船舶航行交通事件实时检测技术研究现状与展望*

黄 琛 陈德山 吴 兵 严新平,3

（1. 武汉理工大学交通与物流工程学院 武汉 430063；2. 武汉理工大学国家水运安全工程技术研究中心 武汉 430063 3. 武汉理工大学智能交通系统研究中心 武汉 430063；）

0 引 言

我国航运业正面临着船舶大型化、船舶数量快速增长的挑战，而船舶监管方式较为落后，虽然近几年船舶自动识别系统（automatic identification system,AIS）、船舶交通管理系统（vessel traffic service,VTS）、无线甚高频（very high frequency,VHF）、闭路电视监控系统（closed circuit television,CCTV）等技术大量投入使用，但难以达到“全方位覆盖、全天候运行、反应快速”的安全监管目标[1]，当前海事监管仍需要人员全天盯守。随着长江沿岸各港口吞吐量的增加，某些航道港口已达到或超饱和状态[2]，大型船舶的驶入为周围船舶行驶带来极大干扰，经常发生航道拥堵，造成较大的经济损失和监管人力资源浪费。

船舶航行交通事件检测技术是指自动检测航道内发生的各种船舶航行交通事件的方法和手段，对于降低海事监管人员工作强度，提高监管效率，减少经济损失，提升监管自动化程度起着重要作用[3]。船舶航行交通事件包括船舶事故、船舶异常行为等，船舶事故发生频率低，但后果严重，往往伴随着人员伤亡、经济损失，以及环境污染，如2015年在长江流域发生的“东方之星”号客轮特大倾覆事故，共造成442人遇难[4]；与船舶事故相比，船舶异常行为产生危害较轻，但发生频率高，若不加管制，会阻碍船舶正常行驶，降低通行效率，增大航行安全隐患。

由于海上交通量的增长及AIS 的广泛使用，海上交通领域数据量呈爆发式增长，利用AIS 数据进行船舶航行事件检测也成为近几年的研究热点。但由于AIS 存在丢失率高、精度低，实时处理大量AIS数据对计算能力要求高，当前大多采用离线方式进行分析，研究结果严重依赖于历史数据[5]。对于海事监管部门，实时、准确的交通事件检测是必要的。本文针对不同类型的船舶航行交通事件进行检测技术研究，分析了当前常用检测技术的优缺点，总结了实时检测需要的关键技术，结合平行检测系统架构进行展望，对于船舶航行事件检测研究具有重要意义。

1 船舶航行交通事件检测研究现状

1.1 船舶航行交通事件分类

船舶航行交通事件即会对船舶正常航行产生影响的事件，按照造成后果的严重程度可将其分为船舶异常行为和船舶事故。船舶异常行为指与周围其他运动船舶对象有差别的运动行为，陈影玉等[6]将其分为位置异常和运动异常。位置异常通常由于工作船舶施工或者走私船舶躲避稽查随意行驶而产生，包括船舶轨迹超出历史路径范围、在航道外航行、不在规定区域内活动、驶向危险区、违反法规、入侵禁区、岸边汇合、深海汇合、威胁基础设施等；运动异常通常由于船舶缩短航程或降低等待时间而产生，包括速度太高、速度太低、游荡、应该驶向港口时偏离港口、航迹终止、不正常航线形状等。此外，Riveiro等[3]补充了AIS 关闭和欺骗以及难以直接识别的复杂行为等其他船舶异常行为。Long等[7]总结了主要的船舶事故种类，分别为碰撞、机损、操作失误、搁浅、火灾爆炸、倾覆、沉没等。根据整理和总结，笔者将船舶航行交通事件分为2类，共20种，见图1。

图1 船舶航行交通事件分类Fi g.1 Ship navigation traffic event classification

1.2 船舶航行交通事件检测方法

1.2.1 船舶异常行为检测

目前国内外船舶异常行为检测的研究思路主要分为2 类：①基于对历史AIS 数据进行挖掘，建立正常船舶行为的分布或模型，将不符合正常分布或模型的样本看作是异常轨迹样本；②基于规则，对各种异常事件进行人工标定，满足标定条件的视为异常轨迹。由于当前海事监管领域存在船舶数据获取困难，船舶管理系统封闭，船舶异常事件样本量少的情况，因此大多数研究是基于AIS获取的船舶运动数据进行，通过历史位置数据构建船舶运行轨迹，分析船舶轨迹是否异常。在各种异常检测方法中，最关键的步骤是如何构建正常船舶行为模型，针对不同种类的船舶异常行为检测方法进行总结，见图2。

图2 船舶异常行为检测方法Fig.2 Ship abnormal behavior detection methods

1）位置异常检测。船舶的位置异常主要包括船舶超出历史路径范围、航道外航行、驶向危险水域等情况。主要的检测思路是利用机器学习、统计分析等方法对船舶历史轨迹进行特征提取，构建船舶交通运行模式，超出正常模式范围或者处在置信度低于阈值的范围内的船舶被视为出现位置异常。

聚类属于无监督机器学习的一类，它利用数据的相似度原理，将船舶轨迹分成不同的簇，相同簇中的轨迹相似度高，不同簇中的轨迹相似度低，常用于船舶位置异常检测。基于聚类的船舶运行建模方法将航道内的所有船舶轨迹依照不同指标进行分类，将绝大多数船舶轨迹遵循的簇定义为正常簇，而不符合正常簇的船舶轨迹则定义为异常轨迹。当前使用较多的聚类方法为基于密度的聚类算法（density-based spatial clustering of applications with noise,DBSCAN），该方法对于任意形状区域的聚类和异常值的识别具有良好效果。Han 等[8]指出DBSCAN 算法存在数据分布不均匀和基于欧氏距离计算的最小半径无法代表水上等复杂场景的轨迹2 个弊端，并利用考虑相关性的马氏距离替代欧氏距离表征最小半径，用以描述复杂场景下的轨迹。DBSCAN 算法的核心是寻找数据的核心距离和可达距离，但往往这2 个参数无法快速准确的找到，需要人为设置。Rong等[9]利用改进的基于密度的聚类算法（ordering point to identify the cluster structure，OPTICS）对船舶轨迹进行聚类，该算法不显示聚类的具体数值结果，而是对数据进行排序，以找出其中蕴含的信息，因此降低了2 个参数的输入要求，对轨迹点的可达距离进行排序，发现低于最小半径的轨迹点分成了几个簇，每个簇就对应于1类船舶。Rong等[10-11]利用聚类和高斯模型提取1个区域内船舶的起讫点和航行路线，构建船舶交通模式，通过对地航向、转弯率、船速和船型4个自变量预测船舶属于每1条航线的概率，当分类到低概率航线时，将会视为可能出现异常的船舶。Pallotta等[12]提出1种基于船舶运行模式和历史信息的船舶轨迹预测和异常检测方法，该方法利用AIS 数据提取船舶历史航线，当船舶驶入观测区域时，利用船舶轨迹点和速度预测船舶位置，利用后验概率推测船舶最可能的行驶路径，随着船舶的运动，实时更新船舶状态和预测结果，通过计算其偏离正态的程度调整报警率。

2）运动异常检测。船舶的运动异常主要包括船舶速度过高、航速过慢、航向异常等情况。主要的检测思路是利用神经网络、统计分析等方法对船舶运动数据进行特征提取或者预测，当出现不符合历史数据特征的数据时则判定其出现了运动异常。

基于神经网络的运动异常检测方法是利用神经网络模型对历史数据进行训练，建立正常船舶行为模型，再将测试数据输入到模型中，检测其是否存在异常。王正星等[13]引入雾天扰动量特征神经元构建神经网络，基于长短时算法更新神经网络对船舶轨迹偏离点位进行挖掘，带有雾天扰动特征神经网络的挖掘效果明显好于传统神经网络。向怀坤等[14]利用粒子群优化算法改进神经网络参数，根据输入的交通特征评估当前的交通拥挤程度，检测率和检测时间均优于传统神经网络。刘庆华等[15]利用遗传神经计算建立初始阈值和权值，构建初始分类器，结合AdaBoost算法优化阈值和权值，构建强分类器，对交通流样本进行分类，检测出发生的交通事件。Ma等[16]提出1 种长短期神经网络克服反向传播的误差衰减问题，提高神经网络的长期预测效果。

基于统计的运动异常检测方法是利用统计学原理对历史数据（航速、航向等）进行分析，拟合出船舶数据的概率分布，将分布在高概率区间内的数据看作正常，低概率区间对应的数据看作异常数据。马文耀等[17]引入船舶轨迹相似度和操纵行为相似度的度量算法，分别对AIS 轨迹数据和船舶运动数据进行训练，得到船舶综合行为相似度，计算新数据的一致性，检测是否有异常。Kowalska 等[18]利用高斯回归和主动学习算法对船舶数值进行预测，观察实际值与真实值的差距判断其是否异常。Botts[19]改进了传统的基于密度的聚类算法，考虑了速度和方向指标对船舶轨迹进行聚类。基于统计的建模方法不足在于依赖历史信息，未能考虑环境等信息，例如，船舶以处于高概率区间的航速行驶时，如果周围船舶的航速都远低于或者远高于此船，那么这艘船也应该被视为异常。

3）其他异常检测。除了船舶位置异常和运动异常，还有几类船舶异常行为不利于船舶监管。例如AIS 的关闭和欺骗行为，由于追求利益或者掩盖其违规航行的事实，部分船舶会主动关闭AIS 或者恶意修改其AIS 信息，这个行为对于海事监管造成了阻碍，危害到了船舶航行安全。Zhang等[20]通过轨迹相似性寻找可疑轨迹和比较轨迹之间的对比轨迹，再利用对比轨迹与2 条轨迹的夹角和走向判断该可疑轨迹是否存在关闭AIS 的行为，在此基础上判断2 个具有高度相似的轨迹中是否存在AIS 关闭行为的船舶，若存在则认为该条轨迹对应的船舶恶意更改了MMSI 信息。D'Afflisio 等[21]通过基于欺骗参数θ的复合假设检验公式确定船舶通过AIS消息报告的轨迹是否可信，联合解决欺骗和偏离标称路线的问题，采用模型阶次判定（model order selection, MOS）方法处理产生的多重假设检验，依赖于假设嵌套假设Hi,i=0,1,2,3 是正确的。

此外，复杂异常行为的检测也受到关注。复杂交通事件是由多个基本交通事件组成的交通事件，通常难以直接从船舶轨迹数据中观察到。当前对于船舶复杂事件的研究主要集中于船舶违法行为，如船舶走私、运毒、抢劫、禁捕区捕鱼等行为。复杂事件的检测需要将不同的基本事件检测方法进行结合，组成复杂事件检测系统。Zhang等[22]利用现有船舶异常行为检测算法形成检测库，让用户依据自己的需求选择异常检测模块，将选择的模块形成事件流，用以检测更复杂的异常行为。Shahir等[23]利用隐马尔可夫模型观测目标轨迹，对存在特殊行为的轨迹分类到给定场景下，结合上下文信息判断该行为属于哪1种复杂事件。

1.2.2 船舶事故检测

与船舶异常行为不同，船舶事故的发生往往会造成人员伤亡、生态破坏、经济损失等严重后果，因此当前对于船舶事故的检测主要是从事故风险评估的角度出发，对船舶存在的航行风险进行测算及预测，风险过高时，对船舶进行管控，基于船舶事故发生的频率和造成的后果不同，从船舶碰撞预警、船舶失火爆炸检测及其他事故检测进行总结，见图3。

图3 船舶事故检测方法Fig.3 Ship accident detection methods

1）船舶碰撞预警。船舶碰撞事故作为1种频繁发生的水上交通事故，一直是研究人员的重点研究对象，当前主要研究思路是对船舶航行碰撞风险进行建模和分析，即获得某些船舶或者某些区域发生碰撞的概率，当概率过高时，则认为将要发生碰撞事件，需要人为对其干预，防止碰撞事故的发生。

船舶碰撞风险分析研究通常涉及3 个要素：事故发生的概率、潜在后果，以及船舶碰撞的人为因素和组织因素，概率是反映船舶碰撞风险的最常用指标之一[24]。Zhang 等[25]直接利用距离和其他变量来评估遭遇情况，将船舶之间的距离、相对速度、航向差等合并为1 个函数，定义为船舶冲突风险算子。Weng等[26]在碰撞候选检测中加入了船舶领域，以侵犯圆形船舶领域为标准估计了新加坡航道的碰撞频率。Huang等[27]利用速度障碍法衡量碰撞风险，该风险被定义为导致碰撞的可达速度的比例。Xi等[28]利用故障树方法进行船舶碰撞的风险分析，将导致事故的不同事件（值班人员的疲劳、疏忽、发动机故障等）以布尔门的形式进行分类识别，以图形方式说明各事件对事故的影响，最后利用统计分析、调查等手段计算各事件导致事故发生的概率。Sotiralis 等[29]建立概率模型来分析船舶碰撞中的人为因素和组织因素的风险，利用贝叶斯网络来获得它们的概率相关性和事故概率。综上，当前船舶碰撞事故风险评估领域所用到的方法、模型多样化且各有优势，但研究重点均为通过事故发生概率测算、事故演化机理分析及事故造成后果评估以达到提前预警的效果；研究场景偏向于2船之间的碰撞风险研究，较少涉及多船相遇情况，这降低了检测结果的准确性；其次，碰撞事故中考虑的人为因素缺乏数据的支撑，因此降低了检测效果，后续应该考虑更多不确定性进行分析。

2）船舶失火爆炸检测。船舶火灾爆炸事故是威胁海上运输安全的最严重的事故之一，会导致船舶损失、货物损坏、环境污染、人身伤亡[30]。因此，火灾事故检测领域同样存在基于事故风险分析以进行提前预警的方法，Wang等[31]对火灾事故报告进行关键语句提取，归纳出40 个船舶火灾原因，将其作为输入分别利用故障树和贝叶斯网络进行分析，得出影响火灾事故的关键因素。付姗姗等[32]利用三脚架事故致因模型分析火灾事故的影响因素，运用布尔代数的逻辑运算求解事故发生各阶段的后果重要性及发生概率，最后利用风险矩阵计算各事件的风险值。除了通过风险评估进行火灾预警以外，对正在发生的火灾事故的检测也同样重要。李先锋等[33]利用OpenCV 技术对船舶火灾视频图像进行滤波、背景重构以及烟雾检测，实现船舶火灾的检测。何光华[34]设计了1 种利用火焰探测器和热探测器组合的火灾报警信号无线传输装置，实现了高准确度、低误报率的火灾检测与报警系统。周泊龙等[35]基于烟雾的颜色特征和运动特征对船舶视频图像进行分析，提出了能够在开阔环境使用的船舶火灾检测技术。船舶火灾爆炸检测侧重利用多种传感器检测火灾相关因素（烟雾、温度、亮度等）进行分析，相较于船舶碰撞检测依赖风险模型进行碰撞预警，检测准确性较高，但受到环境影响严重，检测稳定性不足，且更侧重于事故发生后检测，事故预警检测较少。

3）其他事故检测。除了船舶碰撞事故和船舶火灾爆炸事故，也有其他事故如搁浅、倾覆、沉没等得到关注。

船舶搁浅事故是指船舶撞击海床或者航道侧边的1 种水上事故。Mazaheri 等[36]从风险管理的角度对船舶搁浅事故风险建模进行了综述，提出了1 种基于知识的船舶搁浅风险建模框架，从定义、背景知识、场景、可能性、事故后果，以及风险控制选项方面进行了定义，总结出当前建模方法侧重点单一，现有需求如可靠准确评估风险程度、不确定性评估、实时高效更新模型评估结果、模型适用性等无法同时满足，实际使用效果不佳。Acanfora等[37]利用船舶外力作用周期和船舶自然周期构建模型对船舶的横摇周期进行预测，用以发现潜在的船舶横摇场景，之后利用六自由度的混合线性仿真模型对关键场景进行船舶加速度的评估，建立了1 个基于运动周期的船舶大横摇运动检测模型，该模型可被用于检测船舶存在的倾覆风险。针对不同船舶事故类型，有风险建模、运动建模、要素分析等检测方法，需要研究统一的检测模型实现实时检测的目标。于卫红等[38]利用点互信息算法和双词主题模型算法分别对船舶事故文本中的常见词和主题进行建模，从格式不统一、形式多样化的事故报告文本中提取出事故原因，提供了1种基于文本识别的统一事故检测模型。

1.3 船舶航行交通事件检测研究现状小结

数据上，当前船舶航行交通事件检测的数据源主要为船舶AIS 数据，数据量大，获取难度低，可用于获取船舶位置、航向、航速等指标，成为事件检测的主要判别依据。AIS 数据中包含了大量船舶运动、行驶意图等信息，但由于接收基站质量、水文气象影响、人为关闭篡改等因素，AIS 数据丢失、质量不稳定等问题常见，数据预处理成为事件检测必不可少的环节，因此大多数研究结果无法对实时接收的数据进行检测；此外，船舶运动受潮汐、风速、水流速度、航行规则等影响，检测时需要考虑其他数据源，当前部分研究通过人为筛选对数据集添加标签的方式考虑环境信息，但检测结果受主观因素影响大，航行规则、事故报告等文本数据利用率低，因此对于不同格式、不同体量的数据源需要进行融合。

方法上，基于聚类的检测方法适用于提取航道等不规则区域内的船舶分布，但聚类效果受到输入参数影响大，最小半径及可达距离需要人为调整以适应不同数据源、不同航段的轨迹；此外，基于聚类的事件检测本质是对特定航段内的历史轨迹进行相似性分析，将相似性低的轨迹视为异常，该方法可用于辅助监管人员查找未被发现的异常行为，但无法实时检测异常船舶，对其进行干预。基于预测的检测方法能对存在的风险进行预警，是监管水面安全的重要手段，但是预测效果受到算法、输入数据质量、参数等众多条件约束，预测效果无法满足实际使用要求，例如轨迹预测中直线形轨迹的预测效果要好于曲线形轨迹，这会降低预测的准确性。基于神经网络的检测方法是利用算法找出数据的内在联系，建立正常行为模型，但由于检测过程模糊，调参难度大，模型适用性低，检测结果难以解释，难以构建检测不同航行状态船舶的模型。基于统计的检测方法通过拟合数据，构建数据分布模型，适用于检测数值型数据如速度、航向等，但检测效果严重依赖于历史数据，对于不满足历史轨迹分布的船舶全部视为异常，没有考虑实际航行状态，需要不断更新检测模型，检测效率低，且无法检测文本数据如货物、船名等异常。基于船舶领域、贝叶斯网络、故障树等模型进行风险预警的方法，考虑因素多能提升预警准确性，但多因素会增大模型复杂性、降低计算效率，例如当前常用的指标最近会遇距离（distance closest point of approach,DCPA）、最近会遇时间（time closest point of approach,TCPA），计算简单，但预警效果较差。基于图像识别的检测方法利用深度学习算法对大量事故图像进行训练，提取事故船舶图像特征，检测结果更加直观，准确性较高，但基于图像的检测效果与训练集高度相关，如实际拍摄船舶角度与训练集不一致、事故发生位置被遮挡、水上大雾暴雨等恶劣天气导致图像不清晰等，这些问题还未解决。

实时船舶航行交通事件检测要求融合各类数据，自动检测不同航行环境下的船舶航行状态，在考虑历史数据的基础上，具有检测实时数据的功能，这是当前研究所缺少的。将来的船舶航行交通事件检测应该从多源数据融合、多项技术结合的角度进行研究，如Liu 等[39]融合交通图像数据和交通流数据，利用卷积神经网络算法进行检测，Zhang等[40]利用基于模糊自适应密度的聚类算法预处理船舶转弯区域，再利用神经网络提取不同转弯区域特征。图像数据直观反映交通事件的发生，但数据质量受天气、拍摄角度影响严重，交通流数据容易获取，但无用数据多，处理难度大，多源数据融合可以弥补各种数据的缺点，提高检测效率；聚类方法首先对轨迹进行分类，再利用神经网络提取特征，降低调参难度，提高模型可解释性。

2 船舶航行交通事件实时检测技术

当前船舶航行事件检测大多基于历史数据和离线算法检测，一方面是因为实时接收的船舶数据存在丢失、噪声大等质量问题，原始数据需要经过清洗、修复等手段才能被使用；另一方面是因为检测模型未考虑船舶航行环境，不同航行场景下的船舶采用不同的检测模型和算法，检测方法可扩展性差，因此无法实现实时的事件检测。此外，事件检测过程及结果最终需要落实到日常实际监管工作中，而大多数研究者并未考虑针对监管人员开发可解释性强的检测模型和结果显示技术。针对以上问题，本文针对实时的船舶航行交通事件检测提出了海事大数据处理技术、船舶行为动态建模技术和实时分析与可视化技术3项关键技术，见图4。

图4 船舶航行交通事件检测关键技术Fig.4 Key technologies of ship navigation traffic event detection

2.1 海事大数据处理技术

随着卫星、雷达等信息技术的革新，海事领域也面临着数据量大、数据生成速度快、数据格式多样、数据可靠性低的问题[41]。其中以AIS 数据为主的海事数据应用逐渐从最初的避免船舶碰撞和提高航行安全扩展到更多元的领域，例如船舶活动范围研究、船舶对环境影响评估、船舶轨迹提取及预测、船舶航行监管、港口绩效及航运业影响等[42]。大数据处理技术能够快速清洗异常数据，同时处理储存海量船舶数据，运行效率高，可靠性强，无延时为船舶行为动态建模传输数据，进行实时的船舶航行交通事件检测。因此，为了满足实时监管的需求，针对海事领域的大数据处理技术亟待研究。

海事大数据处理应从数据清洗和数据标准化方面考虑。原始海事数据存在大量空集、缺失、信息错误、人为篡改等问题，利用不准确不完整的数据集分析船舶行为特征，会得到带有偏差甚至相反的结果，误导交通事件检测研究方向，因此需要精准全面的数据清洗技术对海事数据进行处理。此外，水上交通事件检测需要考虑航行环境信息，不兼容的数据标准可能会导致难以组合不同类型的数据，因此，如果各种数据兼容，考虑航行环境的交通事件检测将成为可能。IHO 提出的S-100 提供了1 个水文地理空间数据标准，支持接入各种水文相关的数据源，并且完全符合主流的国际地理空间标准，能够更轻松地将水文数据和应用程序集成到地理空间解决方案中[43]，统一的数据格式或结构在国际舞台上得到认可。因此，标准化的海事数据对于事件检测及海事行业其他领域均有益处。

2.2 船舶行为动态建模技术

作为实时交通事件检测的关键，船舶行为动态建模技术融合海事大数据处理后的船舶航行情境信息和船舶运动数据，根据船舶运动环境构建不同的船舶行为模型，进行实时交通事件检测。其主要包含2 个难点：①如何将难以量化描述的非结构型情境数据与结构型的船舶运动数据进行融合，在分析船舶运动时实时考虑船舶航行情境；②用何种方法分析非结构型与结构型混合的船舶航行数据，以提高检测结果的准确性。

情境信息融合方面，知识图谱采用图结构来描述、构建知识及事物间关系[44]，其本质是1 种大规模语义网络，不仅包含了丰富的语义信息，又天然具有图的各种特征[45]。由于其呈现图的结构，在道路交通领域自然的与路网进行联系，节点表示路口，边表示路段。水上交通领域采用知识图谱的信息表示方式既能天然的表示船舶交通的空间信息，还能将水文气象、航行规则等信息作为节点属性与船舶运动信息进行融合。基于知识图谱的船舶航行信息表示架构，融合航行情境信息，利用现有的技术手段进行事件检测，能达到良好的动态性和可拓展性。

检测方法上，除了现有技术手段，一些新兴技术的介入可以提高检测结果的准确性。①深度学习是利用机器模拟人脑思考过程的1 种人工智能，它通过多层神经元找出输入数据之间隐含的关系，传统船舶行为识别技术基于简单的船舶位置数据和运动数据，但船舶行为与外界环境关系密切，且难以定量体现，深度学习的方法有助于发现数据之间隐性的关系；②船舶行为要素与要素间的联系实际上是信息的语义描述及信息语义之间的关联关系[46]，每种船舶行为具有他的概念、属性，以及关系，利用这些船舶行为的语义推理、关系挖掘可以发现不同行为之间的关联、简单行为与复杂行为的关系；③图神经网络作为神经网络的1 种变体，能有效地对不规则的图结构模型进行特征提取与分析，Zhu等[47]基于知识图谱架构构建交通时空图，利用图卷积神经网络进行交通流预测，预测结果优于单纯基于路网的图模型，因此可以作为水上交通事件检测新的参考方向。

2.3 实时分析与可视化技术

海事监管系统可视化内河航道要素信息，借助人机交互界面结合自动化分析技术与交互式可视化[48]，因此，对于实际监管工作，简单易懂的检测结果实时分析和直观清晰的检测结果显示也是重要的一部分，当前研究中检测结果通常是定量的，定性分析需要人为观察和评估，这样降低了事件检测效率，无法做到实时检测，因此良好的人机交互性是促使监管人员愿意使用检测功能的保障。

平行系统是基于社会物理信息系统（cyber physical social system，CPSS），主要研究社会网络、信息资源和物理空间深度融合[49]。平行系统将实际系统中的各要素建模为多智能体，利用知识工程获得多智能体的属性和规则，利用机器学习等手段获得其在特定场景下的执行方案，最后反馈给实际系统，并不是单纯的模拟现实，因此建模难度大大降低[50]。基于平行系统架构的事件检测系统能接入多种数据源，集成多种事件检测技术，实时分析显示检测结果，对于海事监管，每1艘船舶都可以被映射到虚拟系统中，按照现实方式行动，船舶的异常也将实时反馈到虚拟系统中被监管人员查看，因此可以作为实时事件检测的1种实时分析与可视化技术。

2.4 船舶航行交通事件实时检测关键技术小结

大数据处理已运用在各领域研究中，并独自成为一门学科，但在海事领域应用尚浅，以AIS数据为例，当前大多数研究中数据处理停留在简单的清洗、筛查，剔除缺少信息的数据，采用插值法形成均匀连续的轨迹，该方法形成的轨迹并非船舶的真实轨迹，以此为基础的研究成果会产生较大误差；除了AIS数据，船舶的进出港报文、调度报告、事故报告等文本数据同样蕴含着大量信息，如船舶航行意图、常用航线、事故原因分析等，但非结构化数据提取、利用困难，需要考虑形成统一的数据结构对其进行储存，以便研究。

船舶动态行为建模是实现实时事件检测的关键，其中已有多项研究考虑了情境信息，如设置水文气象标签区分数据集、利用知识图谱融合更多环境因素等，研究表明模型检测效果得到提升，此外，深度学习的应用提高了检测的自动化程度，但对于航道空间结构、航行规则匹配的考虑不足，图神经网络作为提取不规则图模型特征的算法，提供了1 种考虑空间结构的研究思路，其模型适用性、可扩展性仍需进一步提升。

实时分析和可视化是服务监管部门、与现有海事监管系统结合的保障，当前常用检测方法无法满足行业需求，实际使用效果较差，亟需同时考虑检测算法和实际应用效果的新型检测模型。平行系统的概念既结合检测模型，又具有良好的显示交互功能，是检测系统构建的新方向。

综上所述，当前船舶航行交通事件检测关键技术进入初始阶段，部分人员与机构相继展开研究，但与实际应用水平仍差距较大，需要开展深入研究。

3 船舶航行交通事件检测展望

当前船舶航行交通事件检测利用统计分析、神经网络、聚类分析、图像识别、仿真建模等技术，检测效果及自动化程度得到提升，但由于海事监管领域数据质量差、船舶航行环境复杂等原因，多数研究采取基于历史数据的离线检测方式，对实时交通的检测效果差，且检测模型可拓展性低，检测结果误报率过高，监管人员使用满意度低。严新平等[51]提出的新一代航运系统体系架构中提到，未来的航运系统应该是智能化的，船舶航行安全需要靠船舶运行智能控制、交通运营组织、水上应急救援等关键技术来保障，而实时的、精准的事件检测是完成这一环节的重要组成部分。结合新一代航运系统提出的平行检测系统可分为数据采集、后台服务、客户端应用3个功能模块。如图5 所示，数据采集功能通过AIS、CCTV、VTS、航行计划、水文气象等数据，对现实交通系统进行全要素感知，将其实时输入后台服务中的交通态势推演模块，同时上传至交通大数据云平台，构建水路交通场景仿真模型；后台服务功能对实时输入数据进行融合处理与储存，实时分析、预测及预警交通状态，通过仿真运算、结果储存、模型管理进行事件检测，将检测结果输入虚拟交通系统，根据预设管控方案对虚拟系统进行调整；客户端应用功能将虚拟系统中的检测结果以及管控方案展示给指挥调度中心，监管人员进行决策，对现实交通系统进行管理、调度和控制，其决策同时影响虚拟和现实交通系统，并进行下一轮循环迭代，达到实时检测并管理交通的目标。

图5 平行检测系统架构Fig.5 The architecture of parallel detection system

根据2.4 总结出的船舶航行交通事件实时检测关键技术，提出船舶航行交通事件平行检测系统下的展望：数据融合包含海事大数据处理技术，融合虚拟交通系统数据和现实交通系统数据，储存交通仿真和态势推演过程的全部信息；交通状态感知是船舶行为动态建模的保障，实时感知现实交通信息，综合评估交通状态；交通虚实映射应用实时分析和可视化技术，融合交通数据生成交通流，将现实交通系统映射到虚拟交通系统中并让其在当前交通状态中进行推演，实时检测船舶航行交通事件。

3.1 数据融合

从数据类型划分，当前海事领域数据包括非结构型数据：船名、船舶类型、货物种类、航道、锚地等；结构型数据：船长、经纬度、航速、航向、风速、水流速度等。从数据来源划分，海事领域数据包括AIS、VTS、雷达、CCTV、报港文书等。多源异构数据融合需要构建统一的数据储存格式，如word2vec 词向量模型、知识图谱三元组模型等文本数据处理技术，对海量数据进行分析可以减轻单一数据源造成的噪声大、精度低的问题，此外，统一的数据格式能提高计算效率，满足实时性的要求。

3.2 交通状态感知

交通状态包括船舶交通流状态（速度、流量、密度等）、航道状态（桥区、航道水深等）、水文气象状态（潮汐、大雾、急流等）等。不同交通状态下的船舶航行交通事件判断标准会发生变化，例如，不同船舶密度下的最大航速不一样，桥区和非桥区的航行规则不同，雾天内河航道禁止通行等等。交通状态感知需要采集船舶航行相关信息，分析船舶分布、船舶相对运动、通航资源可达性、航行环境时空分布特征等交通状态影响因素，利用船舶密度、船舶会遇避让紧迫程度、船舶碰撞风险、泊位码头拥堵指数、航道资源利用率、恶劣天气比等评价指标，分别对微观交通状态和宏观交通状态进行评估，对水上交通状态进行分类定级，计算出水上交通宏微观时空分异特征，推演出水上交通宏微观状态变化趋势，对其进行预测。宏观上，根据交通状态分级评价其饱和程度；微观上，根据饱和程度、碰撞风险、天气等判断船舶行为是否异常，实现更准确、可靠的船舶航行交通事件检测。

3.3 交通虚实映射

交通虚实映射是根据现实交通系统搭建虚拟交通系统，按照实际船舶交通流状态在虚拟系统内进行初始化，并让其按照设定航行规则自主运行，最终得到不同时刻的交通状态。交通仿真是交通虚实映射的初级阶段，当前常用交通仿真系统集中在道路领域，水路交通领域还未出现较好的仿真系统。水路交通仿真系统可分为静态模型和动态模型2个部分：静态模型包括航道模型、码头港口模型、锚地服务区模型、航标模型、船舶模型、交通组织模型、三维场景模型等；动态模型包括船舶运动仿真、河口卡口仿真、航段分段仿真、区域网络仿真、突发事件仿真、航道通过能力仿真、交通态势仿真等。从交通仿真中船舶按照人为规则行驶的被动控制，到平行系统中船舶按照实际船舶行为自动行驶的主动控制，需要从数据采集、状态感知、决策反馈、可视化等方面进一步研究。

4 结束语

将船舶航行交通事件分为船舶异常行为和交通事故2类，分析各事件的常用检测方法，异常行为检测研究大多基于AIS 数据，数据量大，获取难度低，但处理时间久，需要提前对数据进行预处理，无法满足实时性；事故检测主要从风险评估的角度出发，检测结果受模型适用性影响，难以动态建模进行检测。当前事件检测方法存在历史数据依赖度高、检测模型可扩展性低的现状，高误报率致使监管部门使用效果差。

总结出船舶航行交通事件实时检测的关键技术：海事大数据处理技术、船舶行为动态建模技术和结果分析和可视化技术。从检测前提高数据质量，检测中提升模型适用性，检测后结果实时分析与展示3 个方面进行分析，提出实时检测的重点是在特定航行情境下进行交通流评估。

结合新一代航运系统提出了船舶航行交通事件平行检测系统架构，按照关键技术的发展需求，从数据融合、交通状态感知和交通虚实映射3 个方面进行展望，为船舶航行交通事件实时检测的进一步研究提供参考。