基于AIS数据的船舶会遇机动行为检测与知识提取研究

《Ocean Engineering》：Leveraging AIS data for maneuver detection and knowledge extraction during ship encounter

本文针对复杂水道中船舶会遇机动行为难以准确识别的问题，提出了一种从历史AIS数据中检测会遇相关机动行为并进行知识提取的新方法。研究人员通过比较会遇轨迹与非会遇轨迹识别航向改变，并利用自适应阈值检测速度变化，结合基于通过顺序的逻辑规则筛选有效机动行为。基于检测结果，对决策点和会遇过程进行统计分析，提取了有助于理解船舶决策过程、提升情境感知能力的关键知识。该方法在挪威奥斯陆峡湾AIS数据上验证有效，为智能航行系统的发展提供了重要支持。

　　

在智能航运迅猛发展的今天，如何提升海上情境感知能力、保障船舶航行安全已成为行业关注的焦点。船舶在航行过程中，尤其是在狭窄水道或交通密集区，常常需要与其他船舶会遇。此时，船舶采取的机动行为——无论是改变航向还是调整航速——都直接反映了其决策过程，是理解如何安全操作的关键。然而，从海量的船舶轨迹数据中精准地识别出这些与会遇相关的机动行为并非易事。数据的复杂性、船舶间动态交互关系的多变性，以及常规航行中为转向等目的而产生的运动变化，都为准确检测带来了巨大挑战。现有的方法往往难以有效区分“为会遇而机动”和“为常规航线规划而转向”，这限制了我们从数据中提取有价值知识、进而支持智能导航技术发展的能力。

为了突破这一瓶颈，发表在《Ocean Engineering》上的一项研究提出了一套新颖的分析框架。该研究旨在从历史AIS数据中有效检测船舶在会遇情境下的机动行为，并通过对这些行为数据的深度挖掘，提取关于船舶决策过程和会遇模式的知识，最终服务于海上情境感知和智能导航的增强。研究团队来自挪威科技大学。

研究人员为达成研究目标，主要运用了几个关键技术方法。首先，基于船舶领域模型从原始AIS数据中提取船舶共现对，进而识别出纯双向会遇和多船会遇案例，并对轨迹数据进行线性插值以统一时间分辨率。其次，在机动行为检测环节，创新性地采用动态时间规整算法比较船舶会遇轨迹与其非会遇轨迹的相似性，以识别因会遇而产生的航向改变；同时，基于各次会遇中速度值的统计特征（最频值和标准差）计算自适应阈值范围，用以检测速度变化。然后，引入一套基于船舶间通过顺序（船首或船尾通过）的逻辑规则，对检测到的运动变化进行进一步筛选，以确认其确为与会遇安全通过相关的机动行为。最后，对检测到的机动行为进行系统的统计分析，聚焦于决策点（如相对距离）和会遇过程（如机动持续时间、最近会遇点距离）等关键方面，实现知识提取。

4.2. 船舶机动行为检测结果

4.2.1. 船舶运动变化检测结果

通过比较会遇轨迹与非会遇轨迹，研究成功识别出船舶的航向改变。结果显示，在不同船舶数量的会遇情境下（2至5艘船），会遇轨迹与非会遇轨迹之间存在显著差异，通过设定基于DTW距离分布统计（如95%累积密度）的阈值，能够有效定位航向改变发生的轨迹段。对于速度变化检测，采用“最频速度±1倍标准差”作为正常速度范围，能够较为精确地识别出加速和减速过程，避免了固定阈值的局限性。

4.2.2. 逻辑规则评估

研究通过一个四船会遇案例展示了逻辑规则的应用效果。通过分析船舶间的通过顺序，能够判断检测到的速度变化（如加速或减速）是否与会遇安全通过相关，从而剔除无关的运动变化（例如，已通过所有相遇船只后的加速行为）。这显著提高了机动行为检测的准确性。

4.2.3. 机动行为检测结果验证

通过专家标注研究对算法检测结果进行验证。100个随机案例的评估显示，专家与算法结果的一致性达到98%，证明了所提方法的可靠性。个别不一致案例主要源于某些船舶可用的非会遇轨迹数据过少，影响了比较的准确性。

4.3. 知识提取结果

4.3.1. 决策点分析结果

对不同机动类型开始时船舶间的相对距离分布进行分析发现，涉及“航向和速度共同改变”的机动行为发生的相对距离范围较大，而“减速”机动发生的相对距离范围较小。这提示可以据此设定不同级别的安全域，为决策支持提供量化依据。同时，不同航行方向（如渡轮从霍顿到莫斯，商船从南到北）的船舶，其开始做出决策的地理位置分布存在明显差异，反映了地理条件对行为的影响。

4.3.2. 船舶会遇过程分析结果

对机动持续时间的分析表明，仅涉及速度改变的机动持续时间较短（通常在15分钟内），而涉及航向改变的机动持续时间较长（可达26分钟以上）。这表明航向改变通常用于处理更复杂或需要更长时间调整的会遇局面。对会遇过程中最近点距离的分析显示，当船舶采取机动时，其与相遇船舶的最近距离分布范围相对集中（例如0.19至0.73海里），这为定义最近安全距离提供了数据支持。相比之下，未检测到机动的会遇案例中，船舶间最近距离普遍较大，说明无需采取明显机动行为是合理的。

4.3.3. 知识应用

研究将提取的知识（如决策点区域、基于相对距离的安全域、最近安全距离）可视化于奥斯陆峡湾地图上，演示了如何利用这些知识设定警报区域和安全域，以辅助船舶情境感知和决策。例如，可以为不同航行方向的船舶划定特定的机动预警区，并设置基于统计结果的多层次安全域，从而在潜在风险发生前提醒船舶采取行动。

研究结论指出，该方法能够从历史AIS数据中有效检测出船舶会遇相关的机动行为，并通过统计分析提取出关于决策点和会遇过程的有价值知识。在挪威奥斯陆峡湾一年期AIS数据集上的实验证明了方法的有效性。知识应用的案例表明，这些发现有望用于提升船舶交通服务监控能力、增强船舶情境感知，并为智能航运系统和自主船舶的决策支持技术发展提供依据。

在讨论部分，作者强调了该方法的可扩展性和通用性，其机动检测不依赖于会遇船舶的数量或交互复杂性。同时，也指出了当前研究的局限性，主要包括对多船会遇中复杂交互的建模尚待深化，以及需要在更广泛海域和会遇类型上进行验证。未来工作将聚焦于开发更精细的多船交互模型、进行更全面的方法验证、依据紧急程度对机动行为进行分类，以及探索如何将提取的知识更直接地应用于提升情境感知和决策过程。这项研究为利用AIS数据深度理解船舶行为、推动海上智能导航技术进步奠定了重要基础。