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。

1 會(huì)遇特征序列構(gòu)建

1.1 會(huì)遇特征參量計(jì)算

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。

1.2 會(huì)遇特征序列提取

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)

2 基于SVM-BF會(huì)遇態(tài)勢(shì)辨識(shí)

2.1 辨識(shí)模型

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)。

2.2 辨識(shí)算法

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

3 試驗(yàn)與分析

3.1 試驗(yàn)水域

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。

3.2 實(shí)例分析

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)

3.3 總體結(jié)果

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

4 結(jié)束語(yǔ)

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。