基于AIS数据的桥区水域船舶非安全行为检测

AIS data-based detection of unsafe ship behaviors in bridge waterways

摘要

桥区水域船舶非安全行为检测对预防船舶碰撞至关重要.为保障船舶航行安全，提出了一种基于启发式算法结合神经网络的非安全行为检测模型.首先深入挖掘了长江武汉段连续桥区AIS数据，并结合海事部门相关规定，定义了超速、掉头、横越、锚泊四种船舶非安全行为.接着从船舶位置、航速、航向等多维度特征入手，深入剖析船舶航行模式与规律，得到四种非安全行为的判定条件，构建针对桥区水域的船舶行为数据库.最后，搭建基于改进PSO-LSTM的船舶非安全行为检测模型，解决LSTM参数的随机设置对检测精度的影响问题.实验结果表明，相较于SVM、BP、LSTM以及改进PSO-BP模型，本文提出的检测模型在可视化与评价指标方面均表现出显著优势，能够实现桥区水域船舶非安全行为的高精度检测，为海事监管部门提供可靠的决策支持.

Abstract

The detection of unsafe ship behaviors in bridge waterways is crucial for ship collision avoidance. To enhance navigation safety， this study proposes a novel model that integrates a heuristic algorithm with a neural network for behavior detection. First， this study conducts an in-depth analysis of AIS data from consecutive bridge zones in the Wuhan section of the Yangtze River. In accordance with maritime regulations， four types of unsafe ship behaviors are defined： overspeeding， turning， crossing， and anchoring. Then， through an examination of multi-dimensional features， such as ship position， speed， and heading， a thorough analysis of navigation patterns and rules is conducted. This analysis yields specific decision criteria for the unsafe behaviors， thus establishing a specialized database for ship behaviors in bridge waterways. Finally， an improved PSO-LSTM model is developed to mitigate the negative impact of random parameter initialization in conventional LSTM networks on detection accuracy. Experimental results indicate that the proposed model exhibits clear superiority over SVM， BP， LSTM， and improved PSO-BP models in both visualization and evaluation metrics， achieving high detection precision for unsafe ship behaviors in bridge waterways and thus providing reliable decision-making support for maritime authorities.

Graphical abstract

关键词

桥区水域 / 船舶碰撞 / AIS数据 / 改进PSO / LSTM / 非安全行为检测

Key words

bridge waterways / ship collision / AIS data / improved PSO / LSTM / unsafe behavior detection

新一代信息技术的蓬勃发展，极大促进了人工智能与传统水运行业的深度融合，为我国航运业发展注入了强大动力，推动其迈向新的台阶.与此同时，我国内河航道规模的扩张速度明显加快，剧增的交通流量和内河桥梁的大量建设使得桥区水域的船舶航行安全问题日趋突出，加大了海事监管工作的难度.因此亟须对内河桥区水域船舶航行数据进行深入分析与挖掘，建立船舶非安全行为检测模型，提升海事部门监管效率，节省人力和财力资源，保障桥区水域船舶的航行安全.

当前，国内外学者针对船舶行为检测问题开展了一系列系统性研究，包括基于传统机器学习算法和基于深度神经网络的方法.在传统机器学习方法中，Handayani等^［1］基于支持向量机（support vector machine， SVM）对船舶AIS历史数据进行分类研究，进而识别船舶异常行为，可视化分析了轨迹信息.Pallotta等^［2］采用聚类和轨迹分割的方法，利用正常的船舶历史轨迹数据对轨迹数据聚类，再用马尔科夫链建立正常船舶运动的数学模型用于船舶异常行为的检测，对开阔水域的船舶异常行为检测有较好的效果.Riveiro^［3］利用自组织映射（self-organizing map， SOM）提取船舶正常行为模型，采用高斯混合模型（Gaussian mixture model， GMM）构建船舶轨迹异常检测器，并借助可视化分析中的交叉验证功能来增强异常船舶行为实时检测的可信度，以可视化的方法显示异常船舶.这些方法仅考虑了船舶部分航行的相关因素，无法从全局状态下对船舶时空特征进行全面分析，且需要大量的训练数据来确保模型的准确性，在实际应用中具有一定的局限性.在基于深度神经网络的方法中，Pipanmekaporn等^［4］基于船舶自动识别系统时空数据，采用DBSCAN密度聚类算法对船舶运动轨迹点进行噪声点过滤与数据簇划分，通过构建局部轨迹特征提取包含船舶运动参数多维特征向量，输入至循环神经网络模型进行训练，成功实现拖网、围网和流网作业渔船的行为模式分类.杨帆等^［5］提出船舶异常行为模型，借助双向长短期记忆神经网络，以人工标注标签训练模型，实现对AIS数据中船舶追越、横越及速度异常行为的识别.王立林等^［6］从海量船舶AIS数据中提取具辨识力的行为轨迹，针对轨迹特性设计多尺度卷积网络识别行为模式，还运用特征通道加权和长短期记忆网络提升算法性能.宁耀^［7］构建了一种基于卷积长短期记忆神经网络的渔船行为识别方法.先利用卷积神经网络学习数据的局部特征，后将这些特征输入到长短期记忆网络中以学习特征时间相关性，通过实验验证了该方法相比于隐马尔可夫模型（hidden Markov model， HMM）、卷积神经网络（convolutional neural network， CNN）和长短期记忆网络（long short term memory， LSTM）更为优越.Feng等^［8］利用船舶监控系统记录的数据，对船舶的航向变化和速度变化趋势进行了深入分析，并将其作为反向传播神经网络（back propagation neural network， BP）的输入变量，进而有效识别渔船的捕鱼活动，为海洋资源管理提供重要参考.周慧君^［9］根据船舶运动特征构建基于LSTM的船舶行为识别模型，并利用遗传算法对其进行改进，最后实验验证改进模型能有效识别船舶捕捞、系泊、锚泊和正常航行四种行为.Nguyen等^［10］构建新型时空神经网络模型GeoTrackNet，用于船舶异常行为实时识别与预警.研究通过构建多维度效能评估框架系统验证了该模型的工程实用性.

船舶航行信息是一种二维时序数据，与传统的机器学习技术相比，深度神经网络在处理序列化信息方面表现更佳，这对于船舶行为的建模与检测准确性十分有益.因此，本文以AIS数据为导向，通过对船舶时空特征进行挖掘与分析，并结合LSTM模型实现对船舶非安全行为的精准检测.同时，针对LSTM参数随机设置而影响模型性能的问题，利用改进PSO算法对LSTM进行优化处理，搭建基于改进PSO结合LSTM的网络模型，以检测桥区水域的非安全行为，并与SVM、BP、LSTM以及改进PSO-BP模型进行实验对比.实验结果表明本文所提出的模型在准确率、精准率、召回率和F₁四个指标上均表现出较好的优势，可以更准确地检测出桥区船舶四种典型的非安全行为.

1 本文方法概述

1.1 LSTM模型

LSTM模型是一种特殊类型的递归神经网络.传统循环神经网络在处理长序列时会遇到梯度消失或梯度爆炸的问题，LSTM则引入门控机制来解决这一问题.通过适当的正则化和参数调优，LSTM可以在没有大量历史数据的情况下提供相对准确的时间序列预测.LSTM单元结构如图1所示.

由图可知，LSTM单元结构有遗忘门f_t、输入门i_t和输出门o_t三部分.遗忘门f_t的作用是调节网络对历史信息的保留程度，决定哪些信息需要保留，哪些可以遗忘；输入门i_t的作用是根据前一个时间隐藏状态和当前输入决定要更新哪些信息；输出门o_t的作用是控制着网络的输出，决定哪些信息应该传递到下一层.

LSTM单元结构中，单元状态和门的计算如式（1）~式（6）所示.

c_t=f_t{c}_{t-\mathrm{1}}+{\tilde{c}}_t（1）

h_t=o_t\mathrm{t}\mathrm{a}\mathrm{n}\mathrm{h}\left(c_t\right)（2）

{\tilde{c}}_t=\mathrm{t}\mathrm{a}\mathrm{n}\mathrm{h}\left({\mathit{W}}_c{x}_t+{\mathit{W}}_c{h}_{t-\mathrm{1}}+b_c\right)（3）

f_t=\sigma \left({\mathit{W}}_f{x}_t+{\mathit{W}}_f{h}_{t-\mathrm{1}}+b_f\right)（4）

i_t=\sigma \left({\mathit{W}}_i{x}_t+{\mathit{W}}_i{h}_{t-\mathrm{1}}+b_i\right)（5）

o_t=\sigma \left({\mathit{W}}_o{x}_t+{\mathit{W}}_o{h}_{t-\mathrm{1}}+b_o\right)（6）

式中：y_t、x_t分别为当前时刻模型的输出、输入；h_t、c_t分别为当前时刻的隐藏状态和储存单元状态；h_{t-\mathrm{1}}上一个时刻的隐藏状态；b为相对应的偏置项；\mathit{W}为层与各个门之间的权值矩阵；\sigma为激活函数\mathrm{S}\mathrm{i}\mathrm{g}\mathrm{m}\mathrm{o}\mathrm{i}\mathrm{d}；\mathrm{t}\mathrm{a}\mathrm{n}\mathrm{h}为正切双曲线函数.

1.2 改进PSO算法

粒子群优化（particle swarm optimization， PSO）是一种受鸟群群体行为启发的优化算法^［11］.它通过个体粒子之间的协作和信息共享实现群体层面的进化.其核心思想是在解空间中协作搜索.PSO算法的基础要素的数学表达式如式（7）和式（8）所示.

v_{id}^{t+\mathrm{1}}={\omega }^t{v}_{id}^t+c_{\mathrm{1}}{r}_{\mathrm{1}}\left(p_{i\mathrm{B}\mathrm{e}\mathrm{s}\mathrm{t}}^t-x_{id}^t\right)+c_{\mathrm{2}}{r}_{\mathrm{2}}\left(p_{g\mathrm{B}\mathrm{e}\mathrm{s}\mathrm{t}}^t-x_{id}^t\right)（7）

x_{id}^{t+\mathrm{1}}=x_{id}^t+v_{id}^{t+\mathrm{1}}T（8）

式中：{\omega }^t{v}_{id}^t为惯性量，由惯性权重{\omega }^t与粒子i在t次迭代时的d维速度分量v_{id}^{t+\mathrm{1}}乘积构成；c_{\mathrm{1}}、c_{\mathrm{2}}为学习因子；r_{\mathrm{1}}、r_{\mathrm{2}}为均匀分布与［0，1］之间的随机数；p_{i\mathrm{B}\mathrm{e}\mathrm{s}\mathrm{t}}^t代表粒子i在t次迭代时的个体历史最优位置；x_{id}^t为粒子i在t次迭代时的d维位置分量；p_{g\mathrm{B}\mathrm{e}\mathrm{s}\mathrm{t}}^t表示粒子群在t次迭代时的全局历史最优位置；c_{\mathrm{1}}{r}_{\mathrm{1}}和c_{\mathrm{2}}{r}_{\mathrm{2}}分别构成个体经验和群体经验的学习系数；x_{id}^{t+\mathrm{1}}为粒子在第t+\mathrm{1}次迭代时更新后的d维位置分量；T为时间步长即一次迭代周期对应的抽象时间单位，默认取值为1.

PSO中惯性权重{\omega }^t的值对算法的搜索性能至关重要，学习因子c_{\mathrm{1}}和c_{\mathrm{2}}通常设置相等且固定，这种固定值可能会限制收敛速度和全局搜索能力^［12］.为了克服这个问题，文献［13］引入了一种线性递减惯性权重来提升搜索性能，但忽略了搜索过程中的实际反馈信息.因此，为了提高PSO算法的整体优化能力，本文通过引入非线性动态惯性权重和自适应调整的学习因子，旨在确保在迭代早期具有强大的全局搜索能力，并在后期阶段加速收敛，从而在搜索过程中更有效地平衡探索和开发.在改进PSO中，惯性权重{\omega }^t定义如式（9）所示.

{\omega }^t={\omega }_{\mathrm{m}\mathrm{a}\mathrm{x}}-\left({\omega }_{\mathrm{m}\mathrm{a}\mathrm{x}}-{\omega }_{\mathrm{m}\mathrm{i}\mathrm{n}}\right)\frac{i\mathrm{p}\mathrm{o}{\mathrm{p}}_i}{i_{\mathrm{m}\mathrm{a}\mathrm{x}}{g}_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}}}（9）

式中：{\omega }_{\mathrm{m}\mathrm{a}\mathrm{x}}和{\omega }_{\mathrm{m}\mathrm{i}\mathrm{n}}分别是最大和最小惯性权重；i是当前迭代次数，\mathrm{p}\mathrm{o}{\mathrm{p}}_i为粒子当前速度值；i_{\mathrm{m}\mathrm{a}\mathrm{x}}为设定最大迭代次数；g_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}}为粒子自身历史最大值.

自适应学习因子c_{\mathrm{1}}和c_{\mathrm{2}}定义如式（10）、式（11）所示.

c_{\mathrm{1}}{r}_{\mathrm{1}}=\frac{g_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}}}{z_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}}}+a（10）

c_{\mathrm{2}}{r}_{\mathrm{2}}=b-\frac{g_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}}}{z_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}}}（11）

式中：a、b分别对应c_{\mathrm{1}}、c_{\mathrm{2}}经验取值的最大值及最小值.自适应策略确保粒子最初广泛探索搜索空间，然后逐渐转向局部开发，有效提高收敛速度和解的质量.

优化后的改进PSO算法学习权重不再是固定数值与随机值的简单叠加，而是转变为一个能依据个体经验和群体经验进行动态调整的变量.改进后的表达式如（12）所示.

\begin{array}{l}{v}_{id}^{t+\mathrm{1}}=\left[{\omega }_{\mathrm{m}\mathrm{a}\mathrm{x}}-\left({\omega }_{\mathrm{m}\mathrm{a}\mathrm{x}}-{\omega }_{\mathrm{m}\mathrm{i}\mathrm{n}}\right)\frac{i\mathrm{p}\mathrm{o}{\mathrm{p}}_i}{i_{\mathrm{m}\mathrm{a}\mathrm{x}}{g}_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}}}\right]v_{id}^t+\\ \left[\frac{g_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}}}{z_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}}}+a\right]\left(p_{i\mathrm{B}\mathrm{e}\mathrm{s}\mathrm{t}}^t-x_{id}^t\right)+\left[b-\frac{g_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}}}{z_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}}}\right]\left(p_{g\mathrm{B}\mathrm{e}\mathrm{s}\mathrm{t}}^t-x_{id}^t\right)\end{array}（12）

受文献［13］的启发，结合本文研究数据与多次实验，改进PSO算法中的关键参数设置如表1所示.

1.3 改进PSO-LSTM模型

尽管LSTM已在各个领域被广泛采用，但其性能仍然对关键超参数的选择高度敏感.其中隐藏神经元数量对模型的非线性拟合能力起决定性作用，而学习率直接影响收敛速度和计算成本.目前，网络模型的超参数往往根据研究人员的经验和多次实验结果来选择，随机性较大，在一定程度上影响了模型的预测性能^［14］.因此选择适当的超参数对于构建有效的LSTM模型至关重要.为解决这一问题，引入改进PSO算法来自动调整关键的LSTM参数，以克服手动参数选择的局限性，能够提升在船舶非安全行为识别中的预测性能，为海事监管提供更可靠的技术支持.改进PSO优化LSTM模型的具体流程如下.

1）选择训练数据集.

将船舶AIS数据中经度、纬度、时间、航速，以及航向作为LSTM的输入向量，把正常行为、超速行为、掉头行为、横越行为、锚泊行为五种船舶行为的标签作为输出向量得到样本数据集.

2）利用改进PSO优化LSTM模型参数.

①初始化粒子群参数以及LSTM模型参数，前者涵盖种群规模、迭代次数、学习因子、惯性权重.后者包括学习率、\mathrm{b}\mathrm{a}\mathrm{t}\mathrm{c}\mathrm{h}\mathrm{s}\mathrm{i}\mathrm{z}\mathrm{e}与神经元个数.

②初始化粒子的位置与速度，随机生成种群粒子.

③确定粒子适应度函数，如式（13）所示.

\mathrm{F}\mathrm{i}\mathrm{t}\mathrm{n}\mathrm{e}\mathrm{s}\mathrm{s}=\frac{\mathrm{1}}{N}{\displaystyle \sum _{i=\mathrm{1}}^N}I\left[\mathrm{a}\mathrm{r}\mathrm{g}\mathrm{m}\mathrm{a}\mathrm{x}(y_{\mathrm{p}\mathrm{r}\mathrm{e}\mathrm{d}}^{(i)})=\mathrm{a}\mathrm{r}\mathrm{g}\mathrm{m}\mathrm{a}\mathrm{x}(y_{\mathrm{t}\mathrm{r}\mathrm{u}\mathrm{e}}^{(i)})\right]（13）

式中：N为样本总数；I(\cdot )为指示函数，当括号内条件为真时返回1，否则返回0；\mathrm{a}\mathrm{r}\mathrm{g}\mathrm{m}\mathrm{a}\mathrm{x}(y_{\mathrm{p}\mathrm{r}\mathrm{e}\mathrm{d}}^{(i)})为预测概率最高对应的类别；\mathrm{a}\mathrm{r}\mathrm{g}\mathrm{m}\mathrm{a}\mathrm{x}(y_{\mathrm{t}\mathrm{r}\mathrm{u}\mathrm{e}}^{(i)})为真实类别.

④计算初始粒子适应度值，得到个体极值与群体极值.

⑤每次迭代结合个体极值与群体极值更新粒子速度与位置，计算新粒子适应度.

⑥迭代结束后输出群体最优位置即对应LSTM最优参数组合.

3）将训练数据集输入最优参数组合的PSO-LSTM中训练.

4）通过输出五种船舶行为标签来检测船舶非安全行为.

综上，本文所建立的改进PSO优化LSTM的船舶非安全行为检测模型流程如图2所示.

2 非安全行为定义

2.1 AIS数据处理与分析

本文采用的AIS数据源自武汉长江大桥至二七长江大桥附近水域.经过AIS设备安装及测试验证，确认基站能够有效覆盖周边桥梁区域.基站所处位置船舶流量较大，且船舶种类繁多，因此收集到的AIS数据完全符合实验需求，采集到的部分AIS数据如表2所示.

AIS数据经过处理后，将武汉长江大桥水域的船舶分为上、下行，分别对上、下行船舶进行统计分析，如图3所示.由于武汉段航道的特殊弯曲形态，上行船舶的航向主要集中在180°~270°范围内，而下行船舶则主要分布在0~90°航向区间.上行船舶普遍采用2号或4号通航孔通过，下行船舶则主要选择6号通航孔通行.所以上行船舶需要在桥区内频繁调整航向以应对水流变化，其航向分布相对复杂；而下行船舶由于只需通过单一桥孔，航向调整较少，因此航向分布较为集中.

船舶航速统计分析如图4所示，上行船舶航速通常分布于\mathrm{2}~\mathrm{8}\mathrm{k}\mathrm{n}区间，下行船舶航速则集中在\mathrm{6}~\mathrm{14}\mathrm{k}\mathrm{n}范围.下行船舶航速显著高于上行船舶的现象，主要受长江水流条件影响，与内河航运实际规律一致.

2.2 船舶非安全行为定义与特征提取

依据《中华人民共和国桥区水域水上交通安全管理办法》^［15］船舶通过桥区水域时应严格遵循航行规范，不得在桥区水域内锚泊，禁止实施掉头、横越及超速航行等影响水上交通安全的行为.

2.2.1 超速行为

超速航行是指机动船舶驾驶员在操纵过程中违反法规，使船舶实际航速超出法定航速限制的行为.依据武汉市交通运输局对该区域实施的交通管控措施，规定船舶上行时的最低航速为2 kn，最高航速不得超过10 kn；下行航速不高于13 kn.基此构建桥区水域航速界限，提出了相应的超速行为约束函数^［16］，见式（14）和式（15）.

上行：G_{\mathrm{u}}=\left\{\begin{array}{l}\mathrm{0},\mathrm{2}\le V_{\mathrm{u}}\le \mathrm{10}\\ \mathrm{1},\mathrm{其他}\end{array}\right.（14）

下行：G_{\mathrm{d}}=\left\{\begin{array}{l}\mathrm{0},\mathrm{0}\le V_{\mathrm{d}}\le \mathrm{13}\\ \mathrm{1},\mathrm{其他}\end{array}\right.（15）

式中：G_{\mathrm{u}}、G_{\mathrm{d}}分别为根据阈值判定上行和下行船舶是否有超速行为的判定公式；0和1分别代表未超速和超速；V_{\mathrm{u}}、V_{\mathrm{d}}分别表示上、下行船舶航速，当船舶航速大于所给定阈值时，则判定为超速行为.

2.2.2 掉头行为

船舶在转向操作时，航速逐渐减慢，转向角速度则不断加大，由此航向变化率会出现明显起伏.船速和转向角速度经过一段时间的舵效作用后趋于稳定.通过分析转向率的起伏情况，可以有效地检测出船舶的掉头行为.

在提取船舶掉头特征时，必须综合考虑航速、航向、航向变化率三个条件，只有当三个条件同时满足时，才能准确判定出船舶的掉头行为：

1）在船舶掉头的初期，船舶航速加速度小于零；

2）在一定时间间隔内，转向率逐渐增大，即\mathrm{r}\mathrm{a}\mathrm{t}{\mathrm{e}}_{\mathrm{C}\mathrm{O}\mathrm{G}}\ne \mathrm{0}；

3）从掉头操作起始至完成，航向变化幅度为180°.

其中，加速度、转向率和航向差的具体计算公式见式（16）~式（18）：

a=\frac{\mathrm{S}\mathrm{O}{\mathrm{G}}_i-\mathrm{S}\mathrm{O}{\mathrm{G}}_{i-\mathrm{1}}}{t_i-t_{i-\mathrm{1}}}（16）

r_{\mathrm{C}\mathrm{O}\mathrm{G}}=\frac{\left|\mathrm{C}\mathrm{O}{\mathrm{G}}_i-\mathrm{C}\mathrm{O}{\mathrm{G}}_{i-\mathrm{1}}\right|}{t_i-t_{i-\mathrm{1}}}（17）

（18）

式中：a表示航速加速度；\mathrm{S}\mathrm{O}{\mathrm{G}}_i表示船舶t_i时刻轨迹点的航速；r_{\mathrm{C}\mathrm{O}\mathrm{G}}表示航向转向率；\mathrm{C}\mathrm{O}{\mathrm{G}}_i表示船舶t_i时刻轨迹点的航向；\mathrm{\Delta }c表示船舶航向差.

实际航行过程中由于风力等外部因素的影响，船舶的掉头角度可能会有所偏差，不会严格遵循180°的转向角度，仅需120°即可^［17］.通过对武汉段不同类型船舶掉头样本的航向差进行统计，结果如图5所示，掉头时角度主要集中在120°~200°之间.由此可以得到掉头行为识别方法：在\mathrm{r}\mathrm{a}\mathrm{t}{\mathrm{e}}_{\mathrm{C}\mathrm{O}\mathrm{G}}\ne \mathrm{0}到\mathrm{r}\mathrm{a}\mathrm{t}{\mathrm{e}}_{\mathrm{C}\mathrm{O}\mathrm{G}}=\mathrm{0}期间，若\mathrm{120}°\le \mathrm{\Delta }c\le \mathrm{200}°且就判定该行为为掉头行为.

2.2.3 横越行为

《中华人民共和国内河避碰规则（1991）》^［18］第五条规定，横越行为是指船舶从航道一侧向另一侧实施横向航行，或近似横向跨越航道的操作.因此可以通过观察船舶航向与主流船舶航向的偏差来判断船舶是否在横越，如图6所示.

根据2.1节桥区水域船舶航向分布特征可知，上行船舶航向大多集中在200°~240°区间，平均航向215°而下行船舶航向则主要位于20°~60°之间，平均航向35°.这种双向的航向分布模式与武汉长江桥区航道轴线走向高度吻合.因此，判断武汉段桥区水域的船舶行为是否为横越行为应满足以下两个条件：

1）轨迹数据必须涵盖上行和下行两个航道；

2）对于上行横越的船舶来说，其航向应在60°~200°之间；而下行横越的船舶航向则应位于250°~360°范围内.

2.2.4 锚泊行为

锚泊是指利用依赖于锚具及其配套的锚链所产生的强大摩擦力来抵抗外界各种力的作用，从而确保船舶在水域内稳定地停留在指定位置.《中华人民共和国桥区水域水上交通安全管理办法》规定，桥区水域内的船舶锚泊受到严格限制.本文通过分析研究水域船舶锚泊全过程的AIS时空数据的动态演变规律可知，锚泊期间船舶轨迹点在一定水域内呈现出密集分布的特点^［19］：至少会发送40个锚泊位置 报告，且锚泊操作开始前，船舶通常会维持安全余速，控制在2 kn内以确保顺利抛锚，且其中船速小于0.3 kn的轨迹点的比例大于K.

因此，在判定船舶锚泊行为时应遵循以下两个条件：

1）轨迹中航速小于2 kn的连续轨迹点多于40个.

2）轨迹中航速小于0.3 kn的轨迹点占整个轨迹段中的轨迹点数比例大于K.阈值K由水域内风浪流等环境动力条件综合决定，本文以文献［19-20］的工作为基础，结合研究水域通航特征分析，实验中 K值计算见式（19）：

K=\left(\mathrm{1}-D_{\mathrm{s}}/\mathrm{30}\right)\times \mathrm{100}\mathrm{\%}（19）

式中：D_{\mathrm{s}}为水域内6级以上风（标准风）的天数，本文选取水域为武汉段洪水期AIS数据，根据武汉气象局数据D_{\mathrm{s}}为10 d.由此可以得到锚泊行为的约束函数式（20）：

\left\{\begin{array}{l}n>\mathrm{40}\\ \frac{m}{M}\times \mathrm{100}\mathrm{\%}>\mathrm{67}\mathrm{\%}\end{array}\right.（20）

式中：n为轨迹中航速小于2 kn的连续轨迹点数； m为轨迹中航速小于0.3 kn的轨迹点数量；M为处于桥区水域的整个轨迹段中的轨迹点数.

3 实验结果与分析

3.1 评价指标

船舶非安全行为检测属于二分类任务，因此本文选取准确率A（accuracy）、精确率P（precision）、召回率R（recall）和F₁（F₁-score）作为模型的评价指标.具体公式为式（21）~式（24）：

A=\frac{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}}{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}+\mathrm{F}\mathrm{P}+\mathrm{T}\mathrm{N}}（21）

P=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}（22）

R=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}}（23）

F_{\mathrm{1}}=\mathrm{2}\times \frac{P\times R}{P+R}（24）

式中：TP表示测试集实际为正例，模型也预测为正例的样本数；TN表示测试集实际为反例，模型也预测为反例的样本数；FP表示测试集实际为反例，但模型预测为正例的样本数；FN表示测试集实际为正例，但模型预测为反例的样本数.

3.2 数据集构建

在本文的研究当中，针对在桥区水域航行且已取得海事局审批的船舶，如客船横越、工程船锚泊施工等特定航行状态，将其航行轨迹认定为非安全行为轨迹，进一步扩充样本数据集.选取船舶AIS数据中对地航速、对地航向、时间、经度和纬度五个特征作为输入向量，把正常行为、超速行为、掉头行为、横越行为、锚泊行为5种船舶行为作为输出向量.根据样本数据的特点，本文将模型的训练集和数据集的比值设置为7∶3，每种行为数据包含2 000个AIS数据点.为了解决输入数据集中的各个特征参数量纲不一致等问题，本文采用min-max方法对数据进行归一化处理，将数据按照原始顺序映射到［0，1］之间，在缩放数据的同时，完好地保留原始数据集的分布形状与相对关系，且不扭曲其本质特征，如式（25）所示.

x^{\text{'}}=\frac{x_i-\mathrm{m}\mathrm{i}\mathrm{n}\left(x\right)}{\mathrm{m}\mathrm{a}\mathrm{x}\left(x\right)-\mathrm{m}\mathrm{i}\mathrm{n}\left(x\right)}（25）

式中：x^{\text{'}}为归一化后的新数据；x_i为原始数据；\mathrm{m}\mathrm{i}\mathrm{n}\left(x\right)、\mathrm{m}\mathrm{a}\mathrm{x}\left(x\right)分别为原始数据中的最小值和最大值.

3.3 参数配置

本文采用改进PSO算法优化BP模型和LSTM模型，利用改进PSO算法对模型的学习率、神经元个数和\mathrm{b}\mathrm{a}\mathrm{t}\mathrm{c}\mathrm{h}\mathrm{s}\mathrm{i}\mathrm{z}\mathrm{e}进行优化，具体如下：

3.3.1 改进PSO-BP模型参数设置

设置粒子群优化算法的参数，包括种群规模10，学习系数1.5，惯性权重0.6，以及终止迭代次数9，适应度函数为测试集损失率.改进PSO算法优化后BP模型的模型结构及参数值如表3所示.

3.3.2 改进PSO-LSTM模型参数设置

设置粒子群优化算法的参数，包括种群规模20，学习系数1.5，惯性权重0.7，以及终止迭代次数15，适应度函数为测试集损失率.改进PSO算法优化后LSTM模型的模型结构及参数值如表4所示.

3.4 非安全行为检测结果

本文首先对基于改进PSO-LSTM模型进行了实验验证，并绘制了模型准确率和损失率随迭代次数的变化趋势，如图7和图8所示.训练集和测试集准确率则随着迭代次数增加持续上升，损失率呈现出逐步下降的趋势.经过200次迭代后，改进PSO-LSTM模型在测试集上实现了0.175以下的损失率和0.91以上的准确率，且整体波动较小，这进一步证明了改进PSO-LSTM模型在检测船舶非安全行为方面的高准确率和稳定性.此外，接收者操作特征（receiver operating characteristic， ROC）曲线可通过真正类率（true positive rate， TPR）和假正类率（false positive rate， FPR）的相关性来评估模型的分类性能.改进PSO-LSTM模型的ROC曲线如图9所示，其ROC曲线下的面积（AUC值）为0.969 3，表明本文模型表现出较好的分类效果.

为进一步量化模型性能，采用准确率A、精确率P、召回率R和F₁指标进行量化分析，结果如表5所示.根据表5的实验结果对比，可以观察到BP、LSTM、改进PSO-BP以及改进PSO-LSTM模型，在准确率、精确率、召回率和F₁面均高于SVM模型.且无论是BP还是LSTM，加入改进PSO算法都能显著提升模型的性能，相较于传统的BP和LSTM模型具有更高的准确性.

进一步对比改进PSO-BP和改进PSO-LSTM两种模型，发现改进PSO-LSTM模型在准确率、精确率、召回率和F₁方面分别比改进PSO-BP模型高出1.48、0.41、1.73和1.07个百分点.这表明，通过改进PSO算法对LSTM网络模型的超参数进行优化，能够找到更加精确的参数组合，从而获得更优化的模型性能.因此，在桥区水域非安全行为检测问题上，改进PSO-LSTM模型是最优的选择.

3.5 实例分析

为了直观展示所构建模型在检测性能方面的表现，本文采用了去标签验证集的方法，将其分别输入到SVM、BP、改进PSO-BP、LSTM和改进PSO-LSTM五种模型中，并将部分检测结果进行了可视化处理.在可视化过程中，将正常轨迹用蓝色标记，实际非安全行为用红色标记，SVM模型检测出的非安全行为用粉色标记，BP模型检测出的非安全行为用黄色标记，改进PSO-BP模型检测出的非安全行为用绿色标记，LSTM模型检测出的非安全行为用紫色标记，改进PSO-LSTM模型检测出的非安全行为用橙色标记.通过这种方式，可以清晰地看到不同模型在识别非安全行为轨迹片段方面的表现，进一步评估各模型的性能和效果.具体桥区水域非安全行为检测结果如图10~图13所示.

可视化结果表明，相对于其他非安全行为，超速行为的特征较明显，五种模型在超速行为识别上均较为出色.在掉头行为中，SVM模型检测准确程度较差，BP模型出现了错误检测的情况，与改进PSO-BP模型和LSTM模型相比，改进PSO-LSTM模型的识别效果更为出色，能够准确检测到掉头行为刚开始的阶段：航向尚未出现显著变化，但航速正在逐渐下降.

在横越行为中，SVM模型、BP模型在横越行为的检测上存在一定的不足，无法完整地捕捉到整个横越行为的过程.相比之下，改进PSO-BP模型和LSTM模型不仅能够检测出大部分横越行为，且较准确地判断出船舶是否已经横越到了对面航道.而改进PSO-LSTM模型更是表现出色，能够准确地检测出船舶的完整横越行为.在锚泊行为中，SVM模型会将因风浪流影响而出现航速波动的锚泊轨迹点误认为是正常轨迹点.相比之下BP模型、改进PSO-BP模型和LSTM模型能够较为准确地判断出船舶是否处于锚泊状态，但对于抛锚时仍保持一定航速的情况则难以准确识别.而改进PSO-LSTM模型的表现最为出色，不仅能够准确检测出完整的船舶锚泊行为，还能够准确判断出因风浪流影响导致的航速波动情况以及抛锚时仍保持一定航速的特殊情况.

4 结 论

本文针对内河桥区水域船舶航行安全问题，搭建了基于改进PSO优化LSTM的船舶非安全行为检测模型.根据船舶航行的时空特征设计了船舶超速、掉头、横越、锚泊四种典型特征提取方法，建立了AIS数据驱动的改进PSO-LSTM模型实现四种非安全行为的精准检测.实验证明本文提出的模型在检测任务上相比于传统的SVM、BP、LSTM和PSO-BP模型表现更佳，模型准确率、精确率、召回率和F₁分别达到了0.912 7，0.909 0，0.920 8，0.914 9.能够更加准确检测桥区船舶非安全行为，既强化了海事监管的理论基础，亦驱动了内河水上交通向智能化转型.

参考文献

[1] HANDAYANI D O D， SEDIONO W， SHAH A ．Identification of vessel anomaly behavior using support vector machines and Bayesian networks［C］//2014 International Conference on Computer and Communication Engineering，September 23-25，2014，Kuala Lumpur，Malaysia． IEEE，2015： 258-261．

[2] 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．

[3] RIVEIRO M J. Visual analytics for maritime anomaly detection［J］. Visual Analytics for Maritime Anomaly Detection， 2011， 46：208.

[4] PIPANMEKAPORN L， KAMONSANTIROJ S ．A deep learning approach for fishing vessel classification from VMS trajectories using recurrent neural networks［C］//Human Interaction，Emerging Technologies and Future Applications Ⅱ．Cham：Springer，2020：135-141．

[5] 杨帆， 何正伟， 何帆. 基于LSTM神经网络的船舶异常行为检测方法［J］. 武汉理工大学学报（交通科学与工程版）， 2019， 43（5）： 886-892．

[6] YANG F， HE Z W， HE F. Detection method of abnormal ship behavior based on LSTM neural network［J］. Journal of Wuhan University of Technology （Transportation Science & Engineering）， 2019， 43（5）： 886-892．（in Chinese）

[7] 王立林，刘俊 ．基于多尺度卷积的船舶行为识别方法［J］．计算机应用，2019， 39（12）： 3691-3696．

[8] WANG L L， LIU J. Ship behavior recognition method based on multi-scale convolution［J］. Journal of Computer Applications，2019， 39（12）： 3691-3696．（in Chinese）

[9] 宁耀 ．基于深度学习的渔船行为识别方法研究［D］．兰州：兰州大学，2020．

[10] NING Y. Research on the behavior identification method of fishing vessels based on deep learning［D］. Lanzhou University，2020．（in Chinese）

[11] FENG Y， ZHAO X L， HAN M X，et al ．The study of identification of fishing vessel behavior based on VMS data［C］//Proceedings of the 3rd International Conference on Telecommunications and Communication Engineering，November 9-12，2019，Tokyo，Japan. ACM， 2020： 63-68．

[12] 周慧君 ．顾及地理环境的船舶行为识别研究［J］．测绘地理信息，2023，48（5）：117-122．

[13] ZHOU H J ．Ship behavior identification considering geographical environment［J］．Journal of Geomatics，2023，48（5）：117-122．（in Chinese）

[14] NGUYEN D， SIMONIN M， HAJDUCH G，et al ．Detection of abnormal vessel behaviours from AIS data using GeoTrackNet：from the laboratory to the ocean［C］//2020 21st IEEE International Conference on Mobile Data Management （MDM），June 30 - July 3，2020，Versailles，France．IEEE，2020：264-268．

[15] KENNEDY J， EBERHART R ．Particle swarm optimization［C］//Proceedings of ICNN'95-International Conference on Neural Networks， November 27-December 1，1995，Perth，WA，Australia， IEEE，2002：1942-1948．

[16] TANG Z Y， ZHANG D X ．A modified particle swarm optimization with an adaptive acceleration coefficients［C］//2009 Asia-Pacific Conference on Information Processing，July 18-19，2009，Shenzhen，China． IEEE，2009：330-332．

[17] SHI Y， EBERHART R. A modified particle swarm optimizer［C］ //1998 IEEE International Conference on Evolutionary Computation Proceedings May 4-9， 1998， Anchorage， AK， USA. IEEE， 1998. 69-73.

[18] QIAN L， ZHENG Y Z， LI L，et al ．A new method of inland water ship trajectory prediction based on long short-term memory network optimized by genetic algorithm［J］．Applied Sciences，2022，12（8）：4073．

[19] 交通运输部办公厅.关于印发桥区水域水上交通安全管理办法的通知［EB/OL］.（2018-05-10）.

[20] 郑元洲，李鑫，钱龙，等 ．基于DCNN-LSTM模型的船舶违章行为检测［J］．湖南大学学报（自然科学版），2024，51（12）：119-128．

[21] ZHENG Y Z， LI X， QIAN L，et al ．Ship violation behavior detection based on DCNN-LSTM model［J］．Journal of Hunan University （Natural Sciences），2024，51（12）：119-128．（in Chinese）

[22] 苏林. 小型船舶自力掉头靠泊方式及关键点介绍［C］//2015年中国航海日论坛暨2015中国引航发展论坛.2015：216-218

[23] SUN L. Introduction to the self-turned berthing methods and key points of small ships［C］//2015 China Maritime Day Forum and 2015 China Pilotage Development Forum. 2015：216-218. （in Chinese）.

[24] 交通运输部.中华人民共和国内河避碰规则（1991）［EB/OL］.（2003-09-02）.

[25] 刘宗杨，周春辉，孙业峰，等 ．闽江口水域船舶锚泊行为识别与挖掘方法［J］．武汉理工大学学报（交通科学与工程版），2021，45（4）：805-810．

[26] LIU Z Y， ZHOU C H， SUN Y F，et al ．Identification and excavation method of ship anchoring behavior in Minjiang Estuary waters［J］. Journal of Wuhan University of Technology （Transportation Science & Engineering），2021，45（4）：805-810．（in Chinese）

[27] 崔鹤怀．基于 ．NET的拖航中拖缆张力监测与辅助决策系统的开发［D］．大连：大连海事大学，2020．

[28] CUI H H ．Development of towing cable tension monitoring and auxiliary decision system based on．NET［D］．Dalian：Dalian Maritime University，2020．（in Chinese）

基金资助

国家自然科学基金资助项目(52171350)

National Natural Science