基于大规模AIS数据的渔船碰撞预警及事故回溯算法_李克祥.pdf

第 31 卷 第 1 期2023 年 1 月Vol.31 No.1Jan.,2023船 舶 物 资 与 市 场 MARINE EQUIPMENT/MATERIALS&MARKETING0 引言船舶自动识别系统（Automatic Identification System，AIS），是一种新型数字助航系统，由岸基（基站）设施和船载设备共同组成，集现代通讯技术、计算机技术、网络技术、电子信息显示技术为一体，用于提高船舶航行的安全性，加强海上生命安全的防护。AIS 加强了船舶间避免碰撞的能力，其主要功能有识别船舶、协助目标追踪、简化信息交流以及船舶其他辅助信息的提供，常将其数据叠加在电子海图上展示，包含船舶的船名、船向、航速等信息。另外，在 ARPA 雷达、船舶管理系统中也常需要对 AIS 的信息进行补充，辅助船舶之间的通信和交流，促进航海界数字化的发展。1 AIS 的作用与现状1.1 AIS 的作用AIS 的作用是让装了 AIS 的其他船舶能识别到本船的位置，其不需要人为介入就能够自动和连续地与周围船舶交换重要的航行数据，包括船舶的静态信息和航行动态数据，这在能见度不良的海域中，是船舶之间避碰的重要手段。AIS显示的信息中，静态数据包括船舶尺度、识别信息等，动态数据包括船位、航线、航速、航向等；另外，还包含一些安全相关的短消息，正是这些数据的交互实现了船舶之间的自动识别，提供船舶安全导航，为海上避碰操作提供参考1。基于大规模AIS数据的渔船碰撞预警及事故回溯算法李克祥，潘海华，王国庆，郑国华，黄海广（浙江索思科技有限公司，浙江 温州 325000）摘 要：船舶自动识别系统 AIS 是船舶在海洋运行的关键设备，在船舶导航、目标探测、航迹管理等场景下发挥着重要的作用。本文首先对 AIS 的作用和现状进行阐述，再对多元异构的源数据进行融合与挖掘以获取船舶的精准定位，进一步建立船舶航行时会遇过程的动力学参数及模型，分析船舶碰撞过程的运动学特性，然后分别设计碰撞预警模型以及事故回溯算法对历史轨迹数据进行实验，为船舶精确定位、防碰撞安全预警、事故溯源执法等功能的实现提供技术支撑。关键词：AIS；北斗；渔船避碰；数据融合；溯源中图分类号：U675.7 文献标识码：A DOI:10.19727/ki.cbwzysc.2023.01.004引用格式 李克祥,潘海华,王国庆,等.基于大规模AIS数据的渔船碰撞预警及事故回溯算法J.船舶物资与市场,2023,31(1):10-13.收稿日期：2022-10-13基金项目：温州市高水平创新团队项目；浙江省“万人计划”科技创新领军人才项目（2019R53015）作者简介：李克祥（1993-），男，本科，高级工程师，研究方向为嵌入式系统、物联网技术、智能装备。1.2 AIS 的应用现状当前 AIS 的应用场景主要为船舶的动态监管和海上避碰 2 块内容，围绕海上航行安全而展开。AIS 的信息中包含船舶的实时动态数据，通过部署在沿岸以及港口的 AIS 基站和低轨道的卫星，服务站可以实时接收船舶的运行状态，掌握其历史航行轨迹，能有效地打击走私、偷渡、违规捕捞等违法行为，作为对船舶监管强有力的手段1。船舶之间 AIS 信息的交互是海上避碰操作的重要参考信息，AIS 系统接收到周围船舶的动态信息后，包括目标船航向、航速、船位等关键信息，能自动计算出与本船的最近会遇距离 DCPA 和到达最近会遇距离点的时间 TCPA，有助于驾驶员精准判断从而采取更有效的措施进行避碰。除此之外，船舶 AIS 的历史数据也是海上事故强有力的证据，根据 AIS 的历史轨迹记录结合船载 VDR 和岸基雷达等设备，能够判断事故发生时的船舶操作记录，还原事故经过，让肇事者无所遁形。AIS除了应用于船载设备外，已经沿用到渔网网位仪、AIS浮标等定位装备乃至虚拟 AIS 物标，用于标示航道边界或者危险物，实现有效助航。2 AIS 多源异构数据融合船舶在航行的一个时间段中，因为安装了多种定位终端，数据中心可以收到同一船舶的多个定位数据，如渔船的 AIS 和渔船卫星终端会在同一时间段发送定位信第 1 期 11 息。多源异构数据融合算法是轨迹数据集成的关键，也是后续研究的基础。在海量船舶轨迹数据集成研究方面，存在以下问题：1）轨迹数据的噪声数据问题，一般原始数据存在较大的波动和少量噪声点，噪声数据影响轨迹的正常使用，需要进行预置处理；2）多类异构数据源数据规模大，例如仅东海海域过往船舶一年的 AIS 数据规模达 3898 GB，且不同设备一般报位时隙不同，使得数据互联难度大。以下分为 3 个流程解决上述问题：1）数据清洗：轨迹数据的噪声数据问题，首先进行数据清洗，清洗掉明显不合理的数据，如经度、纬度超出正常范围或者缺失等。2）滤波：可以采用集中式卡尔曼滤波或者分散式卡尔曼滤波 2 种方式，集中式卡尔曼滤波在滤波过程中得到唯一的最优估计值；分散卡尔曼滤波：多源数据的各个数据源单独完成局部估计，由主系统汇集数据、处理分析并输出最优估计。3）数据融合：与北斗卫星终端等设备不同，AIS终端的报位间隔与船舶航行速度密切相关，报位间隔见表 1，使用卡尔曼滤波对不同时隙的多源 AIS 数据融合，将时隙过长的数据进行卡尔曼估计来做轨迹补充，而北斗轨迹数据一般定位间隔较固定，数据较完整，可采用加权平均的方式进行 AIS 和北斗的轨迹数据融合，实现多源异构数据的分类加权，并把所得的加权值进行整合。表 1 AIS 报位间隔船速或状态AIS 规定的报位间隔/s本船更新时间/s锚泊180180014 kn1210014 kn 并转向43.31423 kn661423 kn 并转向22 23 kn32除了定位终端设备数据外，雷达感知数据也是船舶航行数据的重要组成部分，按照使用场合一般分为导航雷达和岸基雷达。雷达数据的处理与上述流程大同小异，其中最关键的一步是识别探测物是否为真实渔船。若雷达探测的障碍物位置与 AIS 探测的障碍物位置基本吻合（即两类传感器探测到同一障碍物的位置信息误差值在系统既定的阈值范围内），则判定该障碍物为海面船舶，分别通过两类传感器获取不同的目标特征，最终演算该障碍物的运动趋势及其他特征；若雷达探测到某一障碍物，但该障碍物附近无 AIS 探测结果，根据雷达探测到障碍物外形轮廓和运动特性，判定该障碍物为海面漂浮物、岛屿、海面平台或关闭/未配置AIS的其他船舶等2。3 碰撞预警模型研究对海量 AIS、北斗、雷达等信息融合后，依据相关轨迹数据，如方向和速度，实现对未来一段时间渔船发生碰撞的预测。建立一个碰撞预警模型，采取综合因素评价法，计算 2 艘船的船舶碰撞危险度 CRI。图 1 为船舶相对运动的参数图，根据船舶轨迹可以导出船舶的具体航行状态信息，例如速度、位置坐标、对地航向、报文发送时间等。假设本船基于平面直角坐标系的坐标、航速、对地航向，可推导出目标船的坐标、航速、对地航向。图 1 船舶相对运动参数图本船速度在 x,y 轴上的矢量分量：VXo=Vosino，VYo=Vocoso。（1）他船速度 x,y 轴上的矢量分量：VXT=VT sinT ，VYT=VT cosT 。（2）两船的相对速度 VOT在 x,y 轴上的矢量分量：VOT_ x=VXo VXT，VOT_ y=VYo VYT。（3）两船相对速度 VOT：。（4）两船相对速度的航向 OT：。（5）其中：（6）两船相对距离：。（7）他船对于本船的真方位角：李克祥，等：基于大规模 AIS 数据的渔船碰撞预警及事故回溯算法，。船舶物资与市场第 31 卷 第 1 期 12 。（8）其中：（9）他船相对方位角、真方位角和本船航向的关系：。（10）两船间最近会遇距离为：。（11）两船间最小会遇时间为：。（12）建立船舶碰撞危险度 CRI 模型，如图 2 所示，拟采取以下 5 个因素作为模糊综合评价中的因素集（即评价指标集）：会遇船舶间的最近会遇距离 DCPA 和到达最近会遇距离点的时间 TCPA、两船相对距离、相对方位、他船与本船间的船速比3。计算船舶碰撞危险度 CRI 的公式如式（13）所示，其中各个 表示不同参数对应的权重系数，U 表示各个因素的参数向量值，通过实验和多变量线性回归方程求得。（13）本船经度、纬度、速度、航向他船经度、纬度、速度、航向他船经度、纬度他船经度、纬度本船经度、纬度本船速度他船速度特征数据碰撞危险度SAR，AIS，北斗轨迹数据船速比相对距离相对方位DCPA，TCPACRI本船经度、纬度、航向图 2 模糊综合评价法计算 CRI图 3 为模糊综合评价法 CRI 计算实例，计算出每 2艘船的 DCPA，TCPA，相对方位，相对距离，船速比，计算在一定时间条件下的 CRI，根据 CRI 的大小进行不同程度的预警。图 3 碰撞危险度预警实例4 事故回溯算法研究4.1 还原事故船出事后的轨迹首先查找失联船的最后轨迹，至少要找到 5 个报位点，通过原先失联船的历史轨迹，预测2个小时内的轨迹。采取采样率自适应的捕捞船舶轨迹插值来进行计算，构造包含一层神经网络和 LSTM 的组合插值模型（HIT），将 30 min 采样周期提高到 3 min，轨迹预测的结果如图 4所示，HIT 模型预测的轨迹结果最接近真实轨迹4。124.06 124.08 124.1 29.65 29.64 29.63输入真实值 cHs 算法HIT 算法纬度精度图 4 失联渔船轨迹预测结果最后得到图 5，根据失联船的位置扇形区域可得，高概率区域、中概率区域和低概率区域，其中高概率的区域是最可能发生碰撞的区域。图 5 对失联渔船绘制扇形区域4.2 从可能出事的地点分类渔船和商船对失联海域 6 n mile 区域的船舶轨迹进行分类，分为渔船和商船，海上事故中造成船舶沉没事故的，绝大部分是商船与渔船碰撞，故对此情况进行碰撞可能性分析。船舶轨迹分类算法的算法思想是对轨迹构建速度、方向、空间和时间特征，如图 6 所示，通过机器学习算法进行分类，识别轨迹中的渔船和商船。速度特征方向特征特征生成机器学习模型位置特征时间特征图 6 渔船轨迹分类算法思想，。第 1 期 13 商船分类完毕，根据失联渔船的预测轨迹和商船的轨迹，计算两船的 DCPA 和 TCPA。当 DCPA=0 时，意味着两船若保持现有的航速和航向，一定会碰撞，但当TCPA 的值比较大时，则需要综合考虑以判断碰撞危险的大小。当DCPA=0或者小于一定值时，TCPA的值越小，说明可能发生碰撞的危险性越大，反之，发生碰撞的危险性相对越小。DCPA 和 TCPA 是两船是否存在碰撞危险的最根本因素，可以根据 DCPA 和 TCPA 排除不具备碰撞可能性的商船5。4.3 从事发区域商船中确定肇事船实验搜集了近 100 次的碰撞事故报告，其中有 11 次能完整回放事故轨迹，发现肇事逃逸商船的轨迹具有相似的特点：1）发生碰撞后减速并发生转向：商船和渔船发生碰撞后，渔船即刻沉没，商船紧急减速并发生转向；2）在事故区域停留：商船观察事故情况，并判断双方损失情况，通常渔船已经沉没；3）全速离开事发区域，并关闭 AIS 设备，导致轨迹缺失：商船通常为国外船，一旦逃逸离开中国管辖区域，事故很难追溯和索赔。关闭 AIS 是为了逃避责任，导致 VMS 系统无法记录和回放该船的后续轨迹，造成管理部门难以确定该船是否为肇事船。将这些肇事并逃逸的商船历史轨迹数据作为样本进行训练，特征选择：预测间距，转向幅度（通过方向的标准差计算），减速幅度（通过速度的标准差计算），船速比（对比商船和渔船的船速），通过 LightGBM 算法进行训练，得到一个碰撞模型，模型可以将事发海域的所有商船通过训练模型进行分类，从而锁定肇事船。图 7 为一次真实的碰撞事故轨迹还原，方形轨迹点是拖网渔船，通过渔船碰撞事故分析算法，锁定两艘可疑商船，再通过碰撞模型算法，实验结果表明圆形轨迹点的商船与失联渔船的碰撞概率要大于三角形轨迹点的商船。图 7 碰撞事故实际轨迹还原5 结语从大规模的AIS数据中进行提取、融合、挖掘、分析，建立碰撞预