莊素婕， 楊 星,3， 劉克中,3， 馬天明， 戴文伯， 陳新華

(1.武漢理工大學(xué) 航運(yùn)學(xué)院， 湖北 武漢 430063; 2.武漢理工大學(xué) 安全科學(xué)與應(yīng)急管理學(xué)院， 湖北 武漢 430063; 3.湖北省內(nèi)河航運(yùn)技術(shù)重點(diǎn)實(shí)驗(yàn)室， 湖北 武漢 430063；4.中交疏浚技術(shù)裝備國(guó)家工程研究中心有限公司，上海 201306)

耙吸式挖泥船是中大型自航、自載式挖泥船，因其廣泛的適應(yīng)性和經(jīng)濟(jì)性成為當(dāng)今疏浚界的主力施工船舶[1]。在工程中，岸上監(jiān)管人員通過工作日志了解挖泥船實(shí)際施工效果，由于人工填報(bào)存在較大誤差且具有滯后性，日志數(shù)據(jù)無法滿足岸上監(jiān)管的需求[2-3],因而從船舶軌跡數(shù)據(jù)中挖掘船舶行為規(guī)律對(duì)于耙吸式挖泥船施工效率優(yōu)化具有重要意義。

耙吸式挖泥船的行為辨識(shí)存在較大困難。首先，船舶的行為模式轉(zhuǎn)換過于頻繁，耙吸式挖泥船通常會(huì)在一個(gè)指定的施工區(qū)域內(nèi)重復(fù)多個(gè)工作周期完成疏浚任務(wù)，一個(gè)完整工作周期需在空載航行、挖泥作業(yè)、滿載航行以及拋泥作業(yè)中轉(zhuǎn)換4次行為模式。其次，AIS航行狀態(tài)數(shù)據(jù)的缺失加大了行為辨識(shí)的難度。船舶自動(dòng)識(shí)別系統(tǒng)的強(qiáng)制安裝要求使海量軌跡數(shù)據(jù)的獲取成為可能，然而絕大多數(shù)挖泥船在AIS使用中存在問題[4]。AIS規(guī)范操作要求挖泥船正常航行時(shí)的航行狀態(tài)為“機(jī)動(dòng)船在航”，在挖泥、拋泥作業(yè)時(shí)，航行狀態(tài)需更改為“操縱能力受限制”，意味著挖泥作業(yè)時(shí)船舶狀態(tài)需要在“機(jī)動(dòng)船在航—操縱能力受限制—機(jī)動(dòng)船在航”之間來回切換。實(shí)際操作中，操作人員一般將進(jìn)入挖泥區(qū)域到所有挖泥作業(yè)結(jié)束的整個(gè)流程設(shè)定為“操縱能力受限制”，人為疏忽導(dǎo)致輸入AIS的航行狀態(tài)信息與實(shí)際情況不匹配。

隨著數(shù)據(jù)挖掘技術(shù)的不斷發(fā)展，國(guó)內(nèi)外學(xué)者對(duì)船舶行為的研究逐漸從模型驅(qū)動(dòng)轉(zhuǎn)變?yōu)閿?shù)據(jù)驅(qū)動(dòng)[5]。朱飛祥等[6]通過關(guān)聯(lián)規(guī)則算法挖掘整個(gè)海域船舶行為模式，為降低軌跡數(shù)據(jù)復(fù)雜度，采用地理網(wǎng)格技術(shù)劃分水域。Kraus等[7]針對(duì)AIS數(shù)據(jù)的位置特征和行為特征，使用隨機(jī)森林算法實(shí)現(xiàn)船舶類型的有效識(shí)別。王立林等[8]根據(jù)軌跡數(shù)據(jù)特性，設(shè)計(jì)了基于多尺度卷積的行為識(shí)別網(wǎng)絡(luò)。Vespe等人[9]對(duì)漁船速度建立高斯混合模型達(dá)到捕魚行為辨識(shí)的效果。以上方法在快速、高效地挖掘船舶行為方面取得了一定成果，但是對(duì)數(shù)據(jù)集的要求較高，需要有大量的先驗(yàn)數(shù)據(jù)進(jìn)行模型訓(xùn)練，而且隨著移動(dòng)對(duì)象數(shù)據(jù)量的增長(zhǎng)，這些方法的計(jì)算量將大幅提升[10]。

綜上所述，以上方法對(duì)先驗(yàn)數(shù)據(jù)要求較高，并不適用于航行狀態(tài)數(shù)據(jù)缺失的耙吸式挖泥船行為辨識(shí)。針對(duì)行為模式轉(zhuǎn)換頻繁，以及AIS先驗(yàn)數(shù)據(jù)缺失問題，結(jié)合耙吸式挖泥船作業(yè)特征，提出一種無監(jiān)督船舶行為辨識(shí)方法。

1 耙吸式挖泥船工作狀態(tài)分析

耙吸式挖泥船是一種裝備有耙頭挖掘機(jī)具和水力吸泥裝置的大型自航、裝倉(cāng)式挖泥船[11]，其一個(gè)完整工作周期由四個(gè)過程組成，如圖1所示。首先船舶空載航行至指定挖泥區(qū)域，然后在該航段來回挖泥。挖泥作業(yè)時(shí)其對(duì)地航速的選擇與土質(zhì)有關(guān)，淤泥或軟土容易被耙吸，對(duì)地航速一般在2 kn左右，土質(zhì)為較高塑性粘土、亞粘土、密實(shí)細(xì)沙時(shí)，一般為3～4 kn[12]；在維持30～60 min挖泥作業(yè)后泥艙裝滿，船舶滿載航行至拋泥區(qū)卸泥，然后空載返回至挖泥區(qū)域開始新一輪的工作。

圖1 工作過程示意圖

耙吸式挖泥船施工作業(yè)時(shí)其航速遵循周期性變化規(guī)律，如圖2所示，每個(gè)周期由abcd四個(gè)部分組成。a、c片段分別為空載和滿載航行狀態(tài)，此時(shí)船舶航速維持在10 kn以上；b片段反映了船舶挖泥作業(yè)時(shí)的速度特點(diǎn)，船舶航速在較長(zhǎng)一段時(shí)間內(nèi)保持在2～5 kn，與拋泥作業(yè)(d片段)相比，挖泥行為的平均航速更高，持續(xù)時(shí)間更長(zhǎng)。耙吸式挖泥船的速度特征表明：① 耙吸式挖泥船工作時(shí)的行為模式是頻繁轉(zhuǎn)換的，每個(gè)工作周期轉(zhuǎn)換4次；② 平均航速可用于區(qū)分航行行為與作業(yè)行為，空載航行與滿載航行的平均航速明顯高于挖泥和拋泥作業(yè)；③ 作業(yè)持續(xù)時(shí)長(zhǎng)可用于區(qū)分挖泥行為與拋泥行為，每一次挖泥作業(yè)的持續(xù)時(shí)間都顯著大于拋泥作業(yè)。

圖2 耙吸式挖泥船航速變化圖

耙吸式挖泥船在指定區(qū)域內(nèi)往返施工作業(yè)使其挖泥區(qū)域軌跡明顯較其他區(qū)域密集，然而在實(shí)際軌跡路線中，幾乎所有區(qū)域的軌跡都呈現(xiàn)出重疊往復(fù)的特征，如圖3所示。雖然c中的軌跡密度明顯高于a、b兩處，但只能粗略判斷船舶在該處進(jìn)行了挖泥作業(yè)，因?yàn)閏處的軌跡都是由正常航行與挖泥作業(yè)共同造成的，因而傳統(tǒng)的基于密度的DBSCAN聚類方法無法應(yīng)用于耙吸式挖泥船的行為辨識(shí)。

圖3 耙吸式挖泥船軌跡圖

結(jié)合以上特征，將耙吸式挖泥船整個(gè)作業(yè)過程中的行為劃分為三類：正常航行行為、挖泥行為、拋泥行為。不同行為特點(diǎn)如圖4所示。

圖4 作業(yè)過程航速及時(shí)間特征

2 耙吸式挖泥船行為辨識(shí)方法

2.1 算法思想

DBSCAN算法是由Ester[13]提出的一種基于密度的聚類方法，該方法將高密度區(qū)域劃分為一類，并可以在帶有“噪聲”的空間數(shù)據(jù)中發(fā)現(xiàn)任意形狀的聚簇。耙吸式挖泥船因其軌跡路徑過于密集，無法直接通過空間密度區(qū)分不同行為，如圖5所示，在空間結(jié)構(gòu)上，每一處的軌跡點(diǎn)都是密集的，因此，時(shí)空維度的DBSCAN算法無法直接應(yīng)用于船舶行為辨識(shí)。

圖5 軌跡空間結(jié)構(gòu)分布圖

結(jié)合其航速的周期性特征，將空間坐標(biāo)轉(zhuǎn)換為時(shí)間—航速坐標(biāo)，如圖6所示，可以發(fā)現(xiàn)航速在時(shí)間序列上也具有“密度”的性質(zhì)。與空間結(jié)構(gòu)上的密度聚類不同，航速是在時(shí)間序列上的變化，不能以鄰域半徑內(nèi)的最小點(diǎn)數(shù)作為聚合標(biāo)準(zhǔn)，應(yīng)考慮單位時(shí)間鄰域半徑內(nèi)的最小軌跡長(zhǎng)度。因此借鑒DBSCAN算法的原理，在時(shí)間序列上將航速密集區(qū)域劃分為一個(gè)簇，從而提取整條單軌跡中具有相同航速特征的子軌跡。

圖6 航速在時(shí)間序列上的分布圖

2.2 低速軌跡聚類

Palma等人[14]最早發(fā)現(xiàn)速度在密度方面的性質(zhì)，提出CB-SMoT(Clustering-based Stops and Moves of Trajectories)算法，用于發(fā)現(xiàn)軌跡中的低速區(qū)域。該方法對(duì)DBSCAN算法進(jìn)行改進(jìn)，以最小時(shí)間MinT代替使區(qū)域密集的最小點(diǎn)數(shù)，兩點(diǎn)軌跡上的距離之和ε代替直線距離，ε與MinT之比就是各個(gè)鄰域的最大平均速度。通過增大MinT參數(shù)，所提取軌跡的平均速度就會(huì)降低。該方法的相關(guān)定義如下。

定義1:令p=(x,y,t)，x，y為該點(diǎn)經(jīng)緯度，t為該時(shí)刻時(shí)間戳。

定義2:點(diǎn)pk的ε鄰域?yàn)閜i的集合：

LNε(pk)=

(1)

式中:ε為起始點(diǎn)與軌跡上相鄰點(diǎn)之間的最大距離;d(pi,pi+1)表示pi與pi+1的軌跡距離，pk的鄰域由兩側(cè)相鄰點(diǎn)間距離之和不超過ε的軌跡子段構(gòu)成。

定義3:如果p的鄰域滿足：

|tn-tm|?MinT

則點(diǎn)p=(xp,yp,tp)稱為軌跡的核心點(diǎn)。其中MinT是使區(qū)域密集的最小時(shí)間，n是LNε(p)的最后一個(gè)點(diǎn)，m是第一個(gè)點(diǎn)(鄰域按時(shí)間排序)。

定義4:如果q∈LNε(pk)并且p是關(guān)于ε和MinT的核心點(diǎn)，則點(diǎn)q可以直接密度可達(dá)點(diǎn)p。

定義5:如果存在鏈q0，q1，q2，…，qN，且qN=p，pk+1是從pk關(guān)于ε和MinT直接密度可達(dá)的，則點(diǎn)q0從點(diǎn)p相對(duì)于ε和MinT密度可達(dá)。

定義6:如果存在點(diǎn)o，使得點(diǎn)p和q是從o關(guān)于ε和MinT密度可達(dá)，那p和q是關(guān)于ε和MinT密度相連的。

下面以圖7的聚類過程介紹CB-SMoT算法流程。第一步，任意選取起始點(diǎn)P，生成P的ε鄰域。圖中軌跡段1、2、3的長(zhǎng)度之和與軌跡段4、5的長(zhǎng)度之和小于ε，即d(p4,p5)+d(p5,p6)+d(p6,p)≤ε且d(p,p8)+d(p8,p9)≤ε，得到P的ε鄰域?yàn)閧p4,p5,p6,p,p8,p9}。第二步，判定P是否為核心點(diǎn)。如果軌跡段1～5的持續(xù)時(shí)間之和大于MinT，即

圖7 CB-SMoT聚類過程示意圖

|t9-t4|?MinT，那么點(diǎn)P為核心點(diǎn)，生成簇C并將P鄰域內(nèi)所有點(diǎn)放入。第三步，擴(kuò)展簇C。取C中未標(biāo)記點(diǎn)，通過定義4～6對(duì)簇C進(jìn)行擴(kuò)展，遍歷所有軌跡點(diǎn)。

2.3 多模式同步聚類方法

CB-SMoT算法能夠高效識(shí)別低速軌跡，但是它的局限性在于只在速度低于給定閾值的軌跡段生成聚類，在圖6中，CB-SMoT算法只在大圓處生成聚類，無法發(fā)現(xiàn)小圓處高密度區(qū)域；而且CB-SMoT算法每次運(yùn)行只能識(shí)別一種具有相同速度特征的軌跡，對(duì)于不同的閾值，算法需運(yùn)行多次。

在此基礎(chǔ)上，對(duì)CB-SMoT算法進(jìn)行改進(jìn)：

1) 在核心點(diǎn)判別上，對(duì)MinT參數(shù)進(jìn)行區(qū)間劃分，使算法能夠辨識(shí)任意區(qū)間的具有相同速度特征的軌跡。那么定義3將變?yōu)?/p>

MinTn-1?|tn-tm|?MinTn

(2)

2) 在聚類流程中添加核心點(diǎn)類別判別過程，通過鄰域平均航速判斷該軌跡段所屬行為類別，實(shí)現(xiàn)多模式同步聚類。

多模式同步聚類方法的基本思想是：首先，檢驗(yàn)每一個(gè)對(duì)象與相鄰軌跡點(diǎn)之間的時(shí)間間隔是否小于用戶給定的閾值，若小于閾值就認(rèn)為這個(gè)對(duì)象周圍足夠密集，判定該點(diǎn)為核心點(diǎn)。然后，根據(jù)核心點(diǎn)鄰域的時(shí)長(zhǎng)對(duì)這條子軌跡進(jìn)行分類，時(shí)長(zhǎng)越長(zhǎng)，表明該段軌跡平均航速越低。最后，對(duì)核心鄰域進(jìn)行擴(kuò)展，得到不同行為模式的聚類結(jié)果。多模式同步聚類方法流程見圖8。

圖8 多模式同步聚類方法流程圖

通過上述過程，遍歷完所有的軌跡點(diǎn)對(duì)象，最終類C…G確定下來，并且分別對(duì)應(yīng)不同行為模式，如圖9所示。圖中用戶共設(shè)置了3種模式，模式3的平均航速最低，說明該模式對(duì)應(yīng)的最小持續(xù)時(shí)間閾值minT最大，模式2的平均航速最高，對(duì)應(yīng)的minT最小。行為辨識(shí)方法按照用戶設(shè)定的類別將簇劃分為n類，每一類中包含平均速度符合閾值條件的所有子軌跡。對(duì)聚類所得子軌跡進(jìn)行篩選，若軌跡持續(xù)時(shí)長(zhǎng)|tn-tm|大于該模式的最大持續(xù)時(shí)長(zhǎng)，則在軌跡兩端去掉一個(gè)速度較大的點(diǎn)直到持續(xù)時(shí)間滿足條件；若|tn-tm|小于該模式的最小持續(xù)時(shí)長(zhǎng)，則舍棄該軌跡。經(jīng)過軌跡篩選可得模式識(shí)別最終結(jié)果。

圖9 改進(jìn)算法結(jié)果示意圖

2.4 效率指標(biāo)計(jì)算

效率指標(biāo)計(jì)算通過行網(wǎng)格化處理挖泥子軌跡，量化挖泥區(qū)域面積、挖泥時(shí)長(zhǎng)以及挖泥軌跡總長(zhǎng)度。采用均勻網(wǎng)格劃分方法，將經(jīng)緯度劃分成等寬的區(qū)間，因?yàn)閱挝幻娣e區(qū)域被挖泥子軌跡穿越的頻數(shù)越高，則該區(qū)域是挖泥區(qū)域內(nèi)一部分的可能性越大，所以對(duì)穿越頻數(shù)較高的網(wǎng)格聚類即可得到挖泥區(qū)域。

包含n個(gè)高頻網(wǎng)格的挖泥區(qū)域面積S的計(jì)算公式為

S=n×S單位網(wǎng)格

(3)

即單位網(wǎng)格面積與網(wǎng)格數(shù)的乘積。

每個(gè)高頻網(wǎng)格內(nèi)包含m個(gè)軌跡片段，pki表示第k個(gè)網(wǎng)格內(nèi)的第i個(gè)軌跡點(diǎn)，則施工時(shí)長(zhǎng)Time計(jì)算公式為

(4)

式中，t(pi,pj)為兩點(diǎn)間時(shí)間間隔。

挖泥軌跡總長(zhǎng)度L計(jì)算公式為

(5)

3 挖泥船行為辨識(shí)實(shí)例及應(yīng)用

為了驗(yàn)證模型的可行性，選取MMSI編號(hào)為“412678000”的耙吸式挖泥船真實(shí)AIS數(shù)據(jù)進(jìn)行驗(yàn)證，刪除明顯超過合理值的數(shù)據(jù)，包括錯(cuò)誤的船位、速度等，采用三次樣條插值方法[15]修復(fù)軌跡點(diǎn)，經(jīng)預(yù)處理后數(shù)據(jù)包含24 518個(gè)軌跡點(diǎn)(已剔除速度為零的軌跡點(diǎn))，為該船2016年7月20日至2016年9月26日的航行數(shù)據(jù)。期間該船軌跡的經(jīng)度跨度為0.721°，緯度跨度為0.321°，樣本軌跡點(diǎn)分布如圖10所示。

圖10 軌跡點(diǎn)分布圖

通過挖泥船行為辨識(shí)模型對(duì)該數(shù)據(jù)進(jìn)行處理，反復(fù)進(jìn)行實(shí)驗(yàn)，當(dāng)ε=0.5 n mile、minT1=1 200 s、minT2=600 s、minT3=450 s、minT4=180 s時(shí)聚類結(jié)果比較理想，minT1設(shè)置拋泥行為平均速度小于1.5 kn，minT2、minT3設(shè)置挖泥行為平均速度介于3～4 kn，minT4設(shè)置航行行為平均速度大于10 kn。實(shí)驗(yàn)共提取到拋泥子軌跡93條，挖泥子軌跡653條，航行子軌跡879條，如圖11所示。其中藍(lán)色軌跡為提取到的挖泥行為，可以發(fā)現(xiàn)挖泥區(qū)域非常集中，拋泥行為所在區(qū)域與挖泥區(qū)域距離較遠(yuǎn)且比較集中，與實(shí)際情況相符。圖12為三種行為在速度維度的部分聚類結(jié)果圖，可以看到每種行為之間具有明顯的分割距離，辨識(shí)效果較好。

圖11 行為模式辨識(shí)結(jié)果

圖12 速度維度辨識(shí)結(jié)果

通過網(wǎng)格化處理辨識(shí)得到的挖泥行為，篩選出挖泥子軌跡多次穿越的網(wǎng)格,然后對(duì)所有網(wǎng)格進(jìn)行量化處理，得到粗略疏浚面積11.11平方海里，疏浚時(shí)長(zhǎng)為22天12小時(shí)6分鐘，挖泥子軌跡總長(zhǎng)度為1 412.27 n mile。

為比較算法優(yōu)劣，對(duì)改進(jìn)的多模式同步聚類算法與CB-SMoT算法進(jìn)行比較,以該船工作日志中的數(shù)據(jù)作為真實(shí)結(jié)果檢驗(yàn)算法準(zhǔn)確率，結(jié)果如表1所示。

表1 兩種算法對(duì)比

從表1中可以看出，多模式同步聚類方法在38.02 s完成挖泥和拋泥行為提取，CB-SMoT算法共用了72.31 s，多模式同步聚類方法在挖掘軌跡數(shù)量方面劣于傳統(tǒng)的CB-SMoT算法，但是在運(yùn)行速度和準(zhǔn)確度方面皆優(yōu)于CB-SMoT算法。這是因?yàn)槎嗄Ｊ酵骄垲惙椒ㄔ贑B-SMoT基礎(chǔ)上對(duì)子軌跡進(jìn)行篩選及分類，在增加少量復(fù)雜度的代價(jià)下大幅度提高模式識(shí)別速率以及準(zhǔn)確率。

由于每條耙吸式挖泥船的性能以及疏浚任務(wù)不同，在使用行為辨識(shí)模型時(shí)需要對(duì)數(shù)據(jù)進(jìn)行調(diào)參，不斷調(diào)整ε、minT閾值，得到最佳的模式識(shí)別準(zhǔn)確率，在此基礎(chǔ)上計(jì)算得到的挖泥效率指標(biāo)也會(huì)更加準(zhǔn)確。

4 結(jié) 語(yǔ)

耙吸式挖泥行為辨識(shí)存在較大難度，在AIS數(shù)據(jù)航行狀態(tài)缺失條件下，設(shè)計(jì)并實(shí)現(xiàn)了耙吸式挖泥船不同行為的高效辨識(shí)方法?？偨Y(jié)了耙吸式挖泥船施工作業(yè)時(shí)航速的周期性變化規(guī)律，定義正常航行、挖泥、拋泥三種行為；對(duì)CB-SMoT算法進(jìn)行改進(jìn)，劃分閾值區(qū)間，實(shí)現(xiàn)多模式同步聚類；最后網(wǎng)格化處理挖泥軌跡，提出粗略估計(jì)挖泥效率指標(biāo)的新方法。應(yīng)用結(jié)果表明，多模式聚類方法能夠高效處理復(fù)雜軌跡，耙吸式挖泥船行為辨識(shí)準(zhǔn)確率可達(dá)到94%。該方法對(duì)疏浚作業(yè)的監(jiān)管具有實(shí)際指導(dǎo)意義，可為船舶交通流特征提取、船舶異常行為檢測(cè)等提供借鑒。