徐文進(jìn), 董少康

(青島科技大學(xué) 信息科學(xué)技術(shù)學(xué)院, 青島 266061)

中國(guó)是一個(gè)人口大國(guó), 也是一個(gè)漁業(yè)大國(guó), 近年來(lái),漁業(yè)從業(yè)人員與日俱增, 截止2020 年年末, 我國(guó)的漁船總數(shù)為56.33 萬(wàn)艘, 海洋捕撈的產(chǎn)值為2197.20 億元, 漁業(yè)捕撈為我國(guó)沿海經(jīng)濟(jì)的發(fā)展做出了重要的貢獻(xiàn)[1]. 但是隨著漁業(yè)經(jīng)濟(jì)的不斷發(fā)展, 未報(bào)告、過(guò)度和非法捕撈問(wèn)題日益嚴(yán)重[2]. 這些行為不斷破壞海洋的可持續(xù)性. 據(jù)聯(lián)合國(guó)糧食及農(nóng)業(yè)組織估計(jì), 世界17%的海洋物種被過(guò)度捕撈, 6%的海洋物種已滅絕[3]. 為了保護(hù)剩下的漁業(yè)資源, 實(shí)現(xiàn)漁業(yè)的可持續(xù)發(fā)展, 對(duì)漁船的作業(yè)進(jìn)行監(jiān)督管理變得越來(lái)越重要.

隨著船舶自動(dòng)識(shí)別系統(tǒng)(AIS)的廣泛部署, 產(chǎn)生了大量的軌跡數(shù)據(jù)[4]. AIS 軌跡數(shù)據(jù)中包含了大量的船舶運(yùn)動(dòng)信息, 如位置經(jīng)緯度, 對(duì)地航速(SOG)和對(duì)地航向(COG)[5], 這些信息可以顯示漁船完整的捕撈活動(dòng),為漁業(yè)管理提供了有價(jià)值的信息[6]. 利用漁船的AIS軌跡數(shù)據(jù)監(jiān)測(cè)漁船的作業(yè)方式比傳統(tǒng)的現(xiàn)場(chǎng)監(jiān)測(cè)具有難度小、成本低、風(fēng)險(xiǎn)低等優(yōu)點(diǎn). 所以國(guó)內(nèi)外學(xué)者基于AIS 軌跡數(shù)據(jù)提出了許多漁船作業(yè)類型識(shí)別算法進(jìn)行漁船監(jiān)測(cè). 現(xiàn)有的識(shí)別方法大致可以分為兩類: 一類是基于機(jī)器學(xué)習(xí)的方法[7–10], 另一類是基于深度學(xué)習(xí)的方法[11–14]. 傳統(tǒng)的基于機(jī)器學(xué)習(xí)的算法需要手動(dòng)提取特征, 學(xué)習(xí)的是淺層的特征. 隨著深度學(xué)習(xí)的發(fā)展, 學(xué)者提出的基于深度學(xué)習(xí)的算法則能自動(dòng)學(xué)習(xí)特征. 但是這兩類算法使用的都是AIS 軌跡中位置經(jīng)緯度、速度、加速度和航向等運(yùn)動(dòng)特征, 忽略了軌跡的時(shí)域特征.

為了解決上述問(wèn)題, 本文提出了一個(gè)基于滑動(dòng)窗口和LSTM 自動(dòng)編碼器的漁船作業(yè)類型識(shí)別算法. 該算法基于深度學(xué)習(xí), 能從軌跡數(shù)據(jù)中自動(dòng)學(xué)習(xí)運(yùn)動(dòng)特征和時(shí)域特征, 提高了識(shí)別的準(zhǔn)確率. 本文的具體內(nèi)容和貢獻(xiàn)如下:

(1)針對(duì)每一條漁船的AIS 軌跡數(shù)據(jù)采樣時(shí)間不同、數(shù)據(jù)稀疏和數(shù)據(jù)量過(guò)大的問(wèn)題, 我們采用滑動(dòng)窗口提取軌跡的運(yùn)動(dòng)特征.

(2)提出利用LSTM 自動(dòng)編碼器生成軌跡的深度表征向量, 重構(gòu)軌跡特征, 提取軌跡的運(yùn)動(dòng)特征、時(shí)域特征和隱含特征.

(3)在LSTM 自動(dòng)編碼器中嵌入Softmax 分類器.并構(gòu)造一個(gè)新的損失函數(shù), 利用新的損失函數(shù)反向傳播優(yōu)化網(wǎng)絡(luò). 最終實(shí)現(xiàn)拖網(wǎng)漁船與圍網(wǎng)漁船的精確識(shí)別.

1 相關(guān)工作

目前, 利用漁船AIS 軌跡數(shù)據(jù)進(jìn)行漁船作業(yè)監(jiān)測(cè)的算法越來(lái)越多. 隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的發(fā)展, 國(guó)內(nèi)外相關(guān)學(xué)者圍繞這兩個(gè)方面提出了很多漁船作業(yè)類型識(shí)別算法.

基于機(jī)器學(xué)習(xí)的識(shí)別算法需要手動(dòng)構(gòu)建特征. 依據(jù)不同漁船之間進(jìn)行捕撈時(shí)速度、航向角的變化趨勢(shì)不同, Souza 等人[7]以速度為主要的影響因素, 提出了一個(gè)識(shí)別拖網(wǎng)、圍網(wǎng)、延繩釣3 種漁船的算法. Huang等人[8]使用特征工程和XGBoost 兩個(gè)模塊構(gòu)建了一個(gè)識(shí)別模型, 用于識(shí)別7 種類型的漁船. Gao 等人[9]為了充分利用數(shù)據(jù)中包含的信息, 克服以往使用單一數(shù)據(jù)進(jìn)行漁船作業(yè)類型識(shí)別的弊端, 將漁業(yè)監(jiān)管機(jī)構(gòu)的政策文件和數(shù)據(jù)與AIS 數(shù)據(jù)進(jìn)行融合并利用XGBoost進(jìn)行識(shí)別, 提升了識(shí)別的準(zhǔn)確率. Guan 等人[10]從漁船AIS 軌跡提取60 個(gè)特征, 利用LightGBM (light gradient boosting machine)方法進(jìn)行漁船作業(yè)分類.

基于深度學(xué)習(xí)的算法可以自動(dòng)學(xué)習(xí)軌跡特征,Kroodsma 等人[11]使用CNN 將7000 多條漁船數(shù)據(jù)劃分為6 種作業(yè)類型. 鄭巧玲等人[12]以我國(guó)近海3 種不同類型78 艘漁船為研究對(duì)象, 基于航速和航向設(shè)計(jì)了對(duì)應(yīng)的BP 神經(jīng)網(wǎng)絡(luò), 提出的模型能準(zhǔn)確識(shí)別拖網(wǎng)和張網(wǎng)漁船. 湯先峰等人[13]將漁船AIS 軌跡數(shù)據(jù)轉(zhuǎn)化為圖片, 利用自定義的CNN 網(wǎng)絡(luò)提取軌跡的空間特征進(jìn)行漁船作業(yè)類型識(shí)別, 提出的算法在刺網(wǎng)和拖網(wǎng)漁船的數(shù)據(jù)集上進(jìn)行了驗(yàn)證, 具有較高的準(zhǔn)確率. Kim等人[14]用基于滑動(dòng)窗口的數(shù)據(jù)切片方法來(lái)生成訓(xùn)練數(shù)據(jù)集. 使用CNN 構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行漁船作業(yè)類型識(shí)別.

2 相關(guān)概念

AIS 軌跡. 一條漁船AIS 軌跡是由一組有序的空間點(diǎn)組成. 它可以表示為Tra=(p0,p1,···,pi,···,pn),0 ≤i≤n, 其中pi=(lati,loni,ti,fi),lati和loni代表ti時(shí)刻的位置坐標(biāo),fi代表ti時(shí)刻軌跡點(diǎn)的運(yùn)動(dòng)特征(如速度、航向、加速度等).

漁船類型. 進(jìn)行海洋捕撈的漁船按捕撈方式可以分為拖網(wǎng)、圍網(wǎng) 刺網(wǎng)、延繩釣等. 我國(guó)的漁船作業(yè)方式以拖網(wǎng)和圍網(wǎng)為主. 拖網(wǎng)漁船主要圍捕底層和中下層水域的魚類. 圍網(wǎng)漁船主要圍捕中層和中上層水域的魚類. 拖網(wǎng)漁船捕撈時(shí)的軌跡一般是直線, 航向變化小, 由于要拖曳網(wǎng)具, 所以需要定速行駛較長(zhǎng)時(shí)間, 速度一般為3–6 海里/小時(shí). 圍網(wǎng)漁船捕撈時(shí)的軌跡呈圓形, 航向時(shí)刻變化, 當(dāng)收到某海域發(fā)現(xiàn)密集魚群的信息時(shí), 需要快速駛向中心漁場(chǎng), 所以圍網(wǎng)漁船的速度變化較大并且最高速度可以達(dá)到14 海里/小時(shí). 圖1 顯示了編號(hào)為27034 (拖網(wǎng))、23457 (圍網(wǎng))漁船航跡圖、速度和航向變化圖.

圖1 編號(hào)為27034 (拖網(wǎng))、23457 (圍網(wǎng))漁船航跡圖、速度和航向變化圖

3 本文算法

本節(jié)介紹了提出的算法. 如圖2 所示, 第①部分顯示了原始的軌跡數(shù)據(jù); 第②部分顯示了特征提取方法,在3.1 節(jié)給出了具體介紹; 第③部分LSTM 自動(dòng)編碼器用于重構(gòu)原始軌跡, 學(xué)習(xí)軌跡的運(yùn)動(dòng)特征、時(shí)域特征和隱含特征, 并將這些特征向量輸入Softmax 分類器進(jìn)行分類, 詳細(xì)介紹在3.2 節(jié)給出; 第④部分顯示使用提出算法得到的分類數(shù)據(jù).

圖2 漁船作業(yè)類型識(shí)別算法框架

3.1 特征提取方法

AIS 系統(tǒng)進(jìn)行數(shù)據(jù)采樣時(shí), 會(huì)存在數(shù)據(jù)丟失的情況且每一條漁船的AIS 軌跡數(shù)據(jù)過(guò)于龐大、稀疏[15].限制軌跡大數(shù)據(jù)進(jìn)行挖掘分析、應(yīng)用的最重要因素也是海量的數(shù)據(jù)規(guī)模和數(shù)據(jù)采樣精度[16]. 針對(duì)這一問(wèn)題,本文提出利用滑動(dòng)窗口處理原始的AIS 軌跡數(shù)據(jù), 提取軌跡的運(yùn)動(dòng)特征. 軌跡特征提取的原理是利用設(shè)定的滑動(dòng)窗口遍歷整條漁船軌跡, 計(jì)算每個(gè)窗口中的軌跡點(diǎn)的統(tǒng)計(jì)信息并生成特征序列. 該方法在拓展每個(gè)窗口內(nèi)軌跡點(diǎn)的特征、降低了數(shù)據(jù)的長(zhǎng)度, 同時(shí)解決了數(shù)據(jù)稀疏的問(wèn)題. 特征提取方法的具體步驟如下:

Step 1. 直接從數(shù)據(jù)庫(kù)中獲取的軌跡會(huì)存在速度、坐標(biāo)、航向角的離群點(diǎn). 因此采用經(jīng)驗(yàn)閾值過(guò)濾這些異常點(diǎn), 并通過(guò)經(jīng)緯度重新計(jì)算航向角. 式(1)給出了計(jì)算過(guò)程. 其中l(wèi)oni代表ti時(shí)刻軌跡點(diǎn)的經(jīng)度, 其中l(wèi)ati代表ti時(shí)刻軌跡點(diǎn)的緯度.

Step 2. 通過(guò)式(2)計(jì)算漁船行駛的加速度, 拓展軌跡序列的特征.vti代表ti時(shí)刻軌跡點(diǎn)的速度

Step 3. 初始化滑動(dòng)窗口的寬度W和滑動(dòng)步長(zhǎng)S.

Step 4. 利用滑動(dòng)窗口遍歷所有軌跡, 記錄每一個(gè)窗口內(nèi)軌跡點(diǎn). 由于采樣精度的不同以及數(shù)據(jù)的丟失,有些窗口會(huì)沒(méi)有軌跡點(diǎn). 如圖3 所示, 顯示了使用W=10 min的滑動(dòng)窗口遍歷漁船30 min 內(nèi)采集的軌跡的示意圖, 從圖中可以看出, 第1 個(gè)窗口中有p1,p2,p3三個(gè)軌跡點(diǎn), 第2 個(gè)窗口中的軌跡點(diǎn)為p3, 同時(shí)可以看出第3 個(gè)窗口沒(méi)有軌跡點(diǎn).

圖3 滑動(dòng)窗口遍歷軌跡示意圖

Step 5. 計(jì)算每一個(gè)窗口內(nèi)所有軌跡點(diǎn)的速度、加速度、經(jīng)度、緯度、航向角的統(tǒng)計(jì)特征, 并挑選如下6 個(gè)統(tǒng)計(jì)特征: mean, max, min, 75% quantile, 50%quantile, 25% quantile.

Step 6. 組合所有的特征, 并生成 (b,T, 5×6) 的特征序列. 其中b表示漁船的數(shù)目,T表示窗口的數(shù)量,5×6表示5 個(gè)特征的統(tǒng)計(jì)特征的組合.

3.2 分類模型

提取特征序列后, 本文使用基于LSTM 自編碼器和Softmax 分類器的分類模型進(jìn)行漁船作業(yè)類型識(shí)別.分類模型如圖4 所示, 圖4(a)在第3.2.1 節(jié)進(jìn)行了詳細(xì)介紹. 在圖4(b)在第3.2.2 節(jié)進(jìn)行了詳細(xì)說(shuō)明.

圖4 分類模型

3.2.1 LSTM 自動(dòng)編碼器

自動(dòng)編碼器是一種無(wú)監(jiān)督學(xué)習(xí)方法, 能將不等長(zhǎng)的序列轉(zhuǎn)化為固定長(zhǎng)度的序列, 能更好地用于特征降維、獲取隱含特征. 相比于LSTM 提取軌跡的運(yùn)動(dòng)特征和時(shí)域特征, 在本文中, 我們使用多層長(zhǎng)短期記憶(LSTM)神經(jīng)網(wǎng)絡(luò)構(gòu)建自動(dòng)編碼器重構(gòu)軌跡的特征向量, 學(xué)習(xí)軌跡的運(yùn)動(dòng)特征、時(shí)域特征和隱含特征.

LSTM 是對(duì)傳統(tǒng)RNN 的一個(gè)改進(jìn), 它是由是Hochreiter 等人[17]在1997 年提出, LSTM 基本單元如圖5 所示, 主要由輸入門、遺忘門和輸出門控制長(zhǎng)期狀態(tài)C, 它們用來(lái)新增或刪除記憶細(xì)胞中的信息, 控制信息的流動(dòng), 式(3)–式(7)給出了圖中各個(gè)變量的更新過(guò)程, 其中W表示權(quán)重,b表示偏移量, σ表示激活函數(shù).LSTM 克服了長(zhǎng)序列訓(xùn)練進(jìn)行反向傳播時(shí)“梯度消失”和“梯度爆炸”的問(wèn)題. 并且在時(shí)序數(shù)據(jù)挖掘方面, 實(shí)現(xiàn)很多成功的應(yīng)用[18,19].

圖5 LSTM 基本單元示意圖

本文構(gòu)建的LSTM 自動(dòng)編碼器由2 層的LSTM編碼器、2 層LSTM 解碼器組成, 2 層LSTM 編碼器重構(gòu)軌跡特征, 輸出為 (b,N), 其中,N為重構(gòu)后軌跡特征的維度, 如圖4(a). 同時(shí), 本文選擇了均方誤差作為L(zhǎng)STM 自動(dòng)編碼器的損失函數(shù). 在式(8)給出了詳細(xì)的計(jì)算過(guò)程. 其中y?表示LSTM 解碼器輸出,x表示LSTM編碼器輸入即使用滑動(dòng)窗口獲取的特征向量 (b,T, 5×6).

3.2.2 Softmax 分類器

Softmax 分類器將特征按照分類個(gè)數(shù)進(jìn)行劃分, 保證類別是可分的, 這一點(diǎn)對(duì)多分類任務(wù)非常合適. 因此通過(guò)LSTM 自動(dòng)編碼器得到固定長(zhǎng)度的軌跡向量(b,N)后, 本文采用Softmax 分類器進(jìn)行漁船作業(yè)類型識(shí)別, 分類器輸出為0 和1, 代表兩種類型的漁船. 模型圖如圖4(b).

Softmax 進(jìn)行分類時(shí)采用的損失函數(shù)是交叉熵, 如式(9)所示.yi表示樣本i的類別,pi表示預(yù)測(cè)其中一個(gè)類的概率.

為了能讓網(wǎng)絡(luò)學(xué)習(xí)最佳參數(shù), 使分類效果達(dá)到最佳. 文中提出了一個(gè)全新的損失函數(shù), 如式(10)所示.網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí), 使用J進(jìn)行反向傳播, 使重構(gòu)特征進(jìn)行分類的準(zhǔn)確率最佳.

4 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證提出算法的有效性和可靠性, 在本節(jié)中,我們?cè)谡鎸?shí)的數(shù)據(jù)集上評(píng)估了提出的算法. 第4.1 節(jié)給出了實(shí)驗(yàn)數(shù)據(jù)來(lái)源, 第4.2 節(jié)給出了實(shí)驗(yàn)結(jié)果及與其他深度學(xué)習(xí)算法的比較分析.

4.1 實(shí)驗(yàn)數(shù)據(jù)集和評(píng)估指標(biāo)

A. 實(shí)驗(yàn)數(shù)據(jù)集

使用的數(shù)據(jù)集是2020 年數(shù)字中國(guó)創(chuàng)新大賽(智慧海洋建設(shè))提供的數(shù)據(jù)集. 我們提取了其中包括圍網(wǎng)漁船3002 條和拖網(wǎng)漁船2632 條一共5634 條漁船AIS軌跡進(jìn)行實(shí)驗(yàn). 表1 顯示了漁船AIS 軌跡數(shù)據(jù)的詳細(xì)信息.

表1 漁船AIS 軌跡數(shù)據(jù)信息

B. 評(píng)估指標(biāo)

本文采用式(11)計(jì)算分類的準(zhǔn)確度. 其中T拖網(wǎng)代表拖網(wǎng)漁船預(yù)測(cè)識(shí)別正確的總數(shù),T圍網(wǎng)代表圍網(wǎng)漁船預(yù)測(cè)識(shí)別正確的總數(shù),F拖網(wǎng)代表拖網(wǎng)漁船預(yù)測(cè)識(shí)別錯(cuò)誤的總數(shù),F圍網(wǎng)代表圍網(wǎng)漁船預(yù)測(cè)識(shí)別錯(cuò)誤的總數(shù).

4.2 實(shí)驗(yàn)結(jié)果及分析

4.2.1 實(shí)驗(yàn)結(jié)果

在實(shí)驗(yàn)時(shí)滑動(dòng)窗口的寬度W設(shè)置7200 s, 滑動(dòng)步長(zhǎng)S設(shè)置為7200 s, 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率lr設(shè)置為0.001,訓(xùn)練epoch設(shè)置為100. 利用滑動(dòng)窗口生成的特征序列訓(xùn)練分類模型. 圖6 顯示了訓(xùn)練的損失函數(shù)與訓(xùn)練次數(shù)的關(guān)系曲線. 圖7 顯示了訓(xùn)練的精度與訓(xùn)練次數(shù)的關(guān)系曲線.

圖6 訓(xùn)練的損失函數(shù)與訓(xùn)練次數(shù)的關(guān)系曲線

圖7 訓(xùn)練的精度與訓(xùn)練次數(shù)的關(guān)系曲線

從圖6 和圖7 可以看出, 當(dāng)?shù)?00 次的時(shí)候測(cè)試集的損失函數(shù)達(dá)到最低為0.2670, 準(zhǔn)確率達(dá)到最高為95.82%.

4.2.2 對(duì)比分析

為了進(jìn)一步說(shuō)明提出算法的有效性, 本文在相同的實(shí)驗(yàn)環(huán)境下使用滑動(dòng)窗口生成的特征序列訓(xùn)練基于LSTM、CNN 和BP 神經(jīng)網(wǎng)絡(luò)的分類模型. 學(xué)習(xí)率設(shè)置為0.001, 訓(xùn)練次數(shù)設(shè)置為100 次, 實(shí)驗(yàn)結(jié)果如表2 所示.

表2 不同模型分類結(jié)果對(duì)比 (%)

從表2 的結(jié)果可以看出, 將滑動(dòng)窗口獲取的特征向量作為輸入, 使用LSTM、BP、CNN 和本文提出的算法識(shí)別漁船作業(yè)類型, 均取得了90%以上的準(zhǔn)確率,證明利用滑動(dòng)窗口預(yù)處理軌跡并提取軌跡特征是有效的. 同時(shí)本文算法在數(shù)據(jù)集上準(zhǔn)確率達(dá)到最優(yōu)證明提出的分類模型的可靠性. 與LSTM 模型相比, LSTM 自動(dòng)編碼器的準(zhǔn)確率更優(yōu), 說(shuō)明自動(dòng)編碼器在漁船識(shí)別中重構(gòu)軌跡特征后能學(xué)習(xí)到隱含特征, 導(dǎo)致漁船識(shí)別模型準(zhǔn)確率更高. 同時(shí)LSTM 分類模型準(zhǔn)確率高于BP 神經(jīng)網(wǎng)絡(luò)和CNN 分類模型說(shuō)明學(xué)習(xí)軌跡的時(shí)域特征的重要性.

5 結(jié)論與展望

拖網(wǎng)漁船捕撈海洋底層的魚類, 會(huì)破壞海底的微生物從而損壞水質(zhì), 對(duì)海洋生態(tài)造成不可逆的影響. 目前我國(guó)存在少量漁船擅自改變作業(yè)方式、未登記作業(yè)方式甚至在禁漁線內(nèi)作業(yè). 因此本文提出了一種基于滑動(dòng)窗口和LSTM 自動(dòng)編碼器的漁船作業(yè)類型識(shí)別算法, 用于監(jiān)測(cè)漁船的作業(yè)方式. 并且與其他模型進(jìn)行了對(duì)比. 實(shí)驗(yàn)表明, 提出的算法能進(jìn)一步學(xué)習(xí)軌跡的時(shí)域特征和潛在的高級(jí)特征, 準(zhǔn)確率更高, 證明本文提出算法的可靠性, 可用于輔助圍網(wǎng)和拖網(wǎng)漁船分類. 本文僅對(duì)兩種漁船AIS 軌跡進(jìn)行了分類研究, 后續(xù)可以對(duì)更多的漁船AIS 軌跡進(jìn)行分類研究, 提高算法的實(shí)用性.