基于AIS數(shù)據(jù)約束聚類的海上交通特征分析

，，，

(1.大連海事大學(xué) 航海學(xué)院，遼寧 大連 116026；2.舟山海事局 船舶交通管理中心，浙江 舟山 316000；3.交通運(yùn)輸部 政策研究室，北京 100736)

近年來AIS數(shù)據(jù)挖掘方法和應(yīng)用迅速發(fā)展。學(xué)者們主要基于AIS數(shù)據(jù)點(diǎn)[3]或軌跡線[4]，利用一定的數(shù)學(xué)模型和信息技術(shù)開展相關(guān)數(shù)據(jù)挖掘。數(shù)據(jù)點(diǎn)方法能充分利用AIS對象的多個(gè)屬性開展定制化分析，軌跡線方法在分析船舶航路、航線上取得良好效果。通過挖掘歷史AIS數(shù)據(jù)可以識別海上錨泊區(qū)、作業(yè)區(qū)、擁擠區(qū)等特殊區(qū)域[3]，識別船舶主要航路[5]，分析船舶領(lǐng)域和運(yùn)動模式[6]，研究船舶密度和速度分布[7]，評估船舶會遇或碰撞風(fēng)險(xiǎn)[8]，推算到港概率或航跡趨勢[9]，開展異常檢測[10]，設(shè)計(jì)或?qū)彶槎ň€制[11]，研究碳排放[12]，等。

在海上交通特征分析方面，雖然出現(xiàn)很多研究成果甚至成熟的軟件，但鮮見充分利用AIS數(shù)據(jù)對象的多種屬性進(jìn)行約束聚類分析的文獻(xiàn)。本文采用AIS數(shù)據(jù)點(diǎn)方法，引入航速、航向和海上移動通信業(yè)務(wù)標(biāo)識(maritime mobile service identify，MMSI)屬性，改進(jìn)DBSCAN(density- based spatial clustering of applications with noise)算法，對大量船舶AIS數(shù)據(jù)進(jìn)行約束聚類分析，辨識船舶航路，區(qū)分不同類型船舶的交通流，并計(jì)算平均航向和航速，為主管部門開展航路規(guī)劃、實(shí)施船舶交通組織提供依據(jù)。

1 船舶AIS數(shù)據(jù)

AIS是一種船舶導(dǎo)航設(shè)備，在航時(shí)最快2 s、最慢3 min發(fā)送1次，內(nèi)容包含船舶靜態(tài)數(shù)據(jù)(船名、呼號、MMSI、船舶編號、船舶類型、船長、船寬等)、船舶動態(tài)數(shù)據(jù)(經(jīng)度、緯度、船艏向、航向、航速等)和船舶航次數(shù)據(jù)(載貨、吃水、目的地、計(jì)劃到達(dá)時(shí)間等)[13]。AIS的強(qiáng)制配備和廣泛應(yīng)用，不僅提高了船舶航行安全和效率，而且為挖掘海上船舶交通特征提供了較好的素材。

定義1?；贏IS數(shù)據(jù)的船舶運(yùn)動點(diǎn)集為有限序列T={p1,p2,…,pn}，第i個(gè)船舶運(yùn)動點(diǎn)pi={timei,mmsii,loni,lati,sogi,cogi}。其中，timei為產(chǎn)生時(shí)間，mmsii為所屬船舶的海上移動通信業(yè)務(wù)標(biāo)識，loni為經(jīng)度，lati為緯度，sogi為對地航速，cogi為對地航向。

MMSI由9位數(shù)字組成：M1I2D3X4X5X6X7X8X9。其中：M1I2D3為水上識別國家代碼，代表分配給某個(gè)國家或地區(qū)的水上識別代碼，基本范圍為201～799，中國籍船舶的M1I2D3為412、413或414，其他為國際船舶。X則為0～9中的任意一個(gè)數(shù)字，由管理機(jī)構(gòu)負(fù)責(zé)分配[14]。

2 改進(jìn)DBSCAN算法

2.1 傳統(tǒng)算法局限及改進(jìn)思路

DBSCAN算法是一種具有噪聲、基于密度的聚類分析算法，可以將數(shù)據(jù)集分成若干簇，并有效地處理噪聲點(diǎn)，過濾低密度區(qū)域。其基本思想是在含有噪聲的數(shù)據(jù)空間中，通過不斷擴(kuò)展有足夠高密度的區(qū)域來進(jìn)行聚類，發(fā)現(xiàn)任意形狀的高密度點(diǎn)集。由于DBSCAN算法提出較早，聚類效果、時(shí)間復(fù)雜度和算法復(fù)雜度的綜合評價(jià)較高，在空間聚類算法領(lǐng)域得到了廣泛的應(yīng)用。學(xué)者們主要從提高聚類效率和效果、增加處理對象屬性維度等兩個(gè)方面改進(jìn)DBSCAN算法。

對于船舶運(yùn)動點(diǎn)pi，6個(gè)屬性均包含著豐富的交通特征信息?？紤]到MMSI編碼有一定的規(guī)律，沿同一航路行駛的船舶具有近似的速度和航向，本文通過引入MMSI、航速、航向3個(gè)屬性值改進(jìn)DBSCAN聚類算法，即將MMSI滿足指定類別、具有相似的航速和航向的船舶聚類。

定義2。船舶eps鄰域是以特定點(diǎn)為圓心，以eps為半徑的圓內(nèi)且滿足一定條件的點(diǎn)集，即給定軌跡集D，軌跡點(diǎn)p的鄰域N(p)={q∈D|dist(p,q)

2.2 基于AIS數(shù)據(jù)改進(jìn)DBSCAN算法

為解析航速相近、航向相似的(特殊)船舶流，改進(jìn)DBSCAN算法進(jìn)行AIS數(shù)據(jù)約束聚類時(shí)，約束條件是航速差小于MaxSog，航向差小于MaxCog且同屬于(指定的)船舶類別。改進(jìn)后的算法(AIS- DBSCAN)偽代碼如下。

輸入：船舶AIS點(diǎn)集合D，航向變化范圍MaxCog，航速變化范圍MaxSog，mmsi類別MC，鄰域半徑eps和最小鄰域點(diǎn)數(shù)MinPts；

輸出：簇集，標(biāo)記每個(gè)點(diǎn)的簇名。

AIS- DBSCAN(D,eps,MinPts,MaxCog,MaxSog,MC)

clustered=0;

標(biāo)記所有點(diǎn)為未分類點(diǎn);

for(p∈D) do

if(點(diǎn)p為未分類點(diǎn))then

從p中解析出mmsi;

鄰域?yàn)镼=QUERYNEIGHBOR (p, eps, MinPts, MaxCOG, MaxSOG, MC), 總數(shù)為np;

if(np≥MinPts)then

標(biāo)記p為核心點(diǎn)，p及Q集合內(nèi)點(diǎn)label=clusterId;

EXPEND(Q, clustered, eps, MinPts);

clustered+1;

end if

else

標(biāo)記p為噪聲點(diǎn);

end else

end if

end for

EXPEND(Q，clusterId，eps，MinPts)

while(Q不為空)do

取出Q集合中的點(diǎn)q, 計(jì)算q的鄰域K= QUERYNEIGHBOR (q, eps, MinPts, MaxCOG, MaxSOG, MC), 總數(shù)記作nq;

If(nq1≥MinPts)then

for(k∈K)do

If(k是未標(biāo)記點(diǎn)或者是噪聲點(diǎn))then

標(biāo)記點(diǎn)k的label=clusterId;

end if

if(k是未標(biāo)記點(diǎn))then

將k添加到Q集合中;

end if

end for

end if

從Q中移除q;

end while

QUERYNEIGHBOR (p, eps, MinPts, MaxCOG, MaxSOG, MC)

新建集合Q;

for(q∈D) do

if (dist(p, q)

if(p.mmsi∈MC &&|p.SOG- q.SOG|

Q.add(q);

end if

end if

end for

return Q;

算法AIS- DBSCAN調(diào)用2個(gè)函數(shù)EXPEND和QUERYNEIGHBOR，和原DBSCAN具有同樣的復(fù)雜度O(n2)。

3 實(shí)例分析

3.1 數(shù)據(jù)抽取和預(yù)處理

實(shí)例選取舟山北部的浙滬交界水域，浙江沿海東航路、中航路、洋山港主航道、小型船舶和漁船習(xí)慣航路等在這里交匯，交通流密集，通航狀態(tài)復(fù)雜。使用一款軟件調(diào)取2016年7—12月的船舶流量線，如圖1所示。

圖1 研究區(qū)域

東航路流量線最密集，中航路其次，洋山港主航道不明顯。該圖盡管能看出大致的船舶航路，但無法解析船舶AIS點(diǎn)集合的聚類特征，難以計(jì)算主要船舶流的航向、航速，無法識別國際船舶等重要船舶交通流。

以圖1中ABCD圍起的四邊形為研究對象，提取2017年1月1—10日的23余萬條船舶AIS數(shù)據(jù)。對數(shù)據(jù)進(jìn)行預(yù)處理，去除速度小于0.5 kn、屬性值缺失、MMSI不合規(guī)范的點(diǎn)，得到221 695條數(shù)據(jù)，格式如表1所示。

表1 AIS數(shù)據(jù)列表

3.2 聚類分析

使用JAVA語言編寫并借助WEKA軟件運(yùn)行以上算法。根據(jù)日常經(jīng)驗(yàn)，將速度差MaxSog設(shè)置為2節(jié)，航向差MaxCOG設(shè)置為5°。選取不同的MMSI類別，反復(fù)調(diào)整eps、MinPts參數(shù)，得到下述聚類結(jié)果。

3.2.1 主要航路聚類

當(dāng)MMSI不加限制、eps為0.01、MinPts為300時(shí)，聚類得到7個(gè)簇，可視化結(jié)果見圖2，各簇聚類數(shù)量和比例、平均航速與航向見表2。

圖2 主要航路聚類

參數(shù)簇號0123456數(shù)量/個(gè)318803582417769130922349118002754比例/%273115112102平均速度/kn9.69.18.19.59.79.112.7平均航向/(°)1812324145281220103

聚類得出了7條船舶密集交通流，其中1條(簇5)目前航路指南中尚未明確。洋山港主航道出口船舶速度明顯較大，說明洋山港主航道船舶多數(shù)滿載進(jìn)港，空載離港。東航路、中航路雙向交通流交織，缺乏定線制規(guī)則和必要的交通組織，通航秩序較差。

3.2.2 國際船舶交通流聚類

當(dāng)MMSI指定為國際船舶(201≤MID<412或415≤MID<799)、eps為0.01、MinPts為400時(shí)，聚類得到2個(gè)不同的簇，可視化結(jié)果見圖3，各簇聚類數(shù)量和比例、平均航速與航向見表3。

圖3 國際船舶航路聚類

參數(shù)簇號78數(shù)量/個(gè)70627968比例/%4753平均速度/kN13.910.6平均航向/(°)102283

簇7平均航向181°，平均速度13.9 kn，占47%，為洋山港主航道出口船舶流；簇8平均航向283°，平均速度10.6 kn，占53%，為洋山港主航道進(jìn)口船舶流。

簇7、簇8在平均航向、速度以及可視化軌跡上都與簇4、簇6類似，說明洋山港主航道進(jìn)出口以國際船舶為主。進(jìn)出口船舶交通流分界明顯，通航秩序較好。

3.2.3 漁船交通流聚類

當(dāng)MMSI指定為漁船(舟山籍漁船MID為900或MMSI=41242XXXX)、eps為0.01、MinPts為400時(shí)，聚類得到一個(gè)簇，可視化結(jié)果見圖4，簇?cái)?shù)量和比例、平均航速與航向見表4。

圖4 漁船航路聚類

參數(shù)簇號9數(shù)量/個(gè)2435比例100%平均速度/kn9.1平均航向/(°)221

該簇和簇5在平均速度、航向以及位置都非常相似，可推斷這是一條漁船習(xí)慣進(jìn)出航路。

4 結(jié)論

改進(jìn)DBSCAN算法，引入航速、航向和MMSI開展約束聚類，并結(jié)合實(shí)際AIS數(shù)據(jù)情況調(diào)整相關(guān)參數(shù)，成功識別出國際船舶和漁船航路，計(jì)算了簇內(nèi)平均航速與航向，提取到總體數(shù)量少但主管部門監(jiān)管任務(wù)重的特殊船舶的航行特征。所提方法突破了DBSCAN算法僅使用空間密度的局限，增加了多種屬性約束，且可以根據(jù)語義需要隨意調(diào)整，具有較大的靈活性。實(shí)例測試結(jié)果與監(jiān)管經(jīng)驗(yàn)相符，說明該方法可行和有效。

本文僅提取AIS動態(tài)數(shù)據(jù)開展研究，如何整合包含船舶類型、尺度等要素的AIS靜態(tài)數(shù)據(jù)開展聚類分析，將是下一步研究方向。

[1] 鄭濱.基于數(shù)據(jù)挖掘的海上交通流數(shù)據(jù)特征分析[J].中國航海，2009,32(1):60- 65.

[2] 潘家財(cái).數(shù)據(jù)挖掘在海上交通特征分析中的應(yīng)用研究[J].中國航海.2010,33(2):60- 64.

[3] PALLOTTA G, VESPE M, BRYAN K. Vessel Pattern Knowledge Discovery from AIS Data: A Framework for Anomaly Detection and Route Prediction[J]. Entropy. 2013,15(6):2218- 2245.

[4] 肖瀟，邵哲平.基于AIS信息的船舶軌跡聚類模型及應(yīng)用[J].中國航海，2015,38(2):82- 86.

[5] CHEN J, LU F, PENG G. A quantitative approach for delineating principal fairways of ship passages through a strait[J]. Ocean eng. 2015,103:188- 197.

[6] 周丹，鄭中義.基于AIS數(shù)據(jù)的船舶領(lǐng)域影響因素分析[J].上海海事大學(xué)學(xué)報(bào)，2016(2):7- 11+52.

[7] 甄榮，邵哲平，潘家財(cái).等基于AIS信息的航道內(nèi)船舶速度分布統(tǒng)計(jì)分析[J].集美大學(xué)學(xué)報(bào)(自然科學(xué)版)，2014(4):274- 278.

[8] 潘家財(cái)，姜青山，邵哲平.船舶會遇的時(shí)空數(shù)據(jù)挖掘算法及應(yīng)用[J].中國航海，2010(4):57- 60+64.

[9] 孟范立.利用AIS數(shù)據(jù)挖掘建立船舶到達(dá)規(guī)律模型[J].艦船科學(xué)技術(shù)，2016(10):28- 30.

[10] LIU B, DE SOUZA E N, HILIARD C, et al. Ship movement anomaly detection using Specialized distance measures[C]. 2015 18th International Conference on Information Fusion (Fusion)， 2015:1113- 1120.

[11] BO Liu, STAN Matwin, MARCIN Sydow. Knowledge- based clustering of ship trajectories using density- based approach[C]. IEEE International Conference on Big Data, 2014.

[12] YAO X, MOU J, CHEN P, et al. Ship emission inventories in estuary of the Yangtze River using terrestrial AIS data[J]. The international journal on marine navigation and safety of sea transportation. 2016,10(4):633- 640.

[13] 劉軼華，肖英杰，關(guān)克平.基于AIS海上交通調(diào)查的船舶定線制設(shè)計(jì)[J].南通航運(yùn)職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2013(4):37- 41.

[14] 胡菠.水上移動業(yè)務(wù)標(biāo)識碼資源的管理[J].中國海事，2009(3):50- 53.