CN113762367B - 复杂水域基于最优会遇距离的自适应多船会遇识别方法 - Google Patents

Abstract

本发明涉及复杂水域基于最优会遇距离的自适应多船会遇识别方法，包括以下步骤：S1：对接收到的雷达数据和船舶自动识别系统数据进行融合计算，构建船舶航行行为动静态数据集；S2：从船舶航行行为动静态数据集中挖掘出船舶避碰行动特征值；S3：通过深度神经网络建立船舶会遇距离与其影响因素的非线性映射关系，构建复杂水域内每艘船舶最优会遇距离计算模型；S4：通过自适应密度聚类算法进行多船会遇实时识别，将复杂水域航行船舶划分为由会遇船舶构成的多个会遇船舶子系统。本发明能够量化船舶会遇态势的最优会遇距离，精确直观地识别海上复杂水域内发生会遇行为的船舶，对于提高海上交通监控系统中的船舶会遇和碰撞风险监控和预警具有重要的意义。

Description

复杂水域基于最优会遇距离的自适应多船会遇识别方法

技术领域

本发明涉及海上智能交通运输技术领域，尤其涉及复杂水域基于最优会遇距离的自适应多船会遇识别方法。

背景技术

船舶会遇是海上交通工程中的重要概念，会遇是船舶发生碰撞事故的必要条件。船舶在海上复杂水域航行过程中，如果发生会遇的船舶间距小于一定的阈值，且双方没有正确采取避免碰撞的措施，就会发生碰撞事故，通过研究船舶会遇可以一定程度上反映水上交通危险程度。

复杂水域内多船会遇的精确识别模型是实现船舶间碰撞风险感知预警的前提。目前相对研究提出的识别模型都设定所有的船舶具有相同的会遇距离，然而实际上复杂水域内大量的航行船舶是否发生了有效的会遇态势，其会遇距离受到船本身的动静态特征、水域通航、地理环境及水文气象等因素影响，而且各因素之间本身存在交互作用，因此导致船舶会遇态势的最优会遇距离难以量化。

发明内容

针对现有技术存在的问题，本发明的目的在于提供复杂水域基于最优会遇距离的自适应多船会遇识别方法，其能够精确直观地识别海上复杂水域内发生会遇行为的船舶，量化船舶会遇态势的最优会遇距离，为海事值班人员提供船舶会遇和预警信息，提高海上交通安全监管的效率。

为实现上述目的，本发明采用的技术方案是：

复杂水域基于最优会遇距离的自适应多船会遇识别方法，其包括以下步骤：

S1：在包含环境信息的电子海图的基础上，对雷达数据和包含船舶静动态信息的船舶自动识别系统数据进行融合计算，并构建船舶航行行为动静态数据集；

S2：分析复杂水域内船舶会遇的影响因素，从船舶航行行为动静态数据集中挖掘出船舶避碰行动特征值，并构建船舶避碰行动特征值数据集；

S3：通过深度神经网络建立船舶会遇距离与其影响因素的非线性映射关系，构建多因素耦合影响下的船舶最优会遇距离计算模型；

S4：通过自适应密度聚类算法进行多船会遇实时识别，在该算法中将每艘船舶在多因素影响下的会遇距离作为密度聚类的距离阈值，从航行船舶中实时提取发生有效会遇行为的船舶簇，将复杂水域航行船舶划分为由会遇船舶构成的多个会遇船舶子系统。

进一步地，步骤S1的具体实现以下子步骤：

S11：船舶自动识别系统和雷达数据的时空配准；把包含经纬度信息的船舶自动识别系统航迹数据以及包含距离和方位信息的雷达航迹数据转化为相同的数据格式，然后将这两种航迹数据变换到同一个直角参考系统中并进行时间对齐；

S12：将时空配准后的两种航迹数据进行航迹关联；采用Hough变换将直角参考系统转化为参数空间，然后通过模糊聚类和隶属度函数方法计算船舶自动识别系统航迹数据和雷达航迹数据的相关性；

S13：采用集合证据理论和自适应多因素航迹融合算法将航迹关联后的船舶自动识别系统航迹数据和雷达航迹数据进行航迹融合，得到高精度的船舶航迹数据，构建出船舶航行行为动静态数据集。

进一步地，步骤S2的具体实现以下子步骤：

S21：选取一段时间内且特定水域内的航行行为动静态数据集，采用集合判别法获得该水域内相互有影响且需要进行避碰操纵的船舶样本，计算两船舶间的实时距离和相对方位，然后根据两船舶之间的位置、方位关系判别并记录会遇局面；

S22：对船舶样本的避碰过程进行跟踪，根据航向的改变，判别并挖掘出进行避碰行为的船舶样本的船舶避碰行动特征值；船舶避碰行动特征值包括各种会遇局面下让路船开始采取避碰行动时距离目标船的距离、让路船采取的避让角度以及让路船和目标船恢复原始航向时两船之间的距离；

S23：通过对特定水域内多时间窗发生避碰行为的船舶样本判别挖掘，形成包含不同会遇船舶组合在各种会遇局面下的船舶避碰行动特征值数据集。

进一步地，步骤S3的具体实现以下子步骤：

S31：设船舶长度对会遇距离的影响因素为L，船宽的影响因素为W，通航环境的影响因素为E，地理环境影响因素为G，水文气象影响因素为M，则发生有效会遇行为的两船舶的会遇距离d_a和d_b如下式所示，

d_a＝f(L_a,W_a,E_a,G_a,M_a)

d_b＝f(L_b,W_b,E_b,G_b,M_b)

其中，L_a、W_a、E_a、G_a和M_a分别表示其中一会遇船舶的船长、船宽、通航环境、地理环境和水文气象对船舶最优会遇距离的影响因素；L_b、W_b、E_b、G_b和M_b分别表示另一会遇船舶的船长、船宽、通航环境、地理环境和水文气象等对船舶最优会遇距离的影响因素；

S32：假定船舶开始采取避让行动的距离为最优会遇距离，将船长、船宽、通航环境、地理环境和水文气象作为深度神经网络的输入参数，最优会遇距离作为输出，通过对会遇场景样本训练，构建多因素耦合影响的船舶最优会遇距离计算模型。

进一步地，步骤S4的具体实现以下子步骤：

S41：在船舶自由会遇距离计算模型的基础上，当船舶间的距离小于各自的会遇距离时，视为会遇船舶；假设有任意两艘船舶V_o和V_t，在船舶航行行为动静态数据集中包含船舶实时的航行经度、纬度、对地速度、对地航向，并表示为和根据船舶自动识别系统接收的船舶静动态信息，船舶之间距离的墨卡托算法计算过程如下：

D_λ＝λ_t-λ₀

D_MP＝M_{P_t}-M_{P_0}

Bearing＝arctan(D_λ/D_MP)

其中，D_λ表示经度差，表示纬度差，M_p表示纬度渐长率，D_MP表示不同纬度间的纬度渐长率差，Bearing表示方位，D即为两船舶间的距离，通过计算所有船舶间的距离，得到距离矩阵；

S42：执行自适应密度聚类算法，输入为一个包含n个船舶航迹数据的数据集、船舶间的距离矩阵、每艘船舶的领域距离和组成会遇簇的密度阈值，其中，以船舶最优会遇距离作为领域距离，以最小会遇船舶数作为组成会遇簇的密度阈值；输出为会遇船舶航迹数据所属的类别标签。

采用上述方案后，本发明通过对雷达数据和船舶自动识别系统接收的船舶静动态信息进行融合，可以实现船舶航迹数据的高精度融合，进而能够从特定水域历史数据中挖掘出各种会遇局面下的避碰行动特征值，然后引入深度神经网络建立船舶会遇距离与其影响因素的非线性映射，构建多因素耦合影响的船舶最优会遇距离计算模型，最后基于自适应密度聚类算法实现多船会遇实时识别，从大量航行船舶中实时提取发生有效会遇行为的船舶簇，将复杂水域航行船舶划分为由会遇船舶构成的多个碰撞风险子系统，为海上交通安全监控提供理论依据。

本发明能够量化船舶会遇态势的最优会遇距离，精确直观地识别海上复杂水域内发生会遇行为的船舶，对于提高海上交通监控系统中的船舶会遇和碰撞风险监控和预警，避免船舶发生碰撞事故，保障海上交通安全具有重要的意义。

附图说明

图1为步骤S1的原理框图。

图2a、图2b和图2c分别为船舶样本按时间顺序的避碰过程示意图。

图3为不同船舶会遇距离范围的示意图。

图4为多因素耦合影响下的船舶最优会遇距离计算模型的示意图。

图5a和图5b分别为多船会遇实时识别前后电子海图的显示示意图。

具体实施方式

本发明揭示了复杂水域基于最优会遇距离的自适应多船会遇识别方法，其包括以下步骤：

步骤S1：基于包含环境信息的电子海图，对雷达数据和包含船舶静动态信息的船舶自动识别系统(AIS)数据进行融合，运用时空配准、航迹关联、航迹融合算法，可以得到高精度的船舶航迹数据，进而构建船舶航行行为动静态数据集。其中，电子海图为E-Navigation体系下的海上交通监控水域的电子海图。如图1所示，步骤S1具体实现如下：

S11：船舶自动识别系统和雷达数据的时空配准。首先把包含经纬度信息的船舶自动识别系统航迹数据以及包含距离和方位信息的雷达航迹数据转化为相同的数据格式，然后将这两种航迹数据变换到同一个直角参考系统中。然后再进一步地将这两组航迹数据进行时间上的对齐，以保证船舶自动识别系统和雷达的各数据点处于同一时空维度。只有完成时空配准的时空才可以进行下一步航迹关联。

S12：将时空配准后的两种航迹数据进行航迹关联。为了实现海量的雷达和船舶自动识别系统数据精确融合，采用Hough变换将直角参考系统转化为参数空间，然后通过模糊聚类和隶属度函数方法计算船舶自动识别系统航迹数据和雷达航迹数据的相关性。

S13：采用集合证据理论和自适应多因素航迹融合算法将航迹关联后的船舶自动识别系统航迹数据和雷达航迹数据进行航迹融合，得到高精度的船舶航迹数据，构建出船舶航行行为动静态数据集。采用集合证据理论和自适应多因素航迹融合算法能够克服现有融合算法中权重值以及门限值是按照经验值取得的局限性，进一步提高雷达和船舶自动识别系统数据精确融合精度，为后续船舶会遇识别提供可靠的船舶数据来源。

步骤S2：分析复杂水域内船舶会遇的影响因素，运用集合判别法从船舶航行行为动静态数据集中挖掘出包含各种会遇局面下让路船采取避碰行动时距离目标船的距离、采取的避让角度和两船实际通过的距离等的船舶避碰行动特征值，并构建船舶避碰行动特征值数据集。具体实现如下：

S21：如图2a、图2b和图2c所示，选取一段时间内且特定水域内的航行行为动静态数据集，采用集合判别法获得该水域内相互有影响且需要进行避碰操纵的船舶样本，计算两船舶间的实时距离和相对方位，然后根据两船舶之间的位置、方位关系判别并记录会遇局面，如对遇、交叉和追越等。

S22：记录两船舶开始大幅度向右转向时两船舶间的距离，对船舶样本的避碰过程进行跟踪，根据航向的改变，判别并挖掘出进行避碰行为的船舶样本的船舶避碰行动特征值。船舶避碰行动特征值包括各种会遇局面下让路船开始采取避碰行动时距离目标船的距离、让路船采取的避让角度、最近会遇距离以及让路船和目标船恢复原始航向时两船之间的距离等。

S23：通过对特定水域内多时间窗发生避碰行为的船舶样本判别挖掘，形成包含不同会遇船舶组合在各种会遇局面下的船舶避碰行动特征值数据集。

步骤S3：通过深度神经网络建立船舶会遇距离与其影响因素的非线性映射，构建多因素耦合影响下的船舶最优会遇距离计算模型。由于不同动静态特性和通航环境下的船舶具有不同的会遇距离，如图3所示的场景中，以会遇船舶ShipA和ShipB为例，两艘船舶长度不同，周围船舶对自身产生的碰撞风险的可接受程度不相同，大型船舶操纵性不便，对安全余量要求较大，小型船舶操纵性较好，可以接受较小的安全余量，因而导致不同船舶的最优会遇距离不同。步骤S3具体实现如下：

S31：设船舶长度对会遇距离的影响因素为L，船宽的影响因素为W，通航环境的影响因素为E，地理环境影响因素为G，水文气象影响因素为M，则发生有效会遇行为的两船舶的会遇距离d_a和d_b如下式所示，

d_a＝f(L_a,W_a,E_a,G_a,M_a)

d_b＝f(L_b,W_b,E_b,G_b,M_b)

其中，L_a、W_a、E_a、G_a和M_a分别表示其中一会遇船舶的船长、船宽、通航环境、地理环境和水文气象对船舶最优会遇距离的影响因素；L_b、W_b、E_b、G_b和M_b分别表示另一会遇船舶的船长、船宽、通航环境、地理环境和水文气象等对船舶最优会遇距离的影响因素；

S32：由于船舶特性、通航环境、地理因素和水文气象因素对船舶最优会遇距离的影响具有非线性的特点，难以用具有明确物理意义的数据公式表达。故假定船舶开始采取避让行动的距离为最优会遇距离，通过挖掘得到的船舶避碰行为特征值是离散的场景和距离组合。如图4所示，为了构建船舶特性和环境因素影响下船舶最优会遇距离模型，引入深度神经网络，依据深度神经网络具备的强大的非线性及自适应自组织学习能力，将船长、船宽、通航环境、地理环境和水文气象作为深度神经网络的输入参数，最优会遇距离作为输出，通过对会遇场景样本训练，构建多因素耦合影响的船舶最优会遇距离计算模型。

将训练好的深度神经网络模型用于后续场景和影响因素下实时船舶会遇距离计算，为接下来实时判定水域内的多船会遇，提供精确有效的判定量化依据。

步骤S4：通过自适应密度聚类算法进行多船会遇实时识别，在该算法中将每艘船舶在多因素影响下的会遇距离作为密度聚类的距离阈值，从大量的航行船舶中实时提取发生有效会遇行为的船舶簇，将复杂水域航行船舶划分为由会遇船舶构成的多个会遇船舶子系统。船舶会遇是产生碰撞风险的前提条件，在得到船舶最优会遇距离的计算模型基础上，当船舶间的距离小于各自的会遇距离，就可视为会遇船舶，因此可以将船舶会遇识别建模问题抽象为数据挖掘中的空间数据的自适应密度聚类的数学问题。步骤S4具体实现如下：

S41：假设有任意两艘船舶V_o和V_t，在船舶航行行为动静态数据集中包含船舶实时的航行经度、纬度、对地速度、对地航向，并表示为 和根据船舶自动识别系统接收的船舶静动态信息，船舶之间距离的墨卡托算法计算过程如下：

D_λ＝λ_t-λ₀

D_MP＝M_{P_t}-M_{P_0}

Bearing＝arctan(D_λ/D_MP)

其中，D_λ表示经度差，表示纬度差，M_p表示纬度渐长率，D_MP表示不同纬度间的纬度渐长率差，Bearing表示方位，cos(B)中的B为Bearing简写，D即为两船舶间的距离，通过以上方法计算所有船舶间的距离，得到距离矩阵；

S42：执行自适应密度聚类算法，输入为一个包含n个船舶航迹数据的数据集、船舶间的距离矩阵、每艘船舶的领域距离和组成会遇簇的密度阈值，其中，以船舶最优会遇距离作为领域距离(领域距离即为领域半径)，设为ε；以最小会遇船舶数作为组成会遇簇的密度阈值，设为M；输出为会遇船舶航迹数据所属的类别标签。具体操作如下：

S4201：在距离矩阵中随机选择一个没有被处理对象船舶航迹点p；

S4202：标记p为被处理的数据‘visited’，在船舶距离矩阵中进行继续处理；

S4203：If p的ε-邻域至少有M个船舶航迹对象；

S4204：创建一个新会遇簇C，并把p加入到C；

S4205：令N为p的ε-邻域中的对象集合；

S4206：For N中的每一个p’

S4207：If p’是unvisited，

S4208：标记p’为visited；

S4209：If p’的ε-邻域内至少有M个点，把这些点添加到N，

S4210：If p’还不是任何簇的成员，把p’添加到N，

S4211：End For

S4212：输出会遇簇C；

S4213：Else标记p为噪声；

S4214：直到没有标记为unvisited的对象，结束。

本发明的关键在于，通过对雷达数据和船舶自动识别系统接收的船舶静动态信息进行融合，可以实现船舶航迹数据的高精度融合，进而能够从特定水域历史数据中挖掘出各种会遇局面下的避碰行动特征值，然后引入深度神经网络建立船舶会遇距离与其影响因素的非线性映射，构建多因素耦合影响的船舶最优会遇距离计算模型，将每艘船舶在多特征耦合影响下的会遇距离作为密度聚类的距离阈值，最后基于自适应密度聚类算法实现多船会遇实时识别，从大量航行船舶中实时提取发生有效会遇行为的船舶簇，将复杂水域航行船舶划分为由会遇船舶构成的多个碰撞风险子系统，为海上交通安全监控提供理论依据。

本发明能够量化船舶会遇态势的最优会遇距离，精确直观地识别海上复杂水域内发生会遇行为的船舶，对于提高海上交通监控系统中的船舶会遇和碰撞风险监控和预警，避免船舶发生碰撞事故，保障海上交通安全具有重要的意义。

以上所述，仅是本发明实施例而已，并非对本发明的技术范围作任何限制，故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (4)

1.复杂水域基于最优会遇距离的自适应多船会遇识别方法，其特征在于，包括以下步骤：

S1：在包含环境信息的电子海图的基础上，对雷达数据和包含船舶静动态信息的船舶自动识别系统数据进行融合计算，并构建船舶航行行为动静态数据集；

S2：分析复杂水域内船舶会遇的影响因素，从船舶航行行为动静态数据集中挖掘出船舶避碰行动特征值，并构建船舶避碰行动特征值数据集；

S3：通过深度神经网络建立船舶会遇距离与其影响因素的非线性映射关系，构建多因素耦合影响下的船舶最优会遇距离计算模型；

S4：通过自适应密度聚类算法进行多船会遇实时识别，在该算法中将每艘船舶在多因素影响下的会遇距离作为密度聚类的距离阈值，从航行船舶中实时提取发生有效会遇行为的船舶簇，将复杂水域航行船舶划分为由会遇船舶构成的多个会遇船舶子系统；

其中，步骤S3具体实现以下子步骤：

S31：设船舶长度对会遇距离的影响因素为L，船宽的影响因素为W，通航环境的影响因素为E，地理环境影响因素为G，水文气象影响因素为M，则发生有效会遇行为的两船舶的会遇距离d_a和d_b如下式所示，

d_a＝f(L_a,W_a,E_a,G_a,M_a)

d_b＝f(L_b,W_b,E_b,G_b,M_b)

其中，L_a、W_a、E_a、G_a和M_a分别表示其中一会遇船舶的船长、船宽、通航环境、地理环境和水文气象对船舶最优会遇距离的影响因素；L_b、W_b、E_b、G_b和M_b分别表示另一会遇船舶的船长、船宽、通航环境、地理环境和水文气象对船舶最优会遇距离的影响因素；

S32：假定船舶开始采取避让行动的距离为最优会遇距离，将船长、船宽、通航环境、地理环境和水文气象作为深度神经网络的输入参数，最优会遇距离作为输出，通过对会遇场景样本训练，构建多因素耦合影响的船舶最优会遇距离计算模型。

2.根据权利要求1所述的复杂水域基于最优会遇距离的自适应多船会遇识别方法，其特征在于，步骤S1的具体实现以下子步骤：

S11：船舶自动识别系统和雷达数据的时空配准；把包含经纬度信息的船舶自动识别系统航迹数据以及包含距离和方位信息的雷达航迹数据转化为相同的数据格式，然后将这两种航迹数据变换到同一个直角参考系统中并进行时间对齐；

S12：将时空配准后的两种航迹数据进行航迹关联；采用Hough变换将直角参考系统转化为参数空间，然后通过模糊聚类和隶属度函数方法计算船舶自动识别系统航迹数据和雷达航迹数据的相关性；

S13：采用集合证据理论和自适应多因素航迹融合算法将航迹关联后的船舶自动识别系统航迹数据和雷达航迹数据进行航迹融合，得到高精度的船舶航迹数据，构建出船舶航行行为动静态数据集。

3.根据权利要求1所述的复杂水域基于最优会遇距离的自适应多船会遇识别方法，其特征在于，步骤S2的具体实现以下子步骤：

S21：选取一段时间内且特定水域内的航行行为动静态数据集，采用集合判别法获得该水域内相互有影响且需要进行避碰操纵的船舶样本，计算两船舶间的实时距离和相对方位，然后根据两船舶之间的位置、方位关系判别并记录会遇局面；

S22：对船舶样本的避碰过程进行跟踪，根据航向的改变，判别并挖掘出进行避碰行为的船舶样本的船舶避碰行动特征值；船舶避碰行动特征值包括各种会遇局面下让路船开始采取避碰行动时距离目标船的距离、让路船采取的避让角度以及让路船和目标船恢复原始航向时两船之间的距离；

S23：通过对特定水域内多时间窗发生避碰行为的船舶样本判别挖掘，形成包含不同会遇船舶组合在各种会遇局面下的船舶避碰行动特征值数据集。

4.根据权利要求1所述的复杂水域基于最优会遇距离的自适应多船会遇识别方法，其特征在于，步骤v4的具体实现以下子步骤：

S41：在船舶自由会遇距离计算模型的基础上，当船舶间的距离小于各自的会遇距离时，视为会遇船舶；假设有任意两艘船舶V_o和V_t，在船舶航行行为动静态数据集中包含船舶实时的航行经度、纬度、对地速度、对地航向，并表示为和根据船舶自动识别系统接收的船舶静动态信息，船舶之间距离的墨卡托算法计算过程如下：

D_λ＝λ_t-λ₀

D_MP＝M_{P_t}-M_{P_0}

Bearing＝arctan(D_λ/D_MP)

D＝D_φ/cos(B)

其中，D_λ表示经度差，表示纬度差，M_p表示纬度渐长率，D_MP表示不同纬度间的纬度渐长率差，Bearing表示方位，D即为两船舶间的距离，通过计算所有船舶间的距离，得到距离矩阵；

S42：执行自适应密度聚类算法，输入为一个包含n个船舶航迹数据的数据集、船舶间的距离矩阵、每艘船舶的领域距离和组成会遇簇的密度阈值，其中，以船舶最优会遇距离作为领域距离，以最小会遇船舶数作为组成会遇簇的密度阈值；输出为会遇船舶航迹数据所属的类别标签。