船舶航行交通事件實時檢測技術研究現狀與展望*

黃 琛 陳德山 吳 兵 嚴新平,3

（1. 武漢理工大學交通與物流工程學院 武漢 430063；2. 武漢理工大學國家水運安全工程技術研究中心 武漢 430063 3. 武漢理工大學智能交通系統研究中心 武漢 430063；）

0 引 言

我國航運業正面臨著船舶大型化、船舶數量快速增長的挑戰，而船舶監管方式較為落后，雖然近幾年船舶自動識別系統（automatic identification system,AIS）、船舶交通管理系統（vessel traffic service,VTS）、無線甚高頻（very high frequency,VHF）、閉路電視監控系統（closed circuit television,CCTV）等技術大量投入使用，但難以達到“全方位覆蓋、全天候運行、反應快速”的安全監管目標[1]，當前海事監管仍需要人員全天盯守。隨著長江沿岸各港口吞吐量的增加，某些航道港口已達到或超飽和狀態[2]，大型船舶的駛入為周圍船舶行駛帶來極大干擾，經常發生航道擁堵，造成較大的經濟損失和監管人力資源浪費。

船舶航行交通事件檢測技術是指自動檢測航道內發生的各種船舶航行交通事件的方法和手段，對于降低海事監管人員工作強度，提高監管效率，減少經濟損失，提升監管自動化程度起著重要作用[3]。船舶航行交通事件包括船舶事故、船舶異常行為等，船舶事故發生頻率低，但后果嚴重，往往伴隨著人員傷亡、經濟損失，以及環境污染，如2015年在長江流域發生的“東方之星”號客輪特大傾覆事故，共造成442人遇難[4]；與船舶事故相比，船舶異常行為產生危害較輕，但發生頻率高，若不加管制，會阻礙船舶正常行駛，降低通行效率，增大航行安全隱患。

由于海上交通量的增長及AIS 的廣泛使用，海上交通領域數據量呈爆發式增長，利用AIS 數據進行船舶航行事件檢測也成為近幾年的研究熱點。但由于AIS 存在丟失率高、精度低，實時處理大量AIS數據對計算能力要求高，當前大多采用離線方式進行分析，研究結果嚴重依賴于歷史數據[5]。對于海事監管部門，實時、準確的交通事件檢測是必要的。本文針對不同類型的船舶航行交通事件進行檢測技術研究，分析了當前常用檢測技術的優缺點，總結了實時檢測需要的關鍵技術，結合平行檢測系統架構進行展望，對于船舶航行事件檢測研究具有重要意義。

1 船舶航行交通事件檢測研究現狀

1.1 船舶航行交通事件分類

船舶航行交通事件即會對船舶正常航行產生影響的事件，按照造成后果的嚴重程度可將其分為船舶異常行為和船舶事故。船舶異常行為指與周圍其他運動船舶對象有差別的運動行為，陳影玉等[6]將其分為位置異常和運動異常。位置異常通常由于工作船舶施工或者走私船舶躲避稽查隨意行駛而產生，包括船舶軌跡超出歷史路徑范圍、在航道外航行、不在規定區域內活動、駛向危險區、違反法規、入侵禁區、岸邊匯合、深海匯合、威脅基礎設施等；運動異常通常由于船舶縮短航程或降低等待時間而產生，包括速度太高、速度太低、游蕩、應該駛向港口時偏離港口、航跡終止、不正常航線形狀等。此外，Riveiro等[3]補充了AIS 關閉和欺騙以及難以直接識別的復雜行為等其他船舶異常行為。Long等[7]總結了主要的船舶事故種類，分別為碰撞、機損、操作失誤、擱淺、火災爆炸、傾覆、沉沒等。根據整理和總結，筆者將船舶航行交通事件分為2類，共20種，見圖1。

圖1 船舶航行交通事件分類Fi g.1 Ship navigation traffic event classification

1.2 船舶航行交通事件檢測方法

1.2.1 船舶異常行為檢測

目前國內外船舶異常行為檢測的研究思路主要分為2 類：①基于對歷史AIS 數據進行挖掘，建立正常船舶行為的分布或模型，將不符合正常分布或模型的樣本看作是異常軌跡樣本；②基于規則，對各種異常事件進行人工標定，滿足標定條件的視為異常軌跡。由于當前海事監管領域存在船舶數據獲取困難，船舶管理系統封閉，船舶異常事件樣本量少的情況，因此大多數研究是基于AIS獲取的船舶運動數據進行，通過歷史位置數據構建船舶運行軌跡，分析船舶軌跡是否異常。在各種異常檢測方法中，最關鍵的步驟是如何構建正常船舶行為模型，針對不同種類的船舶異常行為檢測方法進行總結，見圖2。

圖2 船舶異常行為檢測方法Fig.2 Ship abnormal behavior detection methods

1）位置異常檢測。船舶的位置異常主要包括船舶超出歷史路徑范圍、航道外航行、駛向危險水域等情況。主要的檢測思路是利用機器學習、統計分析等方法對船舶歷史軌跡進行特征提取，構建船舶交通運行模式，超出正常模式范圍或者處在置信度低于閾值的范圍內的船舶被視為出現位置異常。

聚類屬于無監督機器學習的一類，它利用數據的相似度原理，將船舶軌跡分成不同的簇，相同簇中的軌跡相似度高，不同簇中的軌跡相似度低，常用于船舶位置異常檢測?；诰垲惖拇斑\行建模方法將航道內的所有船舶軌跡依照不同指標進行分類，將絕大多數船舶軌跡遵循的簇定義為正常簇，而不符合正常簇的船舶軌跡則定義為異常軌跡。當前使用較多的聚類方法為基于密度的聚類算法（density-based spatial clustering of applications with noise,DBSCAN），該方法對于任意形狀區域的聚類和異常值的識別具有良好效果。Han 等[8]指出DBSCAN 算法存在數據分布不均勻和基于歐氏距離計算的最小半徑無法代表水上等復雜場景的軌跡2 個弊端，并利用考慮相關性的馬氏距離替代歐氏距離表征最小半徑，用以描述復雜場景下的軌跡。DBSCAN 算法的核心是尋找數據的核心距離和可達距離，但往往這2 個參數無法快速準確的找到，需要人為設置。Rong等[9]利用改進的基于密度的聚類算法（ordering point to identify the cluster structure，OPTICS）對船舶軌跡進行聚類，該算法不顯示聚類的具體數值結果，而是對數據進行排序，以找出其中蘊含的信息，因此降低了2 個參數的輸入要求，對軌跡點的可達距離進行排序，發現低于最小半徑的軌跡點分成了幾個簇，每個簇就對應于1類船舶。Rong等[10-11]利用聚類和高斯模型提取1個區域內船舶的起訖點和航行路線，構建船舶交通模式，通過對地航向、轉彎率、船速和船型4個自變量預測船舶屬于每1條航線的概率，當分類到低概率航線時，將會視為可能出現異常的船舶。Pallotta等[12]提出1種基于船舶運行模式和歷史信息的船舶軌跡預測和異常檢測方法，該方法利用AIS 數據提取船舶歷史航線，當船舶駛入觀測區域時，利用船舶軌跡點和速度預測船舶位置，利用后驗概率推測船舶最可能的行駛路徑，隨著船舶的運動，實時更新船舶狀態和預測結果，通過計算其偏離正態的程度調整報警率。

2）運動異常檢測。船舶的運動異常主要包括船舶速度過高、航速過慢、航向異常等情況。主要的檢測思路是利用神經網絡、統計分析等方法對船舶運動數據進行特征提取或者預測，當出現不符合歷史數據特征的數據時則判定其出現了運動異常。

基于神經網絡的運動異常檢測方法是利用神經網絡模型對歷史數據進行訓練，建立正常船舶行為模型，再將測試數據輸入到模型中，檢測其是否存在異常。王正星等[13]引入霧天擾動量特征神經元構建神經網絡，基于長短時算法更新神經網絡對船舶軌跡偏離點位進行挖掘，帶有霧天擾動特征神經網絡的挖掘效果明顯好于傳統神經網絡。向懷坤等[14]利用粒子群優化算法改進神經網絡參數，根據輸入的交通特征評估當前的交通擁擠程度，檢測率和檢測時間均優于傳統神經網絡。劉慶華等[15]利用遺傳神經計算建立初始閾值和權值，構建初始分類器，結合AdaBoost算法優化閾值和權值，構建強分類器，對交通流樣本進行分類，檢測出發生的交通事件。Ma等[16]提出1 種長短期神經網絡克服反向傳播的誤差衰減問題，提高神經網絡的長期預測效果。

基于統計的運動異常檢測方法是利用統計學原理對歷史數據（航速、航向等）進行分析，擬合出船舶數據的概率分布，將分布在高概率區間內的數據看作正常，低概率區間對應的數據看作異常數據。馬文耀等[17]引入船舶軌跡相似度和操縱行為相似度的度量算法，分別對AIS 軌跡數據和船舶運動數據進行訓練，得到船舶綜合行為相似度，計算新數據的一致性，檢測是否有異常。Kowalska 等[18]利用高斯回歸和主動學習算法對船舶數值進行預測，觀察實際值與真實值的差距判斷其是否異常。Botts[19]改進了傳統的基于密度的聚類算法，考慮了速度和方向指標對船舶軌跡進行聚類?；诮y計的建模方法不足在于依賴歷史信息，未能考慮環境等信息，例如，船舶以處于高概率區間的航速行駛時，如果周圍船舶的航速都遠低于或者遠高于此船，那么這艘船也應該被視為異常。

3）其他異常檢測。除了船舶位置異常和運動異常，還有幾類船舶異常行為不利于船舶監管。例如AIS 的關閉和欺騙行為，由于追求利益或者掩蓋其違規航行的事實，部分船舶會主動關閉AIS 或者惡意修改其AIS 信息，這個行為對于海事監管造成了阻礙，危害到了船舶航行安全。Zhang等[20]通過軌跡相似性尋找可疑軌跡和比較軌跡之間的對比軌跡，再利用對比軌跡與2 條軌跡的夾角和走向判斷該可疑軌跡是否存在關閉AIS 的行為，在此基礎上判斷2 個具有高度相似的軌跡中是否存在AIS 關閉行為的船舶，若存在則認為該條軌跡對應的船舶惡意更改了MMSI 信息。D'Afflisio 等[21]通過基于欺騙參數θ的復合假設檢驗公式確定船舶通過AIS消息報告的軌跡是否可信，聯合解決欺騙和偏離標稱路線的問題，采用模型階次判定（model order selection, MOS）方法處理產生的多重假設檢驗，依賴于假設嵌套假設Hi,i=0,1,2,3 是正確的。

此外，復雜異常行為的檢測也受到關注。復雜交通事件是由多個基本交通事件組成的交通事件，通常難以直接從船舶軌跡數據中觀察到。當前對于船舶復雜事件的研究主要集中于船舶違法行為，如船舶走私、運毒、搶劫、禁捕區捕魚等行為。復雜事件的檢測需要將不同的基本事件檢測方法進行結合，組成復雜事件檢測系統。Zhang等[22]利用現有船舶異常行為檢測算法形成檢測庫，讓用戶依據自己的需求選擇異常檢測模塊，將選擇的模塊形成事件流，用以檢測更復雜的異常行為。Shahir等[23]利用隱馬爾可夫模型觀測目標軌跡，對存在特殊行為的軌跡分類到給定場景下，結合上下文信息判斷該行為屬于哪1種復雜事件。

1.2.2 船舶事故檢測

與船舶異常行為不同，船舶事故的發生往往會造成人員傷亡、生態破壞、經濟損失等嚴重后果，因此當前對于船舶事故的檢測主要是從事故風險評估的角度出發，對船舶存在的航行風險進行測算及預測，風險過高時，對船舶進行管控，基于船舶事故發生的頻率和造成的后果不同，從船舶碰撞預警、船舶失火爆炸檢測及其他事故檢測進行總結，見圖3。

圖3 船舶事故檢測方法Fig.3 Ship accident detection methods

1）船舶碰撞預警。船舶碰撞事故作為1種頻繁發生的水上交通事故，一直是研究人員的重點研究對象，當前主要研究思路是對船舶航行碰撞風險進行建模和分析，即獲得某些船舶或者某些區域發生碰撞的概率，當概率過高時，則認為將要發生碰撞事件，需要人為對其干預，防止碰撞事故的發生。

船舶碰撞風險分析研究通常涉及3 個要素：事故發生的概率、潛在后果，以及船舶碰撞的人為因素和組織因素，概率是反映船舶碰撞風險的最常用指標之一[24]。Zhang 等[25]直接利用距離和其他變量來評估遭遇情況，將船舶之間的距離、相對速度、航向差等合并為1 個函數，定義為船舶沖突風險算子。Weng等[26]在碰撞候選檢測中加入了船舶領域，以侵犯圓形船舶領域為標準估計了新加坡航道的碰撞頻率。Huang等[27]利用速度障礙法衡量碰撞風險，該風險被定義為導致碰撞的可達速度的比例。Xi等[28]利用故障樹方法進行船舶碰撞的風險分析，將導致事故的不同事件（值班人員的疲勞、疏忽、發動機故障等）以布爾門的形式進行分類識別，以圖形方式說明各事件對事故的影響，最后利用統計分析、調查等手段計算各事件導致事故發生的概率。Sotiralis 等[29]建立概率模型來分析船舶碰撞中的人為因素和組織因素的風險，利用貝葉斯網絡來獲得它們的概率相關性和事故概率。綜上，當前船舶碰撞事故風險評估領域所用到的方法、模型多樣化且各有優勢，但研究重點均為通過事故發生概率測算、事故演化機理分析及事故造成后果評估以達到提前預警的效果；研究場景偏向于2船之間的碰撞風險研究，較少涉及多船相遇情況，這降低了檢測結果的準確性；其次，碰撞事故中考慮的人為因素缺乏數據的支撐，因此降低了檢測效果，后續應該考慮更多不確定性進行分析。

2）船舶失火爆炸檢測。船舶火災爆炸事故是威脅海上運輸安全的最嚴重的事故之一，會導致船舶損失、貨物損壞、環境污染、人身傷亡[30]。因此，火災事故檢測領域同樣存在基于事故風險分析以進行提前預警的方法，Wang等[31]對火災事故報告進行關鍵語句提取，歸納出40 個船舶火災原因，將其作為輸入分別利用故障樹和貝葉斯網絡進行分析，得出影響火災事故的關鍵因素。付姍姍等[32]利用三腳架事故致因模型分析火災事故的影響因素，運用布爾代數的邏輯運算求解事故發生各階段的后果重要性及發生概率，最后利用風險矩陣計算各事件的風險值。除了通過風險評估進行火災預警以外，對正在發生的火災事故的檢測也同樣重要。李先鋒等[33]利用OpenCV 技術對船舶火災視頻圖像進行濾波、背景重構以及煙霧檢測，實現船舶火災的檢測。何光華[34]設計了1 種利用火焰探測器和熱探測器組合的火災報警信號無線傳輸裝置，實現了高準確度、低誤報率的火災檢測與報警系統。周泊龍等[35]基于煙霧的顏色特征和運動特征對船舶視頻圖像進行分析，提出了能夠在開闊環境使用的船舶火災檢測技術。船舶火災爆炸檢測側重利用多種傳感器檢測火災相關因素（煙霧、溫度、亮度等）進行分析，相較于船舶碰撞檢測依賴風險模型進行碰撞預警，檢測準確性較高，但受到環境影響嚴重，檢測穩定性不足，且更側重于事故發生后檢測，事故預警檢測較少。

3）其他事故檢測。除了船舶碰撞事故和船舶火災爆炸事故，也有其他事故如擱淺、傾覆、沉沒等得到關注。

船舶擱淺事故是指船舶撞擊海床或者航道側邊的1 種水上事故。Mazaheri 等[36]從風險管理的角度對船舶擱淺事故風險建模進行了綜述，提出了1 種基于知識的船舶擱淺風險建?？蚣?，從定義、背景知識、場景、可能性、事故后果，以及風險控制選項方面進行了定義，總結出當前建模方法側重點單一，現有需求如可靠準確評估風險程度、不確定性評估、實時高效更新模型評估結果、模型適用性等無法同時滿足，實際使用效果不佳。Acanfora等[37]利用船舶外力作用周期和船舶自然周期構建模型對船舶的橫搖周期進行預測，用以發現潛在的船舶橫搖場景，之后利用六自由度的混合線性仿真模型對關鍵場景進行船舶加速度的評估，建立了1 個基于運動周期的船舶大橫搖運動檢測模型，該模型可被用于檢測船舶存在的傾覆風險。針對不同船舶事故類型，有風險建模、運動建模、要素分析等檢測方法，需要研究統一的檢測模型實現實時檢測的目標。于衛紅等[38]利用點互信息算法和雙詞主題模型算法分別對船舶事故文本中的常見詞和主題進行建模，從格式不統一、形式多樣化的事故報告文本中提取出事故原因，提供了1種基于文本識別的統一事故檢測模型。

1.3 船舶航行交通事件檢測研究現狀小結

數據上，當前船舶航行交通事件檢測的數據源主要為船舶AIS 數據，數據量大，獲取難度低，可用于獲取船舶位置、航向、航速等指標，成為事件檢測的主要判別依據。AIS 數據中包含了大量船舶運動、行駛意圖等信息，但由于接收基站質量、水文氣象影響、人為關閉篡改等因素，AIS 數據丟失、質量不穩定等問題常見，數據預處理成為事件檢測必不可少的環節，因此大多數研究結果無法對實時接收的數據進行檢測；此外，船舶運動受潮汐、風速、水流速度、航行規則等影響，檢測時需要考慮其他數據源，當前部分研究通過人為篩選對數據集添加標簽的方式考慮環境信息，但檢測結果受主觀因素影響大，航行規則、事故報告等文本數據利用率低，因此對于不同格式、不同體量的數據源需要進行融合。

方法上，基于聚類的檢測方法適用于提取航道等不規則區域內的船舶分布，但聚類效果受到輸入參數影響大，最小半徑及可達距離需要人為調整以適應不同數據源、不同航段的軌跡；此外，基于聚類的事件檢測本質是對特定航段內的歷史軌跡進行相似性分析，將相似性低的軌跡視為異常，該方法可用于輔助監管人員查找未被發現的異常行為，但無法實時檢測異常船舶，對其進行干預?；陬A測的檢測方法能對存在的風險進行預警，是監管水面安全的重要手段，但是預測效果受到算法、輸入數據質量、參數等眾多條件約束，預測效果無法滿足實際使用要求，例如軌跡預測中直線形軌跡的預測效果要好于曲線形軌跡，這會降低預測的準確性?；谏窠浘W絡的檢測方法是利用算法找出數據的內在聯系，建立正常行為模型，但由于檢測過程模糊，調參難度大，模型適用性低，檢測結果難以解釋，難以構建檢測不同航行狀態船舶的模型?；诮y計的檢測方法通過擬合數據，構建數據分布模型，適用于檢測數值型數據如速度、航向等，但檢測效果嚴重依賴于歷史數據，對于不滿足歷史軌跡分布的船舶全部視為異常，沒有考慮實際航行狀態，需要不斷更新檢測模型，檢測效率低，且無法檢測文本數據如貨物、船名等異常?；诖邦I域、貝葉斯網絡、故障樹等模型進行風險預警的方法，考慮因素多能提升預警準確性，但多因素會增大模型復雜性、降低計算效率，例如當前常用的指標最近會遇距離（distance closest point of approach,DCPA）、最近會遇時間（time closest point of approach,TCPA），計算簡單，但預警效果較差?；趫D像識別的檢測方法利用深度學習算法對大量事故圖像進行訓練，提取事故船舶圖像特征，檢測結果更加直觀，準確性較高，但基于圖像的檢測效果與訓練集高度相關，如實際拍攝船舶角度與訓練集不一致、事故發生位置被遮擋、水上大霧暴雨等惡劣天氣導致圖像不清晰等，這些問題還未解決。

實時船舶航行交通事件檢測要求融合各類數據，自動檢測不同航行環境下的船舶航行狀態，在考慮歷史數據的基礎上，具有檢測實時數據的功能，這是當前研究所缺少的。將來的船舶航行交通事件檢測應該從多源數據融合、多項技術結合的角度進行研究，如Liu 等[39]融合交通圖像數據和交通流數據，利用卷積神經網絡算法進行檢測，Zhang等[40]利用基于模糊自適應密度的聚類算法預處理船舶轉彎區域，再利用神經網絡提取不同轉彎區域特征。圖像數據直觀反映交通事件的發生，但數據質量受天氣、拍攝角度影響嚴重，交通流數據容易獲取，但無用數據多，處理難度大，多源數據融合可以彌補各種數據的缺點，提高檢測效率；聚類方法首先對軌跡進行分類，再利用神經網絡提取特征，降低調參難度，提高模型可解釋性。

2 船舶航行交通事件實時檢測技術

當前船舶航行事件檢測大多基于歷史數據和離線算法檢測，一方面是因為實時接收的船舶數據存在丟失、噪聲大等質量問題，原始數據需要經過清洗、修復等手段才能被使用；另一方面是因為檢測模型未考慮船舶航行環境，不同航行場景下的船舶采用不同的檢測模型和算法，檢測方法可擴展性差，因此無法實現實時的事件檢測。此外，事件檢測過程及結果最終需要落實到日常實際監管工作中，而大多數研究者并未考慮針對監管人員開發可解釋性強的檢測模型和結果顯示技術。針對以上問題，本文針對實時的船舶航行交通事件檢測提出了海事大數據處理技術、船舶行為動態建模技術和實時分析與可視化技術3項關鍵技術，見圖4。

圖4 船舶航行交通事件檢測關鍵技術Fig.4 Key technologies of ship navigation traffic event detection

2.1 海事大數據處理技術

隨著衛星、雷達等信息技術的革新，海事領域也面臨著數據量大、數據生成速度快、數據格式多樣、數據可靠性低的問題[41]。其中以AIS 數據為主的海事數據應用逐漸從最初的避免船舶碰撞和提高航行安全擴展到更多元的領域，例如船舶活動范圍研究、船舶對環境影響評估、船舶軌跡提取及預測、船舶航行監管、港口績效及航運業影響等[42]。大數據處理技術能夠快速清洗異常數據，同時處理儲存海量船舶數據，運行效率高，可靠性強，無延時為船舶行為動態建模傳輸數據，進行實時的船舶航行交通事件檢測。因此，為了滿足實時監管的需求，針對海事領域的大數據處理技術亟待研究。

海事大數據處理應從數據清洗和數據標準化方面考慮。原始海事數據存在大量空集、缺失、信息錯誤、人為篡改等問題，利用不準確不完整的數據集分析船舶行為特征，會得到帶有偏差甚至相反的結果，誤導交通事件檢測研究方向，因此需要精準全面的數據清洗技術對海事數據進行處理。此外，水上交通事件檢測需要考慮航行環境信息，不兼容的數據標準可能會導致難以組合不同類型的數據，因此，如果各種數據兼容，考慮航行環境的交通事件檢測將成為可能。IHO 提出的S-100 提供了1 個水文地理空間數據標準，支持接入各種水文相關的數據源，并且完全符合主流的國際地理空間標準，能夠更輕松地將水文數據和應用程序集成到地理空間解決方案中[43]，統一的數據格式或結構在國際舞臺上得到認可。因此，標準化的海事數據對于事件檢測及海事行業其他領域均有益處。

2.2 船舶行為動態建模技術

作為實時交通事件檢測的關鍵，船舶行為動態建模技術融合海事大數據處理后的船舶航行情境信息和船舶運動數據，根據船舶運動環境構建不同的船舶行為模型，進行實時交通事件檢測。其主要包含2 個難點：①如何將難以量化描述的非結構型情境數據與結構型的船舶運動數據進行融合，在分析船舶運動時實時考慮船舶航行情境；②用何種方法分析非結構型與結構型混合的船舶航行數據，以提高檢測結果的準確性。

情境信息融合方面，知識圖譜采用圖結構來描述、構建知識及事物間關系[44]，其本質是1 種大規模語義網絡，不僅包含了豐富的語義信息，又天然具有圖的各種特征[45]。由于其呈現圖的結構，在道路交通領域自然的與路網進行聯系，節點表示路口，邊表示路段。水上交通領域采用知識圖譜的信息表示方式既能天然的表示船舶交通的空間信息，還能將水文氣象、航行規則等信息作為節點屬性與船舶運動信息進行融合?；谥R圖譜的船舶航行信息表示架構，融合航行情境信息，利用現有的技術手段進行事件檢測，能達到良好的動態性和可拓展性。

檢測方法上，除了現有技術手段，一些新興技術的介入可以提高檢測結果的準確性。①深度學習是利用機器模擬人腦思考過程的1 種人工智能，它通過多層神經元找出輸入數據之間隱含的關系，傳統船舶行為識別技術基于簡單的船舶位置數據和運動數據，但船舶行為與外界環境關系密切，且難以定量體現，深度學習的方法有助于發現數據之間隱性的關系；②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[46]，每種船舶行為具有他的概念、屬性，以及關系，利用這些船舶行為的語義推理、關系挖掘可以發現不同行為之間的關聯、簡單行為與復雜行為的關系；③圖神經網絡作為神經網絡的1 種變體，能有效地對不規則的圖結構模型進行特征提取與分析，Zhu等[47]基于知識圖譜架構構建交通時空圖，利用圖卷積神經網絡進行交通流預測，預測結果優于單純基于路網的圖模型，因此可以作為水上交通事件檢測新的參考方向。

2.3 實時分析與可視化技術

海事監管系統可視化內河航道要素信息，借助人機交互界面結合自動化分析技術與交互式可視化[48]，因此，對于實際監管工作，簡單易懂的檢測結果實時分析和直觀清晰的檢測結果顯示也是重要的一部分，當前研究中檢測結果通常是定量的，定性分析需要人為觀察和評估，這樣降低了事件檢測效率，無法做到實時檢測，因此良好的人機交互性是促使監管人員愿意使用檢測功能的保障。

平行系統是基于社會物理信息系統（cyber physical social system，CPSS），主要研究社會網絡、信息資源和物理空間深度融合[49]。平行系統將實際系統中的各要素建模為多智能體，利用知識工程獲得多智能體的屬性和規則，利用機器學習等手段獲得其在特定場景下的執行方案，最后反饋給實際系統，并不是單純的模擬現實，因此建模難度大大降低[50]?；谄叫邢到y架構的事件檢測系統能接入多種數據源，集成多種事件檢測技術，實時分析顯示檢測結果，對于海事監管，每1艘船舶都可以被映射到虛擬系統中，按照現實方式行動，船舶的異常也將實時反饋到虛擬系統中被監管人員查看，因此可以作為實時事件檢測的1種實時分析與可視化技術。

2.4 船舶航行交通事件實時檢測關鍵技術小結

大數據處理已運用在各領域研究中，并獨自成為一門學科，但在海事領域應用尚淺，以AIS數據為例，當前大多數研究中數據處理停留在簡單的清洗、篩查，剔除缺少信息的數據，采用插值法形成均勻連續的軌跡，該方法形成的軌跡并非船舶的真實軌跡，以此為基礎的研究成果會產生較大誤差；除了AIS數據，船舶的進出港報文、調度報告、事故報告等文本數據同樣蘊含著大量信息，如船舶航行意圖、常用航線、事故原因分析等，但非結構化數據提取、利用困難，需要考慮形成統一的數據結構對其進行儲存，以便研究。

船舶動態行為建模是實現實時事件檢測的關鍵，其中已有多項研究考慮了情境信息，如設置水文氣象標簽區分數據集、利用知識圖譜融合更多環境因素等，研究表明模型檢測效果得到提升，此外，深度學習的應用提高了檢測的自動化程度，但對于航道空間結構、航行規則匹配的考慮不足，圖神經網絡作為提取不規則圖模型特征的算法，提供了1 種考慮空間結構的研究思路，其模型適用性、可擴展性仍需進一步提升。

實時分析和可視化是服務監管部門、與現有海事監管系統結合的保障，當前常用檢測方法無法滿足行業需求，實際使用效果較差，亟需同時考慮檢測算法和實際應用效果的新型檢測模型。平行系統的概念既結合檢測模型，又具有良好的顯示交互功能，是檢測系統構建的新方向。

綜上所述，當前船舶航行交通事件檢測關鍵技術進入初始階段，部分人員與機構相繼展開研究，但與實際應用水平仍差距較大，需要開展深入研究。

3 船舶航行交通事件檢測展望

當前船舶航行交通事件檢測利用統計分析、神經網絡、聚類分析、圖像識別、仿真建模等技術，檢測效果及自動化程度得到提升，但由于海事監管領域數據質量差、船舶航行環境復雜等原因，多數研究采取基于歷史數據的離線檢測方式，對實時交通的檢測效果差，且檢測模型可拓展性低，檢測結果誤報率過高，監管人員使用滿意度低。嚴新平等[51]提出的新一代航運系統體系架構中提到，未來的航運系統應該是智能化的，船舶航行安全需要靠船舶運行智能控制、交通運營組織、水上應急救援等關鍵技術來保障，而實時的、精準的事件檢測是完成這一環節的重要組成部分。結合新一代航運系統提出的平行檢測系統可分為數據采集、后臺服務、客戶端應用3個功能模塊。如圖5 所示，數據采集功能通過AIS、CCTV、VTS、航行計劃、水文氣象等數據，對現實交通系統進行全要素感知，將其實時輸入后臺服務中的交通態勢推演模塊，同時上傳至交通大數據云平臺，構建水路交通場景仿真模型；后臺服務功能對實時輸入數據進行融合處理與儲存，實時分析、預測及預警交通狀態，通過仿真運算、結果儲存、模型管理進行事件檢測，將檢測結果輸入虛擬交通系統，根據預設管控方案對虛擬系統進行調整；客戶端應用功能將虛擬系統中的檢測結果以及管控方案展示給指揮調度中心，監管人員進行決策，對現實交通系統進行管理、調度和控制，其決策同時影響虛擬和現實交通系統，并進行下一輪循環迭代，達到實時檢測并管理交通的目標。

圖5 平行檢測系統架構Fig.5 The architecture of parallel detection system

根據2.4 總結出的船舶航行交通事件實時檢測關鍵技術，提出船舶航行交通事件平行檢測系統下的展望：數據融合包含海事大數據處理技術，融合虛擬交通系統數據和現實交通系統數據，儲存交通仿真和態勢推演過程的全部信息；交通狀態感知是船舶行為動態建模的保障，實時感知現實交通信息，綜合評估交通狀態；交通虛實映射應用實時分析和可視化技術，融合交通數據生成交通流，將現實交通系統映射到虛擬交通系統中并讓其在當前交通狀態中進行推演，實時檢測船舶航行交通事件。

3.1 數據融合

從數據類型劃分，當前海事領域數據包括非結構型數據：船名、船舶類型、貨物種類、航道、錨地等；結構型數據：船長、經緯度、航速、航向、風速、水流速度等。從數據來源劃分，海事領域數據包括AIS、VTS、雷達、CCTV、報港文書等。多源異構數據融合需要構建統一的數據儲存格式，如word2vec 詞向量模型、知識圖譜三元組模型等文本數據處理技術，對海量數據進行分析可以減輕單一數據源造成的噪聲大、精度低的問題，此外，統一的數據格式能提高計算效率，滿足實時性的要求。

3.2 交通狀態感知

交通狀態包括船舶交通流狀態（速度、流量、密度等）、航道狀態（橋區、航道水深等）、水文氣象狀態（潮汐、大霧、急流等）等。不同交通狀態下的船舶航行交通事件判斷標準會發生變化，例如，不同船舶密度下的最大航速不一樣，橋區和非橋區的航行規則不同，霧天內河航道禁止通行等等。交通狀態感知需要采集船舶航行相關信息，分析船舶分布、船舶相對運動、通航資源可達性、航行環境時空分布特征等交通狀態影響因素，利用船舶密度、船舶會遇避讓緊迫程度、船舶碰撞風險、泊位碼頭擁堵指數、航道資源利用率、惡劣天氣比等評價指標，分別對微觀交通狀態和宏觀交通狀態進行評估，對水上交通狀態進行分類定級，計算出水上交通宏微觀時空分異特征，推演出水上交通宏微觀狀態變化趨勢，對其進行預測。宏觀上，根據交通狀態分級評價其飽和程度；微觀上，根據飽和程度、碰撞風險、天氣等判斷船舶行為是否異常，實現更準確、可靠的船舶航行交通事件檢測。

3.3 交通虛實映射

交通虛實映射是根據現實交通系統搭建虛擬交通系統，按照實際船舶交通流狀態在虛擬系統內進行初始化，并讓其按照設定航行規則自主運行，最終得到不同時刻的交通狀態。交通仿真是交通虛實映射的初級階段，當前常用交通仿真系統集中在道路領域，水路交通領域還未出現較好的仿真系統。水路交通仿真系統可分為靜態模型和動態模型2個部分：靜態模型包括航道模型、碼頭港口模型、錨地服務區模型、航標模型、船舶模型、交通組織模型、三維場景模型等；動態模型包括船舶運動仿真、河口卡口仿真、航段分段仿真、區域網絡仿真、突發事件仿真、航道通過能力仿真、交通態勢仿真等。從交通仿真中船舶按照人為規則行駛的被動控制，到平行系統中船舶按照實際船舶行為自動行駛的主動控制，需要從數據采集、狀態感知、決策反饋、可視化等方面進一步研究。

4 結束語

將船舶航行交通事件分為船舶異常行為和交通事故2類，分析各事件的常用檢測方法，異常行為檢測研究大多基于AIS 數據，數據量大，獲取難度低，但處理時間久，需要提前對數據進行預處理，無法滿足實時性；事故檢測主要從風險評估的角度出發，檢測結果受模型適用性影響，難以動態建模進行檢測。當前事件檢測方法存在歷史數據依賴度高、檢測模型可擴展性低的現狀，高誤報率致使監管部門使用效果差。

總結出船舶航行交通事件實時檢測的關鍵技術：海事大數據處理技術、船舶行為動態建模技術和結果分析和可視化技術。從檢測前提高數據質量，檢測中提升模型適用性，檢測后結果實時分析與展示3 個方面進行分析，提出實時檢測的重點是在特定航行情境下進行交通流評估。

結合新一代航運系統提出了船舶航行交通事件平行檢測系統架構，按照關鍵技術的發展需求，從數據融合、交通狀態感知和交通虛實映射3 個方面進行展望，為船舶航行交通事件實時檢測的進一步研究提供參考。