JP2023060775A - 航行監視プログラム、航行監視方法および航行監視装置 - Google Patents

Abstract

【課題】船舶が航路に沿って航行するかを精度よく予測する。【解決手段】記憶部１１は、過去に航行した複数の船舶のそれぞれについての方向を示す方向情報および位置を示す位置情報と、複数の船舶のそれぞれが航路に沿って航行したか否かを示す正解ラベルとを用いた機械学習によって作成された予測モデル１１ａを示すデータを記憶する。処理部１２は、航行中の船舶２２の方向情報および位置情報を取得し、取得した方向情報および位置情報を予測モデル１１ａに入力することで、航行中の船舶２２が航路に沿って航行するかを予測する。【選択図】図１

Description

本発明は、航行監視プログラム、航行監視方法および航行監視装置に関する。

船舶に関しては、一般的に、大きな船舶ほど急な針路変更や停止が困難であるという性質がある。このため、船舶同士の衝突を回避するための様々な技術が開発されている。例えば、船舶同士の距離や各船舶の対地針路などに基づいて、船舶同士の接近を検知する、あるいは船舶同士の衝突リスクを算出することが考えられている。

また、関連技術として、例えば、自船の位置が航路領域に設定されたすべてのユニット航路領域内に存在しない場合に、自船が航路を逸脱したと判断する航路表示装置が提案されている。さらに、船舶の位置の変化方向を検出するとともに、航行領域と進行方向とを対応付けた情報に基づき、船舶の位置から特定される航行領域に対応付けられた進行方向を特定し、変化方向と進行方向とのなす角度に基づいて、船舶の航行領域内での逆走を検出するシステムも提案されている。

特開昭６０－２４４８８２号公報 国際公開第２０１７／１３８１２６号

ところで、船舶が航路に沿って航行するかを予測する技術においては、特に航路が屈曲している場合に、正確な予測を行うことが難しいという問題がある。
１つの側面では、本発明は、船舶が航路に沿って航行するかを精度よく予測可能な航行監視プログラム、航行監視方法および航行監視装置を提供することを目的とする。

１つの案では、コンピュータに、航行中の船舶の方向を示す方向情報および位置を示す位置情報を取得し、過去に航行した複数の船舶のそれぞれについての方向情報および位置情報と、複数の船舶のそれぞれが航路に沿って航行したか否かを示す正解ラベルとを用いた機械学習によって作成された予測モデルに対して、取得した方向情報および位置情報を入力することで、航行中の船舶が航路に沿って航行するかを予測する、処理を実行させる航行監視プログラムが提供される。

また、１つの案では、上記の航行監視プログラムに基づく処理と同様の処理をコンピュータが実行する航行監視方法が提供される。
さらに、１つの案では、上記の航行監視プログラムに基づく処理と同様の処理を実行する航行監視装置が提供される。

また、１つの案では、コンピュータに、航行中の船舶の方向を示す方向情報を取得するとともに、航路に沿った所定幅の航路領域を航行方向に対して多角形の形状に分割することで設定された複数の区画のうち、航行中の船舶が位置する一の区画を特定し、過去に航行した複数の船舶のそれぞれについての方向情報と、複数の船舶のそれぞれが航路に沿って航行したか否かを示す正解ラベルとを用いて、複数の区画のうち複数の船舶のそれぞれが位置する区画ごとに機械学習することで作成された、複数の区画にそれぞれ対応する複数の予測モデルの中から、一の区画に対応する一の予測モデルを選択し、一の予測モデルに航行中の船舶の方向情報を入力することで、航行中の船舶が航路に沿って航行するかを予測する、処理を実行させる航行監視プログラムが提供される。

また、１つの案では、上記の航行監視プログラムに基づく処理と同様の処理をコンピュータが実行する航行監視方法が提供される。
また、１つの案では、上記の航行監視プログラムに基づく処理と同様の処理を実行する航行監視装置が提供される。

１つの側面では、船舶が航路に沿って航行するかを精度よく予測できる。

第１の実施の形態に係る航行監視装置の構成例および処理例を示す図である。 第２の実施の形態に係る航行支援システムの構成例を示す図である。 航行監視装置のハードウェア構成例を示す図である。 航行監視装置が備える処理機能の構成例を示す図である。 ブロックの設定方法を示す図である。 航路に沿って航行するか否かの基本的な判定方法を示す図である。 特徴量データベースのレコードに登録されるデータの例を示す図である。 航行状態の学習処理手順を示すフローチャートの例である。 ラベリング処理の手順を示すフローチャートの例である。 正例・負例の判定処理を説明するための第１の図である。 正例・負例の判定処理を説明するための第２の図である。 正例・負例の判定処理を説明するための第３の図である。 航行監視処理の全体の手順を示すフローチャートの例である。 延長ベクトルを用いた衝突危険性の判定処理を示す図である。 ＯＺＴを用いた衝突危険性の判定処理を示す図である。 ＤＣＰＡ，ＴＣＰＡを用いた衝突危険性の判定処理を示す図である。 航行状態予測処理の手順を示すフローチャートの例である。 衝突危険度の補正処理手順を示すフローチャートの例である。 衝突危険性の有無の判定結果に対する補正処理手順を示すフローチャートの例である。 第３の実施の形態における航行監視装置が備える処理機能の構成例を示す図である。 第３の実施の形態における航行状態の学習処理手順を示すフローチャートの例である。 第３の実施の形態における航行状態予測処理の手順を示すフローチャートの例である。

以下、本発明の実施の形態について図面を参照して説明する。
〔第１の実施の形態〕
図１は、第１の実施の形態に係る航行監視装置の構成例および処理例を示す図である。図１に示す航行監視装置１０は、航行中の船舶が航路に沿って航行するかを予測し、その予測結果を出力する装置である。このような予測結果を用いることで、例えば、船舶の航行を支援することが可能となる。この航行監視装置１０は、記憶部１１と処理部１２を有する。

記憶部１１は、航行監視装置１０が備える図示しない記憶装置の記憶領域である。記憶部１１には、予測モデル１１ａを示すデータが記憶される。予測モデル１１ａは、船舶が航路に沿って航行するかを予測する予測器を学習した学習済みモデルである。処理部１２は、例えば、航行監視装置１０が備える図示しないプロセッサである。処理部１２は、航行中の船舶が航路に沿って航行するかを、予測モデル１１ａを用いて予測する。

予測モデル１１ａは、次のような手順で作成される。図１の上側に示すように、ある海域（例えば、特定の港湾）を過去に航行した複数の船舶のそれぞれについて、船舶の方向を示す方向情報と、船舶の位置を示す位置情報と、船舶が航路に沿って航行したか否かを示す正解ラベルとが取得される。そして、複数の船舶のそれぞれについての方向情報、位置情報および正解ラベルを用いた学習によって、船舶が航路に沿って航行するかを予測する予測モデル１１ａが作成される。

なお、方向情報としては、例えば、対地針路や船首方位角などを用いることができる。また、位置情報としては、例えば、緯度、経度の少なくとも一方を用いることができる。あるいは、位置情報としては、次のような区画番号を用いることもできる。

図１に示す海図２０には、ある海域に設定された航路領域２１を例示している。航路領域２１は、航路に沿って所定の幅を有する領域である。このような航路領域２１を航路方向に対して多角形によって分割することで、複数の区画が設定される。位置情報としては、複数の区画のうち、船舶が位置する区画を示す区画番号を用いることができる。

また、正解ラベルは、例えば、次のように設定される。船舶が、ある時刻において上記の航路領域２１内に存在したとする。そして、その後に所定時間航行したとき、または所定距離だけ航行したときに、船舶が航路領域２１に存在する場合に、船舶が航路に沿って航行したことを示す値が正解ラベルに設定される。また、上記の区画を用いて正解ラベルを設定することもできる。例えば、ある時刻において船舶がある区画に存在したとする。そして、船舶がその後に、その区画から航路方向に所定数だけ先の区画に到達した場合に、船舶が航路に沿って航行したことを示す値が正解ラベルに設定される。

処理部１２は、次のような手順で予測処理を実行する。処理部１２は、航行中の船舶２２についての方向を示す方向情報、および位置を示す位置情報を取得する。処理部１２は、取得した方向情報と位置情報を予測モデル１１ａに入力することで、船舶２２が航路に沿って航行するかを予測する。予測結果としては、例えば、船舶２２が航路に沿って航行する確率の値が出力される。

ここで、例えば、船舶の方向情報だけを基に船舶が航路に沿って航行するかを予測する方法では、次のような問題がある。例えば、航路が屈曲している領域では、船舶の方向が航路領域２１の外側を向く。このため、実際には船舶が航路に沿って航行し続ける場合でも、航路から逸脱すると誤って予測される可能性がある。

これに対して、本実施の形態では、船舶の方向と位置との関係を考慮した予測モデル１１ａが作成される。そして、航行中の船舶の方向情報と位置情報とが予測モデル１１ａに入力されることで、その船舶が航路に沿って航行するかが予測される。これにより、航路が屈曲しているか否かに関係なく、ある一定以上の精度で予測することが可能になる。したがって、船舶が航路に沿って航行するかを精度よく予測できる。

〔第２の実施の形態〕
次に、図１に示した航行監視装置１０による予測処理を、船舶同士の衝突危険性の判定に適用したシステムについて説明する。

図２は、第２の実施の形態に係る航行支援システムの構成例を示す図である。図２に示す航行支援システムは、船舶の航行を支援するための情報処理システムである。この航行支援システムは、陸上に設置された陸上施設１００を含む。陸上施設１００は、例えば、海上の船舶についての航行管制を行う施設である。この場合、陸上施設１００は、各船舶から受信したＡＩＳ（Automatic Identification System）データやレーダによる検出情報に基づいて、各船舶の位置を把握し、各船舶に対して海上交通に関する各種の情報を提供する。

ＡＩＳデータには、動的情報、静的情報および航行関連情報（準動的情報）が含まれている。動的情報としては、例えば、現在時刻、船舶の位置（緯度、経度）、対地針路（Course Over Ground：ＣＯＧ）、対地船速（Speed Over Ground：ＳＯＧ）、船首方位角（Heading：ＨＤＧ）、回頭角速度（Rate Of Turn：ＲＯＴ）などが含まれる。静的情報としては、例えば、船舶を識別するＭＭＳＩ（Maritime Mobile Service Identity）番号、船種、船舶の長さなどが含まれる。航行関連情報としては、行き先、喫水などが含まれる。

本実施の形態において、陸上施設１００は、各船舶からのＡＩＳデータを受信可能な無線通信装置１０１と、ＡＩＳデータを用いて船舶の航行を監視する航行監視装置１０２を含む。無線通信装置１０１は、例えば、ＡＩＳデータを受信するためのアンテナを含む。航行監視装置１０２は、図１に示した航行監視装置１０の処理機能を備える装置であり、例えば、サーバコンピュータとして実現される。航行監視装置１０２は、無線通信装置１０１によって受信されたＡＩＳデータに基づいて、衝突リスクのある船舶のペアを検出し、それらの船舶を通知する警報情報を出力する。

なお、図２では、海上を航行する船舶２０１，２０２を例示している。船舶２０１，２０２は、ＡＩＳデータを送受信することが可能なＡＩＳ装置２０３，２０４をそれぞれ備えている。船舶２０１，２０２は、自船に関するＡＩＳデータをそれぞれＡＩＳ装置２０３，２０４を介して他の船舶や陸上施設１００に送信できるとともに、他船から送信されたＡＩＳデータをそれぞれＡＩＳ装置２０３，２０４を介して受信できる。

また、航行監視装置１０２の処理機能の少なくとも一部は、船舶に搭載されてもよい。例えば、船舶に搭載される監視装置は、自船を含む航行中の船舶のＡＩＳデータに基づいて、衝突リスクのある船舶のペアを検出し、検出された船舶を示す情報を表示装置に表示させる。

図３は、航行監視装置のハードウェア構成例を示す図である。航行監視装置１０２は、例えば、図３に示すようなコンピュータとして実現される。図３に示す航行監視装置１０２は、プロセッサ１１１、ＲＡＭ（Random Access Memory）１１２、ＨＤＤ（Hard Disk Drive）１１３、ＧＰＵ（Graphics Processing Unit）１１４、入力インタフェース（Ｉ／Ｆ）１１５、読み取り装置１１６、通信インタフェース（Ｉ／Ｆ）１１７およびネットワークインタフェース（Ｉ／Ｆ）１１８を有する。

プロセッサ１１１は、航行監視装置１０２全体を統括的に制御する。プロセッサ１１１は、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＡＳＩＣ（Application Specific Integrated Circuit）またはＰＬＤ（Programmable Logic Device）である。また、プロセッサ１１１は、ＣＰＵ、ＭＰＵ、ＤＳＰ、ＡＳＩＣ、ＰＬＤのうちの２以上の要素の組み合わせであってもよい。

ＲＡＭ１１２は、航行監視装置１０２の主記憶装置として使用される。ＲＡＭ１１２には、プロセッサ１１１に実行させるＯＳ（Operating System）プログラムやアプリケーションプログラムの少なくとも一部が一時的に格納される。また、ＲＡＭ１１２には、プロセッサ１１１による処理に必要な各種データが格納される。

ＨＤＤ１１３は、航行監視装置１０２の補助記憶装置として使用される。ＨＤＤ１１３には、ＯＳプログラム、アプリケーションプログラム、および各種データが格納される。なお、補助記憶装置としては、ＳＳＤ（Solid State Drive）などの他の種類の不揮発性記憶装置を使用することもできる。

ＧＰＵ１１４には、表示装置１１４ａが接続されている。ＧＰＵ１１４は、プロセッサ１１１からの命令にしたがって、画像を表示装置１１４ａに表示させる。表示装置としては、液晶ディスプレイや有機ＥＬ（ElectroLuminescence）ディスプレイなどがある。

入力インタフェース１１５には、入力装置１１５ａが接続されている。入力インタフェース１１５は、入力装置１１５ａから出力される信号をプロセッサ１１１に送信する。入力装置１１５ａとしては、キーボードやポインティングデバイスなどがある。ポインティングデバイスとしては、マウス、タッチパネル、タブレット、タッチパッド、トラックボールなどがある。

読み取り装置１１６には、可搬型記録媒体１１６ａが脱着される。読み取り装置１１６は、可搬型記録媒体１１６ａに記録されたデータを読み取ってプロセッサ１１１に送信する。可搬型記録媒体１１６ａとしては、光ディスク、光磁気ディスク、半導体メモリなどがある。

通信インタフェース１１７は、例えば無線通信装置１０１などの他の装置との間でデータの送受信を行う。
ネットワークインタフェース１１８は、ネットワーク１１８ａを介して他の装置との間でデータの送受信を行う。

以上のようなハードウェア構成によって、航行監視装置１０２の処理機能を実現することができる。
図４は、航行監視装置が備える処理機能の構成例を示す図である。図４に示すように、航行監視装置１０２は、記憶部１２０、特徴量データ作成部１３１、航行状態学習部１３２、ＡＩＳデータ取得部１４１、衝突危険性判定部１４２、特徴量データ作成部１４３、航行状態予測部１４４および判定結果補正部１４５を備える。

記憶部１２０は、例えばＲＡＭ１１２やＨＤＤ１１３など、航行監視装置１０２が備える記憶装置の記憶領域である。記憶部１２０には、ＡＩＳ履歴データベース（ＤＢ）１２１、航路区画データベース（ＤＢ）１２２、学習用の特徴量データベース（ＤＢ）１２３、予測モデルデータ１２４および推論用の特徴量データベース（ＤＢ）１２５が記憶される。

ＡＩＳ履歴データベース１２１には、複数の船舶のそれぞれから過去の航行中に送信されたＡＩＳデータが記憶される。
航路区画データベース１２２には、航路領域に設定されるブロック（航路区画）に関する情報が記憶される。ブロックとは、航路領域を多角形によって分割することで生成される区画である。各ブロックは、ブロックＩＤによって識別される。

特徴量データベース１２３には、ＡＩＳ履歴データベース１２１に記憶された情報に基づいて特徴量データ作成部１３１によって作成された特徴量データが記憶される。特徴量データベース１２３に記憶された特徴量データは、航行状態学習部１３２による航行状態の学習用に利用される。

予測モデルデータ１２４は、航行状態指標を算出するための学習済みモデルを示すデータであり、航行状態学習部１３２による学習の結果として作成される。航行状態指標は、航路領域上のあるブロックに位置する船舶が、その後も航路に沿って航行し続ける可能性を示す定量指標である。したがって、予測モデルデータ１２４が示す学習済みモデルは、船舶がその後も航路に沿って航行するか（航行し続けるか）を予測する予測器のモデル（予測モデル）を示す。

特徴量データベース１２５には、航行中の船舶についての特徴量データが蓄積される。この特徴量データは、航行中の船舶から送信され、無線通信装置１０１によって受信されたＡＩＳデータに基づき、特徴量データ作成部１４３によって作成される。

特徴量データ作成部１３１、航行状態学習部１３２、ＡＩＳデータ取得部１４１、衝突危険性判定部１４２、特徴量データ作成部１４３、航行状態予測部１４４および判定結果補正部１４５の処理は、例えば、プロセッサ１１１が所定のアプリケーションプログラムを実行することで実現される。

特徴量データ作成部１３１は、ＡＩＳ履歴データベース１２１に記憶されたＡＩＳデータに基づいて、航行状態の学習用の特徴量データを作成し、特徴量データベース１２３に登録する。

航行状態学習部１３２は、特徴量データベース１２３に登録された特徴量データを学習データ（教師データ）として用いて、航行状態を予測するための予測モデルを学習によって作成する。作成された予測モデルのデータは、予測モデルデータ１２４として記憶部１２０に格納される。

ＡＩＳデータ取得部１４１は、現在航行中の船舶から送信されたＡＩＳデータを、無線通信装置１０１を介して取得する。
衝突危険性判定部１４２は、ＡＩＳデータ取得部１４１が取得したＡＩＳデータに基づいて、航行中の船舶間の衝突危険性を判定する。

特徴量データ作成部１４３は、ＡＩＳデータ取得部１４１が取得したＡＩＳデータに基づいて、航行中の船舶に対応する特徴量データを特徴量データ作成部１３１と同様の方法で作成する。特徴量データ作成部１４３は、作成した特徴量データを、航行状態予測部１４４に受け渡すとともに、特徴量データベース１２５に蓄積する。

航行状態予測部１４４は、予測モデルデータ１２４に基づく予測モデル（学習済みモデル）に船舶の特徴量データを入力することで、その船舶についての航行状態指標を算出する。これにより、船舶が航路に沿って航行するか（航行し続けるか）を示す航行状態が予測される。

判定結果補正部１４５は、衝突危険性判定部１４２による衝突危険性の判定結果を、航行状態予測部１４４による航行状態の予測結果を用いて補正する。この補正により、衝突危険性判定部１４２による誤判定の可能性を低減する。

以上の航行監視装置１０２では、衝突危険性判定部１４２により、航行中の船舶間の衝突危険性が判定される。この衝突危険性は、例えば、各船舶についての延長ベクトル、船舶間の最接近距離（Distance to Closest Point of Approach：ＤＣＰＡ）や最接近時間（Time to Closest Point of Approach：ＴＣＰＡ）、ある船舶と別の船舶との間の航行妨害ゾーン（Obstacle Zone by Target：ＯＺＴ）などに基づいて判定される。

ただし、これらの情報は、船舶が直線的に航行することを想定して求められる情報である。このため、これらの情報を基に衝突危険性を判定した場合、特に航路の屈曲部において衝突の危険度を過大評価してしまうという問題があった。

そこで、航行監視装置１０２では、航行状態予測部１４４により、船舶が航路に沿って航行するかが予測される。この予測は、船舶からのＡＩＳデータに含まれる航行方向や位置などの情報に基づいて実行される。そして、判定結果補正部１４５により、衝突危険性判定部１４２による判定結果が、航行状態予測部１４４による予測結果によって補正される。

また、航行状態の予測は、過去に収集されたＡＩＳデータを用いて学習された学習済みモデル（予測モデル）を用いて実行される。航行監視装置１０２の特徴量データ作成部１３１および航行状態学習部１３２は、このような学習済みモデルを作成する学習処理を実行するための処理機能である。

＜航行状態の予測の基本的な考え方＞
まず、船舶の航路状態を予測するための基本的な考え方について説明する。船舶が航路に沿って航行するか否かを判定するために、航路領域が複数のブロックに分割される。次の図５を用いて、ブロックの設定方法を説明する。

図５は、ブロックの設定方法を示す図である。ブロックは、航路領域を航行方向に分割することで生成される多角形の区画である。本実施の形態では例として、ブロックは四角形とするが、ブロックの多角形の形状は特に限定されるものではない。例えば、航路の直線部ではブロックが四角形とされ、航路の屈曲部ではブロックが五角形または六角形とされてもよい。また、ここでいう「航路領域」とは、船舶が航行する通路として定められた領域である。すなわち、航路は幅を有しており、幅方向の領域全体が航路領域となる。航路領域は、政令など、船舶の航行に関する所定のルールによって定められている。

さらに、航路は、一方向のみに航行可能な場合と双方向に航行可能な場合がある。前者の場合、一般的にはある方向に対する航路とその逆方向に対する航路とが並列して設定される。この場合、それぞれの方向の航路ごとにブロックが設定される。

図５では例として、上側が北であり、下側が南であるとする。図５の上側に例示する航路領域２１０は、南方向（図５の上側から下側への方向）の航路領域２１１と北方向（図５の下側から上側への方向）の航路領域２１２とに分割されている。この場合、航路領域２１１，２１２のそれぞれに対して個別にブロックが設定される。図５の下側に示す例では、航路領域２１１において航路方向に対してブロックＢＬ１～ＢＬ９が順に設定され、航路領域２１２において航路方向に対してブロックＢＬ１１～ＢＬ１９が順に設定されている。

また、図５の上側に例示するように、北方向への航路領域２１２の途中から航路領域２１３が分岐している。この場合、航路領域２１３に対してもブロックが設定される。図５の下側に示す例では、航路領域２１３には、分岐部を起点として航路方向に対してブロックＢＬ２１～ＢＬ２４が順に設定されている。

航路区画データベース１２２には、設定された各ブロックの位置および範囲を示す情報が登録される。航路区画データベース１２２を参照することで、船舶の位置情報（緯度、経度）から、その船舶が位置しているブロックを特定することが可能となる。

図６は、航路に沿って航行するか否かの基本的な判定方法を示す図である。本実施の形態では、船舶が上記のブロックをどのように通過するかによって、その船舶が航路に沿って航行するか否か（航行し続けるか否か）が判定される。基本的に、あるブロック内に存在する船舶が、航行方向に対して次のブロックを通過してその次のブロックに到達する場合に、その船舶が航路に沿って航行すると判定されるものとする。すなわち、航行状態予測部１４４は、あるブロック内に存在する船舶について、その船舶が１つ先のブロックを通過して２つ先のブロックに到達するか否かを予測する。

図６の例では、船舶が現在ブロックＢＬ１２に存在するとする。この場合、矢印Ｌ１のように、船舶が次のブロックＢＬ１３を通過してその次のブロックＢＬ１４に到達する場合に、その船舶は航路に沿って航行すると判定される。一方、例えば、矢印Ｌ２，Ｌ３のように、船舶が次のブロックＢＬ１３を通過したとしても、その次のブロックＢＬ１４に到達しない場合には、その船舶は航路に沿って航行し続けない（航路から逸脱する）と判定される。

ここで、他の例として、１つ先のブロックに到達するか否か（図６の例ではブロックＢＬ１３に到達するか否か）によって上記の判定を行う方法も考えられる。この方法に対して、図６に示した方法では、予測の難易度は高くなるものの、航路からの離脱をより早く検知できるというメリットがある。

なお、ブロックの設定状況によっては、２つ先でなく、１つ先のブロックや３つ以上先のブロックに到達するか否かによって上記の判定を行う方法が採用されてもよい。例えば、航路方向に対する各ブロックの長さが短いほど、より先のブロックに到達するか否かを判定した方が適切と考えられる。

＜航行状態の学習処理＞
次に、航行状態を予測するための学習処理について説明する。
図７は、特徴量データベースのレコードに登録されるデータの例を示す図である。学習用の特徴量データベース１２３のレコード１２３ａのそれぞれには、学習の際に学習データ（説明変数）として用いられる特徴量データが登録される。レコード１２３ａには、特徴量データとして、船舶ＩＤ、船種、船舶の長さ、緯度、経度、対地針路、船首方位角、回頭角速度、行き先、喫水、曜日、時間帯、ブロックＩＤ、進入時ブロックＩＤ、および直前ブロックの通過フラグが登録される。また、レコード１２３ａのそれぞれには、特徴量データ以外のデータとして、現在時刻と正解ラベルが登録される。

ＡＩＳデータは、動的情報、静的情報、航行関連情報（準動的情報）の各レコードに分かれて船舶から送信される。上記の特徴量データのうち、船舶ＩＤ、船種および船舶の長さは、ＡＩＳデータの静的情報からそのまま抽出されてレコード１２３ａに登録される。なお、船舶ＩＤとしては、ＭＭＳＩ番号が抽出される。また、上記の特徴量データのうち、緯度、経度、対地針路、船首方位角および回頭角速度は、ＡＩＳデータの動的情報からそのまま抽出されてレコード１２３ａに登録される。さらに、上記の特徴量データのうち、行き先および喫水は、ＡＩＳデータの航行関連情報からのそのまま抽出されてレコード１２３ａに登録される。

船舶からの送信間隔は、通常、静的情報と航行関連情報と比較して動的情報の方が長い。そこで、１つのレコード１２３ａは、送信された動的情報をベースとして作成される。まず、ベースとなる動的情報から抽出されたデータがレコード１２３ａに登録され、その動的情報が送信された時刻に対して同じ船舶から直近に送信された航行関連情報から抽出されたデータが、そのレコード１２３ａに統合されて登録される。さらに、同じ船舶からの静的情報から抽出されたデータが、そのレコード１２３ａに統合されて登録される。レコード１２３ａ内の現在時刻としては、ベースとなった動的情報に含まれている現在時刻が登録される。

一方、特徴量データのうち、曜日、時間帯およびブロックＩＤは、ＡＩＳデータに含まれるデータに基づく計算によって作成されるデータである。曜日および時間帯は、現在時刻に基づいて作成される。ブロックＩＤは、船舶が位置するブロックの識別番号を示し、緯度および経度と、航路区画データベース１２２とに基づいて算出される。

また、特徴量データのうち、進入時ブロックＩＤ、および直前ブロックの通過フラグは、同じ船舶の航行履歴、すなわち現在時刻より前の時刻における特徴量データベース１２３のレコードの情報に基づいて設定される。

進入時ブロックＩＤは、船舶が位置する航路領域に対して、その船舶が最初に進入したブロックのブロックＩＤを示す。例えば、図５のように南方向への航路領域２１１にブロックＢＬ１～ＢＬ９が設定されているとする。船舶が最初から航路領域２１１内を航行していた場合、進入時ブロックＩＤとしてはブロックＢＬ１のブロックＩＤが設定される。一方、船舶が航路領域２１１に途中から進入した場合、進入時ブロックＩＤとしては最初に進入したブロックのブロックＩＤが設定される。例えば、船舶が図５中の左側（すなわち西側）から航路領域２１１のブロックＢＬ５に進入した場合、進入時ブロックＩＤとしてはブロックＢＬ５のブロックＩＤが設定される。

直前ブロックの通過フラグは、船舶が位置するブロックから航行方向に対して１つ前のブロック（直前ブロック）を、その船舶が通過したか否かを示す。本実施の形態では、直前ブロックを通過した場合、通過フラグとして「１」が設定され、直前ブロックを通過していない場合、通過フラグとして「０」が設定される。

レコード１２３ａ内の正解ラベルは、学習の際に目的変数として用いられるデータであり、航路に沿って航行し続けたか否かを示す。本実施の形態では、航路に沿って航行し続けた場合（正例の場合）、正解ラベルとして「１」が設定され、航路から逸脱した場合（負例の場合）、正解ラベルとして「０」が設定される。

図８は、航行状態の学習処理手順を示すフローチャートの例である。
まず、ステップＳ１１～Ｓ１４では、特徴量データ作成部１３１によって学習用のデータが作成される。

［ステップＳ１１］特徴量データ作成部１３１は、データ作成用の作業データとして、船舶データベース（ＤＢ）を作成する。
この処理ではまず、特徴量データ作成部１３１は、ＡＩＳ履歴データベース１２１に記憶されたＡＩＳデータの中から静的情報を抽出する。ここでは、静的情報として船舶ＩＤ、船種および船舶の長さが抽出されるものとする。特徴量データ作成部１３１は、船舶ＩＤ、船種および船舶の長さを１つのレコードとして船舶データベースに登録する。

静的情報には、データの欠損や値のバラツキが生じることがある。そこで、特徴量データ作成部１３１は、同一の船舶ＩＤが登録されたレコード群ごとに、船種および船舶の長さのそれぞれの代表値を算出する。例えば、特徴量データ作成部１３１は、同一船舶ＩＤのレコード群に含まれる船種の各値について頻度を算出し、頻度が最大の値を船種の代表値とする。船舶の長さについても、同様の手順によって代表値が算出される。特徴量データ作成部１３１は、同一船舶ＩＤのレコード群を１つのレコードに統合して、そのレコードの船種および船舶の長さとして、それぞれの代表値を登録する。

［ステップＳ１２］特徴量データ作成部１３１は、ＡＩＳ履歴データベース１２１に記憶されたＡＩＳデータに対する前処理を実行する。この前処理では、ベースとなる動的情報に対して静的情報と航行関連情報が統合される。

具体的には、特徴量データ作成部１３１は、ＡＩＳ履歴データベース１２１に記憶されたＡＩＳデータの中から動的情報を抽出する。特徴量データ作成部１３１は、特徴量データベース１２３に新規のレコードを作成し、抽出した動的情報に含まれる船舶ＩＤ、現在時刻、緯度、経度、対地針路、船首方位角および回頭角速度を、作成したレコードに登録する。

次に、特徴量データ作成部１３１は、ＡＩＳ履歴データベース１２１に記憶された、上記の動的情報と同じ船舶ＩＤが含まれる航行関連情報の中から、動的情報の現在時刻以前で最新の現在時刻を含む航行関連情報を抽出する。特徴量データ作成部１３１は、抽出した航行関連情報に含まれる行き先と喫水を上記のレコードに登録する。

さらに、特徴量データ作成部１３１は、上記の動的情報および航行関連情報と同じ船舶ＩＤが含まれるレコードを船舶データベースから抽出し、抽出したレコードに含まれる船種および船舶の長さを上記のレコードに登録する。

なお、動的情報および航行関連情報の項目の中に異常値や欠損値がある場合、特徴量データ作成部１３１は、項目ごとに事前に決められた方法（異常値判定ルールや欠損値補完ルールを用いた方法）により、異常値や欠損値を補完する。

特徴量データ作成部１３１は、上記の処理をＡＩＳ履歴データベース１２１に記憶された動的情報ごとに実行する。これにより、ＡＩＳ履歴データベース１２１に記憶されたＡＩＳデータから直接的に得られる特徴量データが特徴量データベース１２３に登録される。

［ステップＳ１３］特徴量データ作成部１３１は、特徴量データベース１２３に登録された各レコードに対して正解ラベルを登録するラベリング処理を実行する。以下、ラベリング処理の詳細について、図９を参照して説明する。

図９は、ラベリング処理の手順を示すフローチャートの例である。
［ステップＳ２１］特徴量データ作成部１３１は、特徴量データベース１２３の各レコードにブロックＩＤを登録する。この処理では、特徴量データ作成部１３１は、航路区画データベース１２３に登録されたブロックの中から、レコードに登録された緯度と経度が示す現在位置が含まれるブロックを判定し、そのブロックのブロックＩＤをレコードに登録する。なお、現在位置がいずれのブロックにも含まれない場合には、その旨を示す特定の値（ここでは「０」とする）がブロックＩＤとしてレコードに登録される。

［ステップＳ２２］特徴量データ作成部１３１は、ステップＳ２５までの正解ラベル登録処理ループを、船舶ＩＤごとに実行する。
［ステップＳ２３］特徴量データ作成部１３１は、処理対象の船舶ＩＤが登録されたレコードをまとめ、それらのレコードを現在時刻が早い順にソートする。

［ステップＳ２４］特徴量データ作成部１３１は、ソートされたレコードを先頭から順に選択していき、各レコードのデータについて正例（航路に沿って航行する）か負例（航路を逸脱する）かを判定する。特徴量データ作成部１３１は、正例と判定した場合、正解ラベルとして「１」を登録し、負例と判定した場合、正解ラベルとして「０」を登録する。

［ステップＳ２５］すべての船舶ＩＤについてステップＳ２３，Ｓ２４の処理が実行されると、正解ラベル登録処理ループが終了する。
ここで、図１０は、正例・負例の判定処理を説明するための第１の図である。特徴量データ作成部１３１は、次の条件１～３のすべてを満たす場合に、処理対象のレコードのデータを正例と判定する。なお、以下の説明では、処理対象のレコードを「レコードＲｘ」とする。

（条件１）レコードＲｘから時間的に後のレコードの中に、レコードＲｘのブロックＩＤが示す現ブロックから航行方向に２つ先のブロックを示すブロックＩＤが登録されたレコード（Ｒｙとする）が存在する。

（条件２）レコードＲｘとレコードＲｙとの間に、レコードＲｘのブロックＩＤおよび１つ先のブロックＩＤ以外のブロックＩＤが登録されたレコードが存在しない。
図１０には、特徴量データベース１２３のレコードの中から船舶ＩＤ「１」のレコードを抽出した場合を例示している。なお、図１０では、該当レコードが現在時刻の早い順にソートされている。

例えば、ブロックＩＤ「５」が登録されたレコードＲ１を処理対象とする。この場合、時間的に後のレコードの中に、２つ先のブロックを示すブロックＩＤ「７」が登録されたレコードＲ３が存在しており、上記の条件１が満たされている。また、レコードＲ１とレコードＲ３との間には、ブロックＩＤ「５」およびブロックＩＤ「６」以外のブロックＩＤが登録されたレコードが存在しないので、上記の条件２も満たされている。したがって、レコードＲ１のデータは正例と判定され、レコードＲ１の正解ラベルとして「１」が登録される。

また、例えば、ブロックＩＤ「６」が登録されたレコードＲ２を処理対象とする。この場合、時間的に後のレコードの中に、２つ先のブロックを示すブロックＩＤ「８」が登録されたレコードＲ５が存在しており、上記の条件１が満たされている。しかし、レコードＲ２とレコードＲ５との間には、ブロックＩＤ「６」およびブロックＩＤ「７」以外のブロックＩＤ「４９」が登録されたレコード（例えばレコードＲ４）が存在しており、上記の条件２は満たされない。これは、ブロックＩＤ「７」のブロックからブロックＩＤ「８」のブロックに到達する間に航路を逸脱したことを示している。この場合、レコードＲ２のデータは負例と判定され、レコードＲ２の正解ラベルとして「０」が登録される。

ところで、海域に対して航路が設定される場合には、航行方向に対して航路領域の両側の境界線が明確に規定されていない場合がある。一方、図５に示した航路領域に対するブロックの設定では、航路領域の両側の境界線が明確に規定されていない場合であっても、ある一定のルールにしたがってブロックの幅が設定される。例えば、前後のブロックの幅に基づいて現ブロックの幅を設定する、あるいはあらかじめ決められた一定の幅を設定する、といったルールが適用される。しかし、境界線が明確に規定されていない領域では、実際には一時的にブロックの外側にはみ出したとしても、その後に航路に沿って航行し続ける船舶も多い。特に、航路の屈曲部においては、ブロックに対して屈曲部の外側（例えば、左に屈曲する場合、右側）に膨らんで航行する場合が多い。

そこで、このように航行した船舶についても正例として判定できるようにするために、図９のラベリング処理が次のように変形されてもよい。
ここでは、航路区画データベース１２２に設定されたブロック（拡張されていないブロック）を「標準ブロック」と記載する。そして、この変形例では、標準ブロックをその中心線から幅方向（航行方向に対して垂直な方向）に所定倍に拡大した「拡張ブロック」が定義される。

図９のステップＳ２１では、あるレコードの緯度・経度に基づく現在位置が、標準ブロックの範囲に含まれるかだけでなく、拡張ブロックの範囲に含まれるかも判定される。ここでは、現在位置が標準ブロックの範囲に含まれる場合、ブロックＩＤとしてそのブロックのブロックＩＤがそのまま登録される。一方、現在位置が標準ブロックの範囲に含まれないが拡張ブロックの範囲に含まれる場合、ブロックＩＤとして、そのブロックのブロックＩＤに記号「Ｌ」を付加した番号が登録される。

そして、ステップＳ２３でレコードが現在時刻順にソートされた後、ステップＳ２４の実行前に、ブロックＩＤが拡張ブロックを示すレコード（ブロックＩＤに「Ｌ」が登録されたレコード）について、次のような修正処理が実行される。時間方向に見て、標準ブロックに挟まれている拡大ブロックは、標準ブロックと同様と判定される。この場合、レコードのブロックＩＤは、標準ブロックを示すように修正される。一方、拡張ブロックが登録されたレコードから、時間方向に見て少なくとも一方にブロック外を示すブロックＩＤ「０」が登録されたレコードが存在した場合、拡張ブロックを示すブロックＩＤは「０」に修正される。

以下、図１１、図１２を用いて、上記処理の具体例について説明する。なお、図１１、図１２では、図１０と同様に、特徴量データベース１２３のレコードの中から船舶ＩＤ「１」のレコードを抽出した場合を例示しており、抽出されたレコードが現在時刻の早い順にソートされている。

図１１は、正例・負例の判定処理を説明するための第２の図である。図１１の左側に示す例では、レコードＲ１３～Ｒ１５において、ブロックＩＤ「６」の拡張ブロックを示すブロックＩＤ「６Ｌ」が登録されている。しかし、これらのレコードＲ１３～Ｒ１５は、拡張ブロックに対応する標準ブロックを示すブロックＩＤ「６」が登録されたレコードＲ１２と、これに隣接する標準ブロックを示すブロックＩＤ「７」が登録されたレコードＲ１６とに挟まれている。

このケースでは、船舶は、ブロックＩＤ「６」のブロックから一時的に少しはみ出した後、航路領域に戻ったと推定される。そこで、特徴量データ作成部１３１は、図１１の右側に示すように、レコードＲ１３～Ｒ１５に登録されたブロックＩＤを、対応する標準ブロックを示すブロックＩＤ「６」に修正する。

これにより、船舶は、ブロックＩＤ「５」のブロック、ブロックＩＤ「６」のブロック、ブロックＩＤ「７」のブロックの順に航行したと見なされる。したがって、図９のステップＳ２４では、例えばブロックＩＤ「５」が登録されたレコードＲ１１について、上記の条件１～３がいずれも満たされることになり、正解ラベルとして「１」が登録される。

図１２は、正例・負例の判定処理を説明するための第３の図である。図１２の左側に示す例では、レコードＲ２３，Ｒ２５において、ブロックＩＤ「６」の拡張ブロックを示すブロックＩＤ「６Ｌ」が登録されている。また、レコードＲ２３より時間的に前のレコードＲ２２には、ブロックＩＤ「６Ｌ」に対応する標準ブロックを示すブロックＩＤ「６」が登録されており、レコードＲ２５より時間的に後のレコードＲ２６には、ブロックＩＤ「６Ｌ」の拡張ブロックの次の標準ブロックを示すブロックＩＤ「７」が登録されている。しかし、レコードＲ２３，Ｒ２５に隣接するレコードＲ２４には、ブロック外を示すブロックＩＤ「０」が登録されている。

このケースでは、船舶は、ブロックＩＤ「６」のブロックから一時的に大きくはみ出した後、航路領域に戻ったと推定される。航路領域から大きくはみ出しているので、航路に沿って航行したと見なすのは適切でない。そこで、特徴量データ作成部１３１は、図１２の右側に示すように、レコードＲ２３，Ｒ２５に登録されたブロックＩＤを、ブロック外を示すブロックＩＤ「０」に修正する。これにより、図９のステップＳ２４では、例えばブロックＩＤ「５」が登録されたレコードＲ２１について、上記の条件２が満たされなくなり、正解ラベルとして「０」が登録される。

以下、図８を参照しながら説明を続ける。
［ステップＳ１４］特徴量データ作成部１３１は、ステップＳ１２で未登録である残りの特徴量データを算出し、特徴量データベース１２３に登録する。具体的には、曜日、時間帯、ブロックＩＤ、進入時ブロックＩＤ、および直前ブロックの通過フラグが算出され、特徴量データベース１２３の各レコードに登録される。

なお、進入時ブロックＩＤとしては、ソートされたレコードのうち先頭レコードに登録されたブロックＩＤが登録されればよい。また、直前ブロックの通過フラグは、処理対象のレコードから時間的に前のレコードの中に、処理対象のレコードのブロックＩＤより１だけ小さいブロックＩＤが登録されたレコードが存在する場合に、「１」が登録されればよい。

次に、ステップＳ１５では、航行状態学習部１３２による学習が実行される。
［ステップＳ１５］航行状態学習部１３２は、特徴量データベース１２３からブロックＩＤが「０」でないレコードを読み込む。航行状態学習部１３２は、読み込んだ各レコード内の特徴量データを説明変数とし、二値の正解ラベルを目的変数として機械学習を実行し、正例、負例の各分類に属する確率値を算出する予測モデルを作成する。航行状態学習部１３２は、作成された予測モデルのデータを予測モデルデータ１２４として記憶部１２０に格納する。

このステップＳ１５では、例えば、ランダムフォレスト、勾配ブースティング、ロジスティック回帰などを用いた機械学習が実行される。これらのうち、特にランダムフォレストは、図７に示したように多数の種類の特徴量データを用いて学習する場合に好適である。ランダムフォレストでは、複数の種類の特徴量データの組み合わせを考慮したモデルが自動的に作成される。そのため、例えば、船舶の長さが短くて高速な場合には、振れ幅が小さくても航路から外れる可能性が高い、といった学習を実行することが可能となる。

また、ランダムフォレストは、ノンパラメトリックな手法であり、特徴量の分布に関する特別な仮定や制約がない。例えば、対地針路や船首方位角などの角度情報は、「－１８０度と１８０度が実質的に同じ状態を示す」「３５９度と０度との差は１度である」といった循環構造を有している。このため、パラメトリックな手法を用いる場合、適切な変数変換が必要となる。しかし、ランダムフォレストでは、元の値をそのまま入力しても大きな問題は生じない。

また、ＡＩＳデータの多くの項目には、欠損値が含まれる場合がある。欠損値の発生に対しては一般的に、他のレコードに基づいて補完するか、または欠損値を含むレコードを使用しないという方法が用いられる。ランダムフォレストでは、ノンパラメトリックな手法であるために、前者の方法でも十分に機能する。このため、欠損値の扱いが容易であり、得られているレコードを有効活用できるようになる。なお、上記の特徴は、ランダムフォレストの他に勾配ブースティングにもあてはまる特徴である。

ところで、上記のように、特徴量データベース１２３に記憶される情報は、過去に実際に航行した船舶からのＡＩＳデータに基づいて作成される。実際に船舶が航行する場合、航路に沿って航行する船舶より、航路から逸脱する船舶の方が圧倒的に少ない。このため、特徴量データベース１２３においても、正例のレコードより負例のレコードの方が圧倒的に少ない。したがって、負例の割合が少なすぎる学習データを用いて学習を実行すると、作成された予測モデルの精度が低下する可能性が高い。

このことから、航行状態学習部１３２は、特徴量データベース１２３に記憶された正例のレコードをアンダーサンプリングして学習を実行することが望ましい。例えば、航行状態学習部１３２は、正例のレコード数が負例の２０倍程度になるように、正例のレコードを間引きして取得して学習に利用する。

＜航行監視処理＞
次に、航行中の船舶を監視する航行監視処理について説明する。
図１３は、航行監視処理の全体の手順を示すフローチャートの例である。図１３の処理は、現在航行中の複数の船舶の中から船舶ペアを抽出し、船舶ペアごとの衝突危険性を判定するものである。航行中の船舶とは、ＡＩＳデータが無線通信装置１０１で受信されている船舶を指す。

まず、ＡＩＳデータ取得部１４１によって航行中の各船舶から取得されたＡＩＳデータに基づいて、衝突危険性判定部１４２により、各船舶ペアについての衝突危険性が判定される（ステップＳ３１）。この処理では、航行中のすべての船舶の中から、船舶ペアの組み合わせがすべて抽出され、抽出されたすべての船舶ペアについての衝突危険性が判定される。判定結果としては、各船舶ペアについて、衝突危険性の度合いを示す定量指標である衝突危険度が出力される。あるいは、判定結果としては、各船舶ペアについて、衝突危険性の有無を示す二値データが出力されてもよい。後者の場合、船舶ペアの中から、衝突危険性があると判定された船舶ペアが特定されて出力されてもよい。衝突危険性判定部１４２によるこれらの処理は、既存手法を用いて実行される。

また、このような衝突危険性の判定処理と並行して、航行状態予測部１４４によって航行中の各船舶についての航行状態が予測される（ステップＳ３２）。この処理では、船舶からのＡＩＳデータに基づき、特徴量データ作成部１４３によって船舶の特徴量データが作成される。特徴量データの作成方法は、特徴量データ作成部１３１による学習時の作成方法と同様である。航行状態予測部１４４は、作成された特徴量データを予測モデルデータ１２４に基づく予測モデルに入力することで、船舶が航路に沿って航行する度合いを示す航行状態指標を出力する。

そして、最終段の処理として、衝突危険性判定部１４２によって船舶ペアごとに判定された衝突危険性の判定結果が、航行状態予測部１４４によって船舶ペアに含まれる各船舶について予測された航行状態の予測結果を用いて、補正される（ステップＳ３３）。特に、本実施の形態では、前者の判定により衝突危険度が高い、または衝突危険性があると誤判定される可能性を抑制するために、後者の予測結果を用いた補正が行われる。

次に、衝突危険性判定部１４２による衝突危険性の判定処理（図１３のステップＳ３１）について説明する。衝突危険性判定部１４２は、例えば、以下の判定法１～３のいずれかを用いて衝突危険性を判定する。

（判定法１）延長ベクトルを用いた判定法
図１４は、延長ベクトルを用いた衝突危険性の判定処理を示す図である。なお、図１４（Ａ）は、船舶ペアの延長ベクトルについての第１の例を示し、図１４（Ｂ）は、船舶ペアの延長ベクトルについての第２の例を示す。

延長ベクトルは、船舶の針路（本実施の形態では対地針路）と同じ方向（方位角）を有し、船舶の現在位置から、船舶が現在の速度を維持した状態で所定時間（一般的には５分）後に到達する位置までの距離を大きさとして有するベクトルである。図１４（Ａ）では、船舶２２１の延長ベクトルＶ１と、船舶２２２の延長ベクトルＶ２とを例示している。図１４（Ｂ）では、船舶２２３の延長ベクトルＶ３と、船舶２２４の延長ベクトルＶ４とを例示している。

延長ベクトルを用いた衝突危険性の判定処理では、船舶ペアのそれぞれの延長ベクトルが交差する場合に、衝突危険性があると判定される。図１４（Ａ）では、延長ベクトルＶ１，Ｖ２が交差しており、船舶２２１，２２２の間で衝突危険性があると判定される。図１４（Ｂ）では、延長ベクトルＶ３，Ｖ４が交差しており、船舶２２３，２２４の間で衝突危険性があると判定される。

（判定法２）ＯＺＴを用いた判定法
図１５は、ＯＺＴを用いた衝突危険性の判定処理を示す図である。ＯＺＴ（航行妨害ゾーン）は、ある船舶が針路を変更したと仮定した場合に、周囲を航行する他の船舶（相手船）と衝突する可能性のある領域を指す。ＯＺＴは、各船舶の位置、対地針路および対地船速などに基づいて算出される。例えば、自船と相手船とが同じ位置に同時に存在する確率が船速などの計測誤差を考慮して計算され、その確率が所定の閾値以上になった領域がＯＺＴと判定される。

図１５の例では、船舶２２５と相手船としての船舶２２６との間でＯＺＴ２３１が検出されている。このようなＯＺＴ２３１が検出された場合に、船舶２２５，２２６のペア間において衝突危険性があると判定されてもよい。

（判定法３）ＴＣＰＡ，ＤＣＰＡを用いた判定法
図１６は、ＤＣＰＡ，ＴＣＰＡを用いた衝突危険性の判定処理を示す図である。上記の判定法１，２では、衝突危険性の有無を示す二値データが出力される。これに対して、ＤＣＰＡやＴＣＰＡを用いることで、衝突危険性の度合いを示す定量指標（衝突危険度）を算出する方法がある。

この方法では、船舶ペアのそれぞれの航行記録データに基づく相対運動から、相手船が自船に最も近づく最接近点（ＣＰＡ）が求められる。そして、自船からＣＰＡまでの最接近距離（ＤＣＰＡ）と、相手船がＣＰＡに到達するまでの時間を示す最接近時間（ＴＣＰＡ）とが算出される。図１６では、船舶２２７とその相手船である船舶２２８との間でＣＰＡ２３２が検出され、ＤＣＰＡとして距離Ｄが算出された場合を例示している。

ＤＣＰＡとＴＣＰＡの少なくとも一方を用いて衝突危険度を算出することができる。基本的に、ＤＣＰＡが短いほど、またＴＣＰＡが短いほど、衝突危険度として高い値が出力される。また、ＤＣＰＡとＴＣＰＡとを組み合わせて衝突危険度を算出する技術としては、例えば、「久保田崇・河口信義（平成２１年）、航海者の意思決定・行動モデルに関する研究ＩＩ－総合的な主観的衝突のおそれ－、日本航海学会論文集２２年３月、Ｐ．２１－２６」「Chin, Hoong Chor & Debnath, Ashim (2009). Modeling perceived collision risk in port water navigation. Safety Science, 47(10), pp. 1410-1416.」などがある。

ところで、延長ベクトルやＤＣＰＡ、ＴＣＰＡ、ＯＺＴは、基本的に船舶が直線的に航行することを想定して求められる情報である。上記の判定法１～３は、これらの情報に基づく方法であるため、特に屈曲した航路において船舶ペアのそれぞれが航行している場合に、判定精度が悪化するという問題がある。

例えば、図１４（Ａ）では、屈曲した航路領域２２０において船舶２２１，２２２が同じ方向に航行している場合を例示している。図１４（Ａ）の左側に示す状態では、船舶２２１の延長ベクトルＶ１と船舶２２２の延長ベクトルＶ２とが交差しているため、船舶２２１，２２２の間で衝突可能性があると判定される。しかし、船舶２２１，２２２がともに航路に沿って航行している場合には、図１４（Ａ）の右側の例のように、船舶２２１，２２２が衝突することはなく、延長ベクトルＶ１，Ｖ２が交差する状態もやがて解消される。

また、図１４（Ｂ）では、同じ航路領域２２０において船舶２２３，２２４が対向して航行している場合を例示している。図１４（Ｂ）の左側に示す状態では、船舶２２３の延長ベクトルＶ３と船舶２２４の延長ベクトルＶ４とが交差しているため、船舶２２３，２２４の間で衝突可能性があると判定される。しかし、船舶２２３，２２４がともに航路に沿って航行している場合には、図１４（Ｂ）の右側の例のように、船舶２２３，２２４は衝突せずにすれ違い、延長ベクトルＶ３，Ｖ４が交差する状態もやがて解消される。

このように、延長ベクトルは針路方向に直線的に伸びるベクトルであるので、航路の屈曲部に船舶ペアが同時に差し掛かった場合には、衝突せずに安全に航行している状態であっても互いの延長ベクトルが一時的に交差する可能性がある。このため、衝突せずに安全に航行している船舶ペアを、衝突可能性があるとして誤検出してしまう場合がある。特に、延長ベクトルを用いた判定法は、航路上の船舶と、航路を横切る船舶との衝突危険性を検出する精度が高い。しかし、航路の屈曲部においては、このように船舶が航路を横切ることで衝突危険性が発生するケースと、両方の船舶が航路に沿っているケースとを区別することが難しいという特徴がある。

また、図１５では、同じ航路領域２２０において船舶２２５，２２６が対向して航行している場合を例示している。図１５の左側に示す状態では、船舶２２５と船舶２２６との間でＯＺＴ２３１が検出されている。しかし、船舶２２５，２２６がともに航路に沿って航行している場合には、図１５の右側の例のように、船舶２２５，２２６は衝突せずにすれ違う。

ＯＺＴは、現時刻で一方の船舶が針路を変更した場合が想定され、当該船舶のその後の移動は直線移動として推定される。図１５の例のように、航路の屈曲部の手前に差し掛かった船舶同士でＯＺＴを算出すると、現在地から針路を変更した先に危険な領域が検出される。しかし、各船舶が航路に沿っている場合には、もう少し進んでから針路を変更することになるため、検出された危険領域に各船舶が進入することはない。したがって、本来警戒する必要のない危険領域が検出されて、その検出結果から衝突危険性があると誤判定されてしまう場合がある。

さらに、図１６では、同じ航路領域２２０において船舶２２７，２２８が対向して航行している場合を例示している。図１６の左側に示す状態では、船舶２２７と船舶２２８との間でＤＣＰＡとして距離Ｄが算出されているが、この距離Ｄは短く、衝突危険度として比較的高い値が算出される。しかし、船舶２２７，２２８がともに航路に沿って航行している場合には、図１６の右側の例のように、船舶２２７，２２８は衝突せずにすれ違う。

ＤＣＰＡやＴＣＰＡは、現在地から針路と速度が維持されることを前提に算出される。このため、図１６の例のように、航路の屈曲部では値が小さくなりやすく、衝突危険度が高く算出されやすい。

以上のように、判定法１～３では、屈曲した航路において船舶ペアのそれぞれが航行している場合に、衝突危険性があると誤判定されやすい、あるいは衝突危険度が実際より高く算出されやすい、という問題がある。そこで、本実施の形態では、航行状態予測部１４４による予測結果を用いて衝突危険性判定部１４２による判定結果を補正することで、判定精度を向上させる。航行状態予測部１４４では、各船舶が航路に沿って航行するか否かの判定結果、または航路に沿って航行する度合い（可能性）を示す航行状態指標が算出される。

例えば、上記のように船舶ペアについて衝突危険性があると誤判定された場合でも、各船舶が航路に沿っている場合には衝突危険性がないと判定し直すことができる。また、例えば、上記のように船舶ペアについての衝突危険度が実際より高く算出された場合でも、各船舶についての航行状態指標が高い（航路に沿って航行し続ける可能性が高い）場合には、衝突危険度を低く補正することができる。このようにして、衝突危険性の誤判定や衝突危険度が実際より高く算出される事態の発生可能性を抑制する。

次に、航行状態予測部１４４による航行状態の判定処理（図１３のステップＳ３２）について説明する。
図１７は、航行状態予測処理の手順を示すフローチャートの例である。

［ステップＳ４１］特徴量データ作成部１４３は、航行中の船舶から送信されたＡＩＳデータをＡＩＳデータ取得部１４１から取得し、そのＡＩＳデータに対する前処理を実行する。この前処理では、特徴量データ作成部１４３は、ベースとなる動的情報に対して静的情報および航行関連情報を統合し、１つの特徴量データレコードを作成する。

すなわち、送信された動的情報に含まれる船舶ＩＤ、現在時刻、緯度、経度、対地針路、船首方位角および回頭角速度が、新規の特徴量データレコードに登録される。また、同じ船舶ＩＤが含まれる最新の航行関連情報から行き先および喫水が抽出され、同じ特徴量データレコードに登録される。さらに、同じ船舶ＩＤが含まれる最新の静的情報から船種および船舶の長さが抽出され、同じ特徴量データレコードに登録される。なお、静的情報に関しては、学習時と同様に、現在時刻までに送信された同じ船舶ＩＤを含む複数の静的情報に基づいて、データの欠損や値のバラツキが補正された上で特徴量データレコードに登録されてもよい。

［ステップＳ４２］特徴量データ作成部１４３は、航路区画データベース１２２に登録されたブロックの中から、特徴量データレコードに登録された緯度と経度が示す現在位置が含まれるブロックを判定し、そのブロックのブロックＩＤを特徴量データレコードに登録する。なお、現在位置がいずれのブロックにも含まれない場合には、その旨を示す特定の値（ここでは「０」）がブロックＩＤとして特徴量データレコードに登録される。

［ステップＳ４３］特徴量データ作成部１４３は、ステップＳ４１，Ｓ４２で未登録である残りの特徴量データを算出し、特徴量データレコードに登録する。具体的には、曜日、時間帯、ブロックＩＤ、進入時ブロックＩＤ、および直前ブロックの通過フラグが算出され、特徴量データレコードに登録される。

なお、進入時ブロックＩＤと直前ブロックの通過フラグは、特徴量データベース１２５に蓄積されたレコードのうち、特徴量データレコードに登録された船舶ＩＤが登録されたレコードのデータに基づいて算出される。また、特徴量データ作成部１４３は、すべての特徴量データが登録された特徴量データレコードを、特徴量データベース１２５に新規レコードとして追加登録する。

なお、後述するように、航行状態に学習時には、図７に例示した特徴量データの一部のみが利用されてもよい。ステップＳ４１～Ｓ４３では、学習時に作成された特徴量データと同じ種類の特徴量データが作成される。

［ステップＳ４４］このステップＳ４４は、特徴量データレコードのブロックＩＤが「０」でない場合に実行される。航行状態予測部１４４は、予測モデルデータ１２４に基づく予測モデルに対して特徴量データレコード内の特徴量データを入力して、該当する船舶が航路に沿って航行するかを予測する。この処理により、少なくとも、船舶が航路に沿って航行する確率（航行状態指標）が算出される。これに加えて、船舶が航路に沿って航行しない（航路を逸脱する）確率が算出されてもよい。

また、航行状態予測部１４４は、算出された確率に基づいて、船舶が航路に沿って航行するか否かを示す二値判定値を出力してもよい。この二値判定値は、例えば、航行状態指標が所定の閾値を超えるか否かによって算出される。航行状態指標が閾値を超える場合、二値判定値は、船舶が航路に沿って航行するという判定結果を示す「１」に設定され、航行状態指標が閾値以下の場合、二値判定値は、船舶が航路に沿って航行しない（航路を逸脱する）という判定結果を示す「０」に設定される。

ここで、航行状態の予測に対する特徴量データの寄与について説明する。
図７に示した特徴量データについては、そのすべてが予測モデルの学習、および予測モデルを用いた予測に対して必須であるという訳ではない。ただし、特徴量データとして、少なくとも、船舶の方向を示す方向情報と船舶の位置を示す位置情報とが利用される。これにより、船舶の方向と位置との関係を考慮した予測モデルが生成され、この予測モデルを用いることで、航路が屈曲しているか否かに関係なく、一定以上の精度で予測することが可能になる。したがって、船舶が航路に沿って航行するかを精度よく予測できる。

方向情報としては、例えば、対地針路と船首方位角の少なくとも一方が利用される。ただし、船舶の方向をより精度よく捉えた対地針路の方が、予測精度に対して大きく寄与する。

また、位置情報としては、ブロックＩＤと緯度・経度の少なくとも一方が利用される。ただし、これらの両方を用いることで、ブロックの領域における船舶の相対位置を考慮した予測モデルが生成される。例えば、ブロックの中心付近を通過する方が、ブロックにおける航行方向に対して外側（左右方向）の位置を通過する場合より、その後も航路に沿って航行する可能性が高くなる。ブロックＩＤと緯度・経度の両方が利用されることで、このような特性を考慮した高精度な予測が可能となる。

また、緯度と経度は必ずしも両方が利用されなくてもよく、一方のみが利用されてもよい。例えば、図５の例のように南北に延びる航路においては、緯度より経度の方が予測精度に対して大きく寄与する。これは、上記のように、船舶がブロックの中央を通過したか、あるいは航行方向に対して外側（この場合は東西方向）の位置を通過したかによって、航路に沿って航行し続ける可能性が変わるという特性が考慮されるからである。したがって、例えば、南北に延びる航路においては、緯度と経度のうち経度のみが特徴量データとして利用されてもよい。

また、その他の特徴量データとしては、例えば、行き先の寄与度が比較的高い。例えば、図５の例のように途中で航路が分岐する場合に、分岐の直前のブロックにおいては行き先が予測精度の向上に大きく寄与する。

また、進入時ブロックＩＤや直前ブロックの通過フラグは、直近の航行パターンを示す情報であるので、予測精度に対する寄与度が比較的高い。すなわち、進入時ブロックＩＤや直前ブロックの通過フラグが利用されることで、直近の航行パターンを考慮した予測モデルが生成される。

また、例えば、船種や船舶の長さ、喫水など、船舶の大きさに関係する情報も比較的大きく寄与度する。これは、船舶の大きさによって航行パターンが異なるからである。すなわち、これらのデータが利用されることで、船舶の大きさに応じた航行パターンの違いを考慮した予測モデルが生成される。

次に、判定結果補正部１４５による判定結果の補正処理（図１３のステップＳ３３）について説明する。この補正処理では、衝突危険性判定部１４２による衝突危険性の判定結果が、航行状態予測部１４４による航行状態の予測結果によって補正される。

ここではまず、衝突危険性判定部１４２によって船舶ペアの衝突危険度が算出され、航行状態予測部１４４によって船舶ペアに含まれる各船舶の航行状態指標が算出される場合について、図１８を参照して説明する。

図１８は、衝突危険度の補正処理手順を示すフローチャートの例である。
［ステップＳ５１］判定結果補正部１４５は、衝突危険性判定部１４２によって衝突危険度が算出された船舶ペアの中から、１組を選択し、選択した船舶ペアの衝突危険度を取得する。

［ステップＳ５２］判定結果補正部１４５は、選択した船舶ペアに含まれる各船舶についての航路状態指標を取得し、取得した航路状態指標によって衝突危険度を補正する。例えば、次の式（１）を用いて補正が行われる。
Ｒ_adj＝（１－α）×Ｒ_org×（１－Ｐ_A×Ｐ_B）＋α×Ｒ_org ・・・（１）
式（１）において、Ｒ_orgは、船舶ペアについての補正前の衝突危険度を示し、Ｒ_adjは、補正後の衝突危険度を示す。Ｐ_Aは、船舶ペアに含まれる一方の船舶についての航行状態指標を示し、Ｐ_Bは、他方の船舶についての航行状態指標を示す。ただし、Ｒ_org，Ｐ_A，Ｐ_Bは、いずれも０以上１以下の値に正規化した状態で式（１）に代入されるものとする。αは、任意に設定される重み係数であり、０以上１以下の値をとる。

［ステップＳ５３］判定結果補正部１４５は、衝突危険性判定部１４２によって衝突危険度が算出されたすべての船舶ペアがステップＳ５１で選択済みかを判定する。未選択の船舶ペアがある場合、処理がステップＳ５１に進められ、未選択の船舶ペアの中から１組が選択される。一方、未選択の船舶ペアがない場合、補正処理が終了する。

以上の処理によれば、船舶が航路に沿って航行する確率を示す航行状態指標が高いほど、衝突危険度が低下するように補正される。これにより、航路の屈曲部などを航行中の船舶ペアについて衝突危険性があると誤判定される可能性を低減でき、衝突危険性の判定精度を向上させることができる。

なお、式（１）を用いた上記補正方法は一例であって、これに限定されるものではない。
次に、衝突危険性判定部１４２によって船舶ペアの衝突危険性の有無が判定され、航行状態予測部１４４によって船舶ペアに含まれる各船舶が航路に沿って航行するかを示す二値判定値が算出される場合について、図１９を参照して説明する。

図１９は、衝突危険性の有無の判定結果に対する補正処理手順を示すフローチャートの例である。この図１９では、現在航行中の船舶の中から、衝突危険性がある（高い）と判定される船舶ペアを出力する場合について説明する。図１９の処理の開始時においては、衝突危険性判定部１４２によって衝突危険性があると判定された各船舶ペアを示す情報が、記憶部１２０に記憶された図示しない船舶ペア情報に登録されているとする。

［ステップＳ６１］判定結果補正部１４５は、衝突危険性判定部１４２によって衝突危険性があると判定された船舶ペアの中から、１組を選択する。
［ステップＳ６２］判定結果補正部１４５は、選択した船舶ペアに含まれる各船舶についての、航路に沿っているか否かを示す二値判定値を、航行状態予測部１４４から取得する。判定結果補正部１４５は、取得した二値判定値に基づき、船舶ペアに含まれる両方の船舶が航路に沿っているかを判定する。両方の船舶が航路に沿っている場合、処理がステップＳ６３に進められ、少なくとも一方の船舶が航路に沿っていない場合、処理がステップＳ６４に進められる。

［ステップＳ６３］判定結果補正部１４５は、ステップＳ６１で選択した船舶ペアを、上記の船舶ペア情報から除外する。
［ステップＳ６４］判定結果補正部１４５は、衝突危険性判定部１４２によって衝突危険性があると判定されたすべての船舶ペアがステップＳ６１で選択済みかを判定する。未選択の船舶ペアがある場合、処理がステップＳ６１に進められ、未選択の船舶ペアの中から１組が選択される。一方、未選択の船舶ペアがない場合、処理がステップＳ６５に進められる。

［ステップＳ６５］判定結果補正部１４５は、船舶ペア情報内に残った船舶ペアを、衝突危険性がある船舶のペアとして最終的に出力する。例えば、判定結果補正部１４５は、これらの船舶ペアを示す情報が描画された表示情報を生成し、航行監視装置１０２または他の装置（例えば、航行中の船舶に搭載された装置）に表示情報を送信して、その装置に表示情報に基づく画像を表示させる。

以上の処理によれば、衝突危険性判定部１４２によってある船舶ペアについて衝突危険性があると判定された場合でも、船舶ペアに含まれる両方の船舶が航行状態予測部１４４によって航路に沿って航行すると予測された場合には、衝突危険性がないと判定される。これにより、航路の屈曲部などを航行中の船舶ペアについて衝突危険性があると誤判定される可能性を低減でき、衝突危険性の判定精度を向上させることができる。

なお、上記の補正方法は一例であり、これに限定されるものではない。例えば、上記の判定法２によるＯＺＴの判定結果に対する補正は、次のように行うこともできる。ある船舶と相手船との間でＯＺＴが検出された場合、それら２つの船舶についての二値判定値が航行状態予測部１４４から取得される。二値判定値から、両方の船舶が航路に沿っていると判定された場合、ＯＺＴが誤検出されたと判定され、判定結果が「ＯＺＴなし」に変更される。

〔第３の実施の形態〕
上記の第２の実施の形態では、航路領域上のすべてのブロックについて共通の予測モデルが作成され、この予測モデルを用いて航行中の船舶の航行状態が予測された。これに対して、以下の第３の実施の形態では、ブロックごとに個別の予測モデルが作成される。

図２０は、第３の実施の形態における航行監視装置が備える処理機能の構成例を示す図である。なお、図２０では、図４と同じ処理機能やデータには同じ符号を付して示しており、それらの説明を省略する。

図２０に示す航行監視装置１０２ａは、図４に示した航行監視装置１０２が備える処理機能のうち、航行状態学習部１３２の代わりに航行状態学習部１３２ａを備え、航行状態予測部１４４の代わりに航行状態予測部１４４ａを備える。また、記憶部１２０には、全ブロックで共通の予測モデルデータ１２４の代わりに、それぞれ異なるブロックに対応する予測モデルデータ１２４ａ，１２４ｂ，１２４ｃ，・・・が記憶される。

航行状態学習部１３２ａは、特徴量データベース１２３に登録されたレコードをブロックＩＤごとに読み込み、同じブロックＩＤが登録されたレコードを用いた学習により、そのブロックＩＤに対応する予測モデルを作成する。これにより、ブロックごとの予測モデルを示す予測モデルデータ１２４ａ，１２４ｂ，１２４ｃ，・・・が作成され、記憶部１２０に格納される。

航行状態予測部１４４ａは、予測対象の船舶についての特徴量データレコードを取得すると、その特徴量データレコードからブロックＩＤを読み出す。航行状態予測部１４４ａは、記憶部１２０に記憶された予測モデルデータ１２４ａ，１２４ｂ，１２４ｃ，・・・の中から、読み出したブロックＩＤに対応する予測モデルデータを取得する。航行状態予測部１４４ａは、取得した予測モデルデータに基づく予測モデルに対して、特徴量データレコードに含まれる特徴量データを入力して、船舶の航路状態を予測する。

図２１は、第３の実施の形態における航行状態の学習処理手順を示すフローチャートの例である。図２１では、図８と同じ処理内容のステップには同じステップ番号を付して示し、それらの説明を省略する。

［ステップＳ１５ａ］航行状態学習部１３２ａは、ステップＳ１５ｃまでの学習処理ループをブロックＩＤごとに実行する。
［ステップＳ１５ｂ］航行状態学習部１３２ａは、特徴量データベース１２３から、処理対象のブロックＩＤが登録されたレコードを読み込む。航行状態学習部１３２ａは、読み込んだ各レコード内の特徴量データを説明変数とし、二値の正解ラベルを目的変数として機械学習を実行し、正例、負例の各分類に属する確率値を算出する予測モデルを作成する。ただし、各レコード内の特徴量データのうち、ブロックＩＤは機械学習に利用されない。航行状態学習部１３２ａは、作成された予測モデルのデータを予測モデルデータとして記憶部１２０に格納する。なお、機械学習の手法としては、例えば、図８のステップＳ１５と同様にランダムフォレスト、勾配ブースティング、ロジスティック回帰などを用いることができる。

［ステップＳ１５ｃ］ブロックＩＤ「０」以外のすべてのブロックＩＤについてステップＳ１５ｂの処理が実行されると、学習処理ループが終了する。
図２２は、第３の実施の形態における航行状態予測処理の手順を示すフローチャートの例である。図２２では、図１７と同じ処理内容のステップには同じステップ番号を付して示し、それらの説明を省略する。

［ステップＳ４４ａ］このステップＳ４４ａ以降の処理は、特徴量データレコードのブロックＩＤが「０」でない場合に実行される。航行状態予測部１４４ａは、特徴量データレコードからブロックＩＤを読み出し、記憶部１２０に記憶された予測モデルデータ１２４ａ，１２４ｂ，１２４ｃ，・・・の中から、読み出したブロックＩＤに対応する予測モデルデータを選択する。

［ステップＳ４４ｂ］航行状態予測部１４４ａは、選択した予測モデルデータに基づく予測モデルに対して特徴量データレコード内の特徴量データを入力して、該当する船舶が航路に沿って航行するかを予測する。ただし、特徴量データレコード内の特徴量データのうち、ブロックＩＤは予測モデルに入力されない。

図１７のステップＳ４４と同様に、上記のステップＳ４４ｂでは、少なくとも、船舶が航路に沿って航行する確率（航行状態指標）が算出される。これに加えて、船舶が航路に沿って航行しない（航路を逸脱する）確率が算出されてもよい。また、航行状態予測部１４４ａは、算出された確率に基づいて、船舶が航路に沿って航行するか否かを示す二値判定値を出力してもよい。

以上の第３の実施の形態では、第２の実施の形態のようなブロック共通の予測モデルを、特徴量としてブロックＩＤを利用して学習した場合と、ほぼ同様の予測精度を得ることができる。また、ブロック別の予測モデルのそれぞれの学習に利用される学習データの数が少なくなるため、全体として学習に要する時間を短縮できる可能性が高い。

また、例えば、航路領域上のブロックのうち、屈曲部など、衝突危険性の判定精度が低くなる領域のブロックについてのみ、予測モデルが作成されてもよい。そして、そのブロックに到達した船舶についてのみ、対応する予測モデルを用いて航行状態が予測され、衝突危険性が航行状態の予測結果を用いて補正されてもよい。

なお、上記の各実施の形態に示した装置（例えば、航行監視装置１０，１０２，１０２ａ）の処理機能は、コンピュータによって実現することができる。その場合、各装置が有すべき機能の処理内容を記述したプログラムが提供され、そのプログラムをコンピュータで実行することにより、上記処理機能がコンピュータ上で実現される。処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体に記録しておくことができる。コンピュータで読み取り可能な記録媒体としては、磁気記憶装置、光ディスク、半導体メモリなどがある。磁気記憶装置には、ハードディスク装置（ＨＤＤ）、磁気テープなどがある。光ディスクには、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、ブルーレイディスク（Blu-ray Disc：ＢＤ、登録商標）などがある。

プログラムを流通させる場合には、例えば、そのプログラムが記録されたＤＶＤ、ＣＤなどの可搬型記録媒体が販売される。また、プログラムをサーバコンピュータの記憶装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することもできる。

プログラムを実行するコンピュータは、例えば、可搬型記録媒体に記録されたプログラムまたはサーバコンピュータから転送されたプログラムを、自己の記憶装置に格納する。そして、コンピュータは、自己の記憶装置からプログラムを読み取り、プログラムにしたがった処理を実行する。なお、コンピュータは、可搬型記録媒体から直接プログラムを読み取り、そのプログラムにしたがった処理を実行することもできる。また、コンピュータは、ネットワークを介して接続されたサーバコンピュータからプログラムが転送されるごとに、逐次、受け取ったプログラムにしたがった処理を実行することもできる。

１０ 航行監視装置
１１ 記憶部
１１ａ 予測モデル
１２ 処理部
２０ 海図
２１ 航路領域
２２ 船舶

Claims (13)

1. コンピュータに、
   航行中の船舶の方向を示す方向情報および位置を示す位置情報を取得し、
   過去に航行した複数の船舶のそれぞれについての前記方向情報および前記位置情報と、前記複数の船舶のそれぞれが航路に沿って航行したか否かを示す正解ラベルとを用いた機械学習によって作成された予測モデルに対して、取得した前記方向情報および前記位置情報を入力することで、前記航行中の船舶が航路に沿って航行するかを予測する、
   処理を実行させる航行監視プログラム。
2. 前記位置情報は、航路に沿った所定幅の航路領域を航行方向に対して多角形の形状に分割することで設定された複数の区画のうち、船舶が位置する区画を示す区画情報を含む、
   請求項１記載の航行監視プログラム。
3. 前記位置情報は、前記区画情報と、緯度または経度の少なくとも一方とを含む、
   請求項２記載の航行監視プログラム。
4. 前記正解ラベルは、前記複数の船舶のうち対応する船舶が、前記複数の区画のうち現在位置する区画から航行方向に対して所定数先の区画に到達した場合に、正解を示す値に設定される、
   請求項２または３記載の航行監視プログラム。
5. 前記方向情報は、対地針路を含む、
   請求項１乃至４のいずれか１項に記載の航行監視プログラム。
6. 前記予測モデルは、前記方向情報および前記位置情報に加えて、船舶の行き先を示す行き先情報を利用して生成され、
   前記予測では、前記方向情報および前記位置情報に加えて、前記航行中の船舶についての前記行き先情報が前記予測モデルに入力される、
   請求項１乃至５のいずれか１項に記載の航行監視プログラム。
7. 前記予測モデルは、前記方向情報および前記位置情報に加えて、船舶の直近の航行パターンを示す航行パターン情報を利用して生成され、
   前記予測では、前記方向情報および前記位置情報に加えて、前記航行中の船舶についての前記航行パターン情報が前記予測モデルに入力される、
   請求項１乃至６のいずれか１項に記載の航行監視プログラム。
8. 前記予測モデルは、前記方向情報および前記位置情報に加えて、船舶の大きさを示す大きさ情報を利用して生成され、
   前記予測では、前記方向情報および前記位置情報に加えて、前記航行中の船舶についての前記大きさ情報が前記予測モデルに入力される、
   請求項１乃至７のいずれか１項に記載の航行監視プログラム。
9. コンピュータが、
   航行中の船舶の方向を示す方向情報および位置を示す位置情報を取得し、
   過去に航行した複数の船舶のそれぞれについての前記方向情報および前記位置情報と、前記複数の船舶のそれぞれが航路に沿って航行したか否かを示す正解ラベルとを用いた機械学習によって作成された予測モデルに対して、取得した前記方向情報および前記位置情報を入力することで、前記航行中の船舶が航路に沿って航行するかを予測する、
   航行監視方法。
10. 過去に航行した複数の船舶のそれぞれについての方向を示す方向情報および位置を示す位置情報と、前記複数の船舶のそれぞれが航路に沿って航行したか否かを示す正解ラベルとを用いた機械学習によって作成された予測モデルを示すデータを記憶する記憶部と、
    航行中の船舶の前記方向情報および前記位置情報を取得し、取得した前記方向情報および前記位置情報を前記予測モデルに入力することで、前記航行中の船舶が航路に沿って航行するかを予測する処理部と、
    を有する航行監視装置。
11. コンピュータに、
    航行中の船舶の方向を示す方向情報を取得するとともに、航路に沿った所定幅の航路領域を航行方向に対して多角形の形状に分割することで設定された複数の区画のうち、前記航行中の船舶が位置する一の区画を特定し、
    過去に航行した複数の船舶のそれぞれについての前記方向情報と、前記複数の船舶のそれぞれが航路に沿って航行したか否かを示す正解ラベルとを用いて、前記複数の区画のうち前記複数の船舶のそれぞれが位置する区画ごとに機械学習することで作成された、前記複数の区画にそれぞれ対応する複数の予測モデルの中から、前記一の区画に対応する一の予測モデルを選択し、
    前記一の予測モデルに前記航行中の船舶の前記方向情報を入力することで、前記航行中の船舶が航路に沿って航行するかを予測する、
    処理を実行させる航行監視プログラム。
12. コンピュータが、
    航行中の船舶の方向を示す方向情報を取得するとともに、航路に沿った所定幅の航路領域を航行方向に対して多角形の形状に分割することで設定された複数の区画のうち、前記航行中の船舶が位置する一の区画を特定し、
    過去に航行した複数の船舶のそれぞれについての前記方向情報と、前記複数の船舶のそれぞれが航路に沿って航行したか否かを示す正解ラベルとを用いて、前記複数の区画のうち前記複数の船舶のそれぞれが位置する区画ごとに機械学習することで作成された、前記複数の区画にそれぞれ対応する複数の予測モデルの中から、前記一の区画に対応する一の予測モデルを選択し、
    前記一の予測モデルに前記航行中の船舶の前記方向情報を入力することで、前記航行中の船舶が航路に沿って航行するかを予測する、
    航行監視方法。
13. 航路に沿った所定幅の航路領域を航行方向に対して多角形の形状に分割することで設定された複数の区画を示す区画情報を記憶するとともに、過去に航行した複数の船舶のそれぞれについての方向を示す方向情報と、前記複数の船舶のそれぞれが航路に沿って航行したか否かを示す正解ラベルとを用いて、前記複数の区画のうち前記複数の船舶のそれぞれが位置する区画ごとに機械学習することで作成された、前記複数の区画にそれぞれ対応する複数の予測モデルを示すデータを記憶する記憶部と、
    航行中の船舶の前記方向情報を取得するとともに、前記複数の区画のうち前記航行中の船舶が位置する一の区画を特定し、前記複数の予測モデルの中から前記一の区画に対応する一の予測モデルを選択し、前記一の予測モデルに前記航行中の船舶の前記方向情報を入力することで、前記航行中の船舶が航路に沿って航行するかを予測する処理部と、
    を有する航行監視装置。

Images