表1中的準(zhǔn)確率是2種模型在不同窗口長(zhǎng)度下的辨識(shí)結(jié)果。例如,在90 s時(shí)間窗口中,SVM和交叉對(duì)應(yīng)的百分?jǐn)?shù)表示SVM在窗口長(zhǎng)度為90 s時(shí)對(duì)交叉態(tài)勢(shì)的辨識(shí)準(zhǔn)確率。由表1可知:在不同場(chǎng)景下,SVM-BF模型在各個(gè)時(shí)間窗口下的準(zhǔn)確率都要高于SVM模型,尤其對(duì)其他(非會(huì)遇)場(chǎng)景,SVM-BF仍能以超過(guò)91%的準(zhǔn)確率對(duì)其進(jìn)行辨識(shí)。此外,2種模型辨識(shí)的準(zhǔn)確率都隨著窗口長(zhǎng)度的增加而提高,這也與實(shí)際情況相吻合,更長(zhǎng)的時(shí)間序列包含更豐富的會(huì)遇態(tài)勢(shì)信息,因而模型的泛化能力也會(huì)相應(yīng)的提高。
表1 2種模型的辨識(shí)結(jié)果
針對(duì)因交匯水域通航環(huán)境復(fù)雜易產(chǎn)生船舶會(huì)遇態(tài)勢(shì)的誤判問(wèn)題,選取相對(duì)距離和航向差得到會(huì)遇船舶在空間上的表征,計(jì)算其均值向量并在時(shí)間軸上展開(kāi),構(gòu)建會(huì)遇特征序列。使用會(huì)遇特征序列辨識(shí)船舶會(huì)遇態(tài)勢(shì)考慮會(huì)遇過(guò)程時(shí)空演化特性。聯(lián)合SVM與BF建立會(huì)遇態(tài)勢(shì)辨識(shí)模型,實(shí)現(xiàn)對(duì)SVM初步辨識(shí)結(jié)果的平滑濾波,消除誤判虛警的情況,提高辨識(shí)準(zhǔn)確率。選取長(zhǎng)江口南槽交匯水域的AIS數(shù)據(jù)開(kāi)展模型和方法驗(yàn)證,結(jié)果表明:SVM-BF能以較高準(zhǔn)確率對(duì)交叉態(tài)勢(shì)、對(duì)遇態(tài)勢(shì)和追越態(tài)勢(shì)等態(tài)勢(shì)進(jìn)行辨識(shí)。在SVM模型產(chǎn)生誤判的情況下,SVM-BF模型依然可根據(jù)累積的期望做出正確的辨識(shí)結(jié)果。提出的模型和方法可應(yīng)用于交匯水域的會(huì)遇態(tài)勢(shì)自動(dòng)識(shí)別與預(yù)警。今后可在辨識(shí)模型中考量更多的會(huì)遇特征參量,并進(jìn)一步探究影響會(huì)遇態(tài)勢(shì)演化的相關(guān)因素,以提升模型的準(zhǔn)確性。