數(shù)據(jù)驅(qū)動的大型船舶靠泊行為監(jiān)控設(shè)計

賀 瀧

（中國地質(zhì)大學(xué)（武漢）海洋學(xué)院, 湖北武漢 430074）

大型船舶靠泊是海上交通運輸中的一個重要環(huán)節(jié), 一旦發(fā)生事故, 容易造成人員傷亡、港口設(shè)施損壞、船舶和貨物受損的嚴(yán)重后果。這些事故的發(fā)生會損害航運公司和港口公司的聲譽, 從而導(dǎo)致業(yè)務(wù)量下降。更嚴(yán)重的還會使船舶運輸?shù)呢浳锷⒙浠蛉加托孤? 從而污染海洋環(huán)境。所以, 大型船舶在靠泊過程中發(fā)生事故造成的損失巨大, 各國港口管理當(dāng)局為了減少船舶在港區(qū)發(fā)生事故, 對船舶靠泊安全都非常重視（Debnath et al., 2011）。近年來, 為了適應(yīng)全球航運市場激烈競爭的環(huán)境, 各航運和港口公司加快了碼頭的物流運作, 導(dǎo)致停泊作業(yè)倉促進行, 使船舶發(fā)生事故的風(fēng)險增加（Hsu, 2012）。船舶發(fā)生的事故中, 碰撞事故所占比例最高（Debnath and Chin, 2010；Hsu, 2012）。碰撞事故大多發(fā)生在船舶靠泊過程中（Wen-Kai, 2015）。因此, 為了減少船舶事故, 船舶靠泊安全的問題必須考慮。

為了保障船舶靠泊安全, 各文獻從不同角度對保障船舶安全靠泊進行研究。如陳航（2005）、蔡長泗（2005）和閆曉飛（2016）介紹了使用激光技術(shù), 彭國均等（2012）使用兩點定位差分全球定位系統(tǒng)（DGPS）、船舶自動識別系統(tǒng)（AIS）和無線網(wǎng)絡(luò)通信技術(shù)（Wi-Fi）設(shè)計輔助靠泊儀。以上這些技術(shù)主要是為了精確提供船舶在泊位附近的動態(tài), 對船舶靠泊措施是否正確沒有給出決策判斷[1］。為此, 一些文獻使用數(shù)據(jù)統(tǒng)計的方法統(tǒng)計船舶靠泊速度的分布情況, 如肖瀟（2014）和黃澤洋（2016）使用最小二乘法擬合船舶航速與碼頭距離之間的關(guān)系曲線, 說明船舶在靠泊過程中航速的分布規(guī)律。Roubos（2017）對鹿特丹港各種船型靠泊速度在不同泊位和操縱條件下進行測量, 得出靠泊速度與船舶尺度、裝載狀態(tài)、海洋結(jié)構(gòu)類型、防撞系統(tǒng)、港口遮蔽情況、靠泊方案之間的關(guān)系[2］。近年來, 隨著人們對航運安全的重視和自動控制技術(shù)的發(fā)展, 為了避免由于人為因素的失誤而導(dǎo)致船舶靠泊時碰撞碼頭事故的發(fā)生, 一些文獻在自動靠泊上進行了研究并取得了一些成果。如Ahmed（2013）、Tran（2013）和Im（2018）使用教學(xué)數(shù)據(jù)對人工神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練, Mizuno（2012）使用非線性的動態(tài)模型（MMG模型）和圖像處理單元（GPU）, Zhang（2017）使用MMG模型和比例-積分-微分控制器（PID）實現(xiàn)船舶自動靠泊。這些研究大多都是基于仿真數(shù)據(jù)或者固定模型控制船舶靠泊行為, 沒有考慮各碼頭的環(huán)境差異對船舶靠泊行為的影響[3-4］。船舶在實際靠泊中, 由于各碼頭的環(huán)境條件差異較大, 需要根據(jù)碼頭環(huán)境條件配置船舶靠泊行為智能監(jiān)控設(shè)備, 幫助船舶操縱人員和碼頭管理人員監(jiān)視船舶靠泊行為是否正常, 并根據(jù)實際情況及時給出預(yù)警。而如何構(gòu)建各船型在不同環(huán)境條件下?？坎煌a頭的靠泊行為模型, 并對新的靠泊行為進行判斷是配置船舶靠泊行為智能監(jiān)控設(shè)備和指導(dǎo)船舶自動靠泊的基礎(chǔ)環(huán)節(jié)。為此, 本文設(shè)計了一種基于局部異常因子（LOF）, 使用船舶歷史軌跡和對應(yīng)的風(fēng)、流和潮汐數(shù)據(jù)建立船舶靠泊行為模型, 并對異?？坎葱袨榻o出預(yù)警的系統(tǒng)設(shè)計。

1 靠泊行為監(jiān)控系統(tǒng)框架

由于船舶行為分析需要處理大量的船舶軌跡數(shù)據(jù)和環(huán)境數(shù)據(jù), 為了提高船舶靠泊行為監(jiān)控系統(tǒng)的數(shù)據(jù)處理效率, 系統(tǒng)需要采用模塊化的設(shè)計架構(gòu), 系統(tǒng)架構(gòu)如圖1所示, 各功能模塊如表1所示。

圖1 船舶靠泊行為監(jiān)控系統(tǒng)框架圖Fig.1 Framework diagram of ship berthing behavior monitoring system

表1 各功能模塊介紹Tab.1 Introduction of each function module

AIS岸站接收AIS船站通過網(wǎng)絡(luò)發(fā)送的原始AIS數(shù)據(jù)到數(shù)據(jù)處理中心。數(shù)據(jù)處理中心建有AIS解碼服務(wù)器、通信服務(wù)器、船舶行為分析服務(wù)器和數(shù)據(jù)庫系統(tǒng), 引航客戶端和監(jiān)控客戶端可通過通信服務(wù)器接收數(shù)據(jù)中心的AIS數(shù)據(jù)和報警提示, 也可將引航信息和監(jiān)控信息與數(shù)據(jù)中心進行交換。AIS數(shù)據(jù)編碼格式符合ITU協(xié)議（ITU, 2010）, 需要通過解碼服務(wù)器對數(shù)據(jù)進行解析, 轉(zhuǎn)換成可理解的船舶屬性[5］。AIS數(shù)據(jù)包括27種報文格式, 這里只關(guān)注船舶的動態(tài)消息（報文1和18）和靜態(tài)消息（報文5和19）。動態(tài)消息包括船舶的MMSI、航行狀態(tài)、SOG、經(jīng)度、緯度、COG、船首向等；靜態(tài)消息包括船舶的MMSI、船名、呼號、類型和貨物類型、尺寸等。另外, AIS解碼服務(wù)器還具有數(shù)據(jù)預(yù)處理的功能, 可以篩選出監(jiān)控區(qū)域的船舶軌跡, 并過濾軌跡中的噪聲。經(jīng)解析后的AIS數(shù)據(jù)被發(fā)送給通信服務(wù)器, 通信服務(wù)器起到數(shù)據(jù)分發(fā)和交換的功能。將AIS數(shù)據(jù)發(fā)送給船舶行為分析服務(wù)器, 并將數(shù)據(jù)存入數(shù)據(jù)庫系統(tǒng), 以便船舶行為分析服務(wù)器分析和監(jiān)控船舶靠泊行為。當(dāng)船舶靠泊行為分析服務(wù)器發(fā)現(xiàn)有船舶靠泊行為出現(xiàn)異常, 會及時通過通信服務(wù)器給引航客戶端和監(jiān)控客戶端發(fā)出報警信息。從船舶靠泊行為監(jiān)控系統(tǒng)框架可知, 船舶行為分析服務(wù)器是整個系統(tǒng)的核心, 負責(zé)船舶行為的分析和決策。

2 軌跡數(shù)據(jù)預(yù)處理

本節(jié)描述AIS通信服務(wù)器如何對船舶軌跡數(shù)據(jù)進行預(yù)處理, 包括數(shù)據(jù)篩選和噪聲去除。

2.1 數(shù)據(jù)篩選

2.1.1 范圍篩選

AIS數(shù)據(jù)具有更新頻率快和覆蓋范圍廣的特點。更新頻率快是指AIS數(shù)據(jù)包括船舶的動態(tài)消息和靜態(tài)消息。動態(tài)消息根據(jù)船舶航行狀態(tài)、速度和航向變化率每2 s～3 min更新一次, 靜態(tài)消息為6 min更新一次, 數(shù)據(jù)量很大。當(dāng)前, 中國沿海和內(nèi)河4級以上河段的AIS網(wǎng)絡(luò)已覆蓋[6］, 這極大地增加了AIS網(wǎng)絡(luò)的覆蓋范圍。本研究只針對碼頭附近水域, 因此在對AIS數(shù)據(jù)進行接收和解析后, 需要對AIS數(shù)據(jù)進行篩選, 篩選出所有靠泊指定碼頭的船舶軌跡數(shù)據(jù)。

船舶在進港靠泊過程中, 由于大型船舶的操縱性能較好, 一般在距離泊位的10 n mile時開始備車（洪碧光, 2017）。因此, 本文以碼頭岸線為基準(zhǔn), 在岸線前、左和右方各10 n mile做一方形區(qū)域, AIS解碼服務(wù)器只轉(zhuǎn)發(fā)在此方形區(qū)域內(nèi)的船舶數(shù)據(jù)。

2.1.2 船型篩選

經(jīng)過范圍篩選后的AIS數(shù)據(jù)中包括大量的拖輪、漁船、交通艇等小型船舶的軌跡, 此類船舶的軌跡較為雜亂且數(shù)量較多, 如不刪除這些數(shù)據(jù), 會嚴(yán)重影響到分析結(jié)果。

本文根據(jù)AIS靜態(tài)數(shù)據(jù)中的船長（天線位置與船首距離+天線位置與船尾距離）數(shù)據(jù)和研究對象的設(shè)計船型抽取靠泊船舶軌跡數(shù)據(jù)。

2.2 噪聲去除

由于使用不當(dāng)、信號傳輸問題及AIS本身因素, AIS數(shù)據(jù)會產(chǎn)生一些位置、速度或航向噪聲。如果噪聲數(shù)據(jù)不被刪除, 將影響實驗結(jié)果。由于船舶慣性較大, 船舶的軌跡應(yīng)是一條按時間序列排序的連續(xù)變化點, 異常跳躍點可視為噪聲點?；诖? 本文使用滑動均值濾波清除軌跡中的AIS噪聲, 具體處理過程如下：

（1）對于一個軌跡點Pi（i=[1,n］）, 取Pi和其前后各2個軌跡點, 計算5個點的緯度、經(jīng)度、速度和船首向均值j=｛緯度, 經(jīng)度, 速度, 船首向｝）,j的取值從AIS數(shù)據(jù)中獲取。

圖2 船舶軌跡噪聲示意圖Fig.2 Schematic diagram of ship trajectory noise

3 靠泊行為檢測模型建立

本節(jié)描述船舶行為分析服務(wù)器抽取靠泊軌跡的方法, 首先通過樣本特征值的坐標(biāo)變換和標(biāo)準(zhǔn)化處理, 將數(shù)據(jù)轉(zhuǎn)換為適合模型學(xué)習(xí)的標(biāo)準(zhǔn)化數(shù)據(jù), 然后使用局部異常因子建立靠泊行為異常檢測模型。

3.1 靠泊軌跡抽取

經(jīng)過預(yù)處理的軌跡包括靠泊、離泊和過路船軌跡, 這些船舶靠泊軌跡需要從數(shù)據(jù)中抽取出來。最理想的靠泊軌跡抽取方法是通過碼頭或船舶的靠泊時間記錄進行篩選, 但由于準(zhǔn)確的船舶靠泊記錄數(shù)據(jù)獲取較為困難, 因此本文使用停留點檢測算法抽取靠泊軌跡。

對于同一艘船的軌跡數(shù)據(jù), 首先選出船舶速度等于0的軌跡點, 然后使用Li（2008）的停留點檢測算法計算船舶停泊位置, 最后將屬于停留點的第一個點的時間作為靠泊時間, 在此時間前的一定時間段內(nèi)的軌跡作為靠泊軌跡。Li（2008）的停留點檢測算法將停留點分為2種情況, 第一種：如圖3中Stay point 1, 發(fā)生在點P3, 目標(biāo)保持靜止一段時間且超過閾值。這種情況大多發(fā)生在當(dāng)目標(biāo)到達某一位置并失去信號一段時間, 直到目標(biāo)再出現(xiàn)[7］。如船舶靠泊后關(guān)閉AIS設(shè)備, 開航前再將設(shè)備開啟。另一種情況, 像Stay point 2, 目標(biāo)在某一空間區(qū)域巡游一段時間。此時, 若干GPS點（P5,P6,P7和P8）包含在此空間區(qū)域。因此, 需要基于這些GPS點計算空間的平均坐標(biāo)作為停留點。如船舶靠泊后, 由于GPS位置誤差或船舶擺動, 位置點會圍繞泊位在較小范圍內(nèi)隨機移動。在Li（2008）的停留點檢測算法中需要設(shè)置2個閾值, 一個是距離閾值, 一個是時間閾值, 根據(jù)經(jīng)驗分別設(shè)置為20 m和1 h。

圖3 軌跡記錄和停留點Fig.3 Trajectory record and stop point

將屬于停留點的第一個軌跡點的時間作為靠泊時間, 如Stay point 2中的P5。由于一艘船可能多次?？窟^同一個碼頭, 因此需要對靠泊時間有一個限制, 以抽取每次靠泊的軌跡數(shù)據(jù), 這里將靠泊時間前2小時內(nèi)的軌跡作為一艘船舶的單次靠泊軌跡。

通過上述的停留點檢測、靠泊時間, 確定和比較可抽取每艘船各航次的靠泊軌跡數(shù)據(jù)。

3.2 特征值處理

3.2.1 坐標(biāo)轉(zhuǎn)換

一般來說, 同一碼頭上會有多個泊位供船舶?？? 即使只有一個泊位的碼頭, 船舶停靠的位置也可能有偏移。如果直接使用船舶位置進行訓(xùn)練, 分類器會將大量的軌跡作為噪聲信號處理。因此, 需要對船舶軌跡進行坐標(biāo)變化, 體現(xiàn)各軌跡間的共性特點。為了達到這一目的, 使用式（1）將船舶的經(jīng)緯度坐標(biāo)轉(zhuǎn)換成直角坐標(biāo), 然后平移坐標(biāo), 將停泊位置移動到坐標(biāo)原點。

式（1）中, （φ,λ）為軌跡點經(jīng)緯度坐標(biāo)；（x,y）為平面坐標(biāo)；r0為基準(zhǔn)緯度圈半徑；a為地球橢球長軸半徑；q為等量維度；e為橢球第一偏心率。

3.2.2 數(shù)據(jù)標(biāo)準(zhǔn)化

由于原始數(shù)據(jù)各特征值的量綱不同, 需要對數(shù)據(jù)進行標(biāo)準(zhǔn)化處理, 以提升模型的收斂速度和訓(xùn)練精度。使用Z-score標(biāo)準(zhǔn)化, 其轉(zhuǎn)化函數(shù)為

μ為均值；σ為標(biāo)準(zhǔn)差。Z-score標(biāo)準(zhǔn)化方法適用于屬性的最大值和最小值未知, 或有超出取值范圍的離群數(shù)據(jù)的連續(xù)型特征值。

3.3 異常靠泊行為檢測

在異常檢測的研究算法中, 根據(jù)數(shù)據(jù)是否獲得標(biāo)簽, 可分為三大類（Goldstein, 2016）：監(jiān)督異常檢測、半監(jiān)督異常檢測和無監(jiān)督異常檢測。監(jiān)督異常檢測需要訓(xùn)練數(shù)據(jù)有標(biāo)簽, 如SVM和ANN, 但由于通常異常不是提前知道的, 或者是測試階段實時產(chǎn)生的, 這種設(shè)置通常意義不大。半監(jiān)督異常檢測用無異常值的訓(xùn)練集訓(xùn)練出模型, 對偏離訓(xùn)練模型的實例判斷為異常值, 如One-class SVMs和autoencoders。無監(jiān)督異常檢測不需要訓(xùn)練數(shù)據(jù)有標(biāo)簽, 且訓(xùn)練數(shù)據(jù)中可包含部分異常值。

在大量的船舶軌跡數(shù)據(jù)中很難區(qū)分船舶靠泊軌跡行為正確與否, 船舶軌跡屬于典型的無標(biāo)簽數(shù)據(jù), 且軌跡中可能包含異常軌跡。因此只能假定大多數(shù)的靠泊行為屬于正常行為, 異常靠泊行為只發(fā)生在極少數(shù)情況下?？坎窜壽E行為異常檢測模型需要使用無監(jiān)督異常檢測為研究對象, 應(yīng)考慮訓(xùn)練數(shù)據(jù)中存在異常值?；诖? 本文使用局部異常因子（LOF）（Breunig, 2000）算法建立船舶靠泊行為模型。LOF算法是一種適用于中等高維數(shù)據(jù)集實現(xiàn)異常值檢測的有效方法。LOF算法的思想是計算出反映觀測異常程度的得分（稱為局部異常系數(shù)）。異常系數(shù)表示給定數(shù)據(jù)點相對于其鄰近點的局部密度偏差。對于具有比其鄰近點明顯更低密度系數(shù)的樣本可認為是異常點[8］。

在同一空間中, 異常值可能存在于不同密度的簇附近, 如船舶在距離碼頭較遠時, 相同行為的軌跡分布會較為稀疏；在距離碼頭較近時, 相同行為的軌跡分布會較為稠密。而LOF使用的局部異常系數(shù)可以適應(yīng)具有不同密度分布的異常值檢測。對于一個物標(biāo)p, 其基于MinPts個近鄰條件下的局部異常因子可由式（3）求得。

lrdMinPts(p)表示物標(biāo)p的局部可達密度；NMinPts(p)表 示p的MinPts-distance近 鄰；|NMinPts(p)|表 示p的MinPts-distance近鄰個數(shù)；MinPts為形成一個簇的最少物標(biāo)數(shù)量, 取潛在局部異常值附近簇的最大對象數(shù)量, 這里設(shè)置為靠泊船舶軌跡數(shù)。

物標(biāo)p的k-distance近鄰含義是, 存在任意正整數(shù)k,p和o∈D（D為數(shù)據(jù)集）之間的距離滿足：

（1）至少有k個物標(biāo)o′∈D｛p｝, 滿足d（p,o′）≤d（p,o）, 并且

（2）最多k-1個物標(biāo)o′∈D｛p｝, 滿足d（p,o'）＜d（p,o）。

reach-distk(p,o)表示p關(guān)于o的可達距離, 為o的k-distance和p、o距離之間的最大值, 即

如果物標(biāo)p的LOF接近1, 則p不是異常值；而處于簇的邊緣或簇的外面對象的LOF相對較大。LOF算法的優(yōu)點是考慮到數(shù)據(jù)集的局部和全局屬性, 即使在異常樣本具有不同潛在密度的數(shù)據(jù)集中, 它也能夠表現(xiàn)得很好。問題不在于樣本是如何被分離的, 而是樣本與周圍近鄰的分離程度有多大[9］。

4 實驗驗證

為了客觀地分析本文建立的船舶靠泊行為檢測模型的可行性, 使用?？繉幉ㄖ凵礁郾眮鰢H集裝箱碼頭的船舶軌跡作為訓(xùn)練和測試數(shù)據(jù), 船舶靠泊軌跡如圖4所示。

圖4 船舶靠泊軌跡圖Fig.4 Ship berthing trajectory

（1）根據(jù)各船舶?？繒r, 寧波舟山港北侖國際集裝箱碼頭的潮汐高度變化, 可將船舶靠泊行為分為漲流靠泊和落流靠泊。通過軌跡抽取、噪聲點消除和坐標(biāo)轉(zhuǎn)換, 分別得到船舶漲流靠泊和落流靠泊軌跡, 如圖5所示。

圖5 漲落流靠泊軌跡Fig.5 Berthing trajectory of fluctuating current

（2）分別對漲流靠泊軌跡和落流靠泊軌跡做數(shù)據(jù)標(biāo)準(zhǔn)化, 然后分別作為訓(xùn)練數(shù)據(jù)進行局部異常因子（LOF）檢測。將訓(xùn)練后的異常檢測模型分別對漲流靠泊軌跡和落流靠泊軌跡進行預(yù)測, 異常數(shù)據(jù)用-1標(biāo)識, 正常數(shù)據(jù)用1標(biāo)識。經(jīng)過處理后得到正常落流靠泊軌跡和正常漲流靠泊軌跡如圖6所示, 異常點軌跡如圖7所示。

圖6 正常漲落流靠泊軌跡Fig.6 Berthing trajectory of normal fluctuating current

圖7 漲落流靠泊軌跡中的異常點Fig.7 Anomalous points in the berthing trajectory of fluctuating current

（3）通過實驗分析, 本文采用局部異常因子（LOF）算法可以明顯發(fā)現(xiàn)船只靠泊軌跡中的異常軌跡, 并可對其進行預(yù)警。漲流靠泊軌跡與落流靠泊軌跡差異明顯, 如果不考慮實時靠泊環(huán)境條件, 船舶的靠泊安全將難以保證。本文采取的思路是將落流靠泊與漲流靠泊分開考慮, 顯著地提高了不同環(huán)境下的靠泊軌跡異常檢測的準(zhǔn)確率。

5 結(jié) 論

近年來, 隨著人們對航運安全的重視和自動控制技術(shù)的發(fā)展, 為了避免人為因素所導(dǎo)致的船舶靠泊時碰撞碼頭事故的發(fā)生, 一些文獻在自動靠泊上進行了研究并取得了不錯成果, 如Ahmed（2013）、Tran（2013）和Im（2018）等。但是自動靠泊的研究大多都是基于仿真數(shù)據(jù), 沒有考慮各碼頭環(huán)境條件對船舶靠泊行為的影響[10-11］。而在船舶實際靠泊情況下, 由于各碼頭的環(huán)境條件差異較大, 需要根據(jù)碼頭的環(huán)境條件制定不同的靠泊方案。采用AIS系統(tǒng)收集和處理數(shù)據(jù), 并采用LOF算法進行整理, 得到如下結(jié)論。

（1）該系統(tǒng)的準(zhǔn)確性、故障判斷能力、抗干擾能力和對實際數(shù)據(jù)的剛性計算能力均達到了系統(tǒng)要求的水平, 滿足使用要求, 在實際應(yīng)用中可以維持較好的魯棒性。該系統(tǒng)模塊造價低于國外產(chǎn)品, 且擁有自主研發(fā)技術(shù), 性價比較高。

（2）該系統(tǒng)形成了大型船舶靠泊行為監(jiān)控預(yù)警。該系統(tǒng)采用AIS收集數(shù)據(jù), 與寧波舟山港實際情況相結(jié)合, 形成了較有價值的風(fēng)險數(shù)據(jù)預(yù)警及調(diào)度策略支持, 在得到相關(guān)機構(gòu)檢驗報告后可進行大規(guī)模應(yīng)用。

（3）該系統(tǒng)的本質(zhì)是一個通用的AIS技術(shù)工業(yè)化測量系統(tǒng)和風(fēng)險數(shù)據(jù)預(yù)警系統(tǒng), 擁有較好的魯棒性和實用性。其移植到其他船舶行業(yè)進行推廣使用時, 僅需要對系統(tǒng)參數(shù)進行針對性的整定, 并對系統(tǒng)進行一定時間段的運行調(diào)試即可為該系統(tǒng)提供同等的數(shù)據(jù)支持, 因此具有良好的普適性。