桂林电子科技大学 广西桂林 541000
随着航运业的迅速发展，水上交通越发繁荣，水路运输已经成为一种重要的交通运输方式。然而，相比道路交通来说，水上交通具有明显的不确定性、多变性等不利特征，比如河口回淤、航道水面瞬息涨落等导致船舶沉船、触礁、搁浅等事故，因此，水上交通的研究更加复杂。在水上交通的研究领域中，船舶安全航行水深一般通过电子海图获得，但是电子海图的水深数据更新较慢，使得真实的安全航行水深预测困难，这对船舶航行带来了安全隐患，因此，对于船舶的安全航行来说，研究航道的水深情况意义重大。
目前，长江航道中触礁事故在长江所有事故中占10％，搁浅在长江所有事故种类中占17％，也就是说，由于航道水深不足导致的事故共计占27％。在实际的航行过程中，由于洪水冲刷、回淤，航道水面瞬息涨落等因素的影响，航道水深具有明显的不确定性。尽管海事部门为了保证海图资料和航道信息的正确率采取了很多措施，但是海图测量更新速率慢，航道真实的水深数据很难及时地查看，从而对船舶航行安全造成很大的隐患。鉴于船舶自动识别系统（Automatic Identification System，AIS）已经越来越多的安装在各类船舶上，因此产生了大量的AIS数据。其动态数据完整的记录了整个船舶航行过程中的行为特征，静态数据也提供了船舶的吃水深度，船长船宽等有效信息。这些历史船舶航行数据以及船舶静态数据为我们快速推理和挖掘水深信息提供了数据基础。
随着船舶自动识别系统（Automatic Identification System，AIS）的广泛应用，AIS成为研究水路交通的重要工具。其中，将AIS数据用于提高水路交通安全性的研究也越来越多。林祎珣等运用数据挖掘方法对船舶AIS数据进行处理，分析了不同船舶之间的时间间隔和船舶在特定航段的流量，用于了解船舶航行安全和调度相关的知识，提高了水路交通的安全性，并且带了良好的经济效益与社会效益[1]；郑滨等将数据挖掘技术应用于水上交通流研究中，并且就AIS数据挖掘在航运方面的应用范围和应用深度进行了说明[2]；Rhodes等通过人工神经网络，对AIS数据进行模型训练，从而识别航道中的异常船舶轨迹[3]；孟范立通过AIS数据挖掘建立船舶到达规律模型[4]；Pallotto等通过AIS数据来检测异常的交通情况并对船舶的航行轨迹进行预测[5]；Pan等通过对AIS数据建立可视化模型对船舶交通情况进行判断[6]；Tu等提出了一种基于AIS数据的智能海事导航的方法，通过对AIS数据来源和导航的相关方面进行调查，从而将数据用于航海安全[7]；Goldsworthy提出了一种通过AIS数据来计算船舶废气排放的方法[8]；Hansen等提出一种通过AIS数据计算船舶领域的方法，建立了与导航距离相关的经验性最小船舶领域[9]。
针对航道水深的研究，Su等提出了一种基于多光谱卫星图像的方法对水域的水深进行预测，相比传统的逻辑回归方法，该方法具有更高的预测准确性[10]；Younis等提出了一种粗糙复合航道中的渐进水深预测方法，通过对一维的预测方法进行分析表明，该方法具有较高的准确率[11]；Kisi等提出了一种基于小波和模糊神经的方法对水深进行预测，试验结果表明：小波神经模糊模型的表现优于传统的神经模糊模型，水深预测的准确率更高[12]；侯朋等采用单片机与FPGA相结合的电路设计方案，提出了一种基于双基地声纳的港口航道水深实时监测系统，对狭窄航道的水深实时监测具有很高的应用价值[13]；吴建华等基于水深探测仪和AIS设备，提出了一种航道水深实时监控系统，从而实现水深的实时监控功能。
本系统基于以下过程展开：
（1）构建船舶行为特征数据集
对AIS数据进行解码，分析动态数据和静态数据的匹配性，对于AIS数据进行解析和预处理，检查数据的重复性，并且通过一系列的数据清洗工作，剔除AIS数据中冗余以及无效的数据。利用python脚本语言将数据清洗后的AIS静态信息数据与动态数据合并，以便后续研究。利用聚类算法将AIS数据中船舶静态吃水数据进行点聚类，得到安全航行区域船舶分类。
（2）建立船舶缺失航行轨迹补全模型
将船舶缺失轨迹数据分为俩段：一段为直线航行时的数据缺失；一段为曲线航行时的轨迹缺失。直线时采用插值方法。曲线段采用神经网络模型，该网络将船舶行为特征数据作为训练集进行训练。
在线生成安全航行区域图
基于已有电子海图开发平台，将船舶轨迹利用凸包理论绘制得到的水深区域图与电子海图相叠加，得到不同类型船舶航行安全区域图，提高可视化与操作性。
本项目拟通过数据挖掘技术，基于AIS数据中静态吃水深度与动态数据中的船舶行为特征数据进一步研究。通过监督学习以及无监督学习挖掘海量的AIS数据中吃水深度与安全航行区域的关系，从而提出一种基于AIS数据快速推理与挖掘水深数据信息，并且在线生成的方法。希望解决传统电子海图水深数据更新不及时，标识船舶的可安全航行区域，对船舶的航行起到警示作用。
同时，本项目采用理论方法与实践相结合的技术路线。首先对AIS数据进行解析以及预处理，接着对于AIS中出现的轨迹缺失片段数据进行插值以及搭建transform网络补全。同时对于静态数据中缺失的船舶吃水深度根据船舶种类的不同分别搭建神经网络进行预测。利用k-means聚类算法依据船舶吃水深度点聚类处理，达到船舶分类的目的。最后利用凸包理论构建船舶航行区域，同时将安全航行区域图在已有电子海图平台上在线生成显示，增强可视化效果。
1、 构建船舶行为特征数据集
由于各种环境因素影响，所以AIS数据集中存在许多异常数据，其中最主要的出现在船舶动态数据当中。本项目当中拟通过以下四种规则来筛选不准确数据：
(1) 不合理的停止移动
如果
.png)
点的速度高于2节，但坐标、速度和航向与
.png)
点相同，则应删除
.png)
点数据。
(2) 不可能的高速移动
由于动力发动机和航行规则的限制，内河船舶的航速小于16节。因此，AIS数据的正确航速范围为0-16节。
(3) 漂移轨迹点
当轨迹点偏离时，偏离点与相应轨迹点之间的距离也将增加。因此，平均速度也会增加。如果平均速度超过船的最大速度，跟踪点将被认为是错误的数据。
(4) 不合理的加速
根据内河船舶的设计规范，船舶从零加速到设计速度的距离是船舶长度的20倍。当船是空的时，距离减少到原来距离的1/2~2/3倍。要获得最大加速度，最小距离值为船长的10倍。
剔除错误的AIS系统数据后，我们可以得到正确的AIS系统序列。但是，原始AIS数据将会部分丢失，需要对其进行修复以获得完整和正确的数据。根据AIS协议，甲类船舶站的时间间隔不超过10秒，乙类船舶站的时间间隔不超过30秒。在修复AIS数据的过程中，需要根据时间间隔对数据进行插值，最大时间间隔为10秒到30秒。
2.建立船舶缺失航行轨迹补全模型
船舶航行轨迹一般根据实际情况可以分成三种：第一种为直线型的航行轨迹；第二种为曲线型航行轨迹，第三种为曲线与直线结合的航行轨迹。
基于实验室已有电子海图平台，将分类以后的船舶行为特征数据分别输入到平台当中，利用凸包技术将同一类船舶轨迹点相连，得到安全航行水深区域图，将不同类别的安全水深航行区域图叠加，最终与实际电子海图相叠加，得到船舶安全航行水深参考图
参考文献：
[1]林祎珣.数据挖掘技术在海上交通特征分析中的应用研究[D].厦门：集美大学，2011
[2]郑滨，陈锦标，夏少声，等.基于数据挖掘的海上交通流数据特征分析[J].中国航海，2009，32（1）：60-63，90
本文是2020年广西大学生创业训练“AIS船舶安全航行水深探测系统”（项目编号202010595314）项目成果