CN113626929A

CN113626929A - 多阶段多拓扑的船舶交通复杂度度量方法及系统

Info

Publication number: CN113626929A
Application number: CN202110768884.5A
Authority: CN
Inventors: 刘克中; 辛旭日; 吴晓烈; 余庆; 刘炯炯; 王伟强; 袁志涛
Original assignee: Wuhan University of Technology WUT
Current assignee: Wuhan University of Technology WUT
Priority date: 2021-07-07
Filing date: 2021-07-07
Publication date: 2021-11-09
Anticipated expiration: 2041-07-07
Also published as: CN113626929B

Abstract

本发明公开一种多阶段多拓扑的船舶交通复杂度度量方法，包括基于船舶运动的不确定性特征和动态特征进行船舶运动预测，并在所述船舶运动预测基础上结合冲突定义进行冲突概率计算；基于两船冲突概率构建船舶交通网络，并依据船舶交通网络的拓扑特征及演化特性，进行交通复杂度建模；基于改进的FCI算法对交通复杂度进行评估。本发明还提供一种系统。本发明同时考虑了船舶交通网络的拓扑和演化特性以及船舶运动的不确定性，通过提出一套系统化的船舶交通复杂度度量方法以感知复杂水域中的交通状况，将船舶运动预测、概率冲突计算、交通复杂度建模与评估有效地结合起来，实现了对交通复杂度的细粒度与层次化评估。

Description

多阶段多拓扑的船舶交通复杂度度量方法及系统

技术领域

本发明属于交通运输安全技术领域，具体涉及一种多阶段多拓扑的船舶交通复杂度度量方法及系统。

背景技术

海上交通安全一直是最重要的研究领域之一，这是由于海上事故的出现将导致不可容忍的后果，包括生命损失、财产损失和环境污染等。过去几十年的经济全球化导致航运量迅速增加，使得海上交通更加繁忙、风险更高、更复杂，特别是在受限水域等热点区域。这给海事监管人员，特别是在交通量大、船舶运动行为复杂多变的航道和港口地区进行船舶交通监管的人员带来了巨大的监督和管理压力。在现实中，确保船舶交通安全航行、在侦测到碰撞风险时及时发送预警、协助船员进行路径规划和冲突消解等是海上监管人员的主要工作任务。尽管现有的技术和系统包括船舶交通服务(VTS)系统、陆地雷达、智能交通信号系统在帮助操作和控制人员监测和管制海上交通动态方面起了很大的作用，但船舶时空运动不确定性的增加使它们在实际应用中仍存在一些不足。先进的技术可以使得监管人员更好地了解交通状况，增强海上交通态势感知能力。这也导致对能便于提前感知即将到来的交通状况并作出决策进行主动监管潜在碰撞风险的新技术的迫切需求。

海上交通状况的定量分析和评估是实现海上交通态势感知的基本功能之一，因此对海上交通安全至关重要。自动识别系统(AIS)的迅速发展，有助于获取丰富的船舶轨迹信息，指导和改进船舶碰撞风险分析与评估。随着数据采集、存储和处理水平的提高，AIS数据的一些先进的应用已经扩展到更广泛的领域，并涉及多种学科。基于AIS数据的海上交通分析，使得分析“船舶交通复杂度”的特征成为可能并在最近兴起。它为交通管制人员了解海上交通状况和进行交通状况感知提供服务，为促进海上交通安全管理和支持交通态势预警提供了新手段。然而，如何将基于AIS的航迹信息有效地集成到实时船舶交通态势估计与评估中仍然是一个挑战。具体而言，一个旨在全面了解交通状况的先进模型需要综合考虑船舶运动的时空动态和不确定性，船间碰撞风险相关的相互作用关系，以及与船间的时空接近关系相关的拓扑和演化特征。因此，在智能交通支撑系统的发展背景下，建立一个可靠的船舶交通状况预测与评估模型是一个具有挑战性的研究课题。

公开号CN112966332A的中国专利于2021年6月15日公开了一种基于多船运动不确定性的冲突侦测方法，通过对AIS数据中的轨迹不确定性分布进行量化，考虑船舶运动的时空相关模式，预测各种多船会遇局面下的潜在碰撞风险。结果表明，该方法能够在复杂的动态环境中及时、可靠地侦测出碰撞风险。为船舶碰撞风险预测以及风险缓解措施的制定提供了有价值的见解。该专利申请量化了船与船之间的冲突严重度，但不能提供船舶交通复杂度的评价框架，不能为交通复杂度模式提供细粒度和层次化的描述。

发明内容

为克服上述现有技术的不足，本发明提供一种多阶段多拓扑的船舶交通复杂度度量方法及系统，解决现有船舶交通网络的复杂度评价框架缺乏实用性和可配置性且依赖于评估标准的问题。

根据本发明说明书的一方面，提供一种多阶段多拓扑的船舶交通复杂度度量方法，包括：

基于船舶运动的不确定性特征和动态特征进行船舶运动预测，并在所述船舶运动预测基础上结合冲突定义进行冲突概率计算；

基于两船冲突概率构建船舶交通网络，并依据船舶交通网络的拓扑特征及演化特性，进行交通复杂度建模；

基于改进的FCI算法对交通复杂度进行评估。

上述技术方案中，所提出的概率冲突侦测方案嵌入了对船舶时空运动动态性和不确定性的考虑，可有效地量化船舶之间的冲突概率；通过量化多船相互作用的拓扑特征，结合其演化趋势，建立了一个基于多阶段、多拓扑结构的船舶交通复杂度模型，以对交通状况进行了全面的描述；构建的时空状态矩阵考虑了基于冲突的拓扑度量和冲突严重度随时间的动态演化，能对交通状况进行精确的分析；此外，针对交通复杂度矩阵的评估问题，提出了一种基于改进FCI的评估方法，以便于监控人员识别交通状况，该评估方法具有实用性和可配置性，因为它能够为交通复杂度模式提供细粒度和层次化的描述，并且能够在不依赖于评估标准的情况下实现主观知识和客观信息的融合。

作为进一步的技术方案，当交通复杂度较大时，进行关键节点辨识，识别对整个交通局面有重要影响的船舶。关键节点识别是在评估以后的进一步的工作，是在测量交通复杂度比较大的时候，识别对整个交通局面有重要影响的船舶，通过对其进行控制或运动模式调整，从而缓解整个交通复杂度，是复杂度评估之后的一个控制手段。

作为进一步的技术方案，每一船舶作为一节点，基于两船之间的冲突关系确定两船之间是否有一条边：如果两船之间的冲突概率超过设定的安全阈值，则两船通过一条边连接且对应边的权重设置为等于两船的冲突概率。

作为进一步的技术方案，船舶交通网络的拓扑特征包括节点数量、边的数量、强度、簇族、K壳和最大子单元。对船舶交通网络进行评价，需要选择既能适应船舶交通基本特征，又对网络表现具有较高代表性的指标。在此基础上，选取了前述六个典型的交通网络结构表征指标。

作为进一步的技术方案，在进行交通复杂度建模时，进一步包括：建立二维时空状态矩阵作为交通状态矩阵，用行向量来描述交通状况的演化趋势，用列向量来量化相应的拓扑特征。

作为进一步的技术方案，在建立二维交通状态矩阵的基础上，引入加权欧氏距离度量，通过结合时间加权矩阵和空间加权矩阵，定义不同交通状态矩阵之间的距离，通过距离度量来量化不同交通状态矩阵之间的距离。

作为进一步的技术方案，对交通复杂度进行评估进一步包括：

步骤1，样本提取、预处理和归一化；根据研究水域的真实AIS航迹数据，提取船舶交通复杂度状态矩阵的样本数据集；然后将复杂度状态矩阵转化为向量形式，从而构造矩阵A；之后，将矩阵A标准化为矩阵R以执行FCI；

步骤2，参数初始化；初始化参数包括精度ε₁和ε₂、待优化变量维数d、最大迭代次数G、种群总体规模NP、复杂模式数量c；

步骤3，利用GMCLS-MFO搜索最优指标权重向量；

步骤4，利用FCI返回最优模糊聚类矩阵U和最优聚类中心矩阵S；

步骤5，确定复杂度模式的最佳数量；首先确定c的范围；然后对于每个簇数量，重复执行步骤2到步骤4，并计算相应的CH指标；进一步根据CH指标确定最优c；

步骤6，输出评估结果；使用以下两个指标来评估每个交通复杂度样本，

其中

表示第j个样本的复杂度模式/等级，是基于样本的最大隶属度来确定的；

表示其复杂度值，是根据归一化网络复杂度指标的加权和来确定的；u_kj是样本j属于类别k的相对隶属度，R_j表示第j个样本的正态化指标向量，w表示相应指标的权重向量。

作为进一步的技术方案，进行关键点识别进一步包括：

计算给定时刻具有n_t个节点的船舶交通网络的复杂度值，用

表示；

在删除第q个节点后重构船舶交通复杂度网络，并计算出其余n_t-1节点对应的复杂度值，用

表示；

求出

与

的差值，定义为

根据

的值确定关键节点，较高的

值表示该节点对整个交通复杂度的影响较大。

根据本发明说明书的一方面，提供一种多阶段多拓扑的船舶交通复杂度度量系统，包括：

船舶冲突侦测模块，用于基于船舶运动的不确定性特征和动态特征进行船舶运动预测，并在所述船舶运动预测基础上结合冲突定义进行冲突概率计算；

交通复杂度建模模块，用于基于两船冲突概率构建船舶交通网络，并依据船舶交通网络的拓扑特征及演化特性，进行交通复杂度建模；

交通复杂度评估模块，用于基于改进的FCI算法对交通复杂度进行评估、交通复杂度建模模块和交通复杂度评估模块。

作为进一步的技术方案，所述系统还包括关键节点辨识模块，用于在交通复杂度较大时，识别对整个交通局面有重要影响的船舶。

与现有技术相比，本发明的有益效果在于：

(1)本发明提供一种方法，通过船舶冲突侦测得到两船之间的冲突概率，通过冲突概率构建船舶交通网络，并依据船舶交通网络的演化特性及拓扑特征构建交通复杂度，通过改进的FCI算法对构建的交通复杂度进行评价，帮助海上监管人员更好地理解实际交通状况；本发明方法同时考虑了船舶交通网络的拓扑和演化特性以及船舶运动的不确定性，将船舶运动预测、概率冲突计算、交通复杂度建模与评估有效地结合起来，实现了对交通复杂度的细粒度与层次化评估。

(2)本发明所提出的概率冲突侦测嵌入了对船舶时空运动动态性和不确定性的考虑，可有效地量化船舶之间的冲突概率；通过量化多船相互作用的拓扑特征，结合其演化趋势，建立了一个基于多阶段、多拓扑结构的船舶交通复杂度模型，以对交通状况进行了全面的描述；构建的时空状态矩阵考虑了基于冲突的拓扑度量和冲突严重度随时间的动态演化，能对交通状况进行精确的分析；此外，针对交通复杂度矩阵的评估问题，提出了一种基于改进FCI的评估方法，以便于监控人员识别交通状况，该评估方法具有实用性和可配置性，因为它能够为交通复杂度模式提供细粒度和层次化的描述，并且能够在不依赖于评估标准的情况下实现主观知识和客观信息的融合。

(3)本发明提供一种系统，通过船舶冲突侦测模块基于船舶运动的不确定性特征和动态特征进行船舶运动预测，并在所述船舶运动预测基础上结合冲突定义进行冲突概率计算；通过交通复杂度建模模块基于两船冲突概率构建船舶交通网络，并依据船舶交通网络的拓扑特征及演化特性，进行交通复杂度建模；通过交通复杂度评估模块基于改进的FCI算法对交通复杂度进行评估、交通复杂度建模模块和交通复杂度评估模块。该系统同时考虑了船舶交通网络的拓扑和演化特性以及船舶运动的不确定性，能够通过系统化的船舶交通复杂度度量感知复杂水域中的交通状况。

附图说明

图1为根据本发明实施例的船舶交通复杂度度量方法的流程示意图。

图2为根据本发明实施例的船舶之间冲突识别的示例图。

图3为根据本发明实施例的聚类系数计算举例示意图。

图4为根据本发明实施例的k壳分解示意图。

图5为根据本发明实施例的GMCLS-MFO-FCI的流程图。

图6为根据本发明实施例的CH指标随着模式数量增加的变化示意图。

图7(a)为根据本发明实施例的船舶交通复杂度隶属度随时间变化示意图。

图7(b)为根据本发明实施例的交通复杂度评价指标随时间变化曲线。

图8为根据本发明实施例的不同复杂度模式的出现频率示意图。

图9为根据本发明实施例的不同交通复杂度模式的时间分布特征示意图。

图10为根据本发明实施例的不同复杂度模式的生命周期示意图。

图11(a)为根据本发明实施例的不同交通复杂度模式的度分布方差箱线图。

图11(b)为根据本发明实施例的度分布方差与H²的关系示意图。

图12(a)为根据本发明实施例的船舶交通状态网络拓扑图。

图12(b)为根据本发明实施例的不同船舶删除后的复杂度下降幅度示意图。

图12(c)为根据本发明实施例的交通复杂度随着删除船舶比例的变化示意图。

具体实施方式

以下将结合附图对本发明各实施例的技术方案进行清楚、完整的描述，显然，所描述发实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。

本发明提供一种多阶段多拓扑船舶交通复杂度度量方法，如图1所示，包括船舶冲突侦测、复杂度建模、复杂度评估和关键节点识别，目的是帮助海上监管人员更好地理解实际交通状况。

步骤1：船舶冲突侦测

首先从概率风险的角度出发，考虑了环境干扰、机械因素以及人为因素对潜在冲突的影响，提出了一种概率冲突侦测方法，其目的是量化船舶与船舶之间的冲突严重度，为船舶交通网络构建提供必要的基础。概率冲突侦测方法由两部分组成：冲突严重性度量和冲突概率估计。

步骤1.1，冲突定义和冲突严重性度量

一般来说，如果预测的两艘船舶的轨迹在未来的时间段内违反安全间隔要求，则存在潜在的冲突。这里采用经典的船舶域模型来描述船舶冲突。图2提供了冲突识别的示例。从图中可以看出，当在不久的将来满足以下不等式时，A船和B船之间将被宣布存在冲突。

Dist_AB(t)≤SD_A(t)+SD_B(t) (1)

其中Dist_AB是两艘船舶之间在t时刻的距离，SD_A和SD_B分别表示从每个船舶中心到其船舶域边界的距离。因为关注的是在船舶运动不确定性的情况下的冲突侦测，不等式(1)是否成立实际上是一个概率问题。

假设两船之间的不安全分离(即Dist(t)≤SD_A(t)+SD_B(t))的概率密度函数被定义为

f_L(t)，冲突的瞬时发生概率表示如下：

其中L(t)＝Dist(t)-SD_A(t)-SD_B(t)。

为了进一步量化冲突的严重性，根据有限时间范围内冲突概率的最大值，设计了一个适当的度量来描述冲突，如下所示：

其T表示预测的时间范围。

步骤1.2，冲突概率预测

概率冲突侦测是根据预测的不确定船舶运动轨迹来实现的。因此，通过开发用于预测未来不确定轨迹的船舶运动模型和用于精确冲突概率计算的蒙特卡罗仿真算法对概率冲突侦测框架进行延伸。

根据文献调查，交互感知式轨迹预测被认为是最准确的。因此，建立了一个假设每艘船舶通过交互获得其他船舶的航行计划或计划轨迹信息的船舶动力学模型。一般而言，船舶航行计划是由一系列航路点构成的，表示为WP_{i＝1,2,…,n+1}，其中连续航路点之间的直线构成船舶的运动路线。本研究考虑了冲突侦测问题的固有不确定性，并将船舶运动建模为与航行计划相关的确定性运动加上由概率分布函数表示的不确定性运动。具体来说，船舶A在未来时刻T的预测位置可由以下公式计算：

式中，T表示冲突侦测的时间预测阈值，t_c表示当前时刻，

是船A的初始位置，

表示船A的标准速度，

表示为与船舶标准航向

相关的旋转矩阵，

表示船舶在纵向和横向的预测位置随时间变化的不确定分量，用基于核密度估计的不确定分布函数表征。在得到每艘船在预测时间范围内的不确定轨迹分布后，可以进一步判断不等式(1)是否成立。由于未来会遇船舶的轨迹是不确定的，因此冲突的存在也是不确定的。

考虑到模型中船舶运动不确定性的增加使得冲突概率估计的计算量增大，设计了一种蒙特卡洛仿真算法以允许快速准确估计冲突的严重度，如背景技术文献所记载。该算法是基于只需要准确估计预测时间范围内冲突概率的最大值这一事实而设计的。因此，在执行大量蒙特卡洛迭代之前，粗略地提取冲突概率较高的时间点。实践证明，该算法高效、准确、可用于执行冲突概率计算任务。

步骤2，船舶交通网络复杂度建模

本研究扩展了复杂网络理论在船舶交通复杂度建模中的应用。复杂网络的本质是图论，它将网络中的单元视为节点，单元之间的相互关系视为边，从而构造一个图结构。在这项研究中，基于两船之间的冲突关系确定他们之间是否有一条边。如果一对船舶之间的冲突概率超过设定的安全阈值，则它们通过一条边连接并且该边的权重设置为等于冲突概率。这样可以为建立船舶交通网络和交通网络分析提供必要的依据。具体工作如下。

步骤2.1，船舶交通网络拓扑特征度量

复杂网络理论提供了各种各样的网络指标表来揭示网络的结构特性。对船舶交通网络进行评价，需要选择既能适应船舶交通基本特征，又对网络表现具有较高代表性的指标。在此基础上，本研究选取了六个典型的交通网络结构表征指标。

(1)节点数

节点数(N)是网络的基本特征，网络的结构与节点数密切相关。对于船舶交通网络而言，它是指在给定水域中的船舶数量。一般来说，海上交通密度越高，意味着交通环境越繁忙复杂。

(2)边数

边数(E)表示所有船舶对之间的连接数(即潜在冲突数量)。显然，当许多船舶处于潜在的冲突状态时，监控人员将面临巨大的监管压力。

(3)强度

节点强度是指连接到一个节点的边的权重之和。本研究采用所有节点强度之和来揭示交通状况的总冲突强度，其公式如下：

其中N是节点数，d_j表示连接到节点j的节点数，w_ij表示节点i和j之间的边权重。

(4)聚类系数

术语聚类系数(CC)描述并度量网络中节点的聚类/邻近性。对于节点i的局部CC，其定义为“与节点i连接的节点之间的实际边数(N_Δ(i))”与“这些节点之间的理论最大边数”的比例，如下所示：

虽然该指标揭示了一个节点与其附近节点的接近程度，但不能满足船舶交通网络复杂度建模的一般规律，即增加一条新的船舶或冲突边不应导致交通复杂度的降低。观察图3可以证明这一点。因此，本研究在原有度量的基础上做了一些调整，用C′_i之和来表示整个交通网络的聚类系数，其表达式如下：

改进后的指标在满足交通网络建模原则的前提下，能够有效地量化船舶之间的交叉冲突程度。当交通网络结构对应较大的C值时，意味着船舶之间的冲突变得难以消解。

(5)k-壳分解

k壳分解是图论中的一种典型方法，它根据节点在网络中的位置将网络结构划分为不同的层/壳，并为同一层的节点分配相同的正指数(ks_i)，以帮助识别中心节点并对节点的全局影响级别进行排序(见图4)。因此，我们采用ks_i之和来反映节点如何从全局角度分组在一起，如下所示：

KS值较高表明交通网络结构中有许多船舶靠得很近且彼此之间有复杂的冲突关系。

(6)最大子图

最大子图(LC)是衡量网络局部内聚性的有效指标。它被定义为网络中最大的子图，其中所有节点对之间至少有一条路径。LC的尺寸表示为：

η＝|S| (9)

其中|S|表示LC中的节点数。LC清楚地揭示了网络的局部结构性质，LC的规模越大，网络复杂度越高。

步骤2.2，多阶段多拓扑交通网络复杂度矩阵

船舶交通网络结构高度依赖于船舶对之间的冲突关系，进而决定了所选拓扑指标的输出。在这项研究中，基于在有限的预测时间范围内的冲突概率最大值来衡量冲突严重度。因此，当采用不同的预测时间范围时，交通网络结构可能会有很大的不同。为了全面描述交通状况的结构特征和演化特征，本研究提出了一种基于多阶段、多拓扑结构的船舶交通网络复杂度模型，以帮助更准确地量化交通状况的复杂程度。

首先建立了一个二维时空状态矩阵X，用行向量来描述交通状况的演化趋势，用列向量来量化相应的拓扑特征，如下所示：

其中o表示选取的冲突侦测时间范围阈值的数量，p表示所选拓扑指标的数量。x_ij表示与基于第i个选择的冲突侦测时间阈值构建的网络结构相对应的第j个拓扑指标的输出。本研究建立了一个四层六拓扑的网络模型，以充分描述当前和未来近期的交通状况。

步骤2.3，不同交通状态矩阵的相似性度量

在建立二维交通状态矩阵的基础上，设计了一种距离度量来量化不同交通状态矩阵之间的距离。传统的欧几里德距离通常用于测量相似程度，但忽略了状态矩阵中各元素的影响差异。很明显，每个拓扑指标对交通状况的复杂度有不同的贡献。为此，我们引入了一种加权欧氏距离度量，通过结合时间加权矩阵和空间加权矩阵，合理地定义不同交通状态矩阵之间的距离。

时间加权矩阵和空间加权矩阵的形式分别表示为：

其中

f是满足0＜f＜1的时间衰减参数，0≤w_s，i≤1并且

满足

在计算两个不同状态矩阵之间的距离之前，应使用以下表达式对矩阵X中的每个元素进行归一化，以消除数据维度的影响。

v_ts＝(x_ts-x_min，ts)/(x_max，ts-x_min，ts) (13)

其中x_max，ts和x_min，ts分别是第tth行和sth列中的最大值和最小值。

因此，我们可以将矩阵X转换为矩阵V，如下所示：

矩阵V_a和V_b之间的距离如下表示：

D_ab＝||W_tV_aW_s-W_tV_bW_s||＝||W_t(V_a-V_b)W_s|| (15)

步骤3，交通复杂度评估

交通复杂度评估方案实施中的主要难点之一是确定复杂度的类别或模式(例如，低复杂度、中复杂度和高复杂度)。这是因为交通复杂度状态矩阵包含了大量的评价指标，这些指标之间存在着非线性、强耦合和不确定性的关系。本研究采用FCI方法进行解决。原始FCI的直接应用常常面临一些技术缺陷，因此进一步的改进和扩展对于使其产生可靠和有效的评估是必不可少的。

步骤3.1，模糊自适应聚类方法

对于一个典型的FCI，它利用隶属度矩阵、聚类中心矩阵和指标权重向量之间的迭代计算过程不断优化目标函数，直到找到最优的隶属度矩阵和聚类中心矩阵。FCI方法的操作细节如下所示。

假设有n个样本，每个样本有m个评价指标。样本数据集可以描述为m×n矩阵，如下所示：

其中a_ij表示第j个样本的指标i的特征值，i＝1，2，...，m，j＝1，2，...，n。

为了使不同的指标不受尺度影响，将数据集A转化为归一化特征值矩阵R＝(r_ij)_m×n。同样，我们将模糊聚类矩阵表示为U＝(u_kj)_c×n、伽模糊类中心矩阵为S＝(s_ik)_m×c，它们受到如下约束

0≤s_ik≤1

其中c是n个样本的聚类数量，u_kj是样本j属于类别k的相对隶属度，s_ik是类别k中第i个指标的中心。

为了得到最优的U和S，目标函数可以通过基于从所有样本到不同模糊类中心的加权欧氏距离的方差和最小化来构建，如下所示：

其中w_i是第i指标的权重，满足如下约束：

进一步基于拉格朗日乘法，可通过以下等式的迭代获得最优的U和S：

直到以下终止条件被满足：

其中l代表迭代次数，ε₁和ε₂是计算u_kj和s_ik的精度。

虽然FCI方法在处理高维复杂非线性问题时有很好的效果，但其应用也存在一些局限性：(1)易陷入局部收敛最优；(2)高度依赖样本数据本身；(3)强依赖于用户预先确定最优分类数量。

关于第一个问题，智能优化技术通常与FCI相结合，以增加找到全局最优解的可能性。因此，本研究采用扩展的飞蛾火焰优化算法来提高FCI模型的全局优化性能。对于第二个问题，在目标函数中加入约束，以实现决策者的主观认知与来自样本数据集的客观信息之间的集成。在船舶交通复杂度评价中，节点数量是船舶交通的基本特征。从主观认知角度来看，节点数量对船舶交通复杂度的贡献一般大于其他指标。因此，可以使用等式(20)重新定义目标函数。

其中M是惩罚因子，w₁表示节点数量的权重。这样可以将主观知识与客观信息有机地结合起来，得到更为实用的评价结果。关于第三个问题，Calinski–Harabasz(CH)指标用于帮助确定类的最佳数量。它是根据类间均值和类内平方和统计的比率计算的，如下所示：

其中z＝(z₁，z₂，...，z_m)表示整个数据集的中心。CH指标越高，分类表现越好。

步骤3.2，飞蛾火焰与其延伸

MFO是一种新的自然启发优化技术，模拟了飞蛾在夜间围绕光源的飞行行为。大量的实践表明，该算法具有实用性、有效性，在解决各种优化问题上具有广阔的应用前景。MFO的数学模型由两个部分组成，即飞蛾和火焰，其中，飞蛾代表问题变量构建的搜索空间上的候选解，火焰代表迄今为止得到的最佳解。飞蛾位置的更新公式如下所示。

S(M_i，F_j)＝|F_j-M_i|·e^bt·cos(2πt)+F_j (22)

式中，M_i是第i个飞蛾，F_j是第j火焰，|F_j-M_i|代表M_i和F_j之间的距离，b定义一个对数螺旋函数形状的常数，t用于控制第i个飞蛾的下一个位置应接近第j个火焰的程度。除此之外，我们采用基于高斯变异(GM)和混沌局部搜索(CLS)来提高MFO的全局搜寻能力。因此，一种基于GM和CLS的MFO最终被采用来协助FCI模型获得最佳的U和S。相应的GMCLS-MFO-FCI算法的流程图如图5所示。

步骤3.3，基于GMCLS-MFO-FCI的交通复杂度评估

基于改进FCI的交通复杂度评估方法是本研究的主要贡献之一。它的目的是提供一个可行和可靠的评估，并且能为交通复杂度模式提供明确的层次结构。根据图1和图5中的流程，该方法的实现包括以下步骤。

步骤1：样本提取、预处理和归一化

根据研究水域的真实AIS航迹数据，提取船舶交通复杂度状态矩阵的样本数据集；然后将复杂度状态矩阵转化为向量形式，从而构造矩阵A；之后，将矩阵A标准化为矩阵R以执行FCI。

步骤2：参数初始化

初始化参数包括精度ε₁和ε₂、待优化变量维数d、最大迭代次数G、种群总体规模NP、复杂模式数量c。

步骤3：实施GMCLS-MFO

利用GMCLS-MFO搜索最优指标权重向量。

步骤4：实施FCI

利用FCI返回最优模糊聚类矩阵U和最优聚类中心矩阵S。

步骤5：确定复杂度模式的最佳数量

首先确定c的范围(如c＝2-10)；然后对于每个簇数量，重复执行步骤2到步骤4，并计算相应的CH指标；进一步根据CH指标确定最优c。

步骤6：输出评估结果

使用以下两个指标来评估每个交通复杂度样本。

其中

表示第j个样本的复杂度模式/等级，

表示其复杂度值。第一个指标是基于样本的最大隶属度来确定的，而第二个指标是根据归一化网络复杂度指标的加权和来确定的。

步骤7：检查模型有效性

基于敏感性分析验证方法的有效性和鲁棒性。

步骤4，关键节点识别

在实际环境中，海上监管人员不仅要求主动监控海上交通状况，还需要协助船员解决潜在冲突。因此，识别交通网络中的关键船舶是至关重要的，因为对这些重要船舶的引导有助于快速缓解交通复杂度或拥塞度。节点删除法是系统分析中最典型的一种方法，用于确定关键风险船舶。该方法的主要思想是计算从网络中删除不同节点后网络性能的变化。网络性能的下降越大，节点就越重要。该方法按如下进行：

·首先，计算给定时刻具有n_t个节点的船舶交通网络的复杂度值，用

表示。

·其次，在删除第q个(q＝1,2,…,n_t)节点后重构船舶交通复杂度网络，并计算出其余n_t-1节点对应的复杂度值，用

表示。

·第三，求出

与

的差值，定义为

·最后，根据

的值确定关键节点，较高的

值表示该节点对整个交通复杂度的影响较大。

实施例

(1)研究水域

本实施例以宁波舟山港为实验研究水域，对所提出的船舶交通复杂度方法进行验证。宁波舟山港基于货物吞吐量是世界上最大的港口，表现出高交通密度、受限通航水域和复杂的时变船舶运动不确定性。本实施例收集从2018年11月1日至2018年11月30日的AIS数据，对经度122°06E-122°16E和纬度29°49N-29°57N范围内的交通进行态势感知和实验分析。

(2)交通复杂度模式结果分析

(2.1)复杂度模式数量

图6显示了不同复杂度模式数的CH指标统计箱线图。根据CH指标的评价标准，c＝2时对应的分类效果最好。问题是当c太小时可能无法利用FCI来支持层次复杂度模式评估的优势。这是因为较小的c不足以帮助海上监管人员在更精细的尺度上确定交通状况有多复杂。因此，通过综合考虑CH指标的取值和FCI模型的应用效果，我们将复杂度分为6类：极低、低、稍低、稍高、高和极高复杂度。

(2.2)交通复杂度特征分析

在本小节中，本实施例通过应用分析和统计实验证明所提出的交通复杂度评估方法的表现。首先通过一个实例说明了它在实时交通复杂度识别中的应用。图7显示了研究区域内船舶交通复杂度在3小时内的演变示例。在图7(a)中，我们可以清楚地看到不同复杂度模式的隶属度分布是如何随时间变化的。此外，很容易发现在大约1.1小时到2.05小时的时间段交通处于高度复杂状态，因此有助于监测人员及时监测和提供危险警告。图7(b)进一步给出了交通复杂度的两个综合评价指标随时间的变化。这两个指标表现出基本一致的趋势，共同帮助理解交通复杂度，提高交通管制人员的感知能力。

图8显示了研究区域内不同交通复杂度模式的概率分布。值得注意的是，非常低和非常高的复杂度模式占据了较小的出现频率，而剩余的模式占据了较大的比例。这表明在大多数情况下，船舶交通状况处于相对中等水平的复杂模式。此外，高复杂度和低复杂度模式所占的比例相对较小，这也意味着所提出的复杂度模式分类方法既不会导致监管人员承受极大的监管压力，也不会使监管人员对海上交通的监管效率低下。

图9展示了一天中每小时的复杂度模式的时间分布。在图中，可以观察到10:00-16:00对应高交通复杂度模式。事实上，航行安全相关部门可以在统计分析的基础上，提前实施一些相应的风险控制策略，确保交通管理的安全。同时，由于不同时期的监控压力差异较大，分析结果也为平衡操作人员的工作负荷提供了有效的参考。

为了验证交通复杂度模式的动态演化特征，我们研究了交通复杂度模式的生命周期，其定义为交通复杂度模式从发生到转移到另一模式的持续时间。根据图10，较高的交通复杂度模式基本上对应较短的生命周期。这主要是由于交通复杂度越高，船舶航行活动越频繁，交通状况的可预测性越低。因此，该分析揭示了交通复杂度模式与生命周期之间的关系，有助于风险管理措施的实施。

此外，表1还分析了交通复杂度模式的转移概率，以充分了解交通状况的历史演变机制。从表1可以发现两个有趣的现象。首先，一个模式在下一个周期中保持相同复杂度模式的比例最高，其次是转换到最邻近的模式，而大幅度跳转的可能性较小。这意味着在大多数情况下，船舶交通状况将稳步变化，但有时可能会出现剧烈变化。第二，复杂度较高的模式基本上对应较大的向其他复杂模式的转移概率。这可能是因为当面临复杂的交通状况时，海事监管人员通常会采取措施来降低潜在的碰撞风险。因此，高复杂度模式不会持续太久。这些研究为未来交通复杂度模式预测提供了前提条件。

表1.不同复杂模式之间的转化概率

(3)网络异构分析和关键船舶识别

为了进一步研究交通网络拓扑结构的特征，本实施例应用节点度的方差(即单个节点的边数)来度量不同交通情况下节点度分布的异质性(见图11)。根据图11，更高的复杂度模式/值通常对应更大的节点度方差。结果表明，当交通复杂度较高时，节点度分布往往明显不平衡，几个关键船舶占据整个交通网络的大部分冲突边数，而其余船舶的边很少。因此，关键风险船舶的识别，特别是在高复杂度船舶交通状态时，对于解决冲突、降低复杂度具有重要的现实意义。

图12给出了基于节点删除方法的关键节点识别的案例。图12(a)显示了船舶交通网络拓扑结构。图12(b)进一步给出了在从网络中删除每个船舶之后复杂度下降幅度。从图中可以明显看出，有5艘船舶对交通状况的重要性较高，而其余船舶相对较少。这一结果表明所研究的船舶交通网络是异质的。此外，我们还分析了基于针对删除(即根据重要性降序删除船舶)和随机删除船舶对交通复杂度的影响。从图12(c)可以发现，针对删除有助于显著降低交通复杂度。特别是前两艘重点船舶删除后，复杂度指标从0.26显著降低到0.15。相比之下，随机删除导致相对较小的复杂度下降。这就意味着，关键船舶的识别和相应的风险管理对于缓解交通复杂度和控制碰撞风险至关重要。

本发明提出一套系统化的船舶交通复杂度评估方法，以综合度量海上交通状况和提升交通态势感知。它将船舶运动估计、概率冲突计算、交通复杂度建模与评估有效地结合起来，以生成可靠的感知结果。该方法具有以下独特的特征：1)在检测潜在冲突时，考虑了船舶运动的动态性和不确定性，保证了模型对各种复杂交通场景的适用性；2)利用复杂网络理论建立了一个多阶段、多拓扑的动态交通网络模型，以充分刻画交通状况的拓扑和动态演化特性；3)所采用的基于FCI的评估方法是实用、可靠的，并且能够对交通复杂模式进行细粒度的层次描述，而不是仅仅提供单个评估值。

本发明基于实际数据实验验证了该方法的有效性。结果表明，该方法能很好地提供对交通状况的综合表征，并能对交通复杂度模式进行层次化评估。从不同交通复杂度模式的发生频率、时间分布、生命周期、转移概率和交通网络异质性分析等方面，讨论了一些重要的研究发现。此外，该复杂度方法能够识别实际交通网络中具有重要影响的船舶，有助于从战略层面解决交通冲突，而不依赖于船员进行局部冲突消解。因此，本研究提出的方法对复杂水域的海上交通安全管理和交通态势预警具有很重要的参考价值。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案。