基于船舶行为的武汉长江大桥水域货船通航规律研究*

陶　阳　毛　喆▲　盛　萍　吴　兵

(1.武汉理工大学国家水运安全工程技术研究中心　武汉 430063；2.武汉理工大学智能交通系统研究中心　武汉 430063；3.武汉理工大学水路公路交通安全控制与装备教育部工程研究中心　武汉 430063；4.中交第二公路勘察设计研究院有限公司　武汉 430056)

0　引　言

随着经济发展加快，长江干线上桥梁建设速度也飞速增长，在一定程度上影响了内河船舶的通航环境，提高了船舶航行风险。船舶航行行为主要体现在船舶的航行位置、速度和航向角随时间的变化上[1]，而在桥区水域，不合理的操纵更容易造成通航安全隐患，因此，货船在桥区水域通航时船舶行为受到更严格的限制，比如，上下行航速的限制、水域内禁止追越等[2]。在部分桥区水域，不同水期船舶上下行的通航桥孔也不一致。桥区水域影响船舶安全通航因素复杂，因此，开展对桥区水域的船舶行为研究，分析船舶过桥前后航速控制、航向角调整的规律，为海事部门提供一定指导建议，保障桥区船舶通航安全，具有重要的现实意义。

目前AIS数据在船舶行为方面的研究应用广泛，Sang等[3]利用AIS数据完成异常船舶行为的识别和缺失船舶航迹的恢复；Zhang等[4]基于AIS数据的时间和空间属性完成了新加坡海峡船舶异常航速热点区域；Mou等[5]通过线性回归模型分析港口AIS数据与船舶碰撞行为的关联性。除了识别船舶异常行为和碰撞行为，国内外学者围绕AIS数据在桥区水域船舶行为分析也开展了相关研究，主要包括船舶通过能力仿真、船舶通航轨迹研究及航道内船舶航速变化规律分析等。Jiang等[6]统计分析了苏通大桥桥区水域2010年的船舶交通流的月增长率；Wu等[7]基于AIS数据从船舶碰撞角度研究了德克萨斯州航道的船舶通航风险；肖方亮和Han等[8]通过将鹿特丹港口和苏通大桥水域船舶AIS数据进行统计分析对比，验证了统计学方法对船舶通航规律分析的普适性；徐武雄等[9]根据AIS数据分析武桥水域船舶行为分布规律，提出了船舶生成的仿真方案；桑凌志等[10]依据主机功率对船舶进行聚类，结合栅格法和蚁群算法实现了通航轨迹的优化；朱姣等[11]利用DBSCAN聚类算法挖掘内河船舶的不同行为模式和交通态势信息；甄荣等[12]采用统计学方法定量统计分析航道内不同类型和船长的船舶速度分布范围，分析了各变量间的关系；潘家财等[13]统计分析厦门湾的船舶AIS数据，根据航速和航向变化率来描述该水域的通航环境。

以上的研究侧重于理论算法和仿真模型，而船舶通航是以船舶和航道为整体研究对象，与航速、航向角等密切相关的交通行为[14]，因此，以真实桥区水域为基础，开展对船舶航速、航向角等船舶行为的分析，实现对该水域船舶通航规律的研究，具有重要的现实意义。笔者以2015年武汉长江大桥段桥区水域的货船AIS数据为基础，从上下行、水期等因素影响下的航速和航向角变化规律的角度来分析船舶行为特征。

1　研究区域选定和数据处理

1.1　武汉长江大桥水域

相对于开阔水域，船舶在桥区水域通航具有一定特殊性，受到各种复杂自然条件因素的综合影响，包括航道条件、桥梁净高，以及水文条件等，其中武汉长江大桥水域(以下简称武桥水域)是典型的内河桥区水域，作为长江干线上重要的交通枢纽，合理规范该水域内船舶的通航行为对于预防和减少水上交通事故的发生具有重要意义。武汉长江大桥为三联连续桥梁，每联3孔，共8墩9孔，每孔跨度为128 m，桥墩纵向轴线向右岸偏离18°。武桥水域指桥轴线上游1 500 m到下游1 000 m左右[15]的通航水域，在该水域实施分孔通航，上、下行船舶分别走4号和6号桥孔。根据研究需要，笔者选取桥轴线上游2 000 m到下游1 500 m作为研究水域，如图1所示。从航道通航环境来看，武桥水域属于顺直航道，航道宽度为1 500 m左右，全年维护尺度为4.0 m×150 m，水深维护保护率为98%[16-17]。航道通航受水期影响显著，主要体现在水流条件、桥梁净高和通航桥孔选择上。在洪水期桥墩附近横流现象严重，桥孔通航净高降低，助航设施容易失效，驾驶员针对通航孔和非通航孔的识别更容易出现失误；在枯水期容易出现航槽弯曲现象而成为碍航航道。

图1　武汉长江大桥水域Fig.1　Watersway of Wuhan Yangtze River Bridge

为了深入研究水期因素对桥区货船通航的影响，以汉口水文站为例，统计了2015年长江武汉大桥段航道上下游的水位信息，同时综合长江航道局的规定和徐武雄等[15]的调研分析，完成了对水期的划分：枯水期(11，12，1，2，3月份)、中水期(4，5，10月份)和洪水期(6，7，8，9月份)。2015年武汉段航道尺度维护数据见表1。由表1中可见，上、下游水域的航道水深在不同水期具有明显差异，洪水期航道水深远高于枯水期；在同一水期上、下游的航道水深也存在差异，在各水期中，下游航道水深均高于上游。

表1　2015年长江武汉段水文信息Tab.1　Hydrology of Wuhan Yangtze River in 2015

1.2　AIS数据获取

笔者采用的AIS数据由长江海事局AIS信息服务平台提供。船舶AIS数据主要包括静态信息和动态信息，其中静态信息包括：IMO码、船名、船舶长度和宽度、船舶类型等；动态信息包括对地航速、对地航向、航行状态等。研究以其中6类信息作为分析对象，见表2。

表2　AIS数据格式Tab.2　Data format of AIS

1.3　AIS数据处理流程

通过对2015年1月1日—12月31日约120万条货船AIS数据记录进行预处理，得到用来分析武汉长江大桥水域货船通航规律的数据，预处理过程见图2。

步骤1。研究AIS数据的时间范围为2015年1月—12月，空间范围为武汉长江大桥水域上游2 000 m到下游1 500 m，研究的AIS信息为表2中表征船舶行为的6个字段，利用以上条件筛选得到符合条件的数据有29万条。

图2　AIS数据预处理Fig.2　Preprocessing of AIS data

步骤2。货船过桥行为分为上行过桥和下行过桥，二者的航行规律有着很大的差别，为了方便发现规律，以航向角为依据[18]对上行和下行AIS数据进行分类，得到AIS数据上行14万条、下行15万条。

步骤3。将筛选得到的上、下行AIS数据从SQLServer数据库中导出到Matlab中进行处理，将解析TIME字段提取的月份信息作为每一条AIS记录的标志，实现AIS数据集按月份的划分。

步骤4。针对上下行每个月的AIS数据集，以MMSI为依据来区分不同货船的轨迹，同时以900 s作为分包的时间阈值，规定相邻AIS记录的时间差大于此阈值就可以认为是2条子轨迹。

步骤5。结合上文规定来分别完成上、下行AIS数据集基于水期的划分。

步骤6。统计分析上、下行及水期对货船在武桥水域航行的影响。

1.4　武桥水域货船通航情况

对AIS数据进行处理后，得到货船在武桥水域的轨迹分布，见图3。该水域货船上、下行航迹存在明显区别，从通航桥孔来看，上行货船主要通过2，3，4号桥孔，而下行货船主要通过6号桥孔。从货船航迹来看，部分上行货船在进入桥区水域时航迹出现了明显偏离预期航线的现象，而下行航迹不存在此现象。从航迹带分布来看，上行货船航迹倾向于在缓流水域，而下行货船倾向于在主流水域。

图3　货船航迹分布Fig.3　Trajectory distribution of cargo ships

2　武桥水域货船过桥通航规律分析

2.1　武桥水域货船交通流量

经过前期预处理，统计分析武桥水域2015年货船交通流量，其中上行货船9 147艘，下行货船10 788艘，其年度分布见图4。洪水期和中水期货船交通流量比例远大于枯水期，其中上行71%，下行75%，可知上、下行对货船交通流量比例影响不大。在洪水期，货船交通流量比例达到最大，其中上行38%，下行41%。由此可知，上行、下行、水期与桥区货船交通流量具有某种内在的联系。

图4　货船交通流量分布Fig.4　Traffic flow distribution of cargo ships

2.2　武桥水域上、下行货船航行规律

不同航向的货船航速和航向角能在一定程度上反映货船的航行行为特征，从而为研究桥区水域货船航行提供理论依据。利用正态分布和对数正态分布分别对2015年武桥水域上、下行货船的航速、航向角进行拟合，得到的拟合曲线和参数见图5～6。

图6　航向角分布特性概率分布拟合Fig.6　Probability distribution fitting of course

由图5～6可见，无论对于货船航速还是航向角，对数正态分布的拟合优度均要优于正态分布，能更准确地反映武汉大桥水域货船航速的分布特征。其中，上行货船航速期望和标准差均低于下行，说明在武桥水域货船下行时航速整体均值与波动性更大，这与货船下行时航速偏高，受到水流作用影响更大，需要频繁变换航速来抵消水流作用有关。下行货船航向角标准差为5.33°，远低于上行的11.47°，说明货船下行时航向角分布更集中，波动性更小，这与货船航速的规律是不同的。这是因为货船上行时主要通过2号和4号桥孔，而下行时只能通过6号桥孔，因此货船下行过桥时不需要频繁调节航向角，航向角整体分布也更为集中。

2.3　不同水期货船航行规律

为了研究水期对货船航行的影响，以货船航行时距离大桥的航程为横轴来分别统计货船在各水期中上、下行航速和航向角的散点分布。

2.3.1上、下行货船各水期航速分析

统计得到上、下行货船在各水期中航速散点分布如图7。由图7可见，航速散点整体分布与上、下行关系不大，且各水期货船航速散点整体分布具有相似性，散点整体不具备较大波动性。

图7　各水期货船航速散点分布Fig.7　Distribution of speed scatters in different water period

采用对数正态分布对上、下行货船航向角进行拟合，通过拟合结果得到航向角主要分布区间,即为主要研究对象，其中上行研究区间为[2.5,5.5] kn，下行为[4,10] kn。将此区间作为主要研究对象，采用合适的区间梯度来分别统计上、下行各水期航速散点比例，其中上行区间梯度为0.5 kn，下行为1 kn。得到的统计结果和拟合参数分别见表3。

表3　上下行航速统计分析Tab.3　Statistical analysis of speed in upside anddownside

由表3可见，从波动性角度来看，无论是上行还是下行，各水期航向角标准差基本无差异，说明上、下行航速分布波动性与水期无关。从区间统计结果来看，上行时水期对各航速区间影响不大，说明货船上行时航速受水期因素影响较小。而下行时水期对5～9 kn航速的各子区间影响较显著，其中对期望区间(包含航速期望值的区间)附近航速区间影响更为明显，枯水期在区间[5,6) kn比例为22.36%，远低于中水期和洪水期；而区间[7,9) kn比例为37.29%,高于中水期和洪水期，说明枯水期货船下行时航速倾向于由区间[5,6) kn向区间[7,9) kn转移，航速整体有增大趋势。

2.3.2上、下行货船各水期航向角分析

上、下行货船在各水期中航向角散点分布见图8，上行时各水期航向角散点整体均有先减小后增大的趋势，且过桥后航向角散点的均值水平要高于过桥前；而下行时航向角在过桥前已经减小到恒定值，并在过桥后保持该恒定值进行安全航行。说明下行货船过桥后倾向于保向航行，这与下行时航速较高、下游通航环境相对简单有关。

图8　各水期货船航向角散点分布Fig.8　Distribution of course scatters in different water period

采用对数正态分布对上下行货船航向角进行拟合，通过拟合结果得到航向角主要分布区间,即为主要研究对象。其中上行研究区间为[241°，247°]，下行为[62°,65°]。将此区间作为主要研究对象，采用合适的区间梯度来分别统计上、下行各水期航向角散点比例，其中上行区间梯度为1°，下行为0.5°。得到的统计结果和拟合参数分别见表4。

表4　上下行航向角统计分析Tab.4　Statistical analysis of course in upside and downside

由表4可见，从波动性角度来看，无论是上行还是下行，各水期航向角标准差基本无差异，说明上、下行航向角分布波动性与水期无关。从区间统计结果来看，无论是上行还是下行，水期对期望区间(包含航向角期望值的区间)散点比例影响不大，其中上行期望区间[243°,244°)在各水期均为25.38%左右，下行期望区间[63.5°,64°)均为29.66%左右。水期对期望区间附近散点比例影响相对显著，尤其在洪水期上行时区间[242°,243°)比例为25.83%，低于枯水期和中水期；区间[244°,245°)比例为16.28%，高于枯水期和中水期。说明洪水期货船上行时航向角倾向于由区间[242°,243°)向区间[244°,245°)转移，整体航向角有增大的趋势。而下行时具有相反的趋势，在洪水期区间[63°,63.5°)和[64°,65°]比例分别为27.17%和22.85%，说明洪水期货船下行时航向角倾向于由区间[64°,65°]向区间[63°,63.5°)转移，整体航向角有减小的趋势。

针对航向角而言，在洪水期变化显著性高于其他2个水期，其中上行时航向角整体倾向于增大，而下行时具有相反趋势。

3　结束语

笔者以货船AIS数据为基础来研究武桥水域货船通航规律，分别从上行、下行、水期角度对航速、航向角进行统计和拟合分析，从分析的结果来看，上行、下行和水期对桥区货船通航均存在一定影响。

1) 从货船通航数量来看，水期的影响比上下行更显著，其中在洪水期货船交通流量达到最大。

2) 从货船航速来看，上行时航速受水期影响较小，同时航速整体均值和波动性均低于下行；下行时在枯水期航速整体有增大的趋势。

3) 从货船航向角来看，上行时航向角受水期影响较显著，其中在洪水期整体有增大的趋势；而下行时在洪水期具有相反的趋势，同时下行航向角整体波动性远低于上行。

鉴于采集数据有限，笔者仅以航速、航向角作为船舶行为特征来进行统计分析，深入挖掘了上行、下行、水期因素对其的影响。后续研究需要进一步结合船舶的静态信息和环境因素来拓展研究的分析维度，同时可以将研究目标由单个桥区水域拓展到连续桥区水域，以期建立更完善的桥区船舶行为分析模型。

参考文献References

[1]甄 荣,金永兴,胡勤友,等.基于AIS信息和BP神经网络的船舶航行行为预测[J].中国航海,2017,40(2):6-10.

ZHEN Rong, JIN Yongxing, HU Qinyou. Vessel behavior prediction based on AIS data and BP neural network[J]. Navigation of China, 2017,40(2):6-10.(in Chinese)

[2]桑凌志,毛 喆,张文娟,等.基于航迹预测的实时船舶安全预警方法[J].中国安全科学学报,2014,24(8):164-169.

SANG Lingzhi, MAO Zhe, ZHANG Wenjuan, et al. A real-time ship safety early warning method based on trajectory prediction[J]. China Safety Science Journal, 2014,24(8):164-169.(in Chinese)

[3]SANG L Z, WALL A, MAO Z, et al. A novel method for restoring the trajectory of the inland waterway ship by using AIS data[J]. Ocean Engineering, 2015,110(12):183-194.

[4]ZHANG L, MENG Q, FWA T F. Big AIS data based spatial-temporal analyses of ship traffic in Singapore port waters[J]. Transportation Research Part E: Logistics & Transportation Review, 2017，104(8)：131-149.

[5]MOU J M, TAK C V D, HAN L. Study on collision avoidance in busy waterways by using AIS data[J]. Ocean Engineering, 2010,37(5):483-490.

[6]JIANG C, LU J J, JIANG Y. Analysis on Characteristics of traffic demand about Sutong Bridge[C].14thCOTA International Conference of Transportation Professionals， Changsha， China： COTA, 2013.

[7]WU X, MEHTA A L, ZALOOM V A, et al. Analysis of waterway transportation in Southeast Texas waterway based on AIS data[J]. Ocean Engineering, 2016,121(7):196-209.

[8]XIAO F, HAN L, GULIJK C V, et al. Comparison study on AIS data of ship traffic behavior[J]. Ocean Engineering, 2015,95(3):84-93.

[9]徐武雄,初秀民,刘兴龙.多桥水域航道通过能力仿真研究[J].交通运输系统工程与信息,2015,15(3):127-133.

XU Wuxiong, CHU Xiumin,LIU Xinglong. Simulation for transit capacity of a multi-bridge Waterway[J].Journal of Transportation Systems Engineering and Information Technology, 2015,15(3):127-133.(in Chinese)

[10]桑凌志,耿丹阳,张 诚,等.基于船舶行为特征的武汉大桥水域航线优化[J].中国航海,2017,40(3):58-63.

SANG Lingzhi, GENG Danyang, ZHANG Cheng. Optimization of ship routes in Wuhan Yangtze river bridge waterway based on ship behavior characteristics[J]. Navigation of China, 2017,40(3):58-63.(in Chinese)

[11]朱 姣,刘敬贤,陈 笑,等.基于轨迹的内河船舶行为模式挖掘[J].交通信息与安全,2017,35(3):107-116.

ZHU Jiao, LIU Jingxian, CHEN Xiao. Behavior pattern mining of inland vessels based on trajectories[J]. Journal of Transport Information and Safety, 2017,35(3):107-116.(in Chinese)

[12]甄 荣,邵哲平,潘家财,等.基于AIS信息的航道内船舶速度分布统计分析[J].集美大学学报(科学版),2014,19(4):274-278.

ZHEN Rong, SHAO Zheping, PAN Jiacai. Statistical analysis of distribution of ship speed within the fairway based on AIS data[J]. Journal of Jimei University(Natural Science), 2014,19(4):274-278.(in Chinese)

[13]潘家财,邵哲平,姜青山.数据挖掘在海上交通特征分析中的应用研究[J].中国航海,2010,33(2):60-62.

PAN Jiacai, SHAO Zheping, JIANG Qingshan. Application of data mining technology in analysis of marine traffic characteristics[J]. Navigation of China, 2010,33(2):60-62.(in Chinese)

[14]庄 元.桥梁通航论证关键技术研究[D].武汉：武汉理工大学,2008.

ZHUANG Yuan. Research on the key technologies of bridge navigation evaluation[D]. Wuhan:Wuhan University of Technology, 2008.(in Chinese)

[15]徐武雄,初秀民,陈先桥,等.桥区航道交通流仿真中船舶生成方法[J].系统仿真学报,2014,26(8):1644-1651.

XU Wuxiong, CHU Xiumin, CHEN Xianqiao, et al. Methods of generating vessels for traffic flow simulation of bridge areas waterway[J]. Journal of System Simulation, 2014,26(8):1644-1651.(in Chinese)

[16]江 凌.长江中游宜昌至武汉河段航道建设思路探讨[J].水运工程,2014(12):116-121.

JIANG Ling. Ideas on channel regulation for Yichang to Wuhan reach[J]. Port & Waterway Engineering, 2014(12):116-121.(in Chinese)

[17]石 磊,初秀民,刘 潼,等.长江航道主缓流判别算法研究[J].交通信息与安全,2015,33(4):18-24.

SHI Lei, CHU Xiumin. An algorithm for identifying main and slow flow channels of Yangtze River[J]. Journal of Transport Information and Safety, 2015,33(4):18-24. (in Chinese)

[18]MOU J M, CHEN P F, HE Y X, et al. Vessel traffic safety in busy waterways: A case study of accidents in western shenzhen port.[J]. Accident Analysis & Prevention, 2016,37(8):232-242.