基于AIS数据的船舶行为特征挖掘与预测:研究进展与展望

船舶行为特征挖掘与预测是水上智能交通系统的重要研究内容,也是交通运输工程领域的关键科学问题。为系统研究基于船舶自动识别系统（Automatic Identification System, AIS）数据的船舶行为特征挖掘与预测的研究现状与发展趋势,本文首先针对Web of Science(WOS)和中国知网（China National Knowledge Infrastructure, CNKI）收录的文献,用知识图谱分析软件VOSviewer对文献关键词进行处理,从文献计量学的角度生成高频关键词的聚类图谱和趋势演化。然后对基于AIS数据的水上交通要素挖掘、船舶行为聚类和船舶行为预测3个主题的研究内容、方法、存在问题进行了系统分析和展望,研究结果表明：① 在基于AIS的水上交通要素挖掘方面,主要集中在对AIS数据中表征船舶行为空间特征和交通流的时间特征单独挖掘分析,缺乏对AIS数据的时间、空间以及环境因素特征的关联挖掘,对于如何进行交通要素的关联融合挖掘研究还有待深入探索;② 在船舶行为聚类方面,研究主要是运用无监督聚类方法研究船舶航迹点和航迹段聚类,得到船舶航行行为模式的时空分布和船舶操纵意图辨识模型,然而融合多维特征的船舶轨迹的相似性计算方法、聚类参数的自适应选取以及船舶行为的语义特征建模有待进一步研究;③ 在船舶行为预测方面,主要集中在基于动力学方程、传统智能算法和深度循环神经网络的船舶行为预测研究,考虑船舶行为的随机性、多样性和耦合性的特点,运用混合神经网络模型以及神经网络与向量机、注意力机制相结合的模型实现多维的船舶航行行为特征的实时预测将是新的研究方向。最后提出了基于语义模型的船舶行为特征挖掘、基于深度卷积神经网络的船舶行为的预测和基于知识图谱的船舶行为特征挖掘和预测结果可视化等有待进一步研究的方向。     

基于AIS数据挖掘的受限水域船舶动态领域研究

考虑到受限水域船舶类型、船舶长度以及速度对船舶领域的影响,本文基于船舶自动识别系统(Automatic Identification Systen,AIS)数据,建立受限水域内船舶动态领域模型。通过求取每一时刻目标船到本船的距离和相对方位,获得单船船位分布图,然后对本船和目标船按船舶类型、船舶长度和船速进行分类,对同一类型单船船位分布图进行叠加,获得特定类型的船位分布图,采用数理统计方法确定船舶领域的边界,最终建立受限水域船舶动态领域模型。选用舟山港螺头水道AIS数据对该方法进行验证,共挖掘出19种不同类型的船舶动态领域模型。分析结果表明:货船对货船的船舶领域最小,油船对油船的船舶领域最大;船舶领域的长度随着船长,船速的增加而增加,且在长轴方向上增加的幅度要大于短轴方向;船舶领域长度与船舶长度的比值并非为定值,而是随着船长,船速的增加而递减,船速越大,递减的幅度越大。     

基于厦门港的海上交通事故地理空间分布及风险预测研究

利用海上交通事故空间分布特征进行安全分析是海上交通安全管理的重要组成部分。本文使用厦门港2008—2020年的海上交通事故数据,经过事故数据空间分布特征提取、分析及预测等流程,最终得到厦门水域海上交通事故潜在危险区域。本文首先使用原始事故数据在GIS软件中进行空间定位,形成事故点的可视化空间分布图,然后使用核密度分析法鉴别海上交通事故多发区域,再利用空间自相关分析法,得到该区域事故空间的分布特征和具体的聚集点,最后使用该分布特征、对目标水域数据进行标准化网格切分,并利用机器学习算法对潜在事故风险区域进行预测。本文在核密度分析结果中发现：就事故频度而言,厦门湾和西海域交通事故频度较高。在空间自相关分析的结果中表明：就空间分布特征而言,厦门港的空间分布出现聚集特征且为空间正相关模式,且就事故具体的空间聚集点而言,厦门湾和西海域仍是事故高发的中心区域。而最后的厦门湾及周边水域风险预测模型显示：潜在事故风险区域多位于沿海和河口交汇区域。本文研究结果表明在基于地理空间数据分布特征提取和网格化分析的基础上,结合机器学习方法（随机森林）,对于海上交通事故的预测具有良好的效果。