一種基于數(shù)據(jù)挖掘的錨泊半徑模式提取方法

唐皇，尹勇

(大連海事大學(xué) 航海動(dòng)態(tài)仿真和控制實(shí)驗(yàn)室,遼寧 大連 116026)

?

一種基于數(shù)據(jù)挖掘的錨泊半徑模式提取方法

唐皇，尹勇

(大連海事大學(xué) 航海動(dòng)態(tài)仿真和控制實(shí)驗(yàn)室,遼寧 大連 116026)

為了使VTS中心關(guān)于走錨半徑的設(shè)置更加準(zhǔn)確，通過(guò)對(duì)AIS數(shù)據(jù)的處理，采用聚類方法提取出船舶錨泊時(shí)的航次數(shù)據(jù)，使用關(guān)聯(lián)規(guī)則算法對(duì)提取的錨泊航次數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，建立船舶錨泊半徑模式提取規(guī)則。將挖掘所得結(jié)果與國(guó)內(nèi)外規(guī)范計(jì)算值進(jìn)行對(duì)比分析，相對(duì)誤差在可接受范圍內(nèi)。

數(shù)據(jù)挖掘；錨泊半徑；模式提??；關(guān)聯(lián)規(guī)則

VTS(vessel traffic service)中心是保障船舶航行安全的重要部門，但是在考察國(guó)內(nèi)VTS中心值班過(guò)程的基礎(chǔ)上，發(fā)現(xiàn)VTS值班員在設(shè)置走錨自動(dòng)報(bào)警的閾值方面存在很大的隨意性，VTS操作員大多憑借經(jīng)驗(yàn)設(shè)置走錨半徑，VTS設(shè)備不能根據(jù)具體船型及轄區(qū)水域情況給出指導(dǎo)性建議[1-2]。

遠(yuǎn)洋船舶主要錨泊方式通常采用單錨泊，船舶在錨泊過(guò)程中，圍繞拋錨點(diǎn)做圓周運(yùn)動(dòng)，圓形區(qū)域的半徑即為錨泊半徑。船舶在錨泊期間，走錨是影響錨泊安全的隱患。通常情況下，錨泊半徑的影響因素較多，如船型尺寸、錨泊水域環(huán)境影響以及船舶出鏈長(zhǎng)度因素等[3-4]。目前，關(guān)于錨泊半徑的計(jì)算主要采用經(jīng)驗(yàn)公式[5]，見(jiàn)表1。

表1 錨泊半徑的相關(guān)規(guī)范

注：R為單錨泊水域錨泊半徑(m)；L為設(shè)計(jì)船長(zhǎng)(m)；H為錨地水深(m)。

然而采用經(jīng)驗(yàn)公式計(jì)算錨泊半徑具有一定的模糊性，因?yàn)椴煌N、船型及船舶裝載狀態(tài)對(duì)錨泊半徑的影響是不同的。國(guó)內(nèi)也有學(xué)者采用回歸分析得到錨泊半徑的計(jì)算公式[6-7]，雖然考慮了水域環(huán)境等影響因素，但其用于回歸的船舶數(shù)據(jù)過(guò)少，無(wú)法回歸出錨泊半徑的一般性規(guī)律。

考慮到港口水域內(nèi)獲取的AIS(automatic identification system)歷史數(shù)據(jù)可有效描述船舶運(yùn)行狀態(tài)，且融合了環(huán)境信息等影響因素，為了更有針對(duì)性計(jì)算錨泊半徑，采用數(shù)據(jù)挖掘的方式對(duì)港口內(nèi)的AIS歷史數(shù)據(jù)進(jìn)行挖掘處理，從而分析各影響因素對(duì)錨泊半徑的具體影響，建立錨泊半徑模式提取規(guī)則[8-10]。所挖掘的知識(shí)對(duì)于VTS中心關(guān)于船舶走錨半徑的設(shè)定具有指導(dǎo)作用。數(shù)據(jù)挖掘模型流程見(jiàn)圖1。

圖1 錨泊半徑模式挖掘流程

1 數(shù)據(jù)預(yù)處理

1.1 AIS數(shù)據(jù)清洗

船舶AIS發(fā)布的信息分為靜態(tài)信息、動(dòng)態(tài)信息和航次信息。由于船舶發(fā)送的AIS數(shù)據(jù)內(nèi)容眾多，需要從中篩選出船舶的錨泊數(shù)據(jù)，以及與之相關(guān)的船舶尺度和船舶類型數(shù)據(jù)，去除冗余數(shù)據(jù)。天津港一年的AIS歷史數(shù)據(jù)篩選步驟如下。

1)查詢數(shù)據(jù)庫(kù)，將船舶動(dòng)態(tài)信息中航行狀態(tài)為1(錨泊船的航行狀態(tài)參數(shù)為1)的數(shù)據(jù)提取出來(lái)并存入表1。

2)利用表1中的船舶MMSI編號(hào)，查詢?cè)摯暗拇?、吃水等信息，并存入?。

3)將表2中的數(shù)據(jù)進(jìn)行整理，具有相同MMSI編號(hào)的船舶存入同一集合中。

4)去除數(shù)據(jù)集中船舶位置數(shù)據(jù)以及船型數(shù)據(jù)為0的數(shù)據(jù)記錄。

經(jīng)數(shù)據(jù)清洗，共篩選出321 916條數(shù)據(jù)記錄，這些數(shù)據(jù)分別隸屬于3 914條不同船舶。

1.2 基于AIS數(shù)據(jù)的船舶錨泊半徑聚類

按照時(shí)間序列進(jìn)行排序，將同一船舶的錨泊數(shù)據(jù)聚類形成錨泊航次數(shù)據(jù)。分析發(fā)現(xiàn)，船舶錨泊時(shí)，AIS發(fā)送間隔并不是要求的3 min。在同一個(gè)錨泊航次中，AIS發(fā)送間隔在10 000 s左右，并且當(dāng)船舶離開(kāi)錨泊狀態(tài)時(shí)，AIS發(fā)送間隔會(huì)突變?yōu)閹装倜?。為解決這一問(wèn)題，將同一船舶時(shí)間間隔在2 000～5 000 s之間，且前后2點(diǎn)距離小于800 m的數(shù)據(jù)作為一個(gè)錨泊航次。經(jīng)過(guò)處理，聚類了11 159個(gè)錨泊航次。錨泊航次示意見(jiàn)圖2。

圖2 錨泊航次示意

獲得錨泊航次數(shù)據(jù)之后，計(jì)算每個(gè)錨泊航次的錨泊半徑，具體方法為：將接收的某船第一條錨泊數(shù)據(jù)作為該船的拋錨點(diǎn)，然后依次計(jì)算其余各點(diǎn)到拋錨點(diǎn)距離，取最大值。

(1)

2 船舶錨泊半徑模式挖掘

2.1 數(shù)據(jù)離散化

在對(duì)比各離散化方法性能的基礎(chǔ)上[7]，綜合考慮劃分區(qū)間的個(gè)數(shù)及每個(gè)區(qū)間的元組個(gè)數(shù)，對(duì)數(shù)據(jù)屬性值進(jìn)行離散化。

2.1.1 船舶吃水離散化

將船舶吃水離散化為11個(gè)等級(jí)，具體離散化等級(jí)見(jiàn)表2。

表2 船舶吃水離散化等級(jí)

2.1.2 船長(zhǎng)、船寬離散化

根據(jù)船型分布情況，將船長(zhǎng)離散化為6個(gè)等級(jí)，見(jiàn)表3。同時(shí)將船寬離散化為9個(gè)等級(jí)，見(jiàn)表4。

2.1.3 錨泊半徑離散化

為盡可能多的獲得錨泊半徑挖掘規(guī)則，本文將錨泊半徑在300 m內(nèi)的數(shù)據(jù)按間隔50 m離散化，剩余數(shù)據(jù)按間隔100 m離散化，見(jiàn)表5。

表3 船長(zhǎng)離散化等級(jí)

表4 船寬離散化等級(jí)

表5 錨泊半徑離散化等級(jí)

2.2 基于Apirori關(guān)聯(lián)規(guī)則的錨泊半徑模式挖掘

關(guān)聯(lián)規(guī)則[12]挖掘最典型的例子是購(gòu)物籃分析，通過(guò)發(fā)現(xiàn)購(gòu)物籃中不同商品之間的聯(lián)系，分析顧客的消費(fèi)習(xí)慣。借鑒購(gòu)物籃問(wèn)題研究思想，將本文研究?jī)?nèi)容與購(gòu)物籃中商品數(shù)據(jù)進(jìn)行類比。基于類比規(guī)則，建立錨泊半徑挖掘模型，如圖3。根據(jù)挖掘規(guī)則挖掘船舶各屬性值分別對(duì)錨泊半徑的影響，同時(shí)挖掘聯(lián)合屬性與錨泊半徑的關(guān)系。采用Python語(yǔ)言編程，基于Apriori挖掘規(guī)則建立錨泊半徑挖掘模型，為了挖掘到更多的錨泊半徑相關(guān)知識(shí)，其中最小支持度minsupp=0.0 001，最小可信度minconf=0.7。

圖3 錨泊半徑挖掘模型

3 數(shù)據(jù)挖掘結(jié)果分析

將數(shù)據(jù)預(yù)處理后獲得的11 159條錨泊航次記錄離散化，利用Apriori關(guān)聯(lián)規(guī)則算法對(duì)數(shù)據(jù)進(jìn)行挖掘，最終獲得4 115條規(guī)則知識(shí)，部分知識(shí)表示見(jiàn)表6。在所獲得的挖掘知識(shí)中，包括了本文所需的規(guī)則知識(shí)，同時(shí)也含有冗余數(shù)據(jù)。按照本文3.2.2所述挖掘模式進(jìn)行篩選，共篩選出115條滿足要求的規(guī)則知識(shí)，見(jiàn)表7。

表6 數(shù)據(jù)挖掘知識(shí)庫(kù)

表7 錨泊半徑模式挖掘知識(shí)

3.1 數(shù)據(jù)挖掘規(guī)則解釋

基于錨泊半徑模式挖掘知識(shí)庫(kù)，選取部分知識(shí)規(guī)則進(jìn)行解釋。其中，dx，lx，wx，tx分別為船舶的吃水、船長(zhǎng)、船寬及船舶種類；ax為船舶的錨泊半徑，采用前述屬性值離散化標(biāo)準(zhǔn)。其中：tx為船舶類型，需查表獲得。

規(guī)則1解釋。d3_l0_t90—a0，表明吃水在5～6 m范圍內(nèi)，船長(zhǎng)在0～100 m范圍內(nèi)的高速船舶，其錨泊半徑在0～100m范圍內(nèi)的可能性為100%，數(shù)據(jù)庫(kù)中有0.045%的元組支持此規(guī)則。

規(guī)則2解釋。d7_l3_w4—a3，表明吃水在10～12 m范圍內(nèi)，船長(zhǎng)在200～300 m范圍內(nèi)并且船寬在25～30 m范圍內(nèi)的船舶，其錨泊半徑在200～250 m的可能性為100%，數(shù)據(jù)庫(kù)中有0.03%的元組支持此規(guī)則。

規(guī)則3解釋。l1_t71_w2—a1，表明船長(zhǎng)在100～150 m范圍內(nèi)，船寬在15～20 m范圍內(nèi)的貨船，其錨泊半徑在100～150 m范圍內(nèi)的可能性為100%，數(shù)據(jù)庫(kù)中支持次規(guī)則的元組為0.02%。

規(guī)則4解釋。d4_t80_w4—a2，表明吃水在6～7 m范圍內(nèi)，船寬在25～30 m范圍內(nèi)的油船，其錨泊半徑在150～200 m范圍內(nèi)的可能性為100%，數(shù)據(jù)庫(kù)中有0.02%的元組支持此規(guī)則。

3.2 錨泊半徑挖掘結(jié)果對(duì)比分析

基于數(shù)據(jù)挖掘結(jié)果的知識(shí)整理見(jiàn)表8。

表8 錨泊半徑模式知識(shí)整理結(jié)果

分析表8數(shù)據(jù)可知，錨泊半徑隨船長(zhǎng)、船寬的增加而增加，每一個(gè)船長(zhǎng)、船寬的取值對(duì)應(yīng)了錨泊半徑的一個(gè)取值范圍；同時(shí)，錨泊半徑隨船舶吃水的增大而增大，但當(dāng)船舶吃水增大到一定程度時(shí)，錨泊半徑反而隨吃水的增加而減小；不同種類的船舶，錨泊半徑的取值范圍也不同，通常情況下，雜貨船及油船的錨泊半徑大于漁船、拖輪等小型船舶。所述數(shù)據(jù)挖掘方法挖掘出了船長(zhǎng)、船寬、吃水以及船舶種類對(duì)船舶錨泊半徑的具體影響，通過(guò)給定船舶的船型參數(shù)、船舶種類以及吃水情況，可以判斷其錨泊半徑的大致范圍。

以吃水10 m為例，計(jì)算不同船長(zhǎng)對(duì)錨泊半徑的影響，對(duì)比本文挖掘結(jié)果與國(guó)內(nèi)外規(guī)范計(jì)算結(jié)果，并計(jì)算相應(yīng)誤差，見(jiàn)表9。

表9 錨泊半徑挖掘結(jié)果與規(guī)范計(jì)算值相對(duì)誤差

經(jīng)分析，誤差產(chǎn)生原因如下。

①國(guó)內(nèi)外錨泊半徑規(guī)范基于整體設(shè)計(jì)，未考慮船舶局部因素影響；

②采用的AIS歷史數(shù)據(jù)只能反映船舶總體運(yùn)動(dòng)趨勢(shì)，無(wú)法具體分析風(fēng)、流等環(huán)境因素；

③為了安全起見(jiàn)，通常規(guī)范設(shè)計(jì)的安全閾值往往大于船舶實(shí)際產(chǎn)生的錨泊半徑，本文采用的數(shù)據(jù)挖掘方式是基于船舶真實(shí)的運(yùn)動(dòng)數(shù)據(jù)，會(huì)與國(guó)內(nèi)外規(guī)范計(jì)算所得錨泊半徑產(chǎn)生一定誤差。

4 結(jié)論

所提出的基于數(shù)據(jù)挖掘的錨泊半徑模式提取方法可以較好的挖掘各影響因素與錨泊半徑的對(duì)應(yīng)關(guān)系。通過(guò)給定船舶各參數(shù)，算法可實(shí)時(shí)計(jì)算其錨泊半徑。此算法對(duì)于VTS中心關(guān)于走錨半徑的設(shè)定具有實(shí)際意義。同時(shí)，所提出的算法也存在缺陷與不足，不能充分考慮錨地內(nèi)實(shí)時(shí)的風(fēng)、流等環(huán)境因素。算法不能提取出所有的錨泊半徑模式，為了獲取更多的模式知識(shí)，還需要對(duì)大量的AIS歷史數(shù)據(jù)進(jìn)行處理。下一步的研究方向是將獲取的錨泊半徑模式知識(shí)用于機(jī)器學(xué)習(xí)，為實(shí)現(xiàn)智能VTS系統(tǒng)準(zhǔn)備條件。

[1] 戚群,于濤.船舶交通管理系統(tǒng)(VTS)發(fā)展概況[J].中國(guó)無(wú)線電,2013(4):36-38.

[2] 陳厚忠.基于VTS系統(tǒng)監(jiān)控的水上交通安全評(píng)估與效能分析[D].武漢：武漢理工大學(xué),2002.

[3] 鄧斌.基于蒙特卡洛算法的錨泊容量研究[D].大連海事大學(xué),2012.

[4] 吳衛(wèi)兵,尹建川.準(zhǔn)確判斷船舶走錨方法[J].中國(guó)航海,2012,35(4):124-127.

[5] 中華人民共和國(guó)交通運(yùn)輸部.海港總體設(shè)計(jì)規(guī)范JTS 165—2013[S].北京：中華人民共和國(guó)交通運(yùn)輸部，2013.

[6] 宋揚(yáng).基于AIS數(shù)據(jù)的大型船舶錨泊半徑及船間距的研究[D].大連:大連海事大學(xué),2010.

[7] 陳昌源.基于回歸分析的錨泊半徑[J].水運(yùn)工程,2015(10):9-12.

[8] 朱飛祥,張英俊,高宗江.基于數(shù)據(jù)挖掘的船舶行為研究[J].中國(guó)航海,2012,35(2):50-54.

[9] SHELMERDINE R L. Teasing out the detail: how our understanding of marine AIS data can better inform industries, developments, and planning [J]. marine policy, 2015,54:17-25.

[10] PALLOTTA G, VESPE M, BRYAN K. Vessel pattern knowledge discovery from AIS data: a framework for anomaly detection and route prediction [J]. Entropy, 2013,15(6):2218-2245.

[11] 元昌安,鄧松,李文敬，等.數(shù)據(jù)挖掘原理與SPSS Clementine應(yīng)用[M].北京:電子工業(yè)出版社,2009.

A Method of Anchor Radius Pattern Recognition Based on Data Mining

TANG Huang, YIN Yong

(Laboratory of Marine Simulation and Control, Dalian Maritime University, Dalian Liaoning 116026, China)

In order to make the anchor radius setting more accurate in the vessel traffic service (VTS), the clustering and Apriori association rules was used to mine the automatic identification system (AIS) data. The rules of anchor radius pattern recognition were set up. Compared with the result calculated by standard formula, the result showed that it is acceptable to set the radius of anchor by the proposed method in the VTS.

data mining; anchor radius; pattern recognition; association rules

10.3963/j.issn.1671-7953.2017.04.047

2016-11-15

863課題(2015AA016404)；中央高?；究蒲袠I(yè)務(wù)費(fèi)(3132016310)

唐皇(1991—)，男，博士生

研究方向：航海動(dòng)態(tài)仿真、交通系統(tǒng)虛擬現(xiàn)實(shí)技術(shù)等

U675.79

A

1671-7953(2017)04-0206-04

修回日期：2016-11-22