基于語義的船舶行為動態(tài)推理機制

文元橋, 張義萌, 黃 亮, 周春輝a,,c, 肖長詩,d, 張 帆,d

(武漢理工大學 a.國家水運安全工程技術研究中心； b.航運學院；c.智能交通系統(tǒng)研究中心； d.內(nèi)河航運技術湖北省重點實驗室，湖北 武漢 430063)

在復雜、開放的水上交通環(huán)境中準確地識別并預測動態(tài)、不確定的船舶行為是宏觀、微觀行為和異常行為分析的重點，其需要揭示船舶行為的行為模式和內(nèi)在演化機制。在水上交通大數(shù)據(jù)中挖掘船舶的行為模式需要有效地組織水上交通態(tài)勢信息，并清晰、完整地表達船舶行為的各個要素間的聯(lián)系，發(fā)現(xiàn)船舶行為規(guī)律；揭示船舶行為的內(nèi)在演化機制需要根據(jù)動態(tài)的信息發(fā)現(xiàn)各行為要素間的約束關系和影響程度，以在不確定信息中挖掘隱藏的船舶行為，并動態(tài)預測船舶行為。

在船舶行為相關研究中，劉敬賢等[1]定義港口內(nèi)的匯入、匯出、穿越、掉頭等船舶行為的概念。朱飛祥等[2]將港口水域劃分為地理網(wǎng)格，并統(tǒng)計分析地理單元格上的船舶行為。甄榮[3]使用k-means聚類算法和貝葉斯分類器識別異常船舶行為。馬文耀等[4]使用一致性檢測識別船舶變速和轉(zhuǎn)向異常行為。但目前國內(nèi)的研究大多借用經(jīng)典算法進行船舶行為分析，很少考慮船舶行為信息中要素與要素間的聯(lián)系，因此難以形成背景信息與行為信息的交互機制，導致不能揭示船舶行為的內(nèi)在演化模式并準確識別、預測船舶行為。

船舶行為要素與要素間的聯(lián)系實際上是信息的語義描述及信息語義之間的關聯(lián)關系，是構成語義網(wǎng)絡的基礎。語義網(wǎng)絡是一種對某個領域中的概念和概念間關系建立明確、規(guī)范的形式化表達的模型，本體則是建立語義網(wǎng)絡的建模工具[5]，而船舶行為語義網(wǎng)絡是船舶的動作、行動以及對其所處交通態(tài)勢的反應的語義描述與屬性關系的集合。在近幾年的研究[6-8]中，使用語義模型挖掘船舶行為已取得較好的成果。但使用語義網(wǎng)絡自身的邏輯推理識別船舶行為難以處理船舶行為的動態(tài)性和不確定性。貝葉斯網(wǎng)絡在給出不確定信息的推理結論方面應用十分廣泛[9]，但其應用大多是靜態(tài)貝葉斯網(wǎng)絡推理，動態(tài)貝葉斯網(wǎng)絡應用較少，面向海事領域的船舶行為動態(tài)概率推理研究更顯缺乏。

1 問題描述與建模

為形成系統(tǒng)、清晰的船舶行為模型，揭示船舶行為的內(nèi)在機理，挖掘隱藏的船舶行為，需要建立一種基于語義的船舶行為動態(tài)推理機制。從船舶的動態(tài)特性出發(fā)，以船舶軌跡為行為線索，構建船舶行為模型見圖1。

圖1 船舶行為模型

船舶軌跡實質(zhì)上是時間序列下的位置點，考慮外界環(huán)境(包括基礎設施、地理地形、氣象水文等)的影響時，每個時刻的位置點都具有多維度的各種狀態(tài)S(如航向、航速)；每種維度的連續(xù)位置點以及多種維度的多個位置點構成的不同層次的子軌跡段，分別表現(xiàn)為不同的船舶行為B(如加速)；多個不同層次的船舶行為以及狀態(tài)可推理出事件E(如抵港)。每個時刻的狀態(tài)、行為和事件互相耦合、互相影響，形成該時刻的船舶行為集合X，其表現(xiàn)為船舶行為規(guī)律約束的三維空間集合。某個時刻的船舶行為模型為

F(S(γ),B(γ),E(γ),σ)

(1)

式(1)中：γ={γ1,γ2,…,γn}為影響船舶行為的外界環(huán)境，如地點等，外界環(huán)境一般在一段時間內(nèi)比較穩(wěn)定，因此可作為船舶行為的參數(shù)。S={S1,S2,…,Sn}表示狀態(tài)的集合，B、E類似。σ={σ1,σ2,…,σn}為狀態(tài)、行為、事件間的相關函數(shù)集合。

船舶行為是隨時間動態(tài)變化的，因此，需要引入時間序列t={t1,t2,…,tn}，在時間序列下的船舶行為模型為

G(Xt(γ),σ,δ)

(2)

式(2)中：Xt=St∪Bt∪Et為在時間序列t下的船舶行為集合，各個時刻的X表示的三維空間集合是隨時間不斷變化的；δ={δ1,δ2,…,δn}為船舶行為變遷函數(shù)集合，表示船舶行為在時間片間的變遷情況。

狀態(tài)是最容易從原始數(shù)據(jù)中獲得的，稱為觀測行為，而行為、事件為需要對船舶行為模型求解的隱藏行為。對模型的求解過程實際上是歷史和當前時刻的狀態(tài)已知時，在三維空間集合X內(nèi)通過σ和δ等函數(shù)關系求當前時刻行為和事件的分布律，即

(3)

P(Et)=f2(S1:t,B1:t)=

(4)

使用語義模型清晰、完整表達出船舶行為的各個要素與要素間聯(lián)系，得到行為模型F，并形成易于處理、易于表達的規(guī)范形式；使用動態(tài)貝葉斯網(wǎng)絡基于語義模型深入挖掘隱藏的船舶行為，推理模型中的行為和事件，識別并預測動態(tài)船舶行為發(fā)生的概率，即構建在時間序列下的船舶行為模型G并求解P(Bt)和P(Et)。推理得到的行為概率可語義模型交互，形成動態(tài)的自然語言表達。

2 船舶行為語義模型

語義模型為某時刻的船舶行為模型，其對各船舶行為概念進行形式化表達，在非結構、無語義的原始數(shù)據(jù)中提取結構化的語義信息，構建以船舶行為為核心的語義網(wǎng)絡(見圖2)。

圖2 船舶行為語義網(wǎng)絡模型

語義網(wǎng)絡可以形式化表達為一個三元組：

SN={C,R,I}

(5)

式(5)中：SN為語義網(wǎng)絡；C={C1,C2,…,Cn}為類，他表示對象的集合，包含船舶行為集合X和外界環(huán)境γ；R={R1,R2,…,Rn}為關系的集合，表示類之間的相互作用，包含相關函數(shù)和變遷函數(shù)δ；Ii為本體的實例，也就是具體的對象。具體而言，C={V,P,T,Tp,S,B,E}，其中：V、P、T、Tp分別為船舶(Vessels)、地點(Place)、時間(Time)和類型(Type)，S、B、E即上述提及的狀態(tài)(State)、行為(Behavior)、事件(Event)，此3類為核心類。

語義模型中關系集合包括對象屬性(Object Property)和數(shù)據(jù)類型屬性(Data Type Property)。數(shù)據(jù)類型屬性為類或個體的數(shù)據(jù)描述或數(shù)據(jù)限制，如船舶A速度為10 kn，高速船舶船速最低為15 kn等。對象屬性包含以下類間的關系：

1) Vessels類與atTime、hasBehavior、hasEvent、inPlaces、isType其他類的屬性關系等。

2) Behavior類和Event類與Time類的atTime屬性關系，動態(tài)貝葉斯網(wǎng)絡推理后的結果以開始時間和結束時間在語義網(wǎng)絡中存儲，以便于查詢、調(diào)用和表達。

3) State類、Behavior類、Event類之間的hasCharacteristics(簡記為hasC)和hasInter-SliceInfluenceto(簡記為hasI-SI)屬性關系，hasCharacteristics屬性關系為某時間片內(nèi)的節(jié)點間關系，hasInter-SliceInfluenceto為相鄰時間片的節(jié)點間關系，分別對應船舶行為模型中的相關函數(shù)和變遷函數(shù)δ。

語義模型中類的實例(Instances)為類的實際對象，如船舶的實例渡船江城4號(JiangCheng4Hao，MMSI:413932547)等。

3 船舶行為動態(tài)貝葉斯網(wǎng)絡模型

3.1 動態(tài)貝葉斯網(wǎng)絡定義

動態(tài)貝葉斯網(wǎng)絡的初始網(wǎng)絡和轉(zhuǎn)移網(wǎng)絡見圖3。

圖3 動態(tài)貝葉斯網(wǎng)絡的初始網(wǎng)絡和轉(zhuǎn)移網(wǎng)絡

1) 在t=0時間片，將語義網(wǎng)絡轉(zhuǎn)化為初始網(wǎng)絡，并定義初始時刻的概率分布P(X0)。其基本思想是將語義網(wǎng)絡中屬于狀態(tài)、行為、事件的子類對應貝葉斯網(wǎng)絡中的節(jié)點，節(jié)點對應隨機變量Xi，其概率值為P(Xi)；子類的實例對應隨機變量Xi的取值，本文中的取值都是離散的；子類間的屬性關系對應節(jié)點間的有向弧，表明節(jié)點間的直接影響，并具有相應的條件概率。在初始網(wǎng)絡內(nèi)的所有節(jié)點的聯(lián)合概率可表示為

(6)

式(6)中：Pa(Xi)為任意Xi節(jié)點(i=1,2,…,n)的所有父節(jié)點。若Xi沒有父節(jié)點，則Xi為根節(jié)點，P(Xi|Pa(Xi))=P(Xi)表示其先驗概率。

2) 在t>0時間片的節(jié)點可能受以前時間片內(nèi)節(jié)點的影響，另外可由上一時間片節(jié)點的概率預測下一時間片節(jié)點的概率，所以需要定義轉(zhuǎn)移網(wǎng)絡。假設動態(tài)貝葉斯網(wǎng)絡符合一階馬爾可夫過程，則轉(zhuǎn)移網(wǎng)絡為包含兩個相鄰時間片的貝葉斯網(wǎng)絡。時間片間僅有行為或事件節(jié)點間的影響，可定義Zt為t時間片貝葉斯網(wǎng)絡中的所有行為節(jié)點(Bt)和事件節(jié)點(Et)，則第t個時間片的Zt在之前所有時間片下的條件分布為

P(Zt|Z0:t-1)=P(Zt|Zt-1)=

(7)

P(St|Z0:t-1,S0:t-1)=P(St|Zt)

(8)

由初始網(wǎng)絡和轉(zhuǎn)移網(wǎng)絡可將動態(tài)貝葉斯網(wǎng)絡展開到第T個時間片。從第0個時間片到第T個時間片的聯(lián)合概率分布為

P(X1:T)=P(Z0)·P(S0)×

(9)

3.2 參數(shù)學習

初始網(wǎng)絡中的條件概率和轉(zhuǎn)移網(wǎng)絡中的轉(zhuǎn)移矩陣分別對應船舶行為模型中的相關函數(shù)σ和變遷函數(shù)δ，兩者都為動態(tài)貝葉斯網(wǎng)絡中的參數(shù)θ，需要在推理前給出。本文使用最大似然估計法進行參數(shù)學習。動態(tài)貝葉斯網(wǎng)絡中的節(jié)點都為離散型隨機變量，設其分布律為

P{X=x}=p(x;θ),x=x(1),x(2),…

(10)

式(10)中：θ=(θ1,θ2,…,θm)T為未知參數(shù)。(X1,X2,…,Xn)T為來自總體X的樣本，則樣本的聯(lián)合分布律稱為似然函數(shù)，記為L(θ)，即

(11)

之后，選取使似然函數(shù)達到最大的參數(shù)值作為未知參數(shù)θ的估計值，即求似然方程：

(12)

3.3 動態(tài)推理

(13)

貝葉斯公式

(14)

由式(14)和貝葉斯網(wǎng)絡的條件獨立性假設可得

(15)

4 實例計算與結果分析

為對上述模型進行驗證，選取所有船舶共有的靠離泊行為為例進行實例分析。具體驗證過程如下：

4.1 基礎數(shù)據(jù)處理

使用的數(shù)據(jù)來自于船舶自動識別系統(tǒng)(Automatic Identification System，AIS)和谷歌地球，AIS數(shù)據(jù)為長江渡船江城4號于2014年1月1日某航次數(shù)據(jù)，地理數(shù)據(jù)為武漢關碼頭區(qū)域數(shù)據(jù)。對AIS數(shù)據(jù)進行抽取和清洗等預處理后，僅需要對軌跡數(shù)據(jù)和地理數(shù)據(jù)做簡單的判斷即可得到狀態(tài)信息，如加減速狀態(tài)僅需要判斷AIS數(shù)據(jù)中的速度是否增加等。判斷轉(zhuǎn)向狀態(tài)時航向差Δcog(cog為船舶對地航向)計算為

(16)

4.2 靠離泊語義網(wǎng)絡建模

語義網(wǎng)絡見圖4(圖中部分概念后的英文為語義概念簡稱，同時省略圖2中已有的屬性關系)，其中：轉(zhuǎn)向行為(Turning)由前5個軌跡點的轉(zhuǎn)向狀態(tài)(turn1-5)推理；變速行為(SpeedChange)與轉(zhuǎn)向行為類似；停泊行為(Berth)由在港內(nèi)/外(inside/outside)和速度是否為0(speed=0)推理；駛入/駛出行為(Enter/Leave)由相鄰兩點是否在區(qū)域內(nèi)的狀態(tài)判斷；抵港/離泊事件(Arrival/Departure)由變速行為和是否在碼頭區(qū)域內(nèi)推理；橫駛事件(AcrossRiver)由離泊進行預測，指離開碼頭區(qū)域后渡船橫渡長江的行為，其沒有證據(jù)支持判斷，只能由渡船的行為模式為依據(jù)，根據(jù)離泊和其本身預測，因此可檢驗模型的預測能力。

4.3 動態(tài)貝葉斯網(wǎng)絡構建與參數(shù)學習

語義網(wǎng)絡與貝葉斯網(wǎng)絡都是圖結構模型，其中：語義網(wǎng)絡中的類可轉(zhuǎn)換為貝葉斯網(wǎng)絡中的節(jié)點;類下的實例可以轉(zhuǎn)換為節(jié)點下的變量;類間的屬性關系可以轉(zhuǎn)換為節(jié)點間的依賴關系[10]，且只需對狀態(tài)、行為、事件3層需要動態(tài)推理的核心類進行轉(zhuǎn)換。由語義網(wǎng)絡得到的靠離泊動態(tài)貝葉斯網(wǎng)絡見圖5(各節(jié)點簡記為英文首字母)。

圖4 靠離泊語義網(wǎng)絡

得到網(wǎng)絡結構后對該渡船2014年1月的AIS數(shù)據(jù)(約27萬條)標注，作為參數(shù)學習樣本。使用最大似然估計的方法進行參數(shù)學習，得到概率見表1～表3(部分概率表省略)。

圖5 靠離泊動態(tài)貝葉斯網(wǎng)絡

表1 邊緣概率

表2 時間片內(nèi)條件概率

4.4 推理并預測船舶行為

已知網(wǎng)絡結構和參數(shù)后，結合由數(shù)據(jù)得到的狀態(tài)節(jié)點概率，即可動態(tài)推理船舶行為和事件發(fā)生的概率，江城4號靠離泊軌跡見圖6a，推理結果見圖6b～6d。由于停泊時各行為的概率變化很小，圖6省略了部分停泊時間片的推理結果。

由圖6可知：抵港、離港和停泊都與事實相符，且船舶在抵港時減速左轉(zhuǎn)，離港時加速，符合良好船藝。模型不會像邏輯推理一樣將可能發(fā)生的行為誤判為沒有發(fā)生，而是賦予該行為準確的發(fā)生概率。時間片間的轉(zhuǎn)移矩陣使得行為的判斷不僅依賴于當前時間片內(nèi)的證據(jù)，還考慮歷史行為的影響，因此，當前時間片內(nèi)的證據(jù)不準確時不會出現(xiàn)行為誤判。

推理結果中加粗線段(停泊和橫駛)為明顯進行了行為預測的部分，其中：在抵港將要結束時(11≤TS<16)停泊被預測出將要發(fā)生；而橫駛初始概率即為其邊緣概率，之后其發(fā)生的概率受歷史時間片中離泊和其自身發(fā)生的概率影響，在離泊發(fā)生后(49≤TS<53)其發(fā)生的概率逐漸增大，尤其是在離泊概率降低時(TS=52)，橫駛概率達到最大，表示其將要發(fā)生。但由于沒有證據(jù)支持，在離泊結束后(TS≥53)橫駛逐漸趨向于其本身的邊緣概率。由于預測行為不是由證據(jù)直接推理所得，而且有實際發(fā)生的行為的限制，其概率較小，因此能夠與實際發(fā)生的行為相互區(qū)分。

表3 時間片間轉(zhuǎn)移矩陣

推理結果既可用概率曲線形式描述，也可映射到語義網(wǎng)絡中，以方便船舶行為的語義化表達和進一步的共享、查詢等應用。當行為將要發(fā)生或已經(jīng)發(fā)生時進行簡單的語義組織即可形成如下語義表達：

a) 江城4號靠離泊軌跡圖

b) 部分行為推理結果

c) 轉(zhuǎn)向行為推理結果

d) 變速行為推理結果

1) JiangCheng4Hao (ferry) hasEvent Arrival in WuHanGuan (dock) BeginTime at 2014/1/1T07:01:35+8:00。

2) JiangCheng4Hao (ferry) hasBehavior Berth in WuHanGuan (dock) BeginTime at 2014/1/1T07:03:46+8:00。

3) JiangCheng4Hao (ferry) will hasEvent AcrossRiver in WuHanGuan (dock) at 2014/1/1T07:12:06+8:00。

5 結束語

面向智能航海應用，利用語義模型與動態(tài)貝葉斯網(wǎng)絡建立一種船舶行為動態(tài)推理機制，典型的船舶靠離泊模型證明所提出的方法能準確地識別并預測動態(tài)船舶行為。推理結果可提供給船舶交通服務(Vessel Traffic Service, VTS)操作員、引航員、船員及智能船舶等明確、精準的動態(tài)船舶行為信息；具有標準化結構的語義信息便于應用到智能船舶系統(tǒng)中，可使智能船舶動態(tài)感知并預測周圍船舶的行為，及時規(guī)避風險，避免緊迫局面；推理結果可表達為高層次語義信息，壓縮大量信息價值低的數(shù)據(jù)，易于存儲、查詢和共享。

本文沒有考慮水文氣象等自然環(huán)境對船舶行為的影響，以后將研究氣象水文影響下的船舶行為語義模型。外界環(huán)境不一定是穩(wěn)態(tài)的，船舶行為的網(wǎng)絡結構也可能隨時間變化而變化，因此需要建立變結構、變參數(shù)的船舶行為模型。