本發(fā)明屬于船舶行為特征分析領(lǐng)域，涉及一種船舶避碰行為和風(fēng)格的識(shí)別方法。

背景技術(shù)：

1、隨著全球海上交通運(yùn)輸?shù)难该桶l(fā)展，船舶避碰問(wèn)題已成為行業(yè)內(nèi)密切關(guān)注的熱點(diǎn)問(wèn)題之一。目前，船舶避碰行為的研究主要集中在避碰特征點(diǎn)的識(shí)別、船舶軌跡點(diǎn)(段)的聚類(lèi)分析以及船舶行為預(yù)測(cè)等方面。在識(shí)別船舶航跡點(diǎn)特征時(shí)，基于不同的研究目的選取合適的閾值參數(shù)是一個(gè)關(guān)鍵問(wèn)題。

2、隨著智能無(wú)人船航行風(fēng)險(xiǎn)評(píng)估和避碰的科研需要，船舶會(huì)遇場(chǎng)景的界定、避碰行為的識(shí)別、避碰行為風(fēng)格的量化分析等方面也提出了更高的需求。然而，船員的駕駛風(fēng)格多種多樣，對(duì)外界交通環(huán)境的反應(yīng)也各不相同，導(dǎo)致相同會(huì)遇場(chǎng)景下，船員可能采取不同的避碰行為。不同駕駛風(fēng)格的船舶在與他船會(huì)遇時(shí)，避碰的時(shí)機(jī)和行動(dòng)可能存在顯著差異，在當(dāng)前的研究中往往忽視了駕駛風(fēng)格的差異性對(duì)避碰決策造成的影響。深入研究不同避碰行為的特征差異，可以更好地理解駕駛風(fēng)格與避碰決策之間的關(guān)系，從而為航海安全提供更有效的指導(dǎo)和措施。目前，領(lǐng)域內(nèi)專(zhuān)家普遍認(rèn)為船舶駕駛風(fēng)格大致分為激進(jìn)、正常和保守三類(lèi)。然而，現(xiàn)有研究尚未對(duì)不同風(fēng)格的船舶行為進(jìn)行定量的類(lèi)別分析。因此，進(jìn)一步探索和量化不同駕駛風(fēng)格對(duì)避碰決策的影響，是提升航海安全的關(guān)鍵。

3、基于智能船舶、智能航保、智能航運(yùn)監(jiān)管的技術(shù)需求，如何從船舶航跡中挖掘隱含的潛在行為模式，分析船舶避碰時(shí)機(jī)和避碰行動(dòng)的特點(diǎn)，具有一定的理論和實(shí)際意義。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述問(wèn)題，本發(fā)明采用的技術(shù)方案是：一種船舶避碰行為和風(fēng)格的識(shí)別方法，其特征在于：包括以下步驟：

2、獲取待識(shí)別水域真實(shí)的ais數(shù)據(jù)；

3、對(duì)待識(shí)別水域真實(shí)的ais數(shù)據(jù)進(jìn)行預(yù)處理；

4、基于不同組的本船和目標(biāo)船的航行參數(shù)，計(jì)算兩船的船間運(yùn)動(dòng)參數(shù)，篩選不同組的本船和目標(biāo)船對(duì)遇場(chǎng)景，形成初步的對(duì)遇場(chǎng)景數(shù)據(jù)集；

5、基于初步的對(duì)遇場(chǎng)景數(shù)據(jù)集，應(yīng)用改進(jìn)的滑動(dòng)窗口算法識(shí)別本船避碰行為的特征點(diǎn)，并構(gòu)建避碰軌跡數(shù)據(jù)集；

6、選取避碰軌跡數(shù)據(jù)集中的特征參數(shù)作為避碰特征指標(biāo)；

7、采用聚類(lèi)算法對(duì)避碰特征指標(biāo)進(jìn)行聚類(lèi)分析，得到研究水域中船舶的避碰風(fēng)格。

8、進(jìn)一步地：還包括標(biāo)準(zhǔn)化處理避碰特征指標(biāo)，對(duì)標(biāo)準(zhǔn)化處理后的避碰特征指標(biāo)，通過(guò)因子分析進(jìn)行降維，基于降維后的避碰特征指標(biāo)，采用聚類(lèi)算法對(duì)避碰特征指標(biāo)進(jìn)行聚類(lèi)分析。

9、進(jìn)一步地：所述基于初步的對(duì)遇場(chǎng)景數(shù)據(jù)集，應(yīng)用改進(jìn)的滑動(dòng)窗口算法識(shí)別本船的避碰特征點(diǎn)的過(guò)程如下：

10、由n個(gè)軌跡點(diǎn)組成本船的軌跡段，滑動(dòng)窗口設(shè)置為包含3個(gè)軌跡點(diǎn)的窗口(p1,p2,p3)，首先取軌跡段的前3個(gè)點(diǎn)作為初始滑動(dòng)窗口，并創(chuàng)建關(guān)鍵特征點(diǎn)列表key_points[]；

11、s1：計(jì)算窗口中點(diǎn)p2與窗口兩端點(diǎn)p1、p3連線之間的歐式垂直距離，如果該歐式垂直距離大于設(shè)置的閾值，則轉(zhuǎn)到s2；否則，丟棄p2點(diǎn)，更新滑動(dòng)窗口為(p1,p3,p4)，重復(fù)s1；

12、s2：新建一個(gè)包含窗口中點(diǎn)p2在內(nèi)的航向差搜索窗口，窗口內(nèi)軌跡點(diǎn)包含所有與p2間隔時(shí)間不超過(guò)時(shí)間閾值的軌跡點(diǎn)，轉(zhuǎn)到s3；

13、s3：計(jì)算窗口內(nèi)每個(gè)相鄰軌跡點(diǎn)航向的差值，搜索發(fā)現(xiàn)pi到pi+1的航向差最大，若pi不在關(guān)鍵特征點(diǎn)key_points[]中，則在列表中添加pi作為當(dāng)前搜索窗口內(nèi)船舶開(kāi)始轉(zhuǎn)向的關(guān)鍵特征點(diǎn)，更新滑動(dòng)窗口為(pi,pi+1,pi+2)；否則，跳過(guò)當(dāng)前滑動(dòng)窗口，更新滑動(dòng)窗口為(p1,p3,p4)，轉(zhuǎn)到s1；

14、重復(fù)以上步驟，直到滑動(dòng)窗口中點(diǎn)更新到軌跡段最后一點(diǎn)結(jié)束。

15、進(jìn)一步地：所述標(biāo)準(zhǔn)化采用的公式如下：

16、

17、

18、其中：xij是第i組數(shù)據(jù)的第j個(gè)指標(biāo)，是j個(gè)評(píng)價(jià)指標(biāo)的樣本年均值，sj是第j個(gè)指標(biāo)的樣本標(biāo)準(zhǔn)差。

19、進(jìn)一步地：所述對(duì)標(biāo)準(zhǔn)化處理后避碰特征指標(biāo)，通過(guò)因子分析進(jìn)行降維的過(guò)程如下：

20、首先需要確定樣本數(shù)據(jù)是否適合做因子分析，對(duì)樣本數(shù)據(jù)進(jìn)行kaiser-meyer-olkin(kmo)和bartlett球形檢驗(yàn)；

21、結(jié)合碎石圖及主成分表，選取累計(jì)方差貢獻(xiàn)率大于貢獻(xiàn)率閾值時(shí)的前p個(gè)特征值對(duì)應(yīng)的特征向量作為主成分，計(jì)算樣本的因子得分。

22、進(jìn)一步地：所述基于避碰特征指標(biāo)降維后的因子，采用聚類(lèi)算法對(duì)避碰特征指標(biāo)其進(jìn)行聚類(lèi)分析，得到研究水域中船舶的避碰風(fēng)格的過(guò)程如下：

23、所述聚類(lèi)算法采用k-means++算法；

24、結(jié)合輪廓系數(shù)法和肘部圖選取最佳k值，確定最優(yōu)聚類(lèi)數(shù)量；

25、結(jié)合聚類(lèi)中心及各分類(lèi)的個(gè)案摘要報(bào)告分析對(duì)船舶避碰行為風(fēng)格進(jìn)行定量和定性的分析。

26、進(jìn)一步地：所述k-means++算法初始聚類(lèi)中心進(jìn)行選擇的過(guò)程如下：

27、(1)從輸入的數(shù)據(jù)點(diǎn)集合中隨機(jī)選擇一個(gè)點(diǎn)作為第一個(gè)聚類(lèi)中心；

28、(2)對(duì)于數(shù)據(jù)集中的每一個(gè)點(diǎn)x，計(jì)算每一個(gè)點(diǎn)與最近聚類(lèi)中心的歐式距離d(x)；

29、(3)選擇一個(gè)新的數(shù)據(jù)點(diǎn)作為新的聚類(lèi)中心；

30、(4)重復(fù)(2)和(3)，直到k個(gè)聚類(lèi)中心被選出來(lái)；

31、(5)利用這k個(gè)初始的聚類(lèi)中心來(lái)運(yùn)行標(biāo)準(zhǔn)的k-means算法。

32、進(jìn)一步地：所述選擇原則是：d(x)較大的點(diǎn)。

33、進(jìn)一步地：所述避碰特征指標(biāo)包括但不限于：航向變化幅度；避碰階段的第一個(gè)避碰特征點(diǎn)對(duì)應(yīng)時(shí)刻的dcpa、tcpa和船間相對(duì)距離；船間相對(duì)距離最小時(shí)的dcpa和船間相對(duì)距離。

34、一種船舶避碰行為和風(fēng)格的識(shí)別裝置，包括

35、獲取模塊：用于獲取待識(shí)別水域真實(shí)的ais數(shù)據(jù)；

36、預(yù)處理模塊：用于對(duì)待識(shí)別水域真實(shí)的ais數(shù)據(jù)進(jìn)行預(yù)處理；

37、對(duì)遇場(chǎng)景數(shù)據(jù)集構(gòu)建模塊：用于基于不同組的本船和目標(biāo)船的航行參數(shù)，計(jì)算兩船的船間運(yùn)動(dòng)參數(shù)，篩選不同組的本船和目標(biāo)船對(duì)遇場(chǎng)景，形成初步的對(duì)遇場(chǎng)景數(shù)據(jù)集；

38、避碰軌跡數(shù)據(jù)集構(gòu)建模塊：用于基于初步的對(duì)遇場(chǎng)景數(shù)據(jù)集，應(yīng)用改進(jìn)的滑動(dòng)窗口算法識(shí)別本船避碰行為的特征點(diǎn)，篩選并構(gòu)建避碰軌跡數(shù)據(jù)集；

39、選取模塊：用于選取避碰軌跡數(shù)據(jù)集中的特征參數(shù)作為避碰特征指標(biāo)；

40、降維模塊：用于標(biāo)準(zhǔn)化處理避碰特征指標(biāo)，對(duì)標(biāo)準(zhǔn)化處理后避碰特征指標(biāo)，通過(guò)因子分析進(jìn)行降維；

41、聚類(lèi)分析模塊：用于基于降維后的避碰特征指標(biāo)，采用聚類(lèi)算法對(duì)避碰特征指標(biāo)進(jìn)行聚類(lèi)分析，得到研究水域中船舶的避碰風(fēng)格。

42、本發(fā)明提供的一種船舶避碰行為和風(fēng)格的識(shí)別方法，提供一種方法對(duì)船舶會(huì)遇過(guò)程中的避碰行為進(jìn)行識(shí)別并對(duì)行為特征進(jìn)行聚類(lèi)分析?；谘芯克虻恼鎸?shí)ais數(shù)據(jù)，預(yù)處理后計(jì)算兩船的船間運(yùn)動(dòng)參數(shù)，篩選對(duì)遇場(chǎng)景，應(yīng)用改進(jìn)的滑動(dòng)窗口算法識(shí)別本船的避碰特征點(diǎn)；提取避碰過(guò)程中的特征參數(shù)作為特征指標(biāo)，標(biāo)準(zhǔn)化處理數(shù)據(jù)后通過(guò)因子分析降維，后采用k-means++算法對(duì)特征指標(biāo)進(jìn)行聚類(lèi)分析。

43、該方法適用于船舶避碰行為特征的提取以及船舶行為風(fēng)格的挖掘。具體應(yīng)用方式為：基于真實(shí)的ais數(shù)據(jù)，構(gòu)建兩船對(duì)遇場(chǎng)景數(shù)據(jù)集；采用改進(jìn)的滑動(dòng)窗口算法識(shí)別本船的避碰特征點(diǎn)，結(jié)合《國(guó)際海上避碰規(guī)則公約》對(duì)船舶避讓“早、大、寬、清”的四個(gè)要求，選取了6個(gè)特征指標(biāo)構(gòu)建避碰時(shí)機(jī)和行動(dòng)的特征數(shù)據(jù)集；標(biāo)準(zhǔn)化處理特征指標(biāo)數(shù)據(jù)，采用因子分析方法降維處理，最后運(yùn)用k-means++算法對(duì)特征指標(biāo)進(jìn)行聚類(lèi)分析，論證得出不同船舶其避碰行為具有風(fēng)格差異性。

44、本發(fā)明應(yīng)用改進(jìn)的滑動(dòng)窗口算法識(shí)別本船的避碰特征點(diǎn)，基于因子分析和k-means++算法對(duì)特征指標(biāo)進(jìn)行聚類(lèi)分析，提取船舶避碰行為特征參數(shù)來(lái)表征避碰行為風(fēng)格，挖掘不同船舶在避碰決策上是否具有風(fēng)格差異性。

45、本發(fā)明采用聚類(lèi)算法對(duì)船舶會(huì)遇過(guò)程中的避碰行為特征進(jìn)行了聚類(lèi)分析，提取船舶避碰行為特征參數(shù)來(lái)表征避碰行為風(fēng)格，論證了不同船舶在避碰決策上具有風(fēng)格差異性。

46、本發(fā)明基于船舶軌跡識(shí)別了避碰行為特征點(diǎn)，揭示了不同船舶的避碰行為風(fēng)格，有助于理解船舶在復(fù)雜海洋環(huán)境中的決策過(guò)程，從而提高船舶自主航行系統(tǒng)的智能化水平，具體體現(xiàn)在以下幾個(gè)方面：

47、1.在構(gòu)建面向避碰算法測(cè)試場(chǎng)景時(shí)，考慮船舶行為風(fēng)格可以使測(cè)試場(chǎng)景更加真實(shí)；

48、2.行為風(fēng)格揭示了船舶避碰行為背后的規(guī)律，可以被集成到自主航行算法中，使系統(tǒng)能夠更加準(zhǔn)確地預(yù)測(cè)其他船舶的行為，并以此為依據(jù)調(diào)整自身的航行路徑，從而有助于減少碰撞事故、優(yōu)化航線、降低燃料消耗、提高航運(yùn)效率。

49、3.聚類(lèi)結(jié)果有助于改進(jìn)自主船舶的避碰算法，使其能夠更好地理解和預(yù)測(cè)周?chē)暗囊鈭D和行為，做出更加合理的航行決策；

50、4.了解水域內(nèi)船舶群體的航行特性可以幫助海事管理部門(mén)制定更為有效的交通管理策略，提高海上交通效率；

51、5.船舶避碰行為風(fēng)格的分析可以作為決策支持系統(tǒng)的輸入，輔助船上值班人員在復(fù)雜的海上環(huán)境中做出快速而準(zhǔn)確的判斷。

52、本發(fā)明提出了一種船舶避碰行為識(shí)別和風(fēng)格識(shí)別的研究方法，其具有以下有益效果。

53、首先，本發(fā)明的數(shù)據(jù)采用的是真實(shí)的ais數(shù)據(jù)，為船舶避碰行為風(fēng)格的定量分析提供真實(shí)依據(jù)，符合研究水域真實(shí)的船舶行為特征，對(duì)海事管理部門(mén)的交通管理策略的制定具有參考和指導(dǎo)價(jià)值。

54、其次，本發(fā)明從船舶航跡中挖掘船舶避碰行為特征點(diǎn)時(shí)，采用了改進(jìn)的滑動(dòng)窗口法來(lái)識(shí)別場(chǎng)景航向變化特征點(diǎn)，以作為船舶避碰特征點(diǎn)?？紤]到風(fēng)浪流等氣象條件、船載設(shè)備誤差等因素對(duì)航向的影響，本發(fā)明未將航向差作為唯一指標(biāo)來(lái)識(shí)別特征點(diǎn)，而是利用ais數(shù)據(jù)中的經(jīng)緯度坐標(biāo)呈現(xiàn)的船舶軌跡來(lái)表述航向改變后的結(jié)果。然而由于本發(fā)明強(qiáng)調(diào)船舶避碰時(shí)機(jī)與行動(dòng)的特征，而船舶軌跡作為避碰行動(dòng)的結(jié)果具有時(shí)間的延遲性，為了避免由船舶軌跡識(shí)別的特征點(diǎn)時(shí)刻與避碰行動(dòng)實(shí)際發(fā)生時(shí)刻之間的誤差，本發(fā)明對(duì)滑動(dòng)窗口算法進(jìn)行了改進(jìn)，在識(shí)別特征點(diǎn)的基礎(chǔ)上，算法中新建了一個(gè)不超過(guò)設(shè)置時(shí)間閾值的航向差搜索窗口，搜索窗口內(nèi)相鄰兩個(gè)軌跡點(diǎn)的最大航向差，將其對(duì)應(yīng)的軌跡點(diǎn)替代為新的特征點(diǎn)。另外，該算法需要合理的閾值確定，由于在會(huì)遇局面中，船舶航向改變的目標(biāo)是為了在彼此通過(guò)時(shí)增加與他船之間的距離，而通過(guò)距離往往與船舶的船寬相關(guān)，因此本發(fā)明將該算法中的閾值設(shè)置為λ倍船寬。該方法既保留了船寬對(duì)目標(biāo)通過(guò)距離影響因素，又能更加準(zhǔn)確的識(shí)別船舶采取避碰行動(dòng)的時(shí)機(jī)，減小了避碰行為特征數(shù)據(jù)對(duì)后續(xù)聚類(lèi)分析造成的誤差。

55、最后，本發(fā)明采用的是k-means++算法進(jìn)行聚類(lèi)，并結(jié)合肘部法則和輪廓系數(shù)確定了最佳聚類(lèi)數(shù)量，彌補(bǔ)了k-means在以下幾個(gè)方面的缺陷：①需要預(yù)先指定聚類(lèi)數(shù)量k：k-means算法需要事先確定聚類(lèi)的數(shù)量，而對(duì)于未知的聚類(lèi)數(shù)量場(chǎng)景比較困難；②對(duì)初始聚類(lèi)中心的選擇敏感：初始聚類(lèi)中心的選擇會(huì)影響最終的聚類(lèi)結(jié)果，不同的初始選擇可能導(dǎo)致不同的局部最優(yōu)解；③對(duì)噪聲和異常值敏感：k-means算法對(duì)噪聲和異常值比較敏感，可能會(huì)將其誤分類(lèi)到某個(gè)簇中。k-means++對(duì)k-means的初始質(zhì)心選擇策略進(jìn)行了改進(jìn)，確保了質(zhì)心之間的分散性，減少局部最優(yōu)的風(fēng)險(xiǎn)，提高了聚類(lèi)質(zhì)量。