桥区水域船舶异常行为检测.pdf

第44卷第2 期2023年6 月D0I:10.13340/j.jsmu.2023.02.001上海海事大学学报Journal of Shanghai Maritime UniversityVol.44No.2Jun.2023文章编号：16 7 2-9 49 8(2 0 2 3)0 2-0 0 0 1-0 5桥区水域船舶异常行为检测黄谊文，胡勤友，董思诺（上海海事大学商船学院，上海2 0 130 6）摘要：为保障桥区水域安全，提出一种基于船舶自动识别系统（automatic identification system，A IS）数据的桥区水域船舶异常行为检测方法。先将轨迹数据按航向分组，再利用三次样条插值和卡尔曼滤波算法对轨迹数据进行插值和去噪，最后从处理后的轨迹数据中提取船舶加速度和转向率的值。通过实验得到研究水域内沿东南、西北方向航行的船舶的加速度、转向率阈值，并证明利用这些参数的阈值能有效识别船舶异常行为。关键词：船舶自动识别系统（AIS）；轨迹处理；数据挖掘；参数辨识；异常检测中图分类号：U675.79；U 6 9 7.1Abnormal behavior detection of ships in bridge waters文献标志码：AHUANG Yiwen,HU Qinyou,DONG Sinuo(Merchant Marine College,Shanghai Maritime University,Shanghai 201306,China)Abstract:In order to ensure the safety of bridge waters,an abnormal behavior detection method for shipsin bridge waters based on the automatic identification system(AIS)data is proposed.First,the trajectorydata are grouped by their heading;second,the trajectory data are interpolated and denoised by the cubicspline interpolation and the Kalman filtering algorithm;finally,from the processed trajectory data thethresholds of ship acceleration and steering rate are extracted.Through actual experiments,the thresholdsof acceleration and steering rate of ships navigating in the southeast and northwest directions in the watersare obtained,and it is proved that the abnormal behaviors of ships can be effectively identified by thethresholds of these parameters.Key words:automatic identification system（A IS);t r a j e c t o r y p r o c e s s i n g;d a t a m i n i n g;p a r a m e t e ridentification;anomaly detection路运输安全问题中,船桥碰撞 事故备受关注。目0引言前船舶自动识别系统（automaticidentification与其他运输方式相比,水路运输具有成本低、污染轻的优势。然而，随着我国对水路运输需求的不断增加,许多航行安全问题也显露出来。在众多水收稿日期：2 0 2 2-0 2-2 2 修回日期：2 0 2 2-0 4-0 9基金项目：上海市科学技术委员会社会发展领域重大项目（18 DZ1206300）作者简介：黄谊文（19 9 7 一），男，湖南长沙人，硕士研究生，研究方向为交通信息工程及控制，（E-mail)；胡勤友（19 7 4一），男，安徽舒城人，教授，博士，研究方向为智能船舶与海事信息处理，（E-mail)system,AIS)设备的全面覆盖为解决这一问题提供了数据基础 2。本文结合桥区通航环境，对相关AIS数据进行分析,判断船舶航行是否符合正常、普http:/hyxb 2遍的航行运动规律，构建桥区水域船舶异常行为识别模型 3目前，水上交通运动模式提取及异常行为识别方法主要包括计算机视觉技术、统计分析方法和聚类方法。文献 4研究了如何将计算机视觉技术用于自动分离AIS数据，构建了简易的船舶交通模型。文献 5-7 通过统计分析水域内船舶轨迹的时空特征和横向分布特征建立了船舶航行时长和航线模型,并依据该模型对AIS数据进行实时检测以实现船舶异常行为识别。文献 8 利用AIS数据对港口水域船舶的运动模式进行统计分析，基于自适应核密度估计框架构建船舶异常行为检测器,并将该检测器用于实时AIS数据异常检测。文献 9 通过聚类方法将船舶正常、异常行为进行分类，在正常类中提取船舶运动特征数据，将孤立森林算法引人船舶异常行为检测中。文献 10 采用最小二乘三次样条曲线近似（least-squares cubic spline curvesapproximation，LCSCA)技术表示船舶轨迹，开发了船舶轨迹分类模型识别异常轨迹。文献 11-12 利用聚类方法并结合AIS数据时空特征对船舶运动行为进行分类并将碰撞风险引人其中，实现水域内分时段高风险行为识别。文献13先利用混合高斯模型拟合得到疑似异常的轨迹曲线，再利用主成分分析法对船舶异常行为特征进行判别以实现更高准确率的船舶异常行为识别。为得到更精确的AIS轨迹信息，文献 14-15利用三次样条插值进行轨迹还原,文献 16 引入卡尔曼滤波算法对船舶轨迹进行平滑处理和预测。现有研究并未给出明确的船舶异常行为参数值。为解决现有研究中船舶轨迹识别不准确或误差较大等问题，实现精准的船舶异常行为参数辨识和模式识别，本文利用三次样条插值和卡尔曼滤波算法对轨迹数据进行插值和去噪，从处理后的轨迹数据中提取船舶加速度和转向率的阈值,用于桥区船舶异常行为识别。1船舶异常行为检测1.1船舶异常行为参数辨识流程船舶异常行为参数辨识主要包含3个步骤：轨迹按航向分组、轨迹插值和滤波处理、船舶行为特征分析。首先，考虑到沿不同方向航行的船舶具有不同的运动行为特征，根据历史AIS数据中各轨迹点航向信息对轨迹进行分组。其次，利用三次样条插值和卡尔曼滤波算法 17 对各组轨迹进行等时间间隔插值修复和滤波平滑处理。最终，根据轨迹数据http:/hyxb 上海海事大学学报中的速度、航向、加速度和转向率的概率分布情况，利用四分位异常值检测方法计算船舶加速度和转向率的阈值,构建船舶异常行为识别模型。利用该模型对实时接收到的AIS轨迹数据进行船舶异常变速和异常转向行为识别。1.2轨迹处理方法1.2.1多项式插值轨迹还原算法为利用三次样条插值实现轨迹等时间间隔插值修复,先将AIS数据中的经纬度数据进行通用横轴墨卡托投影（universal transverse Mercator，U T M)并计算各坐标轴方向上的速度分量。设（入,）为船舶经纬度坐标,将其投影至x轴正方向为东、y轴正方向为北的平面坐标系中。UTM公式 18 如下：x=0.999 6(8+0.5Nsin cos$+Nsin coss(5-tansp+9m*+4mt)/24+Nsin coss(61-58tansp+tanp)/720)y=0.999 6N(cos +cosp(1-tan+n)/6+入*(5-18 tanp+tanp+14m-58m*tan*s)cos(5)/120)其中涉及的参数表达式为=入*/p，N=a/(1-esin(20)12,n=ccos,e=(-b)/b2。8为从赤道至纬度的平行圈之间的弧长;p=206264.806（=1r a d）；入*为经度与中央子午线的经度差,单位为（);和b分别为地球椭球体的长半轴和短半轴长度；e为偏心率；常数0.9 9 9 6 为中央经线的长度比。投影至平面坐标系后，船位坐标由(x,y)表示,单位为m。在此基础上根据对地航向将速度分解到x和y轴上,单位为m/s,转化公式如下：Jx=vcos(T/180)Luy=vsin(/180)在已知轨迹点（xi,y）与（xj,yj)之间进行插值,这两个轨迹点对应的时刻分别为t；和t，任意时刻t(=ti,t,)轨迹点的位置由三次插值多项式（式（1）可得,轨迹点速度由式(2)可得：x(t)=ao+ai(t-t,)+a2(t-t,)?+a;(t-t.)3l(t)=bo+b(t-t.)+b2(t-t,)2+b;(t-t,)3v(t)=v;+(vj-v;)(t-t,)/(t;-t)其中,a=x;,a=V;,a2=(3(x;-x;）-(2 v;+v,)(t,-t)/(t,-t.),a,=(-2(xj-x)+(v:+,)(t-t,)/(t,-t,),bo=y,b=v;,bz=(3(yj-yi)-(2v;+v,)(t,-t,)/(t-t,),b,=(-2(yj-yi)+(v;+,)(t,-t.)/(t,-t,)3。第44卷(1)(2)第2 期综上，在进行轨迹插值时,输入相邻已知轨迹点信息和插值时间间隔，使用上述公式即可输出完整等时间间隔轨迹。1.2.2卡尔曼滤波算法通过插值算法得到更接近真实轨迹的等时间间隔轨迹点数据后，还需对轨迹点数据进行卡尔曼滤波处理，以解决轨迹点位置信息不准确或误差较大的问题。在已知当前轨迹点信息的情况下，为得到下一轨迹点位置的最优估计值，分别构建系统状态方程和系统测量方程如下：X=FXh-1+B,uk-1+WkZ=Hx+Vk式中：x为k时刻的状态向量;F为状态转移矩阵；B，为控制输人矩阵；uk-1为控制输入向量；wk为过程噪声向量，w=（w（k）,w,（h）,用于描述系统从当前状态向下一状态转移时的噪声,并且该噪声服从正态分布，其协方差矩阵为Q；Z，为观测向量，表示k时刻观测到的状态；H，为将状态向量转移到测量域的变换矩阵；V.为各观测值测量噪声，为零均值高斯白噪声,其协方差矩阵为Rk。x:=(x(k),y(k)Tx(k)=x(k-1)+v(k-1)Tcos(/180)+w(k-1)y(k)=y(k-1)+v(k-1)Tsin(/180)+w,(k-1)(v(k-1)cos(/180)Uk-1=(u,(k-1)sin(/180)式中：T为插值后轨迹点时间间隔。为得到下一轨迹点位置的最优估计值，引入先验估计值Xilk-1与未知真实值X之间的差值矩阵（即误差矩阵)Pil-1,以及卡尔曼系数K,并将整个算法流程分为预测阶段和测量更新阶段。在预测阶段，计算下一轨迹点位置的预测值（先验估计值)Xilk-1和预测误差Plk-1。Xlk-1=F,Xk-1lk-1+B,ukPl-1=F,P-1l-I FT+Qk在测量更新阶段，先将上述公式的计算结果代入式(3)求得卡尔曼系数K，然后将该系数和系统测量方程代人式(4)得到最优估计值Xlk，并更新误差矩阵Pkl实现后续轨迹点递推。依据上述递推过程，保留每次计算的最优估计值X即可实现完整轨迹滤波。K,=PAl-H)(H,PAlL-H)+R.)-1黄谊文，等：桥区水域船舶异常行为检测1.4参数辨识方法采用四分位异常值检测方法进行船舶异常行为参数辨识。该方法依据真实数据绘制箱线图，能直观展现数据分布，且不要求数据服从正态分布或近似正态分布。它根据数据四分位数和四分位距定义异常数据上限和下限，超过上限和下限的任何数据都将被视为异常值。四分位距Rio和上下限UimVLim计算公式如下：Rio=Q;-Q1Ulim=Q;+1.5RroLlim=Q1-1.5Rio式中，Q和Q3分别为2 5%和7 5%分位数。四分位数的设置让某些偏差较大的异常值不会对四分位数造成较大扰动，因此该方法具有一定的鲁棒性。本文采用该方法对船舶加速度和转向率进行异常识别。将所得加速度、转向率的上限和下限作为船舶异常行为检测阈值,检测轨迹中是否存在异常变速和异常转向行为。2案例分析采集2 0 2 1年12 月1日一12 月31日宜昌铁路大桥上下游航段AIS航迹数据，将其根据航向划分为沿东南方向航行的轨迹（红色）和沿西北方向航行的轨迹（绿色）,其中，沿东南方向航行的轨迹有2 8 57条，沿西北方向航行的轨迹有 3 6 0 4 条，见(3)图1。http:/3Xuk=XM k-1+Kk(Z,-H,Xul-1)(4)Plalk=Pl-I-K,H,Pal-1(5)1.3舟船舶行为特征分析为建立航段内船舶异常行为识别模型，还要考虑各方向航行船舶的对地航速、对地航向、加速度和转向率分布情况。加速度和转向率是为了实现自动辨识船舶运动模式而引入的变量，其计算公式 19 为Ja,=Au/AtLre=A/t将加速度和转向率作为船舶异常行为识别特征指标,并根据各指标概率分布计算船舶异常行为参数阈值，实现船舶异常行为识别。图1宜宜昌铁路大桥上下游航段轨迹分组hyxb (6)42.1轨迹处理为分析三次样条插值算法的准确性,抽取某条轨迹10%的数据进行轨迹还原，结果见图2。根据式(7)计算得到经度、纬度和速度的误差分别为0.000 046 8,0.000 031 4和 0.0 52 kn。1入-入；81二式中,不加下标的是真实值,加下标的是计算值。为分析卡尔曼滤波算法的准确性,选取某条含有小范围漂移点（其位置信息不准确或误差较大）的轨迹，对其进行卡尔曼滤波处理，结果如图3所示。由图3可知，有2 个位置异常点被优化修正。由轨迹插值和滤波处理结果可知,所用的插值和滤波算法能较好地还原船舶实际航行轨迹。30.672位置异常点30.66430.664F30.65630.656F(。)/粉30.64830.640原始点30.632插值点采样点30.6241i1.31111.32111.33111.34111.35图2 船舶轨迹插值结果2.2各方向船舶行为分析对航段内轨迹数据进行统计得到，2 0 2 1年12月在宜昌铁路大桥上下游航段沿东南、西北方向的参数东南方向加速度/(kn/s)下限-1.08 10-2 上限9.17 10-3由表1可知：在东南方向，处于正常航行状态的船舶的加速度区间为-1.0 8 10-,9.1710-3kn/s;在西北方向,处于正常航行状态的船舶的加速度区间为-6.6 7 10-3,6.6 7 10-3kn/s;在东南方向,处于正常航行状态的船舶的转向率区间为-1.37 10-1,1.4410-（)/s;在西北方向,处于正常航行状态的船舶的转向率区间为-2.37 10-1,2.39 10-()/s。2.3异常检测依据上述船舶异常行为检测方法对6 46 1条轨http:/hyxb 上海海事大学学报航行轨迹分别占44.2 2%和55.7 8%，整体航向分布见图4，各方向航行船舶的速度分布见图5。东南方向航行船舶的平均速度为8.55kn,高于西北方向航行船舶的平均速度4.2 2 kn,这主要是因为船舶在东南方向是顺流航行而在西北方向是逆流航行。此外，考虑到船舶速度变化率（即加速度）、转向率能 I-4:1反映船舶航行过程中的运动行为变化情况，按航行n82-Vi=183=经度/)第44卷n方向统计并绘制了船舶加速度和转向率分布的箱线图,见图6。25东南方向(7)20一西北方向n151050100150200250300350航向/）图4船舶航向分布-25%75%115倍四分位距内的范围中位线0.03r均值异常值30.6720.02(s/uv)/率:a40.010-0.01位置异常点-0.0230.648-0.0330.640F30.632AIS轨迹卡尔曼滤波优化轨迹30.624111.31111.32111.33111.34111.35图3舟船舶轨迹滤波结果表1船舶的加速度和转向率阈值西北方向加速度/(kn/s)东南方向转向率/（)/s）-6.67 10-3-1.37 10-16.67 10-31.44 10-1迹进行检测,检测出东南方向和西北方向的异常轨迹分别为2 2 条和9 0 条，异常率为1.7 3%。船舶异常轨迹见图7。以某艘沿西北方向航行、MMSI为413823981的船于2 0 2 1年12 月6 日9:53:2 7 10:11:37存在的异常行为为例,通过判断该船航行过程中各时刻的加速度和转向率是否超出其阈值来进行异常行为检测。图8 为该船出现异常行为的轨迹段。从图9 可明显看出该轨迹段内加速度、转向率均有超出阈值的情况。结果表明，本文提出的船舶异常行为检测方法能检测出相较于常规运动加速东南方向(,01x)/鲁学件口西北方向50图5船舶速度分布-25%75%0.6集115倍四分位距内的范围中位线(s/(.)/本转：0.3异常值02-0.3-0.6东南方向西北方向(a）加速度分布图6 船舶加速度、转向率分布经度/）设置时间间隔t为6 0 s,根据式(6)计算船舶的加速度和转向率。根据船舶的加速度和转向率分布可估计出船舶正常加速和转向规律。采用四分位异常值检测方法计算船舶的加速度、转向率阈值，见表1。48121620速度/kn东南方向西北方向(b)转向率分布西北方向转向率/（)/s)-2.37 10-12.39 10-1第2 期图7船舶异常轨迹图8 舟船舶异常行为检测样例0.06r2.0斤1.5(s/(.)/本鸟转0.03(s/u)/:400.03-0.06-0.090(a）加速度变化图9 船舶运动状态变化情况度较大、转向率较大的船舶异常行为。3结束语本文提出一种基于AIS数据的桥区水域船舶异常行为检测方法。该方法利用三次样条插值和卡尔参考文献：1】刘雷船舶通过内河桥梁航行安全探讨 J中国海事，2 0 2 1（10）：42-44.D0I：10.16 8 31/j.c n k i.is s n 16 7 3-2 2 7 8.2 0 2 1.10.0 15.2 TU E,ZHANG G H,RACHMAWATI L,et al.Exploiting AIS data for intelligent maritime navigation:a comprehensive survey J.IEEETransactions on Intlligent Transportation Systems,2016,19(5):1559-1582.DOI:10.1109/TITS.2017.2724551.【3何帆，何正伟，杨帆，等基于电子海图的船舶异常行为识别方法研究 J.武汉理工大学学报（交通科学与工程版），2 0 19，43（4）：631-636.4 AARSAETHERK G,MOAN T.Estimating navigation patterns from AISJ.Journal of Navigation,2009,62(4):587-607.DOI:10.1017/S0373463309990129.5 ETIENNE L,DEVOGELE T,BOUJU A.Spatio-temporal trajectory analysis of mobile objects following the same itineraryJ.The InternationalArchives of the Photogrammetry Remote Sensing and Space Information Science,2012,38:86-91.6J PALLOTTA G,VESPE M,BRYAN K.Vessel pattern knowledge discovery from AIS data:a framework for anomaly detection and route predictionJ.Entropy,2013,15(6):2218-2245.D0I:10.3390/e15062218.7 RONG H,TEIXERIRA A P,SOARES C G.Data mining approach to shipping route characterization and anomaly detection based on AIS dataJ.Ocean Engineering,2020,198:106936.D0I:10.1016/j.oceaneng.2020.106936.8J RISTIC B,SCALA B L,MORELANDE M,et al.Statistical analysis of motion patterns in AIS data:anomaly detection and motion predictionC/2008 11th International Conference on Information Fusion.IEEE,2008:1-7.【9 向琛基于孤立森林算法的船舶异常行为集成检测 D大连：大连海事大学，2 0 2 0.10 CHEN Z J,XUE J,WU C Z,et al.Classification of vessel motion pattern in inland waterways based on Automatic Identification SystemJ.Ocean Engineering,2018,161:69-76.D01:10.1016/j.oceaneng.2018.04.072.11 ZHOU Y,DAAMEN W,VELLINGA T,et al.Ship classification based on ship behavior clustering from AIS dataJ.Ocean Engineering,2019,175:176-187.D01:10.1016/j.oceaneng.2019.02.005.12 SUN F M,DENG Y,DENG F,et al.Unsupervised maritime traffic pattern extraction from spatio-temporal dataC/2015 11th InternationalConference on Natural Computation.IEEE,2015:1218-1223.13姜佰辰，关键，周伟，等海上交通的船舶异常行为挖掘识别分析 J计算机仿真，2 0 17，34（6）：32 9-334.黄谊文，等：桥区水域船舶异常行为检测：加速度上限1.0加速度下限0.50-0.5-1.0%19202.880960时间/s5曼滤波算法对轨迹数据进行插值和去噪，然后从处理后的AIS轨迹数据中提取船舶加速度、转向率的值,利用该阈值构建船舶异常行为识别模型,实现船舶异常变速和异常转向行为检测。基于宜昌铁路大桥上下游航段2 0 2 1年12 月的AIS数据,分别分析沿东南、西北方向航行船舶的运动特征。统计分析表明，该研究水域内沿东南方向航行船舶的平均速度高于沿西北方向航行船舶的平均速度,这主要是河流流速流向作用的结果。考虑到沿不同方向航行的船舶的运动规律的差异，针对转向率上限船舶加速度和转向率进行分析，分别得到沿东南方向和西北方向航行的船舶的加速度、转向率阈值。转向率下限1960元1.9 2 02880J0时间/s(b)转向率变化通过该值对轨迹数据进行异常检测，识别出船舶异常行为。本文船舶异常行为检测方法能扩展至更多水域的船舶异常行为检测中。然而,本文未考虑在丰水期、平水期和枯水期等不同时期河水流量、流速变化对船舶航行行为的影响,后续研究将结合水域水文和地貌因素对船舶异常行为参数值分情况讨论；本文仅对异常行为做出识别，未对船舶出现异常的原因进行进一步分析,后续可在此方面进行研究。(下转第8 2 页）http:/hyxb 82【3 李建永，张卓义天津港水域影响航标效能因素分析及对策研究J中国水运，2 0 2 1，2 1（4）：11.【4李文锋，柴田厦门湾水域航标效能定量评估的应用研究J青岛远洋船员职业学院学报，2 0 17，38（1）：39-42.【5谢俊奎某大型灯塔航标效能和电源配置的计算和选择J中国水运，2 0 19（4）：42-43.D0I：10.136 46/j.c n k i.42-139 5/u.2019.04.017.【6】朱景鹏浅谈新形势下航标遥测遥控在提升航标管理效能方面几点思考J中国水运，2 0 19，19（6)：49-50.【7】张小才，赵丽宁，郭飞基于航标效能的内河航标分级方法及应用J上海海事大学学报，2 0 15，36（3）：2 4-2 8.D0I：10.13340/j.jsmu.2015.03.005.【8 王焕新，刘正江.基于N-K模型的海上交通安全风险因素耦合分析J.安全与环境学报，2 0 2 1，2 1（1）：56-6 1.DOI：10.136 37/j.i s s n.1009-6094.2019.1683.【9】王念纤我国科技创新与产业发展的耦合机制研究D保定：河北大学，2 0 18.10姜宁基于风险耦合的交通安全应急管理系统研究D武汉：武汉理工大学，2 0 11.11】薛晔，刘耀龙，张涛涛，耦合灾害风险的形成机理研究J自然灾害学报，2 0 13，2 2(2）：44-50.12 KAUFFMAN S,LEVIN S.Towards a general theory of adaptive walks on rugged landscapesJ.Journal of Theoretical Biology,1987,128(1):11-45.13岳仁田，李君尉.基于多因素耦合的航空运输系统脆弱性分析J中国安全生产科学技术，2 0 2 0，16（12）：150-156.D0I：10.117 31/j.issn.1673-193x.2020.12.024.14杨婷，帅斌，黄文成基于N-K模型的道路危险品运输系统耦合风险分析J中国安全科学学报，2 0 19，2 9（9）：132-137.D0I：10.16265/ki.issn1003-3033.2019.09.021.15朱敬宇，陈国明，孟祥坤，等基于N-K模型的深水井喷事故耦合风险分析J中国海上油气，2 0 2 0，32（5）：18 2-18 7.D0I：10.11935/j.issn.1673-1506.2020.05.023.16 FLEMING L,SORENSON O.Technology as a complex adaptive system:evidence from patent dataJ.Research Policy,2001,30:1019-1039.3535353333333333353333333333535353353333333533(上接第5 页）14】周鹏，陈金海，林乾锋，等.基于AIS的轨迹插值方法J集美大学学报（自然科学版），2 0 18，2 3（6）：443-447.D0I：10.197 15/j.jmuzr.2018.06.07.15 DU H R,XIAO Y A,DUAN L Y,et al.An algorithm for vessels missing trajectory restoration based on polynomial interpolation CJ/2017 4thInternational Conference on Transportation Information and Safety.IEEE,2017:825-830.16】徐铁，蔡奉君，胡勤友，等.基于卡尔曼滤波算法船舶AIS轨迹估计研究J现代电子技术，2 0 14，37(5：97-10 0.17 FARAGHER R.Understanding the basis of the Kalman filter via a simple and intuitive derivationJ.IEEE Signal Processing Magazine,2012,29(5):128-132.D0I:10.1109/MSP.2012.220362.18】廉保旺，张怡，李勇，等.UTM坐标转换成大地坐标系的算法研究J弹箭与制导学报，1999(3)：15-19.19】马文耀，吴兆麟，李伟峰，等.AIS数据中单船操纵模式辨识J中国航海，2 0 17，40（4)：51-55.上海海事大学学报第44卷(编辑赵勉)(编辑赵勉)http:/hyxb