Ship Automatic Identification System

Ship Automatic Identification System: History

View Latest Version

Please note this is an old version of this entry, which may differ significantly from the current revision.

Subjects: Others

Contributor:

Daping Xi

Yuhao Feng

Wenping Jiang

Nai Yang

Xini Hu

Chuyuan Wang

The extraction of ship behavior patterns from Automatic Identification System (AIS) data and the subsequent prediction of travel routes play crucial roles in mitigating the risk of ship accidents. This study focuses on the Wuhan section of the dendritic river system in the middle reaches of the Yangtze River and the partial reticulated river system in the northern part of the Zhejiang Province as its primary investigation areas. Considering the structure and attributes of AIS data, we introduce a novel algorithm known as the Combination of DBSCAN and DTW (CDDTW) to identify regional navigation characteristics of ships. Subsequently, we develop a real-time ship trajectory prediction model (RSTPM) to facilitate real-time ship trajectory predictions. Experimental tests on two distinct types of river sections are conducted to assess the model’s reliability. The results indicate that the RSTPM exhibits superior prediction accuracy when compared to conventional trajectory prediction models, achieving an approximate 20 m prediction accuracy for ship trajectories on inland waterways. This showcases the advancements made by this model.

AIS data
river sinuosity
trajectory clustering
trajectory prediction

1. 引言

与陆路运输相比，水路运输缺乏明确的固定路线，使船舶在行动中具有更大的自由度。因此，水运管理本身就更加复杂。船舶碰撞是水上航行过程中不幸发生的事件，通常源于设备故障和人为错误等因素。因此，对船舶航向的实时监控对于及时发现异常行为和降低船舶事故风险变得不可或缺。为了支持船舶航行安全，水上交通管理当局采用了一套现代信息设备，包括自动识别系统（AIS）和全球定位系统（GPS）[1]。

AIS通过接收和处理船上AIS设备传输的信息，利用独特的AIS设备代码进行自动船舶识别，从而可以实时监控基站覆盖区域内的船舶。虽然 AIS 数据披露了最近发送的 AIS 消息的位置，但它带有固有的传输延迟。此外，数据传输、解析、加载和显示存在时间滞后，阻碍了船舶的实时位置表示。此外，设备故障和信号干扰会导致AIS数据丢失。AIS数据领域的这些挑战使确保船舶安全的任务变得复杂。

根据国内外基于AIS数据的相关研究，研究人员总结了各种船舶轨迹预测方法的优缺点，如表1所示。

表 1.轨迹预测方法的分类和优缺点的简要说明。

类别	方法类别	优势	弊
模拟方法	指数平滑模型（ESM） [2]	可以使用少量数据进行预测	只能进行短期预测
模拟方法	曲率速度法 [3]	模型简单，实时性好	只能进行短期预测
统计方法	卡尔曼滤波 [4]	线性、无偏、高精度	依赖于原始数据，无法随时间推移进行预测
	自回归移动平均模型（ARIMA） [5]	模型简单，应用广泛	需要大量数据且精度低
	隐马尔可夫模型（HMM） [6]	过程的良好状态预测	鲁棒性差，参数设置复杂
	高斯混合模型（GMM） [7]	短距离预测精度高	容易受到数据复杂性和低效性的影响
	贝叶斯网络 [8]	高效且易于培训	容易受到先验概率和输入变量的影响
机器学习	K 最近邻（KNN） [9]	易于实施，无需参数估计	当样本量不平衡时，准确性会受到影响
	支持向量机（SVM） [10,11]	适用于线性和非线性问题	仅适用于二分法问题
	人工神经网络（ANN） [12]	高精度和噪声误差容限	需要大量的初始参数和较长的训练时间
	极限学习机（ELM） [13]	隐藏层无需迭代，快速学习	可能导致过拟合问题
	反向传播（BP） [14,15]	能够自行学习和概括	可能会陷入局部极端，导致训练失败
深度学习	长短期记忆（LSTM） [16,17,18,19]	循环神经网络（RNN）中长期依赖性的不足得到有效改善。	内部结构比较复杂，计算起来很耗时
	格鲁 [20]	模型简单，训练速度比LSTM快	不能完全解决梯度消失问题
	甘 [21]	可以产生更清晰、更逼真的样品	不适合处理离散数据，例如文本
	卷积神经网络（CNN） [22]	可以自动执行特征提取	训练结果很容易收敛到局部最小值
	深度神经网络（DNN） [23]	极佳的非线性拟合能力	训练难度大，需要大量数据
其他	混合动力车型 [24,25,26,27]	结合多种机型的优点	可能导致计算成本增加

2. 基于仿真方法的船舶轨迹预测

仿真方法包括创建物理模型来模拟真实的船舶行为。这种方法很少单独用于船舶轨迹预测;它通常与其他方法相结合，形成混合的预测方法。

ESM 用于预测船舶的位置、航向和速度;同时，分析了船舶的实际碰撞场景。该方法已被证明可以实现船舶行为的预测[2]。Mazzarella提出了一种基于粒子滤波器的贝叶斯算法，该算法使用KNN来匹配船舶的当前轨迹序列，从而能够在交通路线数据可用时预测船舶轨迹[3]。

3. 基于统计方法的船舶轨迹预测

基于统计的方法假设船舶的历史轨迹与预测的轨迹具有一定的相似性，并通过拟合船舶轨迹来实现预测。

Ju等[4]提出了一种多层架构交互感知卡尔曼神经网络，以解决交通系统中的相互作用问题。利用差分ARIMA模型对船舶AIS数据进行船舶轨迹预测，适用于船舶避碰检测[5]。通过小波变换将轨迹序列转换为列向量，然后将其用作HMM的输入。这是一种算法（HMM-WA），可提高船舶轨迹预测的准确性[6]。Rong等[8]提出了一个基于高斯过程和不确定加速度的模型，旨在实现对船舶航行过程中的实时监控。

4. 基于机器学习的船舶轨迹预测

无监督学习主要侧重于数据的聚类和降维，而监督学习的应用范围更广。例如，KNN 和 SVM 可以通过学习船舶轨迹的运动特性来预测船舶轨迹。

Duca等[9]提出了一种基于KNN分类器的轨迹预测模型，考虑了船舶的5个特征：经度、纬度、航向、速度和类型。验证了模型的预测精度。Liu等[10]开发了一种基于选择机制的在线多输出模型。该模型可以在小样本下实现较高的预测精度。此外，还提出了一种基于SVR的轨迹预测模型，但在模型训练过程中不能改变模型所需的样本数据和参数[11]。Gan等[12]利用聚类船舶轨迹和其他已知因素（如船舶速度）建立了预测船舶轨迹的ANN模型。

自深度学习出现以来，它在许多任务中都表现出出色的性能，包括船舶轨迹的预测。LSTM 相对于 BP 神经网络的优势在于它能够处理和分析时间序列和序列数据。LSTM内部网络中的门结构使其能够挖掘序列数据中的趋势和相关性，从而在应用于时间序列数据（如流量和位置）时产生更好的预测效果。此外，LSTM的预测精度优于BP神经网络[16,17,18,28]，使其适用于长期预测。Gao等[29]研究了一种双向LSTM（Bi-LSTM）网络，旨在增强历史数据的记忆能力和未来时间序列数据之间的相关性。Liu等[19]将卷积变换集成到基于注意力机制的Bi-LSTM中，以实现长期预测。在另一项研究中，CNN提取的船舶轨迹序列特征被输入到LSTM模型中进行预测[22]。除了 LSTM、GRU、CNN 和 GAN 之外，还有基于 DNN 的框架用于预测商船（如油轮和集装箱船）的轨迹。然而，DNN模块容易出现过拟合，在训练过程中可能无法达到高精度[23]。

5. 基于混合方法的舰船轨迹预测

混合方法侧重于结合各种方法的优点，以提高轨迹预测任务的效率。Murray & Perera [24]提出了一种结合GMM、KNN和双线性自动编码的算法来构建预测模型。Schöller等[26]首先使用核密度估计将历史AIS数据转换为概率热图，然后使用卷积自动编码器进行进一步编码。他们构建了基于GAN和LSTM的模型，实现了船舶轨迹预测。此外，Suo等[27]构建了基于DBSCAN和GRU的混合模型，实现了实时预测。

此外，船舶轨迹的聚类方法大致分为基于距离的[30,31,32,33]、基于密度的[34,35,36]和基于统计的[37,38]方法。大多数研究通过结合各种聚类方法的优点实现了船舶轨迹的高效聚类[30,31,35,36,37,39]。该文提出了一种新的聚类船舶轨迹方法，即DBSCAN与DTW相结合（CDDTW），该方法结合了优化的DBSCAN算法（基于密度）和改进的DTW算法（基于距离）对船舶历史轨迹进行聚类。该方法还基于聚类结果提取了船舶航迹的区域导航特征。构建了基于LSTM的RSTPM。

This entry is adapted from the peer-reviewed paper 10.3390/ijgi12120502

© Text is available under the terms and conditions of the Creative Commons Attribution (CC BY) license; additional terms may apply. By using this site, you agree to the Terms and Conditions and Privacy Policy.