CN110009937A

CN110009937A - 一种基于ais数据的船舶碰撞风险分析方法

Info

Publication number: CN110009937A
Application number: CN201910216259.2A
Authority: CN
Inventors: 刘�文; 孙鹏; 徐淑高; 刘钊; 梁茂晗; 刘敬贤
Original assignee: Wuhan University of Technology WUT
Current assignee: Wuhan University of Technology WUT
Priority date: 2019-03-21
Filing date: 2019-03-21
Publication date: 2019-07-12
Anticipated expiration: 2039-03-21
Also published as: CN110009937B

Abstract

本发明公开了一种基于AIS数据的船舶碰撞风险分析方法，首先基于历史AIS数据，在标准船舶选取和转换的基础上，采用密度聚类算法建立船舶碰撞风险的热度图，实现船舶碰撞风险的时空可视化；然后基于实时AIS数据，在船位场、航向场和航速场的基础上，构建区域船舶碰撞风险评判模型，运用高斯核函数核密度估计算法提出动态船舶碰撞风险可视方法，实现区域船舶碰撞风险的实时更新。本发明基于历史AIS数据，实现船舶碰撞风险的时空可视化，实现了复杂的抽象的船舶交通流多属性信息进行有效挖掘融合后直观形象的呈现，便于驾营人员直观的获取船舶所处的环境的风险等级，进而提高自己的警觉性以及采取合理的操纵措施，保障了船舶的安全营运。

Description

一种基于AIS数据的船舶碰撞风险分析方法

技术领域

本发明属于交通运输安全技术领域，涉及一种船舶碰撞风险分析方法，具体涉及一种基于AIS数据的船舶碰撞风险分析方法。

背景技术

交通运输系统是社会经济发展的基础，是人类文明的标志，是国家进行资源配置和宏观调控的重要工具，促进了社会分工以及大工业发展和规模经济的形成，扩大了国际间经贸合作和人员的往来，对保障国民经济持续健康快速发展、改善人民生活、促进国土开发和国防现代化建设，具有十分重要的意义。水路交通则是交通运输的重要组成部分，随着我国经济的持续快速发展，我国水上货运量和货物周转量持续上升，水上交通事业蓬勃发展，体现出水上交通在交通运输中占据着重要组成部分。

近年来，随着船舶自动识别系统(Automatic Identification System，AIS)的普及，标志着船舶交通数据统计的研究开始进入了大数据时代。AIS是一种用于船舶之间、船岸之间自动应答和识别的船舶避碰系统，由AIS船台和AIS岸站系统组成。船舶AIS信息包括船舶的静态信息和船舶的动态信息两方面的内容，其中静态信息包括：IMO编码、呼号、船名、长度、宽度、吃水、目的港、选用航线计划等；动态信息包括：船位(实时)、航迹向、对地航速、船首向、航行状态、转向率等。AIS信息量丰富，可以为船舶碰撞风险可视化研究提供可靠的研究基础数据。

中国是世界航运大国，已连续15次连任国际海事组织A类理事。目前，中国拥有全球第三大规模的船队，船舶入籍登记数居全球第八。中国港口万吨级以上泊位2317个，亿吨大港数量达到34个；港口货物吞吐量和集装箱吞吐量连续10余年居世界第一。在全球港口货物吞吐量和集装箱吞吐量排名前10名的港口中，中国占有7席。但是，根据统计资料，2012～2016年全国共发生运输船舶一般及以上等级水上交通事故1199件，死亡失踪1214人，沉船626艘，直接经济损失16.99亿元，其中碰撞事故占事故总数52％。可见我国水域的安全形势仍然严峻，而且船舶大型化、专业化和快速化趋势明显，船舶碰撞危险系数在不断增加，事故一旦发生造成的损失也不断加大，对社会的影响也更加恶劣。因此，有效识别出海上事故多发区，对海上风险时空区域进行可视化，从而避免海上船舶碰撞等事故的发生，对于加强海上通航安全、改善现今通航环境至关重要。

正是由于当前水路环境复杂，船舶间碰撞危险形势依旧严峻，解决船舶间碰撞问题刻不容缓。基于AIS数据对船舶航行过程中的碰撞风险进行可视化，可有效判定高风险水域和高风险时段，对优化监管资源布置、优化海事监管模式和高风险区域实时预警具有重要意义。虽然，国内外对基于船舶AIS数据研究船舶碰撞风险已有不少研究，但其大多以历史数据为主，而缺少与实时数据以及预测数据相结合的研究方式，因此该领域相关技术较为薄弱，开展此类研究很有必要。

船舶碰撞风险可视化是对于船舶碰撞风险表征一种重要的方式。船舶碰撞风险可视化是指研究不同时空域标准船舶流量对船舶碰撞风险的影响，采用密度聚类算法建立船舶碰撞风险的热度图，实现船舶碰撞风险的时空可视化。在现实生活中，对船舶碰撞风险可视化的研究有着重要的意义，尤其对于交通流量较大的水域，存在着许多潜在的船舶碰撞风险，比如两艘船舶在狭窄水域交汇，操作不当将导致船舶产生碰撞，而有效的风险可视化技术将客观的反应潜在的风险等级，从而引导驾驶员提高警惕，采取正确的操纵措施。水域交通复杂，水上事故易发，研究该基于AIS数据的船舶碰撞风险可视化研究方法对于船舶安全营运和提高船舶交通管理具有重要的作用。

发明内容

本发明的目的是提供一种船舶碰撞风险可视化分析方法，通过构建船舶碰撞风险可视化模型，识别船舶碰撞高风险的时段和区域，为海事监管科学化发展提供有效的技术支撑。

本发明所采用的技术方案是：一种基于AIS数据的船舶碰撞风险分析方法，其特征在于，包括以下步骤：

步骤1：基于历史AIS数据，在标准船舶选取和转换的基础上，采用密度聚类算法建立船舶碰撞风险的热度图，实现船舶碰撞风险的时空可视化；

步骤2：基于实时AIS数据，在船位场、航向场和航速场的基础上，构建区域船舶碰撞风险评判模型，运用高斯核函数核密度估计算法提出动态船舶碰撞风险可视方法，实现区域船舶碰撞风险的实时更新。

本发明基于历史AIS数据，实现船舶碰撞风险的时空可视化，并进一步运用深度学习理论与神经网络预测区域船舶交通流和时空风险变化。实现了复杂的抽象的船舶交通流多属性信息进行有效挖掘融合后直观形象的呈现，便于驾营人员直观的获取船舶所处的环境的风险等级，进而提高自己的警觉性以及采取合理的操纵措施。船舶碰撞风险动态数据分析基于实时AIS数据，驾营人员可在船位场、航向场和航速场的基础上，实时获取区域船舶碰撞风险，保障了船舶的安全营运。

附图说明

图1为本发明实施例的原理图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

请见图1，本发明提供的一种基于AIS数据的船舶碰撞风险分析方法，包括以下步骤：

具体实现包括以下子步骤：

步骤1.1：网格化研究水域时域和空域；

步骤1.2：标准船舶选取与转换；

通过对历史AIS数据的统计分析，采用某一类船舶的长宽和类型作为标准船舶，然后对其他类型、长、宽、吃水的船舶进行等效化处理转换，得到其他船舶与标准船舶的转换计算标准；

步骤1.3：船舶风险可视化；

在网格化和标准船舶的基础上，不同时间段的标准船舶流量不同，所带来的风险也不同，对时间进行分段处理，对时域上的标准船舶流量进行可视化处理，并实现船舶碰撞风险的时域可视化；根据区域船舶流量的不同，采用密度聚类算法建立船舶碰撞风险的热度图，实现船舶碰撞风险的空域可视化；

步骤1.4：基于AIS历史数据进行风险预测；

对历史AIS数据进一步运用深度学习理论与神经网络算法预测区域船舶交通流，将预测数据展现在电子海图上，实现基于预测数据的船舶碰撞风险的可视化；

本实施例中，神经网络算法，采用的是小波神经网络；

小波神经网络是小波变换与神经网络相结合的产物，是一种以BP神经网络拓扑结构为基础，把小波基函数作为隐含层结点的传递函数，信号前向传播的同时，误差反向传播的神经网络。

相比于其他神经网络，小波分析具有良好的时频局部性质,而神经网络具有自学习功能和良好的容错能力,将二者结合具有强大的优势。小波神经网络具有结构更简单、收敛速度快、仿真精度高的优点。

具体实现包括以下子步骤：

步骤2.1：建立船舶碰撞风险评判模型；

基于对实时船舶AIS轨迹数据的分析与处理，得到船舶运动过程中的航向、位置、航速和船舶尺度信息；分析船舶在所研究区域内的运动模式，通过确定航向、位置、航速和船舶尺度信息对船舶碰撞风险的影响程度，构建区域船舶碰撞风险评判模型；

构建区域船舶碰撞风险评判模型，具体实现包括以下子步骤：

(1)确定船舶的安全领域，所述船舶安全领域为船舶为保持安全航行时，本船舶与他船之间保持的安全间隔范围，该范围内绝不允许其他船舶的侵犯；

(2)基于船舶安全领域的定义范畴，结合船舶所处的自然水域环境及船舶交通流特征，确定船舶安全领域的边界及公式；

(3)以船舶安全领域中的不同区域相对船舶方位和距离以及船舶的航速，尺度信息作为自变量，分别分析确定各区域船舶碰撞风险与其对应自变量的函数关系；

(4)结合历史AIS数据对所建船舶碰撞风险评判模型相关参数(包括：1，航向改变量的加权因子，2、船舶所在地理位置交通流量的加权因子，3、船舶轨迹距航道中线垂直距离加权因子，4、船舶航速加权因子，5、船舶尺度(长度，宽度，吃水)加权因子)进一步的修正；

步骤2.2：动态船舶碰撞风险可视化；

通过核密度估计算法对对研究水域的船舶船位场、航速场和航向场进行统计推断建模，然后将船舶航迹进行光栅化处理为KDE矩阵，以核密度函数为基础绘制出习惯性航路，在此基础上融入船舶AIS轨迹中的航向与航速的信息，从而完成船舶船位场、航速场、航向场的融合推断建模，实现动态船舶碰撞风险可视化；

本实施例中核密度估计算法为：设在定义域R(x₁,x₂,…,x_n)为独立的同分布随机变量，它所服从的分布密度函数为f(x)，并且定义函数为：

式中f′_n(x)称为密度函数f(x)的核密度估计，其中K(0)为一维核函数，h为预先定义的光滑参数；

依据船舶在研究水域内二维的观测数据，(x_i,y_i)ⁿ表示船舶在第i个样本上的经纬度坐标，故核密度函数估计表达式如下：

其中，x、y分别是船舶实时的经纬度信息；

再结合高斯公式最后得如下函数表达式：

其中，h₁、h₂分别是对经纬度参数预先设定的光滑参数；

本实施例的历史及实时AIS数据的概念是：具体数据包括船舶的静态信息和船舶的动态信息两方面，其中静态信息包括：IMO编码、呼号、船名、长度、宽度、吃水、目的港、选用航线计划等；动态信息包括：船位(实时)、航迹向、对地航速、船首向、航行状态、转向率等。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims

1.一种基于AIS数据的船舶碰撞风险分析方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于AIS数据的船舶碰撞风险分析方法，其特征在于，步骤1的具体实现包括以下子步骤：

步骤1.1：网格化研究水域时域和空域；

步骤1.2：标准船舶选取与转换；

步骤1.3：船舶风险可视化；

步骤1.4：基于AIS历史数据进行风险预测；

对历史AIS数据进一步运用深度学习理论与神经网络算法预测区域船舶交通流，将预测数据展现在电子海图上，实现基于预测数据的船舶碰撞风险的可视化。

3.根据权利要求2所述的基于AIS数据的船舶碰撞风险分析方法，其特征在于：步骤1.4中所述神经网络算法，采用的是小波神经网络；

所述小波神经网络是小波变换与神经网络相结合的产物，是一种以BP神经网络拓扑结构为基础，把小波基函数作为隐含层结点的传递函数，信号前向传播的同时，误差反向传播的神经网络。

4.根据权利要求1所述的基于AIS数据的船舶碰撞风险分析方法，其特征在于，步骤2的具体实现包括以下子步骤：

步骤2.1：建立船舶碰撞风险评判模型；

所述构建区域船舶碰撞风险评判模型，具体实现包括以下子步骤：

(4)结合历史AIS数据对所建船舶碰撞风险评判模型相关参数进一步的修正，所述相关参数包括航向改变量的加权因子、船舶所在地理位置交通流量的加权因子、船舶轨迹距航道中线垂直距离加权因子、船舶航速加权因子和船舶尺度加权因子；

步骤2.2：动态船舶碰撞风险可视化；

通过核密度估计算法对对研究水域的船舶船位场、航速场和航向场进行统计推断建模，然后将船舶航迹进行光栅化处理为KDE矩阵，以核密度函数为基础绘制出习惯性航路，在此基础上融入船舶AIS轨迹中的航向与航速的信息，从而完成船舶船位场、航速场、航向场的融合推断建模，实现动态船舶碰撞风险可视化。

5.根据权利要求2所述的基于AIS数据的船舶碰撞风险分析方法，其特征在于：步骤2.2中所述核密度估计算法，设在定义域R(x₁，x₂，...，x_n)为独立的同分布随机变量，它所服从的分布密度函数为f(x)，并且定义函数为：

依据船舶在研究水域内二维的观测数据，(x_i，y_i)ⁿ表示船舶在第i个样本上的经纬度坐标，故核密度函数估计表达式如下：

其中，x、y分别是船舶实时的经纬度信息；

再结合高斯公式最后得如下函数表达式：

其中，h₁、h₂分别是对经纬度参数预先设定的光滑参数。

6.根据权利要求1-5任意一项所述的基于AIS数据的船舶碰撞风险分析方法，其特征在于：步骤1中所述历史AIS数据和步骤2中所述实时AIS数据，均包括船舶的静态信息和船舶的动态信息；所述静态信息包括IMO编码、呼号、船名、长度、宽度、吃水、目的港、选用航线计划；所述动态信息包括实时船位、航迹向、对地航速、船首向、航行状态、转向率。