船舶航行交通事件實(shí)時檢測技術(shù)研究現(xiàn)狀與展望*

黃 琛 陳德山 吳 兵 嚴(yán)新平,3

（1. 武漢理工大學(xué)交通與物流工程學(xué)院 武漢 430063；2. 武漢理工大學(xué)國家水運(yùn)安全工程技術(shù)研究中心 武漢 430063 3. 武漢理工大學(xué)智能交通系統(tǒng)研究中心 武漢 430063；）

0 引 言

我國航運(yùn)業(yè)正面臨著船舶大型化、船舶數(shù)量快速增長的挑戰(zhàn)，而船舶監(jiān)管方式較為落后，雖然近幾年船舶自動識別系統(tǒng)（automatic identification system,AIS）、船舶交通管理系統(tǒng)（vessel traffic service,VTS）、無線甚高頻（very high frequency,VHF）、閉路電視監(jiān)控系統(tǒng)（closed circuit television,CCTV）等技術(shù)大量投入使用，但難以達(dá)到“全方位覆蓋、全天候運(yùn)行、反應(yīng)快速”的安全監(jiān)管目標(biāo)[1]，當(dāng)前海事監(jiān)管仍需要人員全天盯守。隨著長江沿岸各港口吞吐量的增加，某些航道港口已達(dá)到或超飽和狀態(tài)[2]，大型船舶的駛?cè)霝橹車靶旭値順O大干擾，經(jīng)常發(fā)生航道擁堵，造成較大的經(jīng)濟(jì)損失和監(jiān)管人力資源浪費(fèi)。

船舶航行交通事件檢測技術(shù)是指自動檢測航道內(nèi)發(fā)生的各種船舶航行交通事件的方法和手段，對于降低海事監(jiān)管人員工作強(qiáng)度，提高監(jiān)管效率，減少經(jīng)濟(jì)損失，提升監(jiān)管自動化程度起著重要作用[3]。船舶航行交通事件包括船舶事故、船舶異常行為等，船舶事故發(fā)生頻率低，但后果嚴(yán)重，往往伴隨著人員傷亡、經(jīng)濟(jì)損失，以及環(huán)境污染，如2015年在長江流域發(fā)生的“東方之星”號客輪特大傾覆事故，共造成442人遇難[4]；與船舶事故相比，船舶異常行為產(chǎn)生危害較輕，但發(fā)生頻率高，若不加管制，會阻礙船舶正常行駛，降低通行效率，增大航行安全隱患。

由于海上交通量的增長及AIS 的廣泛使用，海上交通領(lǐng)域數(shù)據(jù)量呈爆發(fā)式增長，利用AIS 數(shù)據(jù)進(jìn)行船舶航行事件檢測也成為近幾年的研究熱點(diǎn)。但由于AIS 存在丟失率高、精度低，實(shí)時處理大量AIS數(shù)據(jù)對計(jì)算能力要求高，當(dāng)前大多采用離線方式進(jìn)行分析，研究結(jié)果嚴(yán)重依賴于歷史數(shù)據(jù)[5]。對于海事監(jiān)管部門，實(shí)時、準(zhǔn)確的交通事件檢測是必要的。本文針對不同類型的船舶航行交通事件進(jìn)行檢測技術(shù)研究，分析了當(dāng)前常用檢測技術(shù)的優(yōu)缺點(diǎn)，總結(jié)了實(shí)時檢測需要的關(guān)鍵技術(shù)，結(jié)合平行檢測系統(tǒng)架構(gòu)進(jìn)行展望，對于船舶航行事件檢測研究具有重要意義。

1 船舶航行交通事件檢測研究現(xiàn)狀

1.1 船舶航行交通事件分類

船舶航行交通事件即會對船舶正常航行產(chǎn)生影響的事件，按照造成后果的嚴(yán)重程度可將其分為船舶異常行為和船舶事故。船舶異常行為指與周圍其他運(yùn)動船舶對象有差別的運(yùn)動行為，陳影玉等[6]將其分為位置異常和運(yùn)動異常。位置異常通常由于工作船舶施工或者走私船舶躲避稽查隨意行駛而產(chǎn)生，包括船舶軌跡超出歷史路徑范圍、在航道外航行、不在規(guī)定區(qū)域內(nèi)活動、駛向危險區(qū)、違反法規(guī)、入侵禁區(qū)、岸邊匯合、深海匯合、威脅基礎(chǔ)設(shè)施等；運(yùn)動異常通常由于船舶縮短航程或降低等待時間而產(chǎn)生，包括速度太高、速度太低、游蕩、應(yīng)該駛向港口時偏離港口、航跡終止、不正常航線形狀等。此外，Riveiro等[3]補(bǔ)充了AIS 關(guān)閉和欺騙以及難以直接識別的復(fù)雜行為等其他船舶異常行為。Long等[7]總結(jié)了主要的船舶事故種類，分別為碰撞、機(jī)損、操作失誤、擱淺、火災(zāi)爆炸、傾覆、沉沒等。根據(jù)整理和總結(jié)，筆者將船舶航行交通事件分為2類，共20種，見圖1。

圖1 船舶航行交通事件分類Fi g.1 Ship navigation traffic event classification

1.2 船舶航行交通事件檢測方法

1.2.1 船舶異常行為檢測

目前國內(nèi)外船舶異常行為檢測的研究思路主要分為2 類：①基于對歷史AIS 數(shù)據(jù)進(jìn)行挖掘，建立正常船舶行為的分布或模型，將不符合正常分布或模型的樣本看作是異常軌跡樣本；②基于規(guī)則，對各種異常事件進(jìn)行人工標(biāo)定，滿足標(biāo)定條件的視為異常軌跡。由于當(dāng)前海事監(jiān)管領(lǐng)域存在船舶數(shù)據(jù)獲取困難，船舶管理系統(tǒng)封閉，船舶異常事件樣本量少的情況，因此大多數(shù)研究是基于AIS獲取的船舶運(yùn)動數(shù)據(jù)進(jìn)行，通過歷史位置數(shù)據(jù)構(gòu)建船舶運(yùn)行軌跡，分析船舶軌跡是否異常。在各種異常檢測方法中，最關(guān)鍵的步驟是如何構(gòu)建正常船舶行為模型，針對不同種類的船舶異常行為檢測方法進(jìn)行總結(jié)，見圖2。

圖2 船舶異常行為檢測方法Fig.2 Ship abnormal behavior detection methods

1）位置異常檢測。船舶的位置異常主要包括船舶超出歷史路徑范圍、航道外航行、駛向危險水域等情況。主要的檢測思路是利用機(jī)器學(xué)習(xí)、統(tǒng)計(jì)分析等方法對船舶歷史軌跡進(jìn)行特征提取，構(gòu)建船舶交通運(yùn)行模式，超出正常模式范圍或者處在置信度低于閾值的范圍內(nèi)的船舶被視為出現(xiàn)位置異常。

聚類屬于無監(jiān)督機(jī)器學(xué)習(xí)的一類，它利用數(shù)據(jù)的相似度原理，將船舶軌跡分成不同的簇，相同簇中的軌跡相似度高，不同簇中的軌跡相似度低，常用于船舶位置異常檢測?；诰垲惖拇斑\(yùn)行建模方法將航道內(nèi)的所有船舶軌跡依照不同指標(biāo)進(jìn)行分類，將絕大多數(shù)船舶軌跡遵循的簇定義為正常簇，而不符合正常簇的船舶軌跡則定義為異常軌跡。當(dāng)前使用較多的聚類方法為基于密度的聚類算法（density-based spatial clustering of applications with noise,DBSCAN），該方法對于任意形狀區(qū)域的聚類和異常值的識別具有良好效果。Han 等[8]指出DBSCAN 算法存在數(shù)據(jù)分布不均勻和基于歐氏距離計(jì)算的最小半徑無法代表水上等復(fù)雜場景的軌跡2 個弊端，并利用考慮相關(guān)性的馬氏距離替代歐氏距離表征最小半徑，用以描述復(fù)雜場景下的軌跡。DBSCAN 算法的核心是尋找數(shù)據(jù)的核心距離和可達(dá)距離，但往往這2 個參數(shù)無法快速準(zhǔn)確的找到，需要人為設(shè)置。Rong等[9]利用改進(jìn)的基于密度的聚類算法（ordering point to identify the cluster structure，OPTICS）對船舶軌跡進(jìn)行聚類，該算法不顯示聚類的具體數(shù)值結(jié)果，而是對數(shù)據(jù)進(jìn)行排序，以找出其中蘊(yùn)含的信息，因此降低了2 個參數(shù)的輸入要求，對軌跡點(diǎn)的可達(dá)距離進(jìn)行排序，發(fā)現(xiàn)低于最小半徑的軌跡點(diǎn)分成了幾個簇，每個簇就對應(yīng)于1類船舶。Rong等[10-11]利用聚類和高斯模型提取1個區(qū)域內(nèi)船舶的起訖點(diǎn)和航行路線，構(gòu)建船舶交通模式，通過對地航向、轉(zhuǎn)彎率、船速和船型4個自變量預(yù)測船舶屬于每1條航線的概率，當(dāng)分類到低概率航線時，將會視為可能出現(xiàn)異常的船舶。Pallotta等[12]提出1種基于船舶運(yùn)行模式和歷史信息的船舶軌跡預(yù)測和異常檢測方法，該方法利用AIS 數(shù)據(jù)提取船舶歷史航線，當(dāng)船舶駛?cè)胗^測區(qū)域時，利用船舶軌跡點(diǎn)和速度預(yù)測船舶位置，利用后驗(yàn)概率推測船舶最可能的行駛路徑，隨著船舶的運(yùn)動，實(shí)時更新船舶狀態(tài)和預(yù)測結(jié)果，通過計(jì)算其偏離正態(tài)的程度調(diào)整報警率。

2）運(yùn)動異常檢測。船舶的運(yùn)動異常主要包括船舶速度過高、航速過慢、航向異常等情況。主要的檢測思路是利用神經(jīng)網(wǎng)絡(luò)、統(tǒng)計(jì)分析等方法對船舶運(yùn)動數(shù)據(jù)進(jìn)行特征提取或者預(yù)測，當(dāng)出現(xiàn)不符合歷史數(shù)據(jù)特征的數(shù)據(jù)時則判定其出現(xiàn)了運(yùn)動異常。

基于神經(jīng)網(wǎng)絡(luò)的運(yùn)動異常檢測方法是利用神經(jīng)網(wǎng)絡(luò)模型對歷史數(shù)據(jù)進(jìn)行訓(xùn)練，建立正常船舶行為模型，再將測試數(shù)據(jù)輸入到模型中，檢測其是否存在異常。王正星等[13]引入霧天擾動量特征神經(jīng)元構(gòu)建神經(jīng)網(wǎng)絡(luò)，基于長短時算法更新神經(jīng)網(wǎng)絡(luò)對船舶軌跡偏離點(diǎn)位進(jìn)行挖掘，帶有霧天擾動特征神經(jīng)網(wǎng)絡(luò)的挖掘效果明顯好于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)。向懷坤等[14]利用粒子群優(yōu)化算法改進(jìn)神經(jīng)網(wǎng)絡(luò)參數(shù)，根據(jù)輸入的交通特征評估當(dāng)前的交通擁擠程度，檢測率和檢測時間均優(yōu)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)。劉慶華等[15]利用遺傳神經(jīng)計(jì)算建立初始閾值和權(quán)值，構(gòu)建初始分類器，結(jié)合AdaBoost算法優(yōu)化閾值和權(quán)值，構(gòu)建強(qiáng)分類器，對交通流樣本進(jìn)行分類，檢測出發(fā)生的交通事件。Ma等[16]提出1 種長短期神經(jīng)網(wǎng)絡(luò)克服反向傳播的誤差衰減問題，提高神經(jīng)網(wǎng)絡(luò)的長期預(yù)測效果。

基于統(tǒng)計(jì)的運(yùn)動異常檢測方法是利用統(tǒng)計(jì)學(xué)原理對歷史數(shù)據(jù)（航速、航向等）進(jìn)行分析，擬合出船舶數(shù)據(jù)的概率分布，將分布在高概率區(qū)間內(nèi)的數(shù)據(jù)看作正常，低概率區(qū)間對應(yīng)的數(shù)據(jù)看作異常數(shù)據(jù)。馬文耀等[17]引入船舶軌跡相似度和操縱行為相似度的度量算法，分別對AIS 軌跡數(shù)據(jù)和船舶運(yùn)動數(shù)據(jù)進(jìn)行訓(xùn)練，得到船舶綜合行為相似度，計(jì)算新數(shù)據(jù)的一致性，檢測是否有異常。Kowalska 等[18]利用高斯回歸和主動學(xué)習(xí)算法對船舶數(shù)值進(jìn)行預(yù)測，觀察實(shí)際值與真實(shí)值的差距判斷其是否異常。Botts[19]改進(jìn)了傳統(tǒng)的基于密度的聚類算法，考慮了速度和方向指標(biāo)對船舶軌跡進(jìn)行聚類。基于統(tǒng)計(jì)的建模方法不足在于依賴歷史信息，未能考慮環(huán)境等信息，例如，船舶以處于高概率區(qū)間的航速行駛時，如果周圍船舶的航速都遠(yuǎn)低于或者遠(yuǎn)高于此船，那么這艘船也應(yīng)該被視為異常。

3）其他異常檢測。除了船舶位置異常和運(yùn)動異常，還有幾類船舶異常行為不利于船舶監(jiān)管。例如AIS 的關(guān)閉和欺騙行為，由于追求利益或者掩蓋其違規(guī)航行的事實(shí)，部分船舶會主動關(guān)閉AIS 或者惡意修改其AIS 信息，這個行為對于海事監(jiān)管造成了阻礙，危害到了船舶航行安全。Zhang等[20]通過軌跡相似性尋找可疑軌跡和比較軌跡之間的對比軌跡，再利用對比軌跡與2 條軌跡的夾角和走向判斷該可疑軌跡是否存在關(guān)閉AIS 的行為，在此基礎(chǔ)上判斷2 個具有高度相似的軌跡中是否存在AIS 關(guān)閉行為的船舶，若存在則認(rèn)為該條軌跡對應(yīng)的船舶惡意更改了MMSI 信息。D'Afflisio 等[21]通過基于欺騙參數(shù)θ的復(fù)合假設(shè)檢驗(yàn)公式確定船舶通過AIS消息報告的軌跡是否可信，聯(lián)合解決欺騙和偏離標(biāo)稱路線的問題，采用模型階次判定（model order selection, MOS）方法處理產(chǎn)生的多重假設(shè)檢驗(yàn)，依賴于假設(shè)嵌套假設(shè)Hi,i=0,1,2,3 是正確的。

此外，復(fù)雜異常行為的檢測也受到關(guān)注。復(fù)雜交通事件是由多個基本交通事件組成的交通事件，通常難以直接從船舶軌跡數(shù)據(jù)中觀察到。當(dāng)前對于船舶復(fù)雜事件的研究主要集中于船舶違法行為，如船舶走私、運(yùn)毒、搶劫、禁捕區(qū)捕魚等行為。復(fù)雜事件的檢測需要將不同的基本事件檢測方法進(jìn)行結(jié)合，組成復(fù)雜事件檢測系統(tǒng)。Zhang等[22]利用現(xiàn)有船舶異常行為檢測算法形成檢測庫，讓用戶依據(jù)自己的需求選擇異常檢測模塊，將選擇的模塊形成事件流，用以檢測更復(fù)雜的異常行為。Shahir等[23]利用隱馬爾可夫模型觀測目標(biāo)軌跡，對存在特殊行為的軌跡分類到給定場景下，結(jié)合上下文信息判斷該行為屬于哪1種復(fù)雜事件。

1.2.2 船舶事故檢測

與船舶異常行為不同，船舶事故的發(fā)生往往會造成人員傷亡、生態(tài)破壞、經(jīng)濟(jì)損失等嚴(yán)重后果，因此當(dāng)前對于船舶事故的檢測主要是從事故風(fēng)險評估的角度出發(fā)，對船舶存在的航行風(fēng)險進(jìn)行測算及預(yù)測，風(fēng)險過高時，對船舶進(jìn)行管控，基于船舶事故發(fā)生的頻率和造成的后果不同，從船舶碰撞預(yù)警、船舶失火爆炸檢測及其他事故檢測進(jìn)行總結(jié)，見圖3。

圖3 船舶事故檢測方法Fig.3 Ship accident detection methods

1）船舶碰撞預(yù)警。船舶碰撞事故作為1種頻繁發(fā)生的水上交通事故，一直是研究人員的重點(diǎn)研究對象，當(dāng)前主要研究思路是對船舶航行碰撞風(fēng)險進(jìn)行建模和分析，即獲得某些船舶或者某些區(qū)域發(fā)生碰撞的概率，當(dāng)概率過高時，則認(rèn)為將要發(fā)生碰撞事件，需要人為對其干預(yù)，防止碰撞事故的發(fā)生。

船舶碰撞風(fēng)險分析研究通常涉及3 個要素：事故發(fā)生的概率、潛在后果，以及船舶碰撞的人為因素和組織因素，概率是反映船舶碰撞風(fēng)險的最常用指標(biāo)之一[24]。Zhang 等[25]直接利用距離和其他變量來評估遭遇情況，將船舶之間的距離、相對速度、航向差等合并為1 個函數(shù)，定義為船舶沖突風(fēng)險算子。Weng等[26]在碰撞候選檢測中加入了船舶領(lǐng)域，以侵犯圓形船舶領(lǐng)域?yàn)闃?biāo)準(zhǔn)估計(jì)了新加坡航道的碰撞頻率。Huang等[27]利用速度障礙法衡量碰撞風(fēng)險，該風(fēng)險被定義為導(dǎo)致碰撞的可達(dá)速度的比例。Xi等[28]利用故障樹方法進(jìn)行船舶碰撞的風(fēng)險分析，將導(dǎo)致事故的不同事件（值班人員的疲勞、疏忽、發(fā)動機(jī)故障等）以布爾門的形式進(jìn)行分類識別，以圖形方式說明各事件對事故的影響，最后利用統(tǒng)計(jì)分析、調(diào)查等手段計(jì)算各事件導(dǎo)致事故發(fā)生的概率。Sotiralis 等[29]建立概率模型來分析船舶碰撞中的人為因素和組織因素的風(fēng)險，利用貝葉斯網(wǎng)絡(luò)來獲得它們的概率相關(guān)性和事故概率。綜上，當(dāng)前船舶碰撞事故風(fēng)險評估領(lǐng)域所用到的方法、模型多樣化且各有優(yōu)勢，但研究重點(diǎn)均為通過事故發(fā)生概率測算、事故演化機(jī)理分析及事故造成后果評估以達(dá)到提前預(yù)警的效果；研究場景偏向于2船之間的碰撞風(fēng)險研究，較少涉及多船相遇情況，這降低了檢測結(jié)果的準(zhǔn)確性；其次，碰撞事故中考慮的人為因素缺乏數(shù)據(jù)的支撐，因此降低了檢測效果，后續(xù)應(yīng)該考慮更多不確定性進(jìn)行分析。

2）船舶失火爆炸檢測。船舶火災(zāi)爆炸事故是威脅海上運(yùn)輸安全的最嚴(yán)重的事故之一，會導(dǎo)致船舶損失、貨物損壞、環(huán)境污染、人身傷亡[30]。因此，火災(zāi)事故檢測領(lǐng)域同樣存在基于事故風(fēng)險分析以進(jìn)行提前預(yù)警的方法，Wang等[31]對火災(zāi)事故報告進(jìn)行關(guān)鍵語句提取，歸納出40 個船舶火災(zāi)原因，將其作為輸入分別利用故障樹和貝葉斯網(wǎng)絡(luò)進(jìn)行分析，得出影響火災(zāi)事故的關(guān)鍵因素。付姍姍等[32]利用三腳架事故致因模型分析火災(zāi)事故的影響因素，運(yùn)用布爾代數(shù)的邏輯運(yùn)算求解事故發(fā)生各階段的后果重要性及發(fā)生概率，最后利用風(fēng)險矩陣計(jì)算各事件的風(fēng)險值。除了通過風(fēng)險評估進(jìn)行火災(zāi)預(yù)警以外，對正在發(fā)生的火災(zāi)事故的檢測也同樣重要。李先鋒等[33]利用OpenCV 技術(shù)對船舶火災(zāi)視頻圖像進(jìn)行濾波、背景重構(gòu)以及煙霧檢測，實(shí)現(xiàn)船舶火災(zāi)的檢測。何光華[34]設(shè)計(jì)了1 種利用火焰探測器和熱探測器組合的火災(zāi)報警信號無線傳輸裝置，實(shí)現(xiàn)了高準(zhǔn)確度、低誤報率的火災(zāi)檢測與報警系統(tǒng)。周泊龍等[35]基于煙霧的顏色特征和運(yùn)動特征對船舶視頻圖像進(jìn)行分析，提出了能夠在開闊環(huán)境使用的船舶火災(zāi)檢測技術(shù)。船舶火災(zāi)爆炸檢測側(cè)重利用多種傳感器檢測火災(zāi)相關(guān)因素（煙霧、溫度、亮度等）進(jìn)行分析，相較于船舶碰撞檢測依賴風(fēng)險模型進(jìn)行碰撞預(yù)警，檢測準(zhǔn)確性較高，但受到環(huán)境影響嚴(yán)重，檢測穩(wěn)定性不足，且更側(cè)重于事故發(fā)生后檢測，事故預(yù)警檢測較少。

3）其他事故檢測。除了船舶碰撞事故和船舶火災(zāi)爆炸事故，也有其他事故如擱淺、傾覆、沉沒等得到關(guān)注。

船舶擱淺事故是指船舶撞擊海床或者航道側(cè)邊的1 種水上事故。Mazaheri 等[36]從風(fēng)險管理的角度對船舶擱淺事故風(fēng)險建模進(jìn)行了綜述，提出了1 種基于知識的船舶擱淺風(fēng)險建模框架，從定義、背景知識、場景、可能性、事故后果，以及風(fēng)險控制選項(xiàng)方面進(jìn)行了定義，總結(jié)出當(dāng)前建模方法側(cè)重點(diǎn)單一，現(xiàn)有需求如可靠準(zhǔn)確評估風(fēng)險程度、不確定性評估、實(shí)時高效更新模型評估結(jié)果、模型適用性等無法同時滿足，實(shí)際使用效果不佳。Acanfora等[37]利用船舶外力作用周期和船舶自然周期構(gòu)建模型對船舶的橫搖周期進(jìn)行預(yù)測，用以發(fā)現(xiàn)潛在的船舶橫搖場景，之后利用六自由度的混合線性仿真模型對關(guān)鍵場景進(jìn)行船舶加速度的評估，建立了1 個基于運(yùn)動周期的船舶大橫搖運(yùn)動檢測模型，該模型可被用于檢測船舶存在的傾覆風(fēng)險。針對不同船舶事故類型，有風(fēng)險建模、運(yùn)動建模、要素分析等檢測方法，需要研究統(tǒng)一的檢測模型實(shí)現(xiàn)實(shí)時檢測的目標(biāo)。于衛(wèi)紅等[38]利用點(diǎn)互信息算法和雙詞主題模型算法分別對船舶事故文本中的常見詞和主題進(jìn)行建模，從格式不統(tǒng)一、形式多樣化的事故報告文本中提取出事故原因，提供了1種基于文本識別的統(tǒng)一事故檢測模型。

1.3 船舶航行交通事件檢測研究現(xiàn)狀小結(jié)

數(shù)據(jù)上，當(dāng)前船舶航行交通事件檢測的數(shù)據(jù)源主要為船舶AIS 數(shù)據(jù)，數(shù)據(jù)量大，獲取難度低，可用于獲取船舶位置、航向、航速等指標(biāo)，成為事件檢測的主要判別依據(jù)。AIS 數(shù)據(jù)中包含了大量船舶運(yùn)動、行駛意圖等信息，但由于接收基站質(zhì)量、水文氣象影響、人為關(guān)閉篡改等因素，AIS 數(shù)據(jù)丟失、質(zhì)量不穩(wěn)定等問題常見，數(shù)據(jù)預(yù)處理成為事件檢測必不可少的環(huán)節(jié)，因此大多數(shù)研究結(jié)果無法對實(shí)時接收的數(shù)據(jù)進(jìn)行檢測；此外，船舶運(yùn)動受潮汐、風(fēng)速、水流速度、航行規(guī)則等影響，檢測時需要考慮其他數(shù)據(jù)源，當(dāng)前部分研究通過人為篩選對數(shù)據(jù)集添加標(biāo)簽的方式考慮環(huán)境信息，但檢測結(jié)果受主觀因素影響大，航行規(guī)則、事故報告等文本數(shù)據(jù)利用率低，因此對于不同格式、不同體量的數(shù)據(jù)源需要進(jìn)行融合。

方法上，基于聚類的檢測方法適用于提取航道等不規(guī)則區(qū)域內(nèi)的船舶分布，但聚類效果受到輸入?yún)?shù)影響大，最小半徑及可達(dá)距離需要人為調(diào)整以適應(yīng)不同數(shù)據(jù)源、不同航段的軌跡；此外，基于聚類的事件檢測本質(zhì)是對特定航段內(nèi)的歷史軌跡進(jìn)行相似性分析，將相似性低的軌跡視為異常，該方法可用于輔助監(jiān)管人員查找未被發(fā)現(xiàn)的異常行為，但無法實(shí)時檢測異常船舶，對其進(jìn)行干預(yù)?；陬A(yù)測的檢測方法能對存在的風(fēng)險進(jìn)行預(yù)警，是監(jiān)管水面安全的重要手段，但是預(yù)測效果受到算法、輸入數(shù)據(jù)質(zhì)量、參數(shù)等眾多條件約束，預(yù)測效果無法滿足實(shí)際使用要求，例如軌跡預(yù)測中直線形軌跡的預(yù)測效果要好于曲線形軌跡，這會降低預(yù)測的準(zhǔn)確性。基于神經(jīng)網(wǎng)絡(luò)的檢測方法是利用算法找出數(shù)據(jù)的內(nèi)在聯(lián)系，建立正常行為模型，但由于檢測過程模糊，調(diào)參難度大，模型適用性低，檢測結(jié)果難以解釋，難以構(gòu)建檢測不同航行狀態(tài)船舶的模型?；诮y(tǒng)計(jì)的檢測方法通過擬合數(shù)據(jù)，構(gòu)建數(shù)據(jù)分布模型，適用于檢測數(shù)值型數(shù)據(jù)如速度、航向等，但檢測效果嚴(yán)重依賴于歷史數(shù)據(jù)，對于不滿足歷史軌跡分布的船舶全部視為異常，沒有考慮實(shí)際航行狀態(tài)，需要不斷更新檢測模型，檢測效率低，且無法檢測文本數(shù)據(jù)如貨物、船名等異常。基于船舶領(lǐng)域、貝葉斯網(wǎng)絡(luò)、故障樹等模型進(jìn)行風(fēng)險預(yù)警的方法，考慮因素多能提升預(yù)警準(zhǔn)確性，但多因素會增大模型復(fù)雜性、降低計(jì)算效率，例如當(dāng)前常用的指標(biāo)最近會遇距離（distance closest point of approach,DCPA）、最近會遇時間（time closest point of approach,TCPA），計(jì)算簡單，但預(yù)警效果較差?；趫D像識別的檢測方法利用深度學(xué)習(xí)算法對大量事故圖像進(jìn)行訓(xùn)練，提取事故船舶圖像特征，檢測結(jié)果更加直觀，準(zhǔn)確性較高，但基于圖像的檢測效果與訓(xùn)練集高度相關(guān)，如實(shí)際拍攝船舶角度與訓(xùn)練集不一致、事故發(fā)生位置被遮擋、水上大霧暴雨等惡劣天氣導(dǎo)致圖像不清晰等，這些問題還未解決。

實(shí)時船舶航行交通事件檢測要求融合各類數(shù)據(jù)，自動檢測不同航行環(huán)境下的船舶航行狀態(tài)，在考慮歷史數(shù)據(jù)的基礎(chǔ)上，具有檢測實(shí)時數(shù)據(jù)的功能，這是當(dāng)前研究所缺少的。將來的船舶航行交通事件檢測應(yīng)該從多源數(shù)據(jù)融合、多項(xiàng)技術(shù)結(jié)合的角度進(jìn)行研究，如Liu 等[39]融合交通圖像數(shù)據(jù)和交通流數(shù)據(jù)，利用卷積神經(jīng)網(wǎng)絡(luò)算法進(jìn)行檢測，Zhang等[40]利用基于模糊自適應(yīng)密度的聚類算法預(yù)處理船舶轉(zhuǎn)彎區(qū)域，再利用神經(jīng)網(wǎng)絡(luò)提取不同轉(zhuǎn)彎區(qū)域特征。圖像數(shù)據(jù)直觀反映交通事件的發(fā)生，但數(shù)據(jù)質(zhì)量受天氣、拍攝角度影響嚴(yán)重，交通流數(shù)據(jù)容易獲取，但無用數(shù)據(jù)多，處理難度大，多源數(shù)據(jù)融合可以彌補(bǔ)各種數(shù)據(jù)的缺點(diǎn)，提高檢測效率；聚類方法首先對軌跡進(jìn)行分類，再利用神經(jīng)網(wǎng)絡(luò)提取特征，降低調(diào)參難度，提高模型可解釋性。

2 船舶航行交通事件實(shí)時檢測技術(shù)

當(dāng)前船舶航行事件檢測大多基于歷史數(shù)據(jù)和離線算法檢測，一方面是因?yàn)閷?shí)時接收的船舶數(shù)據(jù)存在丟失、噪聲大等質(zhì)量問題，原始數(shù)據(jù)需要經(jīng)過清洗、修復(fù)等手段才能被使用；另一方面是因?yàn)闄z測模型未考慮船舶航行環(huán)境，不同航行場景下的船舶采用不同的檢測模型和算法，檢測方法可擴(kuò)展性差，因此無法實(shí)現(xiàn)實(shí)時的事件檢測。此外，事件檢測過程及結(jié)果最終需要落實(shí)到日常實(shí)際監(jiān)管工作中，而大多數(shù)研究者并未考慮針對監(jiān)管人員開發(fā)可解釋性強(qiáng)的檢測模型和結(jié)果顯示技術(shù)。針對以上問題，本文針對實(shí)時的船舶航行交通事件檢測提出了海事大數(shù)據(jù)處理技術(shù)、船舶行為動態(tài)建模技術(shù)和實(shí)時分析與可視化技術(shù)3項(xiàng)關(guān)鍵技術(shù)，見圖4。

圖4 船舶航行交通事件檢測關(guān)鍵技術(shù)Fig.4 Key technologies of ship navigation traffic event detection

2.1 海事大數(shù)據(jù)處理技術(shù)

隨著衛(wèi)星、雷達(dá)等信息技術(shù)的革新，海事領(lǐng)域也面臨著數(shù)據(jù)量大、數(shù)據(jù)生成速度快、數(shù)據(jù)格式多樣、數(shù)據(jù)可靠性低的問題[41]。其中以AIS 數(shù)據(jù)為主的海事數(shù)據(jù)應(yīng)用逐漸從最初的避免船舶碰撞和提高航行安全擴(kuò)展到更多元的領(lǐng)域，例如船舶活動范圍研究、船舶對環(huán)境影響評估、船舶軌跡提取及預(yù)測、船舶航行監(jiān)管、港口績效及航運(yùn)業(yè)影響等[42]。大數(shù)據(jù)處理技術(shù)能夠快速清洗異常數(shù)據(jù)，同時處理儲存海量船舶數(shù)據(jù)，運(yùn)行效率高，可靠性強(qiáng)，無延時為船舶行為動態(tài)建模傳輸數(shù)據(jù)，進(jìn)行實(shí)時的船舶航行交通事件檢測。因此，為了滿足實(shí)時監(jiān)管的需求，針對海事領(lǐng)域的大數(shù)據(jù)處理技術(shù)亟待研究。

海事大數(shù)據(jù)處理應(yīng)從數(shù)據(jù)清洗和數(shù)據(jù)標(biāo)準(zhǔn)化方面考慮。原始海事數(shù)據(jù)存在大量空集、缺失、信息錯誤、人為篡改等問題，利用不準(zhǔn)確不完整的數(shù)據(jù)集分析船舶行為特征，會得到帶有偏差甚至相反的結(jié)果，誤導(dǎo)交通事件檢測研究方向，因此需要精準(zhǔn)全面的數(shù)據(jù)清洗技術(shù)對海事數(shù)據(jù)進(jìn)行處理。此外，水上交通事件檢測需要考慮航行環(huán)境信息，不兼容的數(shù)據(jù)標(biāo)準(zhǔn)可能會導(dǎo)致難以組合不同類型的數(shù)據(jù)，因此，如果各種數(shù)據(jù)兼容，考慮航行環(huán)境的交通事件檢測將成為可能。IHO 提出的S-100 提供了1 個水文地理空間數(shù)據(jù)標(biāo)準(zhǔn)，支持接入各種水文相關(guān)的數(shù)據(jù)源，并且完全符合主流的國際地理空間標(biāo)準(zhǔn)，能夠更輕松地將水文數(shù)據(jù)和應(yīng)用程序集成到地理空間解決方案中[43]，統(tǒng)一的數(shù)據(jù)格式或結(jié)構(gòu)在國際舞臺上得到認(rèn)可。因此，標(biāo)準(zhǔn)化的海事數(shù)據(jù)對于事件檢測及海事行業(yè)其他領(lǐng)域均有益處。

2.2 船舶行為動態(tài)建模技術(shù)

作為實(shí)時交通事件檢測的關(guān)鍵，船舶行為動態(tài)建模技術(shù)融合海事大數(shù)據(jù)處理后的船舶航行情境信息和船舶運(yùn)動數(shù)據(jù)，根據(jù)船舶運(yùn)動環(huán)境構(gòu)建不同的船舶行為模型，進(jìn)行實(shí)時交通事件檢測。其主要包含2 個難點(diǎn)：①如何將難以量化描述的非結(jié)構(gòu)型情境數(shù)據(jù)與結(jié)構(gòu)型的船舶運(yùn)動數(shù)據(jù)進(jìn)行融合，在分析船舶運(yùn)動時實(shí)時考慮船舶航行情境；②用何種方法分析非結(jié)構(gòu)型與結(jié)構(gòu)型混合的船舶航行數(shù)據(jù)，以提高檢測結(jié)果的準(zhǔn)確性。

情境信息融合方面，知識圖譜采用圖結(jié)構(gòu)來描述、構(gòu)建知識及事物間關(guān)系[44]，其本質(zhì)是1 種大規(guī)模語義網(wǎng)絡(luò)，不僅包含了豐富的語義信息，又天然具有圖的各種特征[45]。由于其呈現(xiàn)圖的結(jié)構(gòu)，在道路交通領(lǐng)域自然的與路網(wǎng)進(jìn)行聯(lián)系，節(jié)點(diǎn)表示路口，邊表示路段。水上交通領(lǐng)域采用知識圖譜的信息表示方式既能天然的表示船舶交通的空間信息，還能將水文氣象、航行規(guī)則等信息作為節(jié)點(diǎn)屬性與船舶運(yùn)動信息進(jìn)行融合。基于知識圖譜的船舶航行信息表示架構(gòu)，融合航行情境信息，利用現(xiàn)有的技術(shù)手段進(jìn)行事件檢測，能達(dá)到良好的動態(tài)性和可拓展性。

檢測方法上，除了現(xiàn)有技術(shù)手段，一些新興技術(shù)的介入可以提高檢測結(jié)果的準(zhǔn)確性。①深度學(xué)習(xí)是利用機(jī)器模擬人腦思考過程的1 種人工智能，它通過多層神經(jīng)元找出輸入數(shù)據(jù)之間隱含的關(guān)系，傳統(tǒng)船舶行為識別技術(shù)基于簡單的船舶位置數(shù)據(jù)和運(yùn)動數(shù)據(jù)，但船舶行為與外界環(huán)境關(guān)系密切，且難以定量體現(xiàn)，深度學(xué)習(xí)的方法有助于發(fā)現(xiàn)數(shù)據(jù)之間隱性的關(guān)系；②船舶行為要素與要素間的聯(lián)系實(shí)際上是信息的語義描述及信息語義之間的關(guān)聯(lián)關(guān)系[46]，每種船舶行為具有他的概念、屬性，以及關(guān)系，利用這些船舶行為的語義推理、關(guān)系挖掘可以發(fā)現(xiàn)不同行為之間的關(guān)聯(lián)、簡單行為與復(fù)雜行為的關(guān)系；③圖神經(jīng)網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)的1 種變體，能有效地對不規(guī)則的圖結(jié)構(gòu)模型進(jìn)行特征提取與分析，Zhu等[47]基于知識圖譜架構(gòu)構(gòu)建交通時空圖，利用圖卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行交通流預(yù)測，預(yù)測結(jié)果優(yōu)于單純基于路網(wǎng)的圖模型，因此可以作為水上交通事件檢測新的參考方向。

2.3 實(shí)時分析與可視化技術(shù)

海事監(jiān)管系統(tǒng)可視化內(nèi)河航道要素信息，借助人機(jī)交互界面結(jié)合自動化分析技術(shù)與交互式可視化[48]，因此，對于實(shí)際監(jiān)管工作，簡單易懂的檢測結(jié)果實(shí)時分析和直觀清晰的檢測結(jié)果顯示也是重要的一部分，當(dāng)前研究中檢測結(jié)果通常是定量的，定性分析需要人為觀察和評估，這樣降低了事件檢測效率，無法做到實(shí)時檢測，因此良好的人機(jī)交互性是促使監(jiān)管人員愿意使用檢測功能的保障。

平行系統(tǒng)是基于社會物理信息系統(tǒng)（cyber physical social system，CPSS），主要研究社會網(wǎng)絡(luò)、信息資源和物理空間深度融合[49]。平行系統(tǒng)將實(shí)際系統(tǒng)中的各要素建模為多智能體，利用知識工程獲得多智能體的屬性和規(guī)則，利用機(jī)器學(xué)習(xí)等手段獲得其在特定場景下的執(zhí)行方案，最后反饋給實(shí)際系統(tǒng)，并不是單純的模擬現(xiàn)實(shí)，因此建模難度大大降低[50]?；谄叫邢到y(tǒng)架構(gòu)的事件檢測系統(tǒng)能接入多種數(shù)據(jù)源，集成多種事件檢測技術(shù)，實(shí)時分析顯示檢測結(jié)果，對于海事監(jiān)管，每1艘船舶都可以被映射到虛擬系統(tǒng)中，按照現(xiàn)實(shí)方式行動，船舶的異常也將實(shí)時反饋到虛擬系統(tǒng)中被監(jiān)管人員查看，因此可以作為實(shí)時事件檢測的1種實(shí)時分析與可視化技術(shù)。

2.4 船舶航行交通事件實(shí)時檢測關(guān)鍵技術(shù)小結(jié)

大數(shù)據(jù)處理已運(yùn)用在各領(lǐng)域研究中，并獨(dú)自成為一門學(xué)科，但在海事領(lǐng)域應(yīng)用尚淺，以AIS數(shù)據(jù)為例，當(dāng)前大多數(shù)研究中數(shù)據(jù)處理停留在簡單的清洗、篩查，剔除缺少信息的數(shù)據(jù)，采用插值法形成均勻連續(xù)的軌跡，該方法形成的軌跡并非船舶的真實(shí)軌跡，以此為基礎(chǔ)的研究成果會產(chǎn)生較大誤差；除了AIS數(shù)據(jù)，船舶的進(jìn)出港報文、調(diào)度報告、事故報告等文本數(shù)據(jù)同樣蘊(yùn)含著大量信息，如船舶航行意圖、常用航線、事故原因分析等，但非結(jié)構(gòu)化數(shù)據(jù)提取、利用困難，需要考慮形成統(tǒng)一的數(shù)據(jù)結(jié)構(gòu)對其進(jìn)行儲存，以便研究。

船舶動態(tài)行為建模是實(shí)現(xiàn)實(shí)時事件檢測的關(guān)鍵，其中已有多項(xiàng)研究考慮了情境信息，如設(shè)置水文氣象標(biāo)簽區(qū)分?jǐn)?shù)據(jù)集、利用知識圖譜融合更多環(huán)境因素等，研究表明模型檢測效果得到提升，此外，深度學(xué)習(xí)的應(yīng)用提高了檢測的自動化程度，但對于航道空間結(jié)構(gòu)、航行規(guī)則匹配的考慮不足，圖神經(jīng)網(wǎng)絡(luò)作為提取不規(guī)則圖模型特征的算法，提供了1 種考慮空間結(jié)構(gòu)的研究思路，其模型適用性、可擴(kuò)展性仍需進(jìn)一步提升。

實(shí)時分析和可視化是服務(wù)監(jiān)管部門、與現(xiàn)有海事監(jiān)管系統(tǒng)結(jié)合的保障，當(dāng)前常用檢測方法無法滿足行業(yè)需求，實(shí)際使用效果較差，亟需同時考慮檢測算法和實(shí)際應(yīng)用效果的新型檢測模型。平行系統(tǒng)的概念既結(jié)合檢測模型，又具有良好的顯示交互功能，是檢測系統(tǒng)構(gòu)建的新方向。

綜上所述，當(dāng)前船舶航行交通事件檢測關(guān)鍵技術(shù)進(jìn)入初始階段，部分人員與機(jī)構(gòu)相繼展開研究，但與實(shí)際應(yīng)用水平仍差距較大，需要開展深入研究。

3 船舶航行交通事件檢測展望

當(dāng)前船舶航行交通事件檢測利用統(tǒng)計(jì)分析、神經(jīng)網(wǎng)絡(luò)、聚類分析、圖像識別、仿真建模等技術(shù)，檢測效果及自動化程度得到提升，但由于海事監(jiān)管領(lǐng)域數(shù)據(jù)質(zhì)量差、船舶航行環(huán)境復(fù)雜等原因，多數(shù)研究采取基于歷史數(shù)據(jù)的離線檢測方式，對實(shí)時交通的檢測效果差，且檢測模型可拓展性低，檢測結(jié)果誤報率過高，監(jiān)管人員使用滿意度低。嚴(yán)新平等[51]提出的新一代航運(yùn)系統(tǒng)體系架構(gòu)中提到，未來的航運(yùn)系統(tǒng)應(yīng)該是智能化的，船舶航行安全需要靠船舶運(yùn)行智能控制、交通運(yùn)營組織、水上應(yīng)急救援等關(guān)鍵技術(shù)來保障，而實(shí)時的、精準(zhǔn)的事件檢測是完成這一環(huán)節(jié)的重要組成部分。結(jié)合新一代航運(yùn)系統(tǒng)提出的平行檢測系統(tǒng)可分為數(shù)據(jù)采集、后臺服務(wù)、客戶端應(yīng)用3個功能模塊。如圖5 所示，數(shù)據(jù)采集功能通過AIS、CCTV、VTS、航行計(jì)劃、水文氣象等數(shù)據(jù)，對現(xiàn)實(shí)交通系統(tǒng)進(jìn)行全要素感知，將其實(shí)時輸入后臺服務(wù)中的交通態(tài)勢推演模塊，同時上傳至交通大數(shù)據(jù)云平臺，構(gòu)建水路交通場景仿真模型；后臺服務(wù)功能對實(shí)時輸入數(shù)據(jù)進(jìn)行融合處理與儲存，實(shí)時分析、預(yù)測及預(yù)警交通狀態(tài)，通過仿真運(yùn)算、結(jié)果儲存、模型管理進(jìn)行事件檢測，將檢測結(jié)果輸入虛擬交通系統(tǒng)，根據(jù)預(yù)設(shè)管控方案對虛擬系統(tǒng)進(jìn)行調(diào)整；客戶端應(yīng)用功能將虛擬系統(tǒng)中的檢測結(jié)果以及管控方案展示給指揮調(diào)度中心，監(jiān)管人員進(jìn)行決策，對現(xiàn)實(shí)交通系統(tǒng)進(jìn)行管理、調(diào)度和控制，其決策同時影響虛擬和現(xiàn)實(shí)交通系統(tǒng)，并進(jìn)行下一輪循環(huán)迭代，達(dá)到實(shí)時檢測并管理交通的目標(biāo)。

圖5 平行檢測系統(tǒng)架構(gòu)Fig.5 The architecture of parallel detection system

根據(jù)2.4 總結(jié)出的船舶航行交通事件實(shí)時檢測關(guān)鍵技術(shù)，提出船舶航行交通事件平行檢測系統(tǒng)下的展望：數(shù)據(jù)融合包含海事大數(shù)據(jù)處理技術(shù)，融合虛擬交通系統(tǒng)數(shù)據(jù)和現(xiàn)實(shí)交通系統(tǒng)數(shù)據(jù)，儲存交通仿真和態(tài)勢推演過程的全部信息；交通狀態(tài)感知是船舶行為動態(tài)建模的保障，實(shí)時感知現(xiàn)實(shí)交通信息，綜合評估交通狀態(tài)；交通虛實(shí)映射應(yīng)用實(shí)時分析和可視化技術(shù)，融合交通數(shù)據(jù)生成交通流，將現(xiàn)實(shí)交通系統(tǒng)映射到虛擬交通系統(tǒng)中并讓其在當(dāng)前交通狀態(tài)中進(jìn)行推演，實(shí)時檢測船舶航行交通事件。

3.1 數(shù)據(jù)融合

從數(shù)據(jù)類型劃分，當(dāng)前海事領(lǐng)域數(shù)據(jù)包括非結(jié)構(gòu)型數(shù)據(jù)：船名、船舶類型、貨物種類、航道、錨地等；結(jié)構(gòu)型數(shù)據(jù)：船長、經(jīng)緯度、航速、航向、風(fēng)速、水流速度等。從數(shù)據(jù)來源劃分，海事領(lǐng)域數(shù)據(jù)包括AIS、VTS、雷達(dá)、CCTV、報港文書等。多源異構(gòu)數(shù)據(jù)融合需要構(gòu)建統(tǒng)一的數(shù)據(jù)儲存格式，如word2vec 詞向量模型、知識圖譜三元組模型等文本數(shù)據(jù)處理技術(shù)，對海量數(shù)據(jù)進(jìn)行分析可以減輕單一數(shù)據(jù)源造成的噪聲大、精度低的問題，此外，統(tǒng)一的數(shù)據(jù)格式能提高計(jì)算效率，滿足實(shí)時性的要求。

3.2 交通狀態(tài)感知

交通狀態(tài)包括船舶交通流狀態(tài)（速度、流量、密度等）、航道狀態(tài)（橋區(qū)、航道水深等）、水文氣象狀態(tài)（潮汐、大霧、急流等）等。不同交通狀態(tài)下的船舶航行交通事件判斷標(biāo)準(zhǔn)會發(fā)生變化，例如，不同船舶密度下的最大航速不一樣，橋區(qū)和非橋區(qū)的航行規(guī)則不同，霧天內(nèi)河航道禁止通行等等。交通狀態(tài)感知需要采集船舶航行相關(guān)信息，分析船舶分布、船舶相對運(yùn)動、通航資源可達(dá)性、航行環(huán)境時空分布特征等交通狀態(tài)影響因素，利用船舶密度、船舶會遇避讓緊迫程度、船舶碰撞風(fēng)險、泊位碼頭擁堵指數(shù)、航道資源利用率、惡劣天氣比等評價指標(biāo)，分別對微觀交通狀態(tài)和宏觀交通狀態(tài)進(jìn)行評估，對水上交通狀態(tài)進(jìn)行分類定級，計(jì)算出水上交通宏微觀時空分異特征，推演出水上交通宏微觀狀態(tài)變化趨勢，對其進(jìn)行預(yù)測。宏觀上，根據(jù)交通狀態(tài)分級評價其飽和程度；微觀上，根據(jù)飽和程度、碰撞風(fēng)險、天氣等判斷船舶行為是否異常，實(shí)現(xiàn)更準(zhǔn)確、可靠的船舶航行交通事件檢測。

3.3 交通虛實(shí)映射

交通虛實(shí)映射是根據(jù)現(xiàn)實(shí)交通系統(tǒng)搭建虛擬交通系統(tǒng)，按照實(shí)際船舶交通流狀態(tài)在虛擬系統(tǒng)內(nèi)進(jìn)行初始化，并讓其按照設(shè)定航行規(guī)則自主運(yùn)行，最終得到不同時刻的交通狀態(tài)。交通仿真是交通虛實(shí)映射的初級階段，當(dāng)前常用交通仿真系統(tǒng)集中在道路領(lǐng)域，水路交通領(lǐng)域還未出現(xiàn)較好的仿真系統(tǒng)。水路交通仿真系統(tǒng)可分為靜態(tài)模型和動態(tài)模型2個部分：靜態(tài)模型包括航道模型、碼頭港口模型、錨地服務(wù)區(qū)模型、航標(biāo)模型、船舶模型、交通組織模型、三維場景模型等；動態(tài)模型包括船舶運(yùn)動仿真、河口卡口仿真、航段分段仿真、區(qū)域網(wǎng)絡(luò)仿真、突發(fā)事件仿真、航道通過能力仿真、交通態(tài)勢仿真等。從交通仿真中船舶按照人為規(guī)則行駛的被動控制，到平行系統(tǒng)中船舶按照實(shí)際船舶行為自動行駛的主動控制，需要從數(shù)據(jù)采集、狀態(tài)感知、決策反饋、可視化等方面進(jìn)一步研究。

4 結(jié)束語

將船舶航行交通事件分為船舶異常行為和交通事故2類，分析各事件的常用檢測方法，異常行為檢測研究大多基于AIS 數(shù)據(jù)，數(shù)據(jù)量大，獲取難度低，但處理時間久，需要提前對數(shù)據(jù)進(jìn)行預(yù)處理，無法滿足實(shí)時性；事故檢測主要從風(fēng)險評估的角度出發(fā)，檢測結(jié)果受模型適用性影響，難以動態(tài)建模進(jìn)行檢測。當(dāng)前事件檢測方法存在歷史數(shù)據(jù)依賴度高、檢測模型可擴(kuò)展性低的現(xiàn)狀，高誤報率致使監(jiān)管部門使用效果差。

總結(jié)出船舶航行交通事件實(shí)時檢測的關(guān)鍵技術(shù)：海事大數(shù)據(jù)處理技術(shù)、船舶行為動態(tài)建模技術(shù)和結(jié)果分析和可視化技術(shù)。從檢測前提高數(shù)據(jù)質(zhì)量，檢測中提升模型適用性，檢測后結(jié)果實(shí)時分析與展示3 個方面進(jìn)行分析，提出實(shí)時檢測的重點(diǎn)是在特定航行情境下進(jìn)行交通流評估。

結(jié)合新一代航運(yùn)系統(tǒng)提出了船舶航行交通事件平行檢測系統(tǒng)架構(gòu)，按照關(guān)鍵技術(shù)的發(fā)展需求，從數(shù)據(jù)融合、交通狀態(tài)感知和交通虛實(shí)映射3 個方面進(jìn)行展望，為船舶航行交通事件實(shí)時檢測的進(jìn)一步研究提供參考。