基于語義的船舶行為動態推理機制

文元橋, 張義萌, 黃 亮, 周春輝a,,c, 肖長詩,d, 張 帆,d

(武漢理工大學 a.國家水運安全工程技術研究中心； b.航運學院；c.智能交通系統研究中心； d.內河航運技術湖北省重點實驗室，湖北 武漢 430063)

在復雜、開放的水上交通環境中準確地識別并預測動態、不確定的船舶行為是宏觀、微觀行為和異常行為分析的重點，其需要揭示船舶行為的行為模式和內在演化機制。在水上交通大數據中挖掘船舶的行為模式需要有效地組織水上交通態勢信息，并清晰、完整地表達船舶行為的各個要素間的聯系，發現船舶行為規律；揭示船舶行為的內在演化機制需要根據動態的信息發現各行為要素間的約束關系和影響程度，以在不確定信息中挖掘隱藏的船舶行為，并動態預測船舶行為。

在船舶行為相關研究中，劉敬賢等[1]定義港口內的匯入、匯出、穿越、掉頭等船舶行為的概念。朱飛祥等[2]將港口水域劃分為地理網格，并統計分析地理單元格上的船舶行為。甄榮[3]使用k-means聚類算法和貝葉斯分類器識別異常船舶行為。馬文耀等[4]使用一致性檢測識別船舶變速和轉向異常行為。但目前國內的研究大多借用經典算法進行船舶行為分析，很少考慮船舶行為信息中要素與要素間的聯系，因此難以形成背景信息與行為信息的交互機制，導致不能揭示船舶行為的內在演化模式并準確識別、預測船舶行為。

船舶行為要素與要素間的聯系實際上是信息的語義描述及信息語義之間的關聯關系，是構成語義網絡的基礎。語義網絡是一種對某個領域中的概念和概念間關系建立明確、規范的形式化表達的模型，本體則是建立語義網絡的建模工具[5]，而船舶行為語義網絡是船舶的動作、行動以及對其所處交通態勢的反應的語義描述與屬性關系的集合。在近幾年的研究[6-8]中，使用語義模型挖掘船舶行為已取得較好的成果。但使用語義網絡自身的邏輯推理識別船舶行為難以處理船舶行為的動態性和不確定性。貝葉斯網絡在給出不確定信息的推理結論方面應用十分廣泛[9]，但其應用大多是靜態貝葉斯網絡推理，動態貝葉斯網絡應用較少，面向海事領域的船舶行為動態概率推理研究更顯缺乏。

1 問題描述與建模

為形成系統、清晰的船舶行為模型，揭示船舶行為的內在機理，挖掘隱藏的船舶行為，需要建立一種基于語義的船舶行為動態推理機制。從船舶的動態特性出發，以船舶軌跡為行為線索，構建船舶行為模型見圖1。

圖1 船舶行為模型

船舶軌跡實質上是時間序列下的位置點，考慮外界環境(包括基礎設施、地理地形、氣象水文等)的影響時，每個時刻的位置點都具有多維度的各種狀態S(如航向、航速)；每種維度的連續位置點以及多種維度的多個位置點構成的不同層次的子軌跡段，分別表現為不同的船舶行為B(如加速)；多個不同層次的船舶行為以及狀態可推理出事件E(如抵港)。每個時刻的狀態、行為和事件互相耦合、互相影響，形成該時刻的船舶行為集合X，其表現為船舶行為規律約束的三維空間集合。某個時刻的船舶行為模型為

F(S(γ),B(γ),E(γ),σ)

(1)

式(1)中：γ={γ1,γ2,…,γn}為影響船舶行為的外界環境，如地點等，外界環境一般在一段時間內比較穩定，因此可作為船舶行為的參數。S={S1,S2,…,Sn}表示狀態的集合，B、E類似。σ={σ1,σ2,…,σn}為狀態、行為、事件間的相關函數集合。

船舶行為是隨時間動態變化的，因此，需要引入時間序列t={t1,t2,…,tn}，在時間序列下的船舶行為模型為

G(Xt(γ),σ,δ)

(2)

式(2)中：Xt=St∪Bt∪Et為在時間序列t下的船舶行為集合，各個時刻的X表示的三維空間集合是隨時間不斷變化的；δ={δ1,δ2,…,δn}為船舶行為變遷函數集合，表示船舶行為在時間片間的變遷情況。

狀態是最容易從原始數據中獲得的，稱為觀測行為，而行為、事件為需要對船舶行為模型求解的隱藏行為。對模型的求解過程實際上是歷史和當前時刻的狀態已知時，在三維空間集合X內通過σ和δ等函數關系求當前時刻行為和事件的分布律，即

(3)

P(Et)=f2(S1:t,B1:t)=

(4)

使用語義模型清晰、完整表達出船舶行為的各個要素與要素間聯系，得到行為模型F，并形成易于處理、易于表達的規范形式；使用動態貝葉斯網絡基于語義模型深入挖掘隱藏的船舶行為，推理模型中的行為和事件，識別并預測動態船舶行為發生的概率，即構建在時間序列下的船舶行為模型G并求解P(Bt)和P(Et)。推理得到的行為概率可語義模型交互，形成動態的自然語言表達。

2 船舶行為語義模型

語義模型為某時刻的船舶行為模型，其對各船舶行為概念進行形式化表達，在非結構、無語義的原始數據中提取結構化的語義信息，構建以船舶行為為核心的語義網絡(見圖2)。

圖2 船舶行為語義網絡模型

語義網絡可以形式化表達為一個三元組：

SN={C,R,I}

(5)

式(5)中：SN為語義網絡；C={C1,C2,…,Cn}為類，他表示對象的集合，包含船舶行為集合X和外界環境γ；R={R1,R2,…,Rn}為關系的集合，表示類之間的相互作用，包含相關函數和變遷函數δ；Ii為本體的實例，也就是具體的對象。具體而言，C={V,P,T,Tp,S,B,E}，其中：V、P、T、Tp分別為船舶(Vessels)、地點(Place)、時間(Time)和類型(Type)，S、B、E即上述提及的狀態(State)、行為(Behavior)、事件(Event)，此3類為核心類。

語義模型中關系集合包括對象屬性(Object Property)和數據類型屬性(Data Type Property)。數據類型屬性為類或個體的數據描述或數據限制，如船舶A速度為10 kn，高速船舶船速最低為15 kn等。對象屬性包含以下類間的關系：

1) Vessels類與atTime、hasBehavior、hasEvent、inPlaces、isType其他類的屬性關系等。

2) Behavior類和Event類與Time類的atTime屬性關系，動態貝葉斯網絡推理后的結果以開始時間和結束時間在語義網絡中存儲，以便于查詢、調用和表達。

3) State類、Behavior類、Event類之間的hasCharacteristics(簡記為hasC)和hasInter-SliceInfluenceto(簡記為hasI-SI)屬性關系，hasCharacteristics屬性關系為某時間片內的節點間關系，hasInter-SliceInfluenceto為相鄰時間片的節點間關系，分別對應船舶行為模型中的相關函數和變遷函數δ。

語義模型中類的實例(Instances)為類的實際對象，如船舶的實例渡船江城4號(JiangCheng4Hao，MMSI:413932547)等。

3 船舶行為動態貝葉斯網絡模型

3.1 動態貝葉斯網絡定義

動態貝葉斯網絡的初始網絡和轉移網絡見圖3。

圖3 動態貝葉斯網絡的初始網絡和轉移網絡

1) 在t=0時間片，將語義網絡轉化為初始網絡，并定義初始時刻的概率分布P(X0)。其基本思想是將語義網絡中屬于狀態、行為、事件的子類對應貝葉斯網絡中的節點，節點對應隨機變量Xi，其概率值為P(Xi)；子類的實例對應隨機變量Xi的取值，本文中的取值都是離散的；子類間的屬性關系對應節點間的有向弧，表明節點間的直接影響，并具有相應的條件概率。在初始網絡內的所有節點的聯合概率可表示為

(6)

式(6)中：Pa(Xi)為任意Xi節點(i=1,2,…,n)的所有父節點。若Xi沒有父節點，則Xi為根節點，P(Xi|Pa(Xi))=P(Xi)表示其先驗概率。

2) 在t>0時間片的節點可能受以前時間片內節點的影響，另外可由上一時間片節點的概率預測下一時間片節點的概率，所以需要定義轉移網絡。假設動態貝葉斯網絡符合一階馬爾可夫過程，則轉移網絡為包含兩個相鄰時間片的貝葉斯網絡。時間片間僅有行為或事件節點間的影響，可定義Zt為t時間片貝葉斯網絡中的所有行為節點(Bt)和事件節點(Et)，則第t個時間片的Zt在之前所有時間片下的條件分布為

P(Zt|Z0:t-1)=P(Zt|Zt-1)=

(7)

P(St|Z0:t-1,S0:t-1)=P(St|Zt)

(8)

由初始網絡和轉移網絡可將動態貝葉斯網絡展開到第T個時間片。從第0個時間片到第T個時間片的聯合概率分布為

P(X1:T)=P(Z0)·P(S0)×

(9)

3.2 參數學習

初始網絡中的條件概率和轉移網絡中的轉移矩陣分別對應船舶行為模型中的相關函數σ和變遷函數δ，兩者都為動態貝葉斯網絡中的參數θ，需要在推理前給出。本文使用最大似然估計法進行參數學習。動態貝葉斯網絡中的節點都為離散型隨機變量，設其分布律為

P{X=x}=p(x;θ),x=x(1),x(2),…

(10)

式(10)中：θ=(θ1,θ2,…,θm)T為未知參數。(X1,X2,…,Xn)T為來自總體X的樣本，則樣本的聯合分布律稱為似然函數，記為L(θ)，即

(11)

之后，選取使似然函數達到最大的參數值作為未知參數θ的估計值，即求似然方程：

(12)

3.3 動態推理

(13)

貝葉斯公式

(14)

由式(14)和貝葉斯網絡的條件獨立性假設可得

(15)

4 實例計算與結果分析

為對上述模型進行驗證，選取所有船舶共有的靠離泊行為為例進行實例分析。具體驗證過程如下：

4.1 基礎數據處理

使用的數據來自于船舶自動識別系統(Automatic Identification System，AIS)和谷歌地球，AIS數據為長江渡船江城4號于2014年1月1日某航次數據，地理數據為武漢關碼頭區域數據。對AIS數據進行抽取和清洗等預處理后，僅需要對軌跡數據和地理數據做簡單的判斷即可得到狀態信息，如加減速狀態僅需要判斷AIS數據中的速度是否增加等。判斷轉向狀態時航向差Δcog(cog為船舶對地航向)計算為

(16)

4.2 靠離泊語義網絡建模

語義網絡見圖4(圖中部分概念后的英文為語義概念簡稱，同時省略圖2中已有的屬性關系)，其中：轉向行為(Turning)由前5個軌跡點的轉向狀態(turn1-5)推理；變速行為(SpeedChange)與轉向行為類似；停泊行為(Berth)由在港內/外(inside/outside)和速度是否為0(speed=0)推理；駛入/駛出行為(Enter/Leave)由相鄰兩點是否在區域內的狀態判斷；抵港/離泊事件(Arrival/Departure)由變速行為和是否在碼頭區域內推理；橫駛事件(AcrossRiver)由離泊進行預測，指離開碼頭區域后渡船橫渡長江的行為，其沒有證據支持判斷，只能由渡船的行為模式為依據，根據離泊和其本身預測，因此可檢驗模型的預測能力。

4.3 動態貝葉斯網絡構建與參數學習

語義網絡與貝葉斯網絡都是圖結構模型，其中：語義網絡中的類可轉換為貝葉斯網絡中的節點;類下的實例可以轉換為節點下的變量;類間的屬性關系可以轉換為節點間的依賴關系[10]，且只需對狀態、行為、事件3層需要動態推理的核心類進行轉換。由語義網絡得到的靠離泊動態貝葉斯網絡見圖5(各節點簡記為英文首字母)。

圖4 靠離泊語義網絡

得到網絡結構后對該渡船2014年1月的AIS數據(約27萬條)標注，作為參數學習樣本。使用最大似然估計的方法進行參數學習，得到概率見表1～表3(部分概率表省略)。

圖5 靠離泊動態貝葉斯網絡

表1 邊緣概率

表2 時間片內條件概率

4.4 推理并預測船舶行為

已知網絡結構和參數后，結合由數據得到的狀態節點概率，即可動態推理船舶行為和事件發生的概率，江城4號靠離泊軌跡見圖6a，推理結果見圖6b～6d。由于停泊時各行為的概率變化很小，圖6省略了部分停泊時間片的推理結果。

由圖6可知：抵港、離港和停泊都與事實相符，且船舶在抵港時減速左轉，離港時加速，符合良好船藝。模型不會像邏輯推理一樣將可能發生的行為誤判為沒有發生，而是賦予該行為準確的發生概率。時間片間的轉移矩陣使得行為的判斷不僅依賴于當前時間片內的證據，還考慮歷史行為的影響，因此，當前時間片內的證據不準確時不會出現行為誤判。

推理結果中加粗線段(停泊和橫駛)為明顯進行了行為預測的部分，其中：在抵港將要結束時(11≤TS<16)停泊被預測出將要發生；而橫駛初始概率即為其邊緣概率，之后其發生的概率受歷史時間片中離泊和其自身發生的概率影響，在離泊發生后(49≤TS<53)其發生的概率逐漸增大，尤其是在離泊概率降低時(TS=52)，橫駛概率達到最大，表示其將要發生。但由于沒有證據支持，在離泊結束后(TS≥53)橫駛逐漸趨向于其本身的邊緣概率。由于預測行為不是由證據直接推理所得，而且有實際發生的行為的限制，其概率較小，因此能夠與實際發生的行為相互區分。

表3 時間片間轉移矩陣

推理結果既可用概率曲線形式描述，也可映射到語義網絡中，以方便船舶行為的語義化表達和進一步的共享、查詢等應用。當行為將要發生或已經發生時進行簡單的語義組織即可形成如下語義表達：

a) 江城4號靠離泊軌跡圖

b) 部分行為推理結果

c) 轉向行為推理結果

d) 變速行為推理結果

1) JiangCheng4Hao (ferry) hasEvent Arrival in WuHanGuan (dock) BeginTime at 2014/1/1T07:01:35+8:00。

2) JiangCheng4Hao (ferry) hasBehavior Berth in WuHanGuan (dock) BeginTime at 2014/1/1T07:03:46+8:00。

3) JiangCheng4Hao (ferry) will hasEvent AcrossRiver in WuHanGuan (dock) at 2014/1/1T07:12:06+8:00。

5 結束語

面向智能航海應用，利用語義模型與動態貝葉斯網絡建立一種船舶行為動態推理機制，典型的船舶靠離泊模型證明所提出的方法能準確地識別并預測動態船舶行為。推理結果可提供給船舶交通服務(Vessel Traffic Service, VTS)操作員、引航員、船員及智能船舶等明確、精準的動態船舶行為信息；具有標準化結構的語義信息便于應用到智能船舶系統中，可使智能船舶動態感知并預測周圍船舶的行為，及時規避風險，避免緊迫局面；推理結果可表達為高層次語義信息，壓縮大量信息價值低的數據，易于存儲、查詢和共享。

本文沒有考慮水文氣象等自然環境對船舶行為的影響，以后將研究氣象水文影響下的船舶行為語義模型。外界環境不一定是穩態的，船舶行為的網絡結構也可能隨時間變化而變化，因此需要建立變結構、變參數的船舶行為模型。