趙吟秋，索永峰，鮮 波

(1.集美大學(xué)航海學(xué)院，福建 廈門361021；2.集美大學(xué)航海技術(shù)研究所，福建 廈門 361021)

0 引言

船舶自動識別系統(tǒng)(automatic identification system,AIS)提供了豐富的船舶航行數(shù)據(jù)，基于AIS船舶軌跡數(shù)據(jù)進行通航水域風險評價、船舶自身行為特征分析、自動避碰以及船舶會遇等方面的研究是當前的熱點[1]。潘家財?shù)萚2]根據(jù)廈門灣內(nèi)水域特點以兩船會遇距離作為會遇判定條件，統(tǒng)計船舶會遇的空間分布以及會遇船長分布等，分析了廈門灣船舶會遇狀況。任亞磊等[3]基于構(gòu)建的動態(tài)船舶領(lǐng)域模型，對會遇類型、會遇船舶特征等進行統(tǒng)計，進而評估相關(guān)水域的宏觀碰撞危險度，該方法對開闊水域船舶目標航行數(shù)據(jù)較少的情況下難以確定每條船舶的動態(tài)領(lǐng)域，因此在開闊水域中該方法的適用性還有待驗證。馬杰等[4]采用時空關(guān)系對數(shù)據(jù)進行約束，提取特定時間段內(nèi)船舶的位置和航向特征，形成會遇特征序列，利用支持向量機(SVM)對會遇特征進行分類辨識，但該方法并未列舉判定會遇態(tài)勢的篩選條件，也不適用于對大量數(shù)據(jù)進行船舶的會遇挖掘。甄榮等[5]提出運用墨卡托算法計算船舶之間的距離，并通過DBSCAN算法識別船舶會遇。冮龍暉等[6]根據(jù)船舶AIS動態(tài)數(shù)據(jù)，結(jié)合插值方法計算船舶間相對運動參數(shù)，提取船舶會遇信息。Du等[7]通過檢測船舶會遇，進而對船舶可操縱余量，避讓有效性等指標對會遇船舶的碰撞風險等級進行劃分，檢測近距離會遇的船舶。Zhang等[8]通過對會遇的船舶進行風險排序，考慮船舶領(lǐng)域和船舶尺寸計算碰撞風險，檢測近距離會遇的船舶，該方法可以有效區(qū)分具有不同碰撞風險的會遇船舶，但缺少對會遇過程的量化分析。Kim等[9]運用分布式隨機搜索算法，結(jié)合AIS數(shù)據(jù)實現(xiàn)會遇的多船各自判斷會遇態(tài)勢。Chen等[10]運用改進的時間離散非線性速度障礙(TD-NLVO)算法識別特定區(qū)域AIS數(shù)據(jù)中的多船會遇局面。

綜上所述，根據(jù)海量AIS數(shù)據(jù)快速高效挖掘船舶會遇信息，定量多維度分析船舶的會遇過程方面的研究有待提高。為了能夠快速有效地挖掘船舶會遇局面，識別潛在的碰撞風險點，監(jiān)測處于會遇過程中的船舶航行數(shù)據(jù)，定量分析船舶會遇過程，本文改善傳統(tǒng)DBSCAN算法，分析船舶會遇時空演化特性，有效識別會遇船舶，并在此基礎(chǔ)上挖掘多船會遇局面，劃分船舶不同會遇類型，分析船舶的會遇避讓方式，建立會遇船舶數(shù)據(jù)庫。

1 AIS數(shù)據(jù)預(yù)處理

在現(xiàn)實條件下，由于各種原因?qū)е翧IS數(shù)據(jù)存在缺失、重復(fù)等數(shù)據(jù)異?，F(xiàn)象，給AIS數(shù)據(jù)處理以及分析帶來一定的難度。為提高數(shù)據(jù)的準確性和可信度，首先對AIS數(shù)據(jù)中船舶位置、航速、航向等不符合常理的異常數(shù)據(jù)進行刪除。由于在船速較低的情況下船舶的操縱性能較差，難以實施有效的避讓行為，分析會遇過程沒有實際意義，因此，刪除船速值小于4 kn的AIS數(shù)據(jù)。當AIS數(shù)據(jù)中數(shù)據(jù)條目的時間間隔較大時，容易導(dǎo)致后續(xù)插值補全的誤差很大，影響再現(xiàn)船舶真實航行情景，因此，刪除數(shù)據(jù)條目時間間隔大于30 min的數(shù)據(jù)。

為了對海量的AIS數(shù)據(jù)進行有效分析，將AIS數(shù)據(jù)條目大于300條的船舶航行數(shù)據(jù)提取出來，對船舶數(shù)據(jù)進行后續(xù)統(tǒng)計分析，處理后的部分AIS數(shù)據(jù)如表1所示。

表1 AIS數(shù)據(jù)處理項

2 會遇挖掘算法模型與特征參數(shù)計算

2.1 船舶潛在會遇的定義

人們將海上航行船舶相遇而必須采取行動的情況稱為“會遇”。會遇不包括無需采取避讓行為的船舶相遇的情況。在海上交通研究中，會遇是指與碰撞事故密切相關(guān)且在一定程度上表征海上交通危險的一種特殊的船舶相遇情況[8]。本文將潛在會遇定義為：當兩船位于某一給定距離以內(nèi)的一種實際情況。參考文獻[12]有關(guān)船舶最小安全會遇距離的模糊確定研究，本文采用0.5 n mile為潛在會遇判定的閾值條件。

2.2 DBSCAN算法原理

DBSCAN聚類算法應(yīng)用廣泛[1]，其基本原理如圖1所示。在研究區(qū)域內(nèi)，設(shè)定兩個參數(shù)閾值MinPoints和領(lǐng)域半徑E，以數(shù)據(jù)對象S為圓心，劃定一個半徑為E的圓形區(qū)域，在此區(qū)域內(nèi)檢測數(shù)據(jù)樣本數(shù)量Q，若Q≥MinPoints則S為核心對象，其余點稱為邊界對象，處于核心對象E領(lǐng)域中的樣本點為核心對象的直接密度可達樣本點；如若Q

2.3 船舶會遇特征參數(shù)計算

以時間戳為關(guān)鍵字提取船舶航行數(shù)據(jù)，建立時空約束下不同船舶的軌跡狀態(tài)時間序列traj={(p1,t1),(p2,t2),(p3,t3),…,(pn,tn)}，p={mmsi,postime,lon,lat,speed,course,heading}表示標志碼為mmsi的船舶在某一時刻的航行狀態(tài)數(shù)據(jù)，為了避免應(yīng)用DBSCAN算法挖掘船舶會遇時，出現(xiàn)船舶A與船舶B之間的相對距離值dAB(A,B=1,2,…,n)重復(fù)計算的情況，構(gòu)建船舶相對距離矩陣D,計算不同船舶之間的距離[13]。該矩陣與全矩陣計算相比較，將算法的運算量減小了50%。

(1)

給定兩船經(jīng)緯度坐標A(Lon1,Lat1),B(Lon2,Lat2)，采用恒向線方位距離計算公式計算兩船方位角C和距離d[11]。具體計算公式如下：

C=arctan(ΔLon/Δq)

(2)

(3)

式中：經(jīng)度差ΔLon=Lon2-Lon1；Δq為AB間緯度漸長率差值；SLati為點到赤道的子午線弧長；r1為Lat1緯度處的等緯圈半徑。其中，SLati的計算式為：

(4)

式中:a為地球橢圓體長半軸長;e為偏心率。

A、B間緯度漸長率差值Δq計算公式如下：

(5)

Lat1緯度處的等緯圈半徑r1為：

(6)

本文在兩船會遇起始點計算兩船航向差與相對方位關(guān)系，并將此作為依據(jù)劃分船舶的會遇類型，兩船航向差ΔH以及目標船的相對方位計算如下。

(7)

式中:AO為目標船的相對方位;HO,HT分別為本船和目標船船首向；ΔH為兩船的航向交叉的角度。

2.4 改進的船舶會遇挖掘算法流程設(shè)計

首先對原始AIS數(shù)據(jù)進行預(yù)處理，按照位置時間作為關(guān)鍵字進行升序排序，以1 min為時間間隔提取時間段內(nèi)船舶航行數(shù)據(jù)，將該數(shù)據(jù)按照船舶識別號分別進行插值補全到同一時刻T1,T2,…Tn，且每分鐘內(nèi)每條船只保留一條AIS數(shù)據(jù)。遍歷每一個時間片,計算相對距離矩陣，調(diào)用DBSCAN算法。DBSCAN 聚類算法設(shè)計的關(guān)鍵參數(shù)為MinPoints≥2，E=0.5，以相對距離矩陣D為算法輸入數(shù)據(jù)，輸出潛在會遇船舶狀態(tài)信息，并將其存儲在對應(yīng)的數(shù)據(jù)庫中，運用CPA算法，驗證數(shù)據(jù)庫中的船舶會遇情況，最后結(jié)合船舶會遇分類劃分船舶會遇類型，進行會遇過程分析。算法流程如2圖所示。

3 算法實驗

3.1 DBSCAN聚類實驗結(jié)果

以2020年6月臺灣海峽的AIS數(shù)據(jù)為研究對象，原始AIS數(shù)據(jù)為1000萬條，經(jīng)過數(shù)據(jù)預(yù)處理后剩余400萬條。通過設(shè)置滑動時間窗口以提取研究水域內(nèi)會遇場景的特征序列數(shù)據(jù)。根據(jù)算法流程和參數(shù)計算法公式，可以得出某一時刻T的潛在會遇船舶信息，如圖3所示。其中：紅色點(-1)表示沒有達到會遇篩選條件的船舶，即為噪聲點；圖3中其余顏色(標識分別為1，2，…，8)各自代表一組潛在會遇船舶，通過標記可以得到潛在會遇船舶的標識碼和相關(guān)航行狀態(tài)信息。

將圖3部分類別數(shù)據(jù)導(dǎo)出，并去除噪聲點，得到表2。將表2中數(shù)據(jù)進行相關(guān)參數(shù)計算，可得兩船的相對距離和方位以及航向差信息。

表2 潛在會遇船舶狀態(tài)數(shù)據(jù)

3.2 會遇類型劃分

當會遇船舶相互位于各自正前方以相反或接近相反的方向相互逼近時，通常是指船首向交叉在6°范圍內(nèi)構(gòu)成對遇局面；當船首向交叉大于6°且小于112.5°時，構(gòu)成交叉會遇；若滿足后船于前船正橫大于22.5°范圍內(nèi)，以較大速度趕超前船的情況，則構(gòu)成追越局面。其方位關(guān)系如圖4所示。

根據(jù)圖4方位關(guān)系，結(jié)合會遇船舶相對方位關(guān)系和會遇船舶航向差可以實現(xiàn)不同會遇局面的識別。

3.3 會遇挖掘結(jié)果與分析

根據(jù)DBSCAN算法得出的潛在會遇船舶，結(jié)合圖4的會遇局面劃分關(guān)系，進行船舶會遇局面的識別與分析。本文選擇追越、交叉和對遇3種典型局面進行展示，結(jié)果如圖5所示。

為避免碰撞發(fā)生，圖5b和圖5c都有典型的避讓行為發(fā)生。圖5b中A船舶(藍色，下同)保持直航，B船舶(紅色，下同)向右改向，完成避讓后回到原航向。圖5c中B船舶為完成避讓采取了向右改向，待避讓完成后回到原航向繼續(xù)行駛。這也表示船舶嚴格遵守了《規(guī)則》中的向右改向避讓他船的要求。

4 結(jié)論

為保障船舶在海上的航行安全，提高船舶危險會遇的識別率，本文基于AIS數(shù)據(jù)，通過改進DBSCAN算法的相對距離矩陣，減小了DBSCAN算法的運算量。同時在數(shù)據(jù)不失真的前提下，合理處理AIS數(shù)據(jù)，減小了CPA算法的運算量，并且處理過程中保證了數(shù)據(jù)時空的一致性，減小了會遇的誤判與漏判。本文以臺灣海峽部分數(shù)據(jù)為基礎(chǔ)，結(jié)合會遇局面方位關(guān)系，驗證了算法的有效性。通過定量描述船舶會遇過程，可加深對會遇態(tài)勢的整體感知，再現(xiàn)船舶會遇過程，為后續(xù)基于AIS的船舶避碰行為研究提供參考，也為自動避碰決策優(yōu)化提供一種可行的驗證方法。目前算法僅對兩船會遇進行了研究，后續(xù)還需對多船會遇進行深入研究。