基于改進(jìn)LSTM的航運物流路徑軌跡修復(fù)研究

白響恩，方明權(quán)，徐笑鋒，肖英杰，吳永明

基于改進(jìn)LSTM的航運物流路徑軌跡修復(fù)研究

白響恩1，方明權(quán)1，徐笑鋒1*，肖英杰1，吳永明2

（1.上海海事大學(xué) 商船學(xué)院，上海 201306；2.寧波引航站，浙江 寧波 315000）

提高航運物流路徑軌跡信息的挖掘精度和安全效率。對寧波舟山港條帚門水域窄口航道船舶的類型、數(shù)量、長度進(jìn)行統(tǒng)計分析，對貨運船AIS物流路徑軌跡異常進(jìn)行識別與修復(fù)?？紤]船舶實際航行的環(huán)境因素，提出一種新的數(shù)據(jù)糾偏方法。考慮船舶屬性與環(huán)境因素，以通航寬度和三自由度運動學(xué)的轉(zhuǎn)向能力識別異常數(shù)據(jù)，然后運用Bi-LSTM法對篩選后航運物流路徑進(jìn)行軌跡修復(fù)。所提篩選方法不需要軌跡聚類或建立額外的模型進(jìn)行判別，篩選數(shù)據(jù)量占總數(shù)量的34.26%，修復(fù)后的AIS貨船物軌跡數(shù)據(jù)量在原有基礎(chǔ)上提升了115.34%。使用文中方法可以有效糾偏和修復(fù)異常航運物流路徑軌跡數(shù)據(jù)，為航運物流軌跡數(shù)據(jù)挖掘提供一定的基礎(chǔ)方法。

物流路徑；貨運船舶；AIS軌跡；船舶特性；Bi-LSTM修復(fù)

海上運輸是我國主要運輸方式和經(jīng)濟(jì)發(fā)展的重要來源，海運運輸促進(jìn)了全球范圍的貿(mào)易和物流發(fā)展。對船舶物流路徑軌跡分析能得出諸多影響運輸效率的因素，其中貨運物流船舶AIS軌跡信息有誤是造成航運事故的重要原因之一[1]。智能物流航運研究是世界范圍內(nèi)的熱門話題，可視化與數(shù)據(jù)挖掘技術(shù)的發(fā)展，促使這項工作通過大數(shù)據(jù)分析來調(diào)查貨運物流效率等問題。寧波舟山港條帚門航道是緩解交通擁堵、增加貨運量的重要物流航道，對提升貨運物流效率起到重要作用，是主要中型貨船貨運的主要物流航道。物流路徑航跡的分析是AIS數(shù)據(jù)研究領(lǐng)域的熱點，AIS提供的信息（經(jīng)度、緯度、航速、航向等）是物流運輸經(jīng)濟(jì)、安全、效率的重要信息來源，充分挖掘數(shù)據(jù)中的信息能有效提高海上物流運輸作業(yè)安全性、效率性，保護(hù)海洋自然生態(tài)環(huán)境。國內(nèi)外專家[2-4]對AIS數(shù)據(jù)進(jìn)行去噪與修復(fù)后對貨運物流軌跡和港口吞吐量進(jìn)行了深度挖掘，實現(xiàn)了可視化分析，提高了物流效率與安全。Yang等[5]利用長江上海段4 923艘船舶的AIS數(shù)據(jù)估計船舶速度與擁堵程度之間的相關(guān)性，分析了不同港口市場的航運物流量，為測試其他航運渠道的速度限制的合理性提供了有效的安全保障。

原始AIS貨運物流軌跡數(shù)據(jù)冗雜，在處理中既要保留原有船舶物流路徑特征屬性，也要清除異常數(shù)據(jù)。AIS異常數(shù)據(jù)的檢測方法有基于統(tǒng)計學(xué)與數(shù)學(xué)原理的方法[6-7]。這類專家以統(tǒng)計學(xué)結(jié)果和經(jīng)驗為判斷依據(jù)，設(shè)置固定距離作為半徑范圍。因此，這類方法精確度不高且只能在分秒短時間內(nèi)有效果。相似性度量的方法[8-9]起初是設(shè)置來判斷形狀相似性的。海陸交通有較大差別，即使在同一條航道內(nèi)，因為環(huán)境水流和船舶自身的船舶領(lǐng)域等因素形成2條相似的軌跡的概率也很低，甚至完全不同，其適用性和準(zhǔn)確性仍需要思考。聚類與壓縮的方式[10-11]往往需要尋找代軌跡，建立數(shù)據(jù)庫等工作，軌跡聚類會造成軌跡形狀固定化，可能不利于后續(xù)軌跡的修復(fù)和數(shù)據(jù)的挖掘。國外[12-13]學(xué)者認(rèn)為風(fēng)浪流等環(huán)境因素會影響到貨運軌跡，在窄口段水域AIS貨運物流軌跡往往存在異常和缺失2種情況。因此，上述的方法只是關(guān)注明顯的固定信息錯誤，或?qū)r間切割成均勻的數(shù)據(jù)集來處理，他們很少去考慮時間和空間屬性問題。多數(shù)學(xué)者往往只針對數(shù)據(jù)缺失的問題進(jìn)行修復(fù)，少有學(xué)者對物流信息的糾偏進(jìn)行深入研究，重復(fù)與錯誤的信息不僅不利于數(shù)據(jù)的挖掘，也會影響機(jī)器學(xué)習(xí)算法的深度學(xué)習(xí)與預(yù)測的精確度。

修復(fù)原始貨運軌跡可以幫助工作人員尋找影響船舶物流的諸多信息，發(fā)現(xiàn)船舶轉(zhuǎn)向、變速的原因，同時也可以利用這些信息進(jìn)行后續(xù)的工作。

航運物流軌跡具有連續(xù)性，數(shù)據(jù)前后關(guān)聯(lián)緊密，在時間和空間上屬于連續(xù)的過程。常用的方法主要包括插值法[14-15]、改進(jìn)的插值法[16]及K鄰近法等[17]。這些方法依據(jù)歷史條件對短時間內(nèi)少量數(shù)據(jù)缺失修復(fù)精度較高，但對長時間數(shù)據(jù)的修復(fù)精度低，甚至無法進(jìn)行軌跡修復(fù)。還有學(xué)者用基于統(tǒng)計學(xué)與數(shù)學(xué)原理方法進(jìn)行修復(fù)，例如高斯過程、雙線性編碼器等[18-19]。雖然彌補了長時間無法修復(fù)的問題，但建立模型復(fù)雜，需要確定的參數(shù)分量眾多，且難以修復(fù)速度、船首向等空間以外的動態(tài)數(shù)據(jù)。

深度學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)在近年來尤為流行，在船舶軌跡的重塑與預(yù)測方面擁有優(yōu)秀的效果。國外有學(xué)者運用改進(jìn)后的神經(jīng)網(wǎng)絡(luò)對軌跡進(jìn)行矯正以消除大量冗余數(shù)據(jù)，并將數(shù)據(jù)集導(dǎo)入循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）等網(wǎng)絡(luò)中進(jìn)行訓(xùn)練修復(fù)，結(jié)果表明不管是去噪還是修復(fù)都比傳統(tǒng)方法更好[20-21]。與其他神經(jīng)網(wǎng)絡(luò)相比，長短期記憶網(wǎng)絡(luò)（Long Short Term Memory，LSTM）集的方法在船舶軌跡修復(fù)方面表現(xiàn)更佳[22-23]。機(jī)器學(xué)習(xí)是通過已有數(shù)據(jù)訓(xùn)練來識別已定義問題的屬性和模式的方法[24]。由于船舶的航行參數(shù)具有不確定因素，通過數(shù)學(xué)模型擬合和統(tǒng)計學(xué)中計算出閾值判別的方法難以適應(yīng)航行物流貨運軌跡。通過機(jī)器學(xué)習(xí)方法來訓(xùn)練和學(xué)習(xí)數(shù)據(jù)特征，是未來處理類似大數(shù)據(jù)的趨勢。

針對上述方法的不足和窄口段水域AIS貨運物流軌跡異常和缺失的2種情況，本文考慮眾多學(xué)者沒有涉及的實際環(huán)境因素和船舶本身屬性，來解決AIS貨運物流軌跡中除空間距離以外的速度和首向角等數(shù)據(jù)的糾偏和修復(fù)軌跡，為物流貨運數(shù)據(jù)深度挖掘、船舶路徑預(yù)測等提供了基礎(chǔ)保障。

1 AIS數(shù)據(jù)

依據(jù)國際海事組織的規(guī)定，絕大部分船都必須安裝自動識別系統(tǒng)（Automatic Identification System，AIS）。AIS通過GPS以及基站設(shè)施等設(shè)備能夠持續(xù)發(fā)送船舶的信息。國外研究者使用了AIS數(shù)據(jù)追蹤貨運物流軌跡信息，該數(shù)據(jù)提供了港口之間和移動的單個船只的精細(xì)物流路徑軌跡信息[25-26]，對其深度挖掘并以此構(gòu)建網(wǎng)絡(luò)，找到適合該水域船舶物流運輸最短路徑，以此解決運輸效率和安全問題。

1.1 AIS數(shù)據(jù)組成

船舶MMSI號（9位）、船名、船舶類型、船寬、船長等信息，這類固定信息往往禁止修改，這類信息稱之為靜態(tài)信息。

船舶航行的具體位置（船舶的經(jīng)緯度坐標(biāo)表示）、航速、航向（包括航跡向、船首向）等。這些數(shù)據(jù)主要通過船上設(shè)備和基站設(shè)施獲取，這類信息稱之為動態(tài)信息。當(dāng)AIS設(shè)備不連接到基站設(shè)施時，或當(dāng)船舶信號出錯器被干擾時，發(fā)送的動態(tài)數(shù)據(jù)可能會出錯。因此AIS動態(tài)數(shù)據(jù)錯誤率較高，也是影響后續(xù)物流數(shù)據(jù)挖掘等工作的難點之一。

1.2 異常點的分類

1）基本信息錯誤指靜態(tài)數(shù)據(jù)中的錯誤信息，例如MMSI號錯誤，編號數(shù)字不是規(guī)定的9位，經(jīng)緯度超出范圍，速度不合理等。

2）時間不完整性指一定時間內(nèi)數(shù)據(jù)的缺失。根據(jù)最新的國際電信聯(lián)盟通信標(biāo)準(zhǔn)[27]的規(guī)定，AIS發(fā)送的時間間隔與船舶類型和航速相關(guān)。對于A類船，AIS報文發(fā)送的間隔應(yīng)不大于10 s；對于B類船，發(fā)送間隔不應(yīng)超過30 s。

3）空間邏輯異常點是考慮了船舶本身行為的不合邏輯點等。對于異常轉(zhuǎn)向點，本文結(jié)合實際環(huán)境因素，考慮三自由度的坐標(biāo)系運動原理，運用船舶擺動直徑的方法進(jìn)行判別。

2 基本理論與方法

2.1 軌跡預(yù)處理

預(yù)處理是利用AIS的第1步，大多數(shù)AIS數(shù)據(jù)記錄到了小數(shù)點后7位，利用Haversine公式計算2點之間的精確距離，結(jié)合實際經(jīng)緯度的表達(dá)式見式（1）。

式中：、分別為經(jīng)度和緯度；為地球半徑，取6 371 m。經(jīng)過haversine計算的2點之間距離可以精確到米。2點之間的精確矢量距離是下一步篩選與去噪工作的基礎(chǔ)。

2.2 異常漂移點識別

異常漂移點可以指空間上的異常，也可以指船舶航行過程中不符合規(guī)范操作的異常，例如，船舶間的矢量距離太遠(yuǎn)或是船舶不在規(guī)定內(nèi)的通航航道內(nèi)航行。往往前者識別精度較低，特別是在窄口段水域。而航跡帶寬度是船舶安全航行操縱的必要寬度，常受側(cè)風(fēng)、波浪和水流等影響，通常用來設(shè)計航道模擬軌跡。很少學(xué)者考慮了船舶本身的特性與環(huán)境條件。與道路交通不同，大多數(shù)學(xué)者在處理AIS數(shù)據(jù)的時候都沒有考慮這類參數(shù)。環(huán)境對船舶軌跡有一定影響，因此本文考慮寧波舟山本地的實際風(fēng)速、水流等實際因素來處理AIS數(shù)據(jù)，修復(fù)流程如圖1所示。

圖1 修復(fù)流程

2.3 通航設(shè)計寬度

通航設(shè)計寬度受到環(huán)境因素以及船舶本身性質(zhì)的影響，其計算過程涵蓋了環(huán)境水流、風(fēng)速、船舶屬性等。富裕寬度指船舶航行時，在兩艘會船的船舶（隊）之間和船舶（隊）與航道岸線之間所必須具有的安全距離之和是船舶航行安全的保障基礎(chǔ)。在航道的寬度設(shè)計過程之中除了需要考慮船舶的漂移倍數(shù)和風(fēng)流壓差偏角之外，還需要考慮船舶的航行速度對寬度設(shè)計參數(shù)的影響。隨著當(dāng)前船舶速度和風(fēng)浪流速度的增加，其對航道寬度設(shè)計參數(shù)的影響就不能再被忽略[28]。經(jīng)過文獻(xiàn)閱讀與寧波舟山實地調(diào)研，對于特定的船舶，因其計算過程考慮了諸多影響軌跡變化的因素，所以其寬度在理論上適合作為空間閾值的標(biāo)準(zhǔn)。單航道寬度按式（3）—（4）計算。

式中：為單航道通航寬度，m；為航跡帶寬度，m；為船舶與航道邊線間的富裕寬度，m；為船舶漂移倍數(shù)；為設(shè)計的船長，m；為風(fēng)流壓差偏角，（°）；為設(shè)計的船寬，m。

2.4 累加法的風(fēng)壓偏差角計算

風(fēng)流壓差角指一定風(fēng)等級下船舶在航行過程中航跡向與航首向之間的夾角。它是由風(fēng)壓差角和流壓差角的矢量和計算而成，風(fēng)中航跡線與真航向線的夾角叫作風(fēng)壓差角，簡稱風(fēng)壓差。船舶左舷受風(fēng)，流中航跡線與真航向線的夾角叫作流壓差角，簡稱流壓差，用表示。如圖2所示，風(fēng)流壓差角受諸多因素影響，其大小隨著風(fēng)力、船速、船型、吃水等情況的不同而變化。風(fēng)壓差角和流壓差角可用式（5）—（7）計算。

圖2 風(fēng)流壓差角示意圖

式中：s為船舶橫向漂移速度，m/s；w為船舶縱向漂移速度，m/s；為風(fēng)壓差角；為流壓差角；為風(fēng)流壓差角；為速度夾角。

風(fēng)流壓差偏角在恒定的流場下可取固定值，但是實際情況下風(fēng)流是變動的，船舶也是運動的，在航行過程中船舶會左右擺動，因此風(fēng)流壓差偏角也會變化。經(jīng)過實地調(diào)研與大量資料文獻(xiàn)考察發(fā)現(xiàn)因為舟山地區(qū)實際的流場復(fù)雜多變，與設(shè)置固定值的前提條件有較大差異。本文采用累加的方法計算特定船舶在一定軌跡內(nèi)的風(fēng)流壓差角。

累加法為在初始時刻的風(fēng)流壓差角的基礎(chǔ)上不斷累加。例如，假設(shè)得到一組風(fēng)流壓差角的集合為{,,,}，則的計算式為???。本文規(guī)定以偏航跡向右邊的為正值、左邊的為負(fù)值來計算。經(jīng)數(shù)據(jù)統(tǒng)計，貨運船經(jīng)窄口段水域的航速基本超過6 n mile/h，甚至達(dá)到10 n mile/h以上，因此，船舶與航道底邊線間的富裕寬度的取值按照不同船型取對應(yīng)大于6 n mile/h的計算值。考慮最大流速的情況下，漲潮流向為305°～310°，落潮流向為112°～120°，計算得最大橫流為0.9 m/s。因此，船舶漂移倍數(shù)的取值可按照0.75<≤1.00這一檔進(jìn)行取值，即取1.45。其中，船舶漂移倍數(shù)和取值范圍以及船舶與航道底邊線的富裕寬度取值如表1、2所示，其中為船舶的寬度。

表1 船舶漂移倍數(shù)和風(fēng)力等級關(guān)系

Tab.1 Relationship between ship drifting multiplier n and wind scale

表2 船舶與航道邊線間的富裕寬度

Tab.2 Superwidth c between ship and bottom edge of channel

2.5 異常轉(zhuǎn)向點識別

船舶的轉(zhuǎn)向角指船舶運動過程中擺動的幅度大小，以個點與+1個點之間的船舶航向角之差計算。船舶坐標(biāo)系統(tǒng)的運動學(xué)是用于描述船舶在空間中的任意運動。與地面交通不一樣的是，船舶的運動具有空間性。Zhou等[29]利用船舶坐標(biāo)體系的運動學(xué)構(gòu)建Unity虛擬圖像數(shù)據(jù)集，使用卡爾曼濾波實時跟蹤船舶坐標(biāo)信息，結(jié)果表明定位跟蹤精確，六自由度坐標(biāo)體系能夠良好展示船舶的運動過程，能夠精準(zhǔn)描述船舶的運動狀態(tài)。

在船舶運動和控制領(lǐng)域，航向角及航行軌跡的改變是關(guān)注的重點，即船舶在水平方向內(nèi)的運動。對大多數(shù)船舶來說，垂蕩、縱搖和橫搖運動對水平面內(nèi)的運動影響甚小，且不太容易計算與觀察。本文主要針對AIS中的動態(tài)數(shù)據(jù)，則三自由度的船舶運動問題可用式（8）表示。

船舶從到+1個點的轉(zhuǎn)向角范圍應(yīng)為：

式中：C為個點的首向角；速度可以取+1和中2個速度值的最大值，原因是充分考慮船舶的擺動能動力，使轉(zhuǎn)向角范圍在高風(fēng)浪流環(huán)境下合理，保留更多船舶動態(tài)數(shù)據(jù)；為2個點對應(yīng)時間的差值。

2.6 Bi-LSTM

Bi-LSTM模型輸入過程為雙向，解決非線性問題方面優(yōu)于LSTM網(wǎng)絡(luò)，能夠更有效地擬合數(shù)據(jù)集。因此，它可以用于序列分析，并提供更準(zhǔn)確的預(yù)測，既保留了較長的依賴關(guān)系的優(yōu)點，又能結(jié)合時序性數(shù)據(jù)的特點，還考慮了前后數(shù)據(jù)變化帶來的影響[30]。其輸入結(jié)構(gòu)和流程可用式（11）—（13）和圖3表示。

圖3 Bi-Lstm神經(jīng)網(wǎng)絡(luò)

輸入的數(shù)據(jù)是四維向量，將數(shù)據(jù)轉(zhuǎn)換為基于特征矩陣的行，機(jī)器學(xué)習(xí)之前需要對數(shù)據(jù)進(jìn)行特征工程的處理，將樣本向量轉(zhuǎn)換為單位向量，防止數(shù)據(jù)之間差距過大的影響。因此，將數(shù)據(jù)歸一化處理，保證神經(jīng)網(wǎng)絡(luò)公平識別和深入學(xué)習(xí)數(shù)據(jù)，其轉(zhuǎn)換方式如下：

式中：為原始數(shù)據(jù)；M為歸一化后數(shù)據(jù)；min為數(shù)據(jù)最小值；max為數(shù)據(jù)最大值。

本文采取機(jī)器學(xué)習(xí)中經(jīng)典的8.2學(xué)習(xí)方法。其中訓(xùn)練集為前80%組數(shù)據(jù)，測試集為后20%組數(shù)據(jù)。()=（經(jīng)度，緯度，速度，航首向）為訓(xùn)練目標(biāo)，將AIS數(shù)據(jù)中的經(jīng)度、緯度、速度、航首向4個參數(shù)帶入模型中，步長設(shè)置為4。其在時刻的航行行為特征()表示為()={,,,}，、、、代表去噪后的緯度、經(jīng)度、速度以及航向角。將訓(xùn)練樣本(?3)、(?2)、S(?1)、S()發(fā)送到輸入層，隨后輸出(+1)，用損失函數(shù)計算實際向量預(yù)測偏移之間的誤差。參數(shù)調(diào)整一般包括批處理大小、優(yōu)化器、訓(xùn)練輪次以及損失函數(shù)等。通過損失值最小化來調(diào)整權(quán)重參數(shù)，以提高模型的預(yù)測精度。損失函數(shù)表示如下：

2.6 基于距離的相似度量

為了驗證本文方法在異常數(shù)據(jù)糾偏和補足修復(fù)上的優(yōu)勢，利用軌跡聚類中常用的Hausdorff距離判別法進(jìn)行對比實驗分析，對物流軌跡的異常進(jìn)行識別和糾偏。其原理為用每個軌跡點之間距離最小值中的最大值來計算。設(shè)2條船的軌跡分別用軌跡點集合(∈) 和集合(∈)表示，則2條軌跡的Hausdorff距離計算式為：

式中：(,)為從船舶軌跡點集合到船舶軌跡點集合的單向Hausdorff距離。

3 實驗分析

3.1 數(shù)據(jù)庫

為驗證上述所提出方法效果，數(shù)據(jù)庫選擇寧波舟山條帚門航道及其周邊水域，時間范圍從2021年6月1日8時46分37秒至2021年6月30日23時59分22秒。實驗空間區(qū)域位于桃花島與蝦峙島之間，實驗設(shè)備配置為i5-12400, NVIDA Geforce-RTX3060，訓(xùn)練次數(shù)為1 000次，總共對628 511條軌跡數(shù)據(jù)進(jìn)行分析。

根據(jù)圖5可知，6月一共有674艘船舶經(jīng)過該區(qū)域，其中貨船占比最多，達(dá)到了362艘，占比為53.71%。其次是集裝箱船有108艘。因為該航道主要是浙江省舟山群島蝦峙島與六橫島之間用于運輸貨物和緩解主流航道交通的重要航道。在362艘貨船中，船長為100～185 m占比最多，總共有228艘。船長為185 m以下的貨船總占比達(dá)到了85.28%，如表3所示。船長為185 m以下的貨船是該窄口段航道的主要船舶。

為了驗證本文方法，依據(jù)上述統(tǒng)計結(jié)果，選取該水域數(shù)量占比最大最具代表性船舶貨船進(jìn)行實驗，日期選擇為6月1日到6月3日，選取船長為185 m以下的貨船來進(jìn)行實驗。該長度的貨船占比最大，且速度在航行過程中較快，在此復(fù)雜窄口段水域極易造成數(shù)據(jù)出錯和缺失。經(jīng)過統(tǒng)計該時間段內(nèi)一共有57 243條數(shù)據(jù)。1 000 t左右的貨船多為A類船舶且多為150 m以下的貨船。根據(jù)固定標(biāo)準(zhǔn)和實際情況設(shè)置時間間隔在10 s以上、3 min以下的為異常數(shù)據(jù)，不考慮人為關(guān)閉AIS設(shè)備等其他情況，只針對航行過程中的船舶。經(jīng)過簡單預(yù)處理與靜態(tài)異常數(shù)據(jù)的篩選剔除后，所有貨船的AIS物流路徑軌跡如圖4所示。

圖4 貨船物流AIS軌跡圖

表3 船舶類型數(shù)量以及貨船長度數(shù)量分布

Tab.3 Distribution of the number of vessel types and the length of cargo ships

3.2 異常點的刪除

依據(jù)前面設(shè)置的方法，結(jié)果篩選對比圖如表3所示。6月1日—3日中在所設(shè)定的條件船舶下，AIS所有數(shù)據(jù)有57 243個點，其中不包括船舶停止等無效點。表3中靜態(tài)異常數(shù)據(jù)點共有386個，占總數(shù)據(jù)量的0.67%。本文方法篩選出的空間異常點為10 790個，比傳統(tǒng)相似性度量方法多了1 830個點，而基于距離的相似度量法無法糾偏船舶的異常轉(zhuǎn)向點。本文方法糾偏的異常轉(zhuǎn)向點共有3 961個，占比達(dá)8.52%，占比相對較少，此占比是相對于距離篩選點后的數(shù)據(jù)，及在46 453個點基礎(chǔ)上進(jìn)一步篩選。因為轉(zhuǎn)向角不考慮空間距離，這樣篩選可以提高精度以及避免重復(fù)篩選。距離篩選點占比較大，但也不足20%?？赡茉蚴窃撍蜉^小，窄口段流速較大，且邊界有船舶經(jīng)過，造成少許船舶只有幾個或是幾十個數(shù)據(jù)點被記錄在內(nèi)，而且也有原始下載的AIS數(shù)據(jù)因為項目要求可能已經(jīng)進(jìn)行了預(yù)處理的情況。整體篩選出14 751個點，占原始數(shù)據(jù)約為27%，基于軌跡聚類中的距離相似性度量法篩選數(shù)據(jù)的占比為15.60%。

表3 異常數(shù)據(jù)篩選結(jié)果對比

Tab.3 Comparison of abnormal data screening results

3.3 數(shù)據(jù)的修復(fù)

選取MMSI編號為412110936的貨船，該船的基本信息如表4所示。選擇時間跨度為6月1日23：27：25到6月2日00：01：05，一共178個點。根據(jù)前面基礎(chǔ)理論，運用累加法算出該船舶在該時間段內(nèi)的風(fēng)流壓差偏角=10.156°，此風(fēng)壓差偏角只考慮船舶航行過程中的角。異常靜態(tài)點有5個，該船的理論通行航寬度=110.5 m，超越該半徑范圍外的空間點為異常點。異常距離點為40個，異常轉(zhuǎn)向點為16個，總計篩選點為61個，占整體數(shù)據(jù)的比例為34.26%。

3.4 修復(fù)后結(jié)果圖以及分析

修復(fù)的結(jié)果分別從經(jīng)緯度、速度、船首向以及經(jīng)緯度的損失方差進(jìn)行分析。Bi-LSTM重塑的點數(shù)為203，RNN重塑的點數(shù)為168，比原始數(shù)據(jù)還要少，Bi-LSTM的經(jīng)緯度損失方差為0.004 9，而RNN的為0.015 3，比改進(jìn)后的算法高312.22%。圖5為修復(fù)前的軌跡圖，其軌跡點存在漂移異常點（第31個點前后）以及缺失點(點數(shù)112前后)，此處漂移點指超越航道設(shè)計寬度半徑的點而非曲線上的歐氏距離空間點，歐式距離點往往在200～300 m以外。對于寬航道水域，因為水流緩慢和航道寬度等因素，可能導(dǎo)致其半徑范圍會更大。修復(fù)后的軌跡點如圖6所示，不存在異常漂移的現(xiàn)象且所有點均在理論設(shè)計航道中，在圖6中Bi-LSTM修復(fù)的結(jié)果中，點30到點45有一定密集情況，是因為后面4個點間隔時間在3 s左右，導(dǎo)致機(jī)器學(xué)習(xí)輸出點更為密集。修復(fù)后的總數(shù)據(jù)量達(dá)203個點，在原有數(shù)據(jù)上提升了115.34%，連續(xù)性更強，擬合度更高，滿足AIS報文規(guī)律。RNN的修復(fù)結(jié)果起初效果良好，但在缺失部分出現(xiàn)了少許不合邏輯的軌跡點，其原因是RNN存在梯度問題，在長時間修復(fù)結(jié)果上表現(xiàn)不如Bi-LSTM模型，在此期間損失率也最高，因此整體損失均方差達(dá)0.015 3。由圖7可知，RNN修復(fù)的船首向拐點多，最小船首向為271.398 5°，與前一個點的船首向相差0.365°左右，比整體相差率高了36%。修復(fù)后最小轉(zhuǎn)向角與前一個轉(zhuǎn)向角相差率在合理范圍內(nèi)，且符合船舶運動模型。整體曲線更加平滑，更能反映船舶航行真實狀態(tài)。修復(fù)速度對比圖8可知，修復(fù)后的速度均在2 n mile/h以上，且在速度為6～9 n mile/h時，Bi-LSTM修復(fù)后的曲線更加平滑，且不存在到+1個點之間速度差過大的情況。表明長時間的物流路徑修復(fù)中，Bi-LSTM更加穩(wěn)定，其修復(fù)后的參數(shù)能夠真實反映船舶航行狀態(tài)。

圖5 原始軌跡

圖6 修復(fù)后軌跡

圖7 修復(fù)前后船首向

圖8 修復(fù)前后速度對比

4 結(jié)語

本文進(jìn)行了大量文獻(xiàn)閱讀與寧波舟山港地區(qū)的實地調(diào)研，并對57 243條AIS數(shù)據(jù)分析，運用累加法計算出風(fēng)流壓差角偏角，從而獲得通航設(shè)計寬度作為空間異常點的判別依據(jù)；根據(jù)水平方向船舶的三自由度擺動的公式計算出轉(zhuǎn)向角范圍，進(jìn)行數(shù)據(jù)的清洗與去噪；最后運用Bi-LSTM法對MMSI號為412110936中缺失數(shù)據(jù)進(jìn)行了修復(fù)，得出以下結(jié)論。

1）此窄口段水域多為100～185 m的A類型貨船，是貨運物流運輸?shù)闹饕?。水域風(fēng)力和橫流較大，船舶航行速度較快，大部分速度為6～15海里，原始物流路徑軌跡信息顯示大部分AIS物流路徑軌跡信息存在缺失、漂移、異常等現(xiàn)象。

2）本文所提出的篩選方法比傳統(tǒng)基于聚類的相似性度量法精度更高，能夠篩選空間距離以外的轉(zhuǎn)向點數(shù)據(jù)，在57 243條數(shù)據(jù)中過濾了15 137條異常數(shù)據(jù)，占比為26.443%。

3）經(jīng)度、緯度、船首向、速度4個參數(shù)的修復(fù)結(jié)果表明，經(jīng)過Bi-LSTM處理之后比RNN處理之后的貨運物流路徑軌跡數(shù)據(jù)修復(fù)更加優(yōu)異，軌跡更加連續(xù)平滑，更能反映船舶真實航行狀態(tài)。本文方法對具有AIS數(shù)據(jù)異常的各種類型舶皆可進(jìn)行軌跡修復(fù)，可為后續(xù)聚類壓縮工作中閾值設(shè)定提供參考范圍，減少工作量，提高后續(xù)貨運物流信息的精確度。

[1] SUGRUE D, ADRUANES P. A Data Fusion Approach to Predict Shipping Efficiency for Bulk Carriers[J]. Transportation Research Part E: Logistics and Transportation Review, 2021, 149: 102326.

[2] 唐經(jīng)旺. 基于AIS軌跡數(shù)據(jù)挖掘的港口特征分析系統(tǒng)的研究與實現(xiàn)[D]. 北京: 北京郵電大學(xué), 2021.

TANG Jing-wang. Research and Implementation of Port Feature Analysis System Based on AIS Trajectory Data Mining[D]. Beijing: Beijing University of Posts and Telecommunications, 2021.

[3] WU L, XU Y, WANG Q, et al. Mapping Global Shipping Density from AIS Data[J]. The Journal of Navigation, 2017, 70(1): 67-81.

[4] 賈磊. 基于海量AIS數(shù)據(jù)的內(nèi)河航運信息可視化研究[D]. 武漢: 武漢理工大學(xué), 2018.

JIA Lei. Research on Visualization of Inland Shipping Information Based on Massive AIS Data[D]. Wuhan: Wuhan University of Technology, 2018.

[5] YANG Dong, WU Ling-xiao, WANG Shuai-an, et al. How Big Data Enriches Maritime Research a Critical Review of Automatic Identification System (AIS) Data Applications[J]. Transport Reviews, 2019, 39(3): 1-19.

[6] WANG Li-kun, LI Yang, WAN Zheng, et al. Use of AIS Data for Performance Evaluation of Ship Traffic with Speed Control[J]. Ocean Engineering, 2020, 204(3): 107259.

[7] LAROCK T, Xu M, ELIASSI R T. A Path-Based Approach to Analyzing the Global Liner Shipping Network[J]. EPJ Data Science, 2022, 11(1): 18.

[8] ZHANG Y, LIU A, LIU C, et al. A Track Initiation Algorithm Using Residual Threshold for Shore-Based Radar in Heavy Clutter Environments[J]. Journal of Marine Science and Engineering, 2020, 8(8): 614.

[9] PARK J, JEONG J, PARK Y. Ship Trajectory Prediction Based on bi-LSTM Using Spectral-Clustered AIS Data[J]. Journal of Marine Science and Engineering, 2021, 9(9): 1037.

[10] LIU Zi-hao, WU Zhao-lin, ZHENG Zhong-yi. A Novel Framework for Regional Collision Risk Identification Based on AIS Data[J]. Applied Ocean Research, 2019, 89: 261-272.

[11] ZHOU Yang, DAAMEN W, VELLINGA T, et al. Ship Classification Based on Ship Behavior Clustering from AIS Data[J]. Ocean Engineering, 2019, 175: 176-187.

[12] WANG Kai, YAN X, YUAN Yu-peng, et al. Dynamic Optimization of Ship Energy Efficiency Considering Time-Varying Environmental Factors[J]. Transportation Research Part D Transport and Environment, 2018, 62: 685-698.

[13] TALAVERA A, AGUASCA R, GALVAN B, et al. Application of Dempster-Shafer Theory for the Quantification and Propagation of the Uncertainty Caused by the Use of AIS Data[J]. Reliability Engineering & System Safety, 2013, 111: 95-105.

[14] GUO Shao-qing, MOU Jun-min, CHEN Lin-ying, et al. Improved Kinematic Interpolation for AIS Trajectory Reconstruction[J]. Ocean Engineering, 2021, 234(8): 109256.

[15] 郭昊. 基于AIS數(shù)據(jù)的軌跡段聚類方法研究[D]. 南京: 南京信息工程學(xué), 2021: 56-66.

GUO Hao. Research on the Clustering Method of Trajectory Segments Based on AIS Data[D]. Nanjing: Nanjing Information Engineering, 2021: 56-66.

[16] NGUYEN V, IM N, LEE S M. The Interpolation Method for the Missing AIS Data of Ship[J]. Journal of Navigation and Port Research, 2015, 39(5): 377-384.

[17] YAN Zhao-jin, XIAO Yi-jia, CHENG Liang, et al. Exploring AIS Data for Intelligent Maritime Routes Extraction[J]. Applied Ocean Research, 2020, 101: 102271.

[18] RONG Hao, TEIXEIRA A P, GUEDES S C. Ship Trajectory Uncertainty Prediction Based on a Gaussian Process Model[J]. Ocean Engineering, 2019, 182: 499-511.

[19] MURRAY B, PERERA L. A Dual Linear Autoencoder Approach for Vessel Trajectory Prediction Using Historical AIS Data[J]. Ocean Engineering, 2020, 209: 107478.

[20] MURRAY B, PERERA L. An AIS-Based Deep Learning Framework for Regional Ship Behavior Prediction[J]. Reliability Engineering & System Safety, 2021, 215(5): 107819.

[21] NGUYEN D, VADAINE R, HAJDUCH G, et al. GeoTrackNet-a Maritime Anomaly Detector Using Probabilistic Neural Network Representation of AIS Tracks and a Contrario Detection[C]// IEEE Transactions on Intelligent Transportation Systems, 2021.

[22] YANG C H, WW C H, SHAO J C, et al. AIS-Based Intelligent Vessel Trajectory Prediction Using Bi-LSTM[J]. IEEE Access, 2022, 10: 24302-24315.

[23] SUO Yong-feng, CHEN Wen-ke, CLARAMUNT C, et al. A Ship Trajectory Prediction Framework Based on a Recurrent Neural Network[J]. Sensors, 2020, 20(18): 5133.

[24] LIU T, MA J. Ship Navigation Behavior Prediction Based on AIS Data[J]. IEEE Access, 2022, 10: 47997-48008.

[25] DUCRUET C, ZAIDI F. Maritime Constellations: A Complex Network Approach to Shipping and Ports[J]. Maritime Policy & Management, 2012, 39(2): 151-168.

[26] KOJAKU S, XU Meng-qiao, XIA Hao-xiang, et al. Multiscale Core-Periphery Structure in a Global Liner Shipping Network[J]. Scientific Reports, 2019, 9(1): 404.

[27] YU Cao, ZHANG Wei, ZHU Yu-liang, et al. Impact of Trends in River Discharge and Ocean Tides on Water Level Dynamics in the Pearl River Delta[J]. Coastal Engineering, 2020, 157: 103634.

[28] LEE W J, ROH M I, LEE H W, et al. Detection and Tracking for the Awareness of Surroundings of a Ship Based on Deep Learning[J]. Journal of Computational Design and Engineering, 2021, 8(5): 1407-1430.

[29] ZHOU Yang, DAAMEN W, VELLINGA T, et al. Review of Maritime Traffic Models from Vessel Behavior Modeling Perspective[J]. Transportation Research Part C Emerging Technologies, 2019, 105: 323-345.

[30] FERRANDIS J D á, TRIANTAFYLLOU M S, CHRYSSOSTOMIDIS C, et al. Learning Functionals via LSTM Neural Networks for Predicting Vessel Dynamics in Extreme Sea States[J]. Proceedings Mathematical, Physical, and Engineering Sciences, 2021, 477(2245): 20190897.

Ship Logistics Path Trajectory Repair Based on Improved LSTM

BAI Xiang-en1, FANG Ming-quan1, XU Xiao-feng1*, XIAO Ying-jie1, WU Yong-ming2

(1. Merchant Marine College, Shanghai Maritime University, Shanghai 201306, China; 2. Ningbo Pilot Station, Zhejiang Ningbo 315000, China)

The work aims to improve the mining accuracy and safety efficiency of cargo logistics path trajectory information. In this study, the type, quantity and length of ships in the narrow channel of the strip Tiaozhoumen waters of Ningbo Zhoushan Port were statistically analyzed for the identification and repair of AIS logistics path trajectory abnormal points of cargo ships. Considering the environmental factors of actual ship navigation, a new date correction method was proposed. Considering the ship attributes and environmental factors, the abnormal data were identified with the navigation span and steering capability of the three-degree-of-freedom kinematics, and finally the Bi-LSTM method was applied to repair the screened shipping logistics path trajectory. The proposed screening method did not require trajectory clustering or building additional models for discrimination, the screened data accounted for 34.26% of the total quantity, and the repaired AIS cargo ship trajectory data were improved by 115.34% on the original basis. The method can effectively correct and repair abnormal shipping logistics path trajectory data, and provide some basic methods for shipping logistics trajectory data mining.

logistics path; cargo ship; AIS trajectory; ship characteristics; Bi-LSTM repair

U675.7

A

1001-3563(2023)17-0152-08

10.19554/j.cnki.1001-3563.2023.17.018

2022-11-25

國家自然科學(xué)基金面上項目（42176217）

責(zé)任編輯：曾鈺嬋