交匯水域船舶軌跡預(yù)測與航行意圖識別*

王知昊 元海文,2,▲ 李維娜 肖長詩

（1.武漢工程大學(xué)電氣信息學(xué)院 武漢 430205；2.武漢理工大學(xué)智能交通系統(tǒng)研究中心 武漢 430063；3.武漢理工大學(xué)國家水運安全工程技術(shù)研究中心 武漢 430063；4.山東交通學(xué)院威海海洋信息科學(xué)與技術(shù)研究院 山東 威海 264200）

0 引言

近年來，國內(nèi)外交通系統(tǒng)在現(xiàn)代信息技術(shù)推動下正經(jīng)歷著由傳統(tǒng)信息化逐步向智能網(wǎng)聯(lián)化發(fā)展的深刻變革[1]。在構(gòu)建以安全、高效、綠色、智能為特征的新一代航運系統(tǒng)[2]大背景下，智能航行技術(shù)主要體現(xiàn)在信息采集與融合、環(huán)境感知與學(xué)習(xí)、智能決策與控制等方面[3]，在智能海事的發(fā)展中起到重要作用，成為當(dāng)前智能航海領(lǐng)域的研究熱點。軌跡預(yù)測能夠根據(jù)周圍環(huán)境和當(dāng)前及過去的觀測信息預(yù)測附近船舶未來行駛狀態(tài)，引導(dǎo)智能船舶[4]采取合理有效航行路徑或避讓措施，對實現(xiàn)未來船舶智能航行具有重要意義。

國內(nèi)外有關(guān)船舶軌跡預(yù)測的研究主要集中在2個方面：傳統(tǒng)算法和基于機器學(xué)習(xí)的算法。

傳統(tǒng)船舶軌跡預(yù)測算法主要基于運動學(xué)或統(tǒng)計概率。前者構(gòu)建船舶運動狀態(tài)轉(zhuǎn)移方程，根據(jù)位置、航向、速度、重量、結(jié)構(gòu)等船舶動態(tài)與靜態(tài)信息，預(yù)測并更新未來時刻的航行軌跡，例如，模型預(yù)測[5]、卡爾曼濾波[6-7]、多項式卡爾曼濾波[8]等?；诮y(tǒng)計概率的方法從概率角度分析，將目標(biāo)船舶與周圍船舶看作相互依賴、相互交互的運動實體，從環(huán)境全局策略角度考慮不同個體的運動軌跡。高斯混合模型[9-10]、灰色系統(tǒng)[11-12]分別被用于與船舶運動理論相結(jié)合，提升軌跡預(yù)測的可靠性。此外，貝葉斯模型[13-14]也能夠通過計算船舶運動及其不確定性來實現(xiàn)船舶軌跡預(yù)測。傳統(tǒng)軌跡預(yù)測方法比較依賴船舶運動趨向性，其時效性受船舶機動變化影響明顯，在考慮環(huán)境及船舶自身因素方面往往具有一定局限性。

機器學(xué)習(xí)或深度學(xué)習(xí)通過對某區(qū)域歷史船舶軌跡時空特征提取和模式識別，達到軌跡預(yù)測的目的。Zhou等[15]和甄榮等[16]分別利用反向傳輸神經(jīng)網(wǎng)絡(luò)對船舶經(jīng)度、緯度、航速、航向等運動特征變化進行預(yù)測。隨后提出的遞歸神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）[17]和長短期記憶（long short term memory，LSTM）[18]網(wǎng)絡(luò)具有更好的時序記憶能力，在處理序列預(yù)測方面表現(xiàn)出色，被廣泛用于船舶軌跡預(yù)測，改進的LSTM[19-20]被用于提升軌跡預(yù)測精度。季學(xué)武等[21]在LSTM軌跡預(yù)測基礎(chǔ)上增加意圖識別，能夠同時輸出向左換道、直線行駛、向右換道的概率。劉姍姍等[22]將卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）與LSTM組合，實現(xiàn)船舶軌跡長短期時空特征的精準(zhǔn)提取。Liu等[23]將LSTM與卡爾曼濾波相融合，創(chuàng)新性提出1種混合驅(qū)動的船舶軌跡預(yù)測架構(gòu)?；谏疃葘W(xué)習(xí)的軌跡預(yù)測方法在足夠的數(shù)據(jù)支撐前提下有潛力挖掘獲取船舶軌跡時序變化及環(huán)境特征。

交匯水域作為典型水上交通場景，航道縱橫交錯、船舶交通流形態(tài)復(fù)雜、船舶交通沖突嚴(yán)重，實施船舶軌跡預(yù)測對有效提升通航安全尤為重要。因此，本文以交匯水域為對象，研究船舶軌跡預(yù)測與航行意圖識別方法：①設(shè)計1種CNN+LSTM組合網(wǎng)絡(luò)模型，以船舶先前時段內(nèi)的航行軌跡為輸入，預(yù)測其未來時段軌跡序列、航行意圖及其不確定性；②收集交匯水域內(nèi)的歷史船舶軌跡，對原始軌跡進行異常篩除、重采樣、切割分段等預(yù)處理，形成連續(xù)、平滑、穩(wěn)定的船舶軌跡數(shù)據(jù)集，用于所提模型的訓(xùn)練和測試；③開展實驗評價，通過對比分析所提模型的預(yù)測性能，討論不同輸入?yún)?shù)（采樣頻率、觀測時長、Dropout參數(shù)）對模型的影響。

1 交匯水域船舶軌跡數(shù)據(jù)集

大多數(shù)機器學(xué)習(xí)算法性能在一定程度上取決于充分的數(shù)據(jù)和精準(zhǔn)的模型。本文使用的船舶軌跡數(shù)據(jù)來源于船舶自動識別系統(tǒng)（automatic identification system，AIS）公開數(shù)據(jù)集（https://marinecadastre.gov/ais/）。AIS作為1種船載導(dǎo)航設(shè)備，負(fù)責(zé)收集周圍船舶靜態(tài)和動態(tài)信息，并定時向外廣播自身狀態(tài)。根據(jù)身份識別碼MMSI，可提取到所有船舶按時間變化的動態(tài)位置信息，從而形成多條帶時間戳的軌跡序列。

以美國沿海某交匯水域為研究對象，主要研究該交匯水域的船舶軌跡預(yù)測與航行意圖識別，提取2021年6月—8月船舶歷史軌跡數(shù)據(jù)，見圖1。本文在創(chuàng)建網(wǎng)絡(luò)模型和模型訓(xùn)練過程，主要選擇船舶隨時間變化的位置序列作為輸入?yún)?shù)，通過大量歷史軌跡的學(xué)習(xí)對該交匯水域通航環(huán)境、船舶動靜態(tài)信息等綜合屬性影響下的航行模式識別，即將這些參數(shù)作為隱藏特征進行辨識。

圖1 交匯水域船舶航行軌跡Fig.1 Shiptrajectories in confluence waters

1.1 異常檢測

在船舶航行過程中，因AIS設(shè)備本身問題或環(huán)境干擾，AIS原始數(shù)據(jù)會出現(xiàn)異常。異常檢測目的是消除異常的軌跡，降低錯誤數(shù)據(jù)對機器學(xué)習(xí)模型的不良影響。

從AIS數(shù)據(jù)中提取到的船舶動態(tài)位置信息，見式（1）。

式中：latt為船舶在t時刻的緯度坐標(biāo)；lont為船舶在t時刻的經(jīng)度坐標(biāo)；xt:t+k為船舶t～t+k時刻之間的軌跡序列。

交匯水域通航環(huán)境中，船舶船速和航向變化通常保持相對穩(wěn)定。因此，本文采用均方差檢測異常軌跡，即當(dāng)軌跡序列的均方差大于交匯水域?qū)蔷€邊界σ的1/3時，該條軌跡被認(rèn)為異常，見式（2）。

同時，考慮到交匯水域附近存在一定數(shù)量的拋錨船舶和機動性較強的小型船舶。為降低此類型不規(guī)則的船舶軌跡對機器學(xué)習(xí)模型的影響，采用速度閾值法對軌跡序列中相鄰2個點的航行速度進行檢測。據(jù)統(tǒng)計觀測，主航道正常航速應(yīng)滿足式（3）條件。

式中：Vmin為船舶航行最小速度，n mile/h；Vmax為船舶航行最大速度，n mile/h。根據(jù)統(tǒng)計觀測，Vmin=5 n mile/h，Vmax=20 n mile/h。

1.2 序列重采樣

AIS數(shù)據(jù)獲取的原始船舶軌跡序列間隔周期不一致，不能直接用于機器學(xué)習(xí)模型。本文采用線性插值法對彎曲程度較小的原始軌跡序列進行重采樣，針對曲率較大的軌跡序列時則采用拉格朗日插值法。

線性插值法將船舶軌跡近似為勻速直線運動，根據(jù)前后時間點對應(yīng)的位置信息，計算當(dāng)前時刻的位置，見式（4）。

式中：t1，t，t2分別為軌跡序列中前一時刻、當(dāng)前時刻和后一時刻的時間戳。

拉格朗日插值法采用多項式函數(shù)擬合軌跡序列中所有觀測點，進而利用該多項式函數(shù)重構(gòu)軌跡序列。設(shè)原始軌跡序列包含k+1個觀測坐標(biāo)，拉格朗日插值多項式見式（5）。

式中：yt為采樣后軌跡序列中時刻t的船舶位置狀態(tài)；xi為原始軌跡序列中時刻ti的船舶位置狀態(tài)。

1.3 軌跡切片

經(jīng)過異常檢測和序列重采樣預(yù)處理，獲得一系列采樣周期固定、數(shù)據(jù)質(zhì)量較好的軌跡序列。然而，這些軌跡序列長度不同，并不能直接用于機器學(xué)習(xí)模型的輸入訓(xùn)練，需要對不同長度的軌跡序列進行分割切片。選取交匯水域中部分船舶向右轉(zhuǎn)向行駛的節(jié)點位置，以此為中點，分別向前、后各區(qū)固定數(shù)量的軌跡點，形成1條包含固定數(shù)量的軌跡序列。該軌跡序列被稱為標(biāo)準(zhǔn)樣本，所有的軌跡序列合起來形成交匯水域船舶軌跡標(biāo)準(zhǔn)數(shù)據(jù)集，見圖1（b）。

使用上述方法，從3個月的AIS數(shù)據(jù)中提取得到237 612個軌跡樣本。其中60%作為模型訓(xùn)練集，剩余40%作為測試集。

2 CNN+LSTM組合網(wǎng)絡(luò)模型

該模型采用編碼器-解碼器結(jié)構(gòu)，通過對交匯水域船舶歷史軌跡學(xué)習(xí)，獲取通航環(huán)境約束與船舶航行特征，建立該區(qū)域相應(yīng)的船舶軌跡預(yù)測與航行意圖識別模型。在此基礎(chǔ)上，引入Dropout網(wǎng)絡(luò)結(jié)構(gòu)，實現(xiàn)對基于學(xué)習(xí)的船舶軌跡預(yù)測不確定性估計。本研究提出的船舶軌跡預(yù)測與航行意圖識別模型見圖2。

圖2 基于CNN+LSTM組合網(wǎng)絡(luò)的船舶軌跡預(yù)測與航行意圖識別模型Fig.2 Ship trajectory prediction and intention recognition model based on CNN+LSTM combined network

圖2首先利用CNN+LSTM網(wǎng)絡(luò)作為編碼器部分，CNN設(shè)置內(nèi)核大小為3×3，輸出通道512，步長1，擴展率2，采用Relu激活函數(shù)，對輸入的軌跡序列xt-h:t進行卷積操作，采用局部連接和共享權(quán)值的方法提取船舶軌跡特征信息。LSTM作為隱藏層進一步處理表征船舶軌跡的特征向量，達到長時間記憶功能，確保軌跡序列的時間相關(guān)性。LSTM選擇Relu作為激活函數(shù)，神經(jīng)元數(shù)量為128。經(jīng)過CNN+LSTM編碼，獲取軌跡序列的上下文特征狀態(tài)向量H。H取編碼器中的最后1個LSTM隱藏狀態(tài)向量。

解碼器采用LSTM與全連接層組成的循環(huán)網(wǎng)絡(luò)結(jié)構(gòu)，模型以輸入時間序列最后時刻t作為起始點預(yù)測對應(yīng)的未來軌跡序列，故以編碼器的最后輸出狀態(tài)H和船舶輸入軌跡序列最后1個點xt作為輸入，輸出得到船舶軌跡時間序列預(yù)測結(jié)果xt+1:t+k。在此基礎(chǔ)上增加1個邏輯分類輸出，即引入航行意圖識別因子C。根據(jù)預(yù)測值C，可判斷交匯水域中船舶未來的航路選擇。解碼器中LSTM網(wǎng)絡(luò)層神經(jīng)元數(shù)量為128，全連接層神經(jīng)元數(shù)量為128，分別選擇Relu為激活函數(shù)。該模型采用均方誤差（MSE）作為損失函數(shù)，Adam作為優(yōu)化函數(shù)。

同時，將Dropout引入CNN+LSTM組合網(wǎng)絡(luò)模型，實現(xiàn)對該模型預(yù)測的不確定估計。Dropout被設(shè)置在2層LSTM網(wǎng)絡(luò)中，訓(xùn)練階段以一定概率隨機關(guān)閉LSTM網(wǎng)絡(luò)中的神經(jīng)元。在Dropout作用下，以相同的軌跡序列多次輸入至該CNN+LSTM網(wǎng)絡(luò)模型，獲得1組不完全相同的預(yù)測結(jié)果假設(shè)預(yù)測不確定性模型符合正態(tài)分布，且經(jīng)度、緯度相互獨立，則最優(yōu)的預(yù)測結(jié)果x?t+1:t+k及其不確定性Qt+1:t+k可由式（6）～（7）定義。

式中：為軌跡在t+1～t+k時刻之間的第i次預(yù)測結(jié)果。

3 結(jié)果與分析

基于CNN+LSTM組合網(wǎng)絡(luò)的船舶軌跡預(yù)測與航行意圖識別方法訓(xùn)練和測試的具體流程見圖3。首先，利用該交匯水域船舶軌跡數(shù)據(jù)集的訓(xùn)練子集，對CNN+LSTM組合網(wǎng)絡(luò)進行迭代訓(xùn)練，實現(xiàn)船舶軌跡預(yù)測與航行意圖識別模型；然后，使用數(shù)據(jù)集的測試子集對該模型進行測試，通過與真實值、其他方法的對比，分析評價本文所提方法的有效性。不同場景由于尺度、環(huán)境、政策等因素不同，船舶航行特征也相應(yīng)改變。因此，如將本文方法應(yīng)用于其他場景，需收集目標(biāo)場景的歷史軌跡，制作相應(yīng)數(shù)據(jù)集，對本文設(shè)計的網(wǎng)絡(luò)模型進行重新訓(xùn)練，學(xué)習(xí)目標(biāo)場景中的船舶航行特征或規(guī)律。

圖3 船舶軌跡預(yù)測與航行意圖識別方法流程Fig.3 Theflow of the ship trajectory prediction and intention recognition method

3.1 船舶軌跡預(yù)測

使用訓(xùn)練后的CNN+LSTM組合網(wǎng)絡(luò)開展船舶軌跡預(yù)測實驗，以某船舶過去60 min時段軌跡作為輸入，預(yù)測其未來60 min時段內(nèi)的航行軌跡，結(jié)果見圖4。圖4（a）（c）（e）為船舶保持直線航行情形的軌跡預(yù)測結(jié)果，與真實軌跡進行相似度匹配，預(yù)測誤差分別為2.194，4.178，3.957 n mile；圖4（b）（d）（f）分別為船舶右轉(zhuǎn)航行情形的軌跡預(yù)測結(jié)果，預(yù)測誤差為4.86，2.252，4.316 n mile。此處的預(yù)測誤差由軌跡相似度的倒數(shù)定義，即預(yù)測軌跡與真實軌跡之間的相對距離之和。根據(jù)交匯水域2種不同情形的預(yù)測結(jié)果，本文所設(shè)計的CNN+LSTM組合網(wǎng)絡(luò)能夠?qū)崿F(xiàn)船舶軌跡預(yù)測。

圖4 以前60 min時長為輸入，預(yù)測未來60 min時段內(nèi)的船舶軌跡Fig.4 Predicting the ship trajectories of next 60 min with the input of previous 60 min

為說明本文所提模型的預(yù)測性能，將CNN+LSTM組合網(wǎng)絡(luò)預(yù)測模型與基于LSTM的軌跡預(yù)測方法、傳統(tǒng)運動軌跡預(yù)測方法進行對比。在采樣頻率3 min、序列時長60 min的輸入條件下，預(yù)測結(jié)果見圖5。其中，圖5（a）為船舶直線航行情形的預(yù)測結(jié)果，圖5（b）為對應(yīng)的局部放大圖，傳統(tǒng)運動預(yù)測誤差為1.195 n mile，LSTM預(yù)測誤差為2.019 n mile，CNN+LSTM預(yù)測誤差為1.628 n mile；圖5（c）為船舶右轉(zhuǎn)向航行情形的預(yù)測結(jié)果，圖5（d）為對應(yīng)的局部放大圖。由圖5可見：傳統(tǒng)運動預(yù)測誤差為27.15 n mile，LSTM預(yù)測誤差為7.487 n mile，CNN+LSTM預(yù)測誤差為5.123 n mile，誤差降低了31.6%。在該交匯水域處，當(dāng)船舶保持直線航行無機動性操縱時，傳統(tǒng)運動預(yù)測方法憑借對當(dāng)前狀態(tài)運動趨向性的把握，對未來時段軌跡預(yù)測效果最佳。然而，當(dāng)船舶發(fā)生操縱性改變逐漸向右轉(zhuǎn)向行駛時，CNN+LSTM預(yù)測效果更好，主要是因為通過大量歷史軌跡的學(xué)習(xí)能夠掌握當(dāng)前區(qū)域的航道環(huán)境及船舶航行特征。

圖5 LSTM+CNN、LSTM、運動預(yù)測方法對比Fig.5 Comparison between LSTM+CNN、LSTM、motion-based predictions

為確定最佳的模型輸入條件，分析對比了以不同的軌跡序列時長和采樣頻率作為輸入對CNN+LSTM模型預(yù)測的影響。以船舶過去60 min時段的軌跡序列作為輸入，分別取1，3，6，12 min作為采樣頻率，對CNN+LSTM組合網(wǎng)絡(luò)進行訓(xùn)練，得到4組船舶軌跡預(yù)測模型。利用數(shù)據(jù)集測試子集，預(yù)測結(jié)果見表1，對預(yù)測軌跡均勻抽取5個預(yù)測點與真實軌跡進行比較，其中t1為預(yù)測軌跡中第12 min，t2為預(yù)測軌跡中第24 min，t3為預(yù)測軌跡中第36 min，t4為預(yù)測軌跡中第48 min，t5為預(yù)測軌跡中第60 min。結(jié)果表明：以3 min采樣頻率為輸入的模型預(yù)測誤差最小，為3.946 n mile。隨著時間的推移，所有模型預(yù)測誤差逐漸增大，以3 min采樣頻率為例，最大誤差為t5時刻的1.208 8 n mile。

然后，確定采樣頻率為3 min，分別選取軌跡序列時長為15，30，45，60 min作 為 輸 入，對CNN+LSTM組合網(wǎng)絡(luò)進行訓(xùn)練，對應(yīng)生成4組預(yù)測模型，預(yù)測未來60 min時段的軌跡序列。采用與之前相同的預(yù)測誤差計算方法，結(jié)果見表2。結(jié)果表明：以60 min時長為輸入的模型預(yù)測效果最佳，平均預(yù)測誤差為3.946 n mile，最大誤差為1.208 8 n mile。

表2 不同時長輸入條件下的軌跡預(yù)測誤差Tab.2 Trajectory prediction errors using different durations as inputs

3.2 航行意圖識別

本文涉及的航行意圖是指船舶經(jīng)過交匯處后的航路選擇。航行意圖隨交匯水域交通結(jié)構(gòu)變化而不同。選取的具體交匯水域主要分為直線航行和右轉(zhuǎn)航行，因此航行意圖也為對應(yīng)的直線航行和右轉(zhuǎn)航行這2種。利用所提方法對隨機選取的100條船舶軌跡的航行意圖進行了識別，其中57條直線航行軌跡，43條右轉(zhuǎn)航行軌跡，計算得到混淆矩陣，見表3。意圖識別因子C≥0.5表示右轉(zhuǎn)航行，C＜0.5表示直線航行，直線航行意圖識別準(zhǔn)確率為85.96%，右轉(zhuǎn)航行意圖識別準(zhǔn)確率為88.37%，總體識別精度為87%。盡管已經(jīng)采取數(shù)據(jù)治理方法，但是AIS系統(tǒng)偏置引起的誤差仍然存在，導(dǎo)致部分航行意圖未能準(zhǔn)確識別。充分、精確的數(shù)據(jù)集有利于改善基于學(xué)習(xí)的軌跡預(yù)測方法。在未來研究工作中，采用基于聚類的異常檢測方法對AIS船舶軌跡精細化篩選。

表3 交匯水域船舶航行意圖識別混淆矩陣Tab.3 Confusion matrix of intention identification for ships in confluence waters

3.3 不確定性估計

在CNN+LSTM組合網(wǎng)絡(luò)模型中引入Dropout模型，以此實現(xiàn)對預(yù)測結(jié)果的不確定性估計。該不確定性主要反映的是預(yù)測軌跡序列在經(jīng)度、維度坐標(biāo)上的誤差范圍，采用預(yù)測協(xié)方差來表示。為更好地解釋預(yù)測不確定性的意義，圖6分別展示了交匯水域船舶直線航行和右轉(zhuǎn)航行時的軌跡預(yù)測及不確定性。其中，每個預(yù)測位置上的不確定性通過半透明的橢圓表示，橢圓在水平方向的軸長表示經(jīng)度不確定性，在垂直方向的軸長表示緯度不確定性。無論船舶是直線航行還是右轉(zhuǎn)航行，隨著時間推移，預(yù)測不確定性逐漸增大，預(yù)測精度逐漸下降，然而不確定性范圍基本能夠完全覆蓋真實軌跡。因此，不確定性估計的引入，使得軌跡預(yù)測方法更具有實用價值。

圖6 船舶軌跡預(yù)測不確定性估計（Dropout=0.5）Fig.6 Uncertainty estimation of ship trajectory prediction（Dropout=0.5）

為確定最優(yōu)的Dropout值，對不同Dropout值條件下的船舶軌跡預(yù)測及不確定性結(jié)果進行對比分析。以船舶過去1 h時段的軌跡序列作為輸入，設(shè)置Dropout值分別為0.3，0.4，0.5，0.6，0.7，對CNN+LSTM網(wǎng)絡(luò)模型進行訓(xùn)練和測試。表4均勻抽取預(yù)測序列中的5個位置，其中t1為預(yù)測軌跡中第12 min，t2為預(yù)測軌跡中第24 min，t3為預(yù)測軌跡中第36 min，t4為預(yù)測軌跡中第48 min，t5為預(yù)測軌跡中第60 min。當(dāng)選取Dropout值較大時，預(yù)測不確定性范圍過大，盡管能夠覆蓋真實值，但模型擬合效果較差；當(dāng)Dropout值較小時，預(yù)測不確定性范圍減小，導(dǎo)致不能完全覆蓋真實值，模型無法精準(zhǔn)掌握自身預(yù)測性能。通過比較，當(dāng)Dropout值為0.5時，在確保模型正確擬合的條件下，不確定性估計對真實值的覆蓋率最高，效果最佳。

表4 不同Dropout值條件下的軌跡預(yù)測不確定性估計及覆蓋率Tab.4 Uncertaintyestimation and coverage rate of trajectory prediction with different Dropout values

4 結(jié)束語

基于AIS的船舶軌跡預(yù)測能夠為船舶智能航行和水上交通安全保障提供基礎(chǔ)技術(shù)支持。所提出的船舶軌跡預(yù)測與航行意圖識別方法基于CNN+LSTM組合網(wǎng)絡(luò)模型提取通航環(huán)境約束及船舶航行特征，并利用Dropout模型計算預(yù)測結(jié)果的不確定性。開展了定量、定性實驗，結(jié)果證明了提出的船舶軌跡預(yù)測和航行意圖識別方法在交匯水域場景中能夠取得較好的精度。

在未來研究工作中，將引入環(huán)境、物理等特征作為模型輸入?yún)?shù)，通過與本文方法對比，實現(xiàn)對船舶軌跡預(yù)測的關(guān)鍵特征識別。同時，將運動預(yù)測與數(shù)據(jù)驅(qū)動的機器學(xué)習(xí)方法相融合，降低對數(shù)據(jù)集的依賴性，提升軌跡預(yù)測的可靠性。