随着船载AIS设备的普及、AIS基站的全覆盖以及数据管理技术的成熟,船舶AIS数据已经进入了大数据时代[1]。海上丝绸之路[2]正在大力建设,其连接着大量港口,船舶在港口或航路的行为直接反映了海上交通特征,可以通过AIS数据分析[3]海上丝绸之路沿线船舶行为。船舶AIS数据富含船舶行为信息,如船舶位置、速度。在船舶航行行为研究方面,高曙等[4]从船舶密度、船舶速度、船舶轨迹及船舶间距4个方面描述船舶总体行为特征。周世波[5,6,7]根据船位、速度、航向和轨迹等船舶属性阐述其异常行为,并介绍了船舶异常行为检测方法,包括聚类、支撑向量机、神经网络和数据可视化等。甄荣等[8,9,10,11]利用轨迹聚类、贝叶斯分类器等方法开展了船舶轨迹异常行为识别的研究。叶仁道等[12]利用DBSCAN算法对全球六大港口水域船舶停泊点进行聚类,并通过历史AIS数据可视化验证了聚类效果。丁兆颖等[13]利用改进的DBSCAN算法从大量的船舶位置数据中挖掘出了码头信息。

现有研究主要关注船舶轨迹异常识别,而在船舶异常停泊行为检测方面的研究尚未有效开展。叶仁道等[12]仅对正常停泊的船舶行为进行了聚类,丁兆颖等[13]对船舶停泊点聚类的最终目的是识别码头岸线。而船舶停泊异常行为的研究,是能够直观反映海上交通特征,为海事监管部门提供重点关注停泊船,为船队管理提供重要依据的有效途径。

由于船舶停泊异常行为具有空间特性,因此在对AIS数据进行异常检测时,须将船舶停泊位置信息与其正常行为进行比较,检测出空间特性异常的船舶。本文基于AIS数据对船舶停泊信息进行挖掘,首先识别出正常停泊船舶的空间分布特征,然后检测出异于该特征的异常停泊船。

本文数据来源于船载AIS设备,通过甚高频、卫星或网络传输获得。其中,AIS数据包含船舶静态、动态、航次及安全信息。而与船舶停泊密切相关的是船舶动态信息,包括船舶速度和船舶位置。为了准确描述停泊船,定义停泊记录如下：

si=(mi,ci,di,vi,pi,ts(i),tc(i))（1）

式中：mi是船舶MMSI;ci是船舶类型;di是总载重吨;vi是船舶速度;pi是船位;ts(i)是停泊起始时刻; tc(i)是停泊累计时间。

考虑到船舶停泊区域的实际海况,文章提出了停船判定方法[14,15,16]。

（1）停泊速度阈值

通常而言,当船舶主机停止时,速度为零。但AIS中船舶速度信息来源于计程仪或GPS,绝对计程仪和GPS显示的船速均为零,受海上风浪、海流影响,相对计程仪显示的船速可能不为零。所以,为了准确采集停船信息,设定船舶速度阈值vth。

（2）停泊位置变化量阈值

另外,船舶停泊时,其位置通常保持不变。受海上风浪、海流影响,停泊船会产生摇摆或偏荡,所以,停泊船位置变化量也可能不为零,故设定船舶停泊位置变化量阈值pth。

t1时刻采样,根据vth获得船舶停泊记录如下：

st1={(mi,ci,di,vi,pi,ts(i))|0≤vi≤vth}（2）

t2时刻采样,根据vth和pth,获得船舶停泊记录 如下：

st2={(mi,ci,di,vi,pi,ts(i),tc(i))|0≤vi≤vth∧0≤pi≤pth}（3）

符合vth要求的船舶在采样时刻t1被判定为停泊船,在下一相邻采样时刻t2,若该船同时符合vth和pth要求,则船舶停泊时间累加。

船舶停泊点记录包括船舶位置信息,利用DBSCAN算法可以对船舶停泊点进行密度聚类。

2.2.1 基于DBSCAN的停泊船异常检测算法

输入：① 港区船舶停泊点集合D=(p1, p2, p3,…,pn),p为船舶位置,即经度和纬度;② DBSCAN参数ε,用于计算某一停泊点邻域（以pi为圆心,ε为半径）;③ DBSCAN另一参数MinPts,用于判断停泊点是否为核心点（邻域内停泊点数量是否大于MinPts）。

输出：D中所有停泊点均被标记为类或噪声。

① 标记所有点为未分类点;

② 随机选择某一未分类的停泊点pi,计算其 邻域;

③ 如果pi是核心点,将其邻域内点标记为类Ck;

④ 选择Ck内其它任意停泊点pj,计算其邻域,如果为核心点,将pj邻域内点标记为类Ck;

⑤ 如果pj不是核心点,重复步骤④,直至Ck内所有点判定完毕;

⑥ 如果pi不是核心点,将其标记为噪声,重复步骤②、③（将新的核心点邻域内点标记为Ck+1）、④（同上）、⑤（同上）,直至D中所有点均已标记。

2.2.2 DBSCAN参数确定方法

DBSCAN聚类效果依赖其2个重要参数ε、MinPts,文章采用类中心密度和聚类数量作为聚类效果的评价指标,进而确定参数。

（1）船舶停泊点的密度主要表现为点间的距离,计算某一停泊点与其他任意点间距离,即可得到该停泊点的k距离值。根据停泊点的空间分布特征,选取类中心点并计算其k距离值,绘制成散点图。根据散点图拐点分布,确定ε。

（2）确定ε后,选取不同的MinPts进行迭代,最终根据聚类数量确定MinPts。

本文实验在上海港外高桥港区及邻近码头和锚地开展,包括外高桥港务码头和外高桥4、5、6期码头,其它码头和锚地还包括中海长兴岛修船基地码头、吴淞口锚地、横沙西锚地、横沙东锚地、圆圆沙锚地和江亚南沙锚地,如图1所示[17]。

查询2017版《中国港口指南》[18],得知长江上海段为顺时针方向回转流,最大涨潮流流速约3.8 kn,最大落潮流流速约4.8 kn,故设定vth=4 kn。船位中经度和纬度均以度表示,设定pth=0.0002°,约为21.6 m。

显示原图| 下载原图ZIP| 生成PPT

图1   外高桥港区码头、锚地分布图

Fig.1   Distribution diagram of berths and anchorages at Waigaoqiao Harbour District

依据停船判定方法得到的停泊船包括货船、工程船和公务船等。船型不同,其停泊点空间分布也不一致。而且,港区呈现专用化趋势,如外高桥是上海港的主要集装箱运输港区,所以有必要按船型分类统计船舶停泊记录。文章主要统计了货船停泊记录,详见表1。

表1   2016-01-01至2016-11-09全球主要货船停泊艘次列表

Tab. 1   List of berthing times of global principle cargo ships

新窗口打开

利用停船判定方法,获得2016年1-11月的上海港外高桥港区集装箱船停泊点数量9003。图2是根据类中心点的 k距离值绘制而成的散点图。

显示原图| 下载原图ZIP| 生成PPT

图2   上海外高桥港区停泊船类中心点k距离散点图

Fig. 2   Scatter diagram of cluster-centers of ships’ berthing points at Waigaoqiao Harbour District

图2中,横坐标代表停泊点序号,纵坐标代表停泊点间距离,单位为60 n mile。参照散点图中纵坐标值发生大幅度变化的拐点,选择可供参考的ε,通过迭代,观察聚类数量的变化趋势,如图3所示。根据外高桥港区码头、锚地分布图,聚类数量参考值设为7。此时ε为0.008,MinPts为4。

显示原图| 下载原图ZIP| 生成PPT

图3   聚类数量与邻域密度的关联图

Fig. 3   Relationships between the quantity of clusters and MinPts

对外高桥港区船舶停泊点进行密度聚类,结果如图4所示。图4显示船舶停泊点被聚成7类,分别以不同颜色标识。对比实验区概况,可知图中7个船舶停泊聚集点（自北向南,自西向东）分别对应图1中的外高桥港务码头,外高桥4、5、6期码头,圆圆沙锚地和江亚南沙锚地,吴淞口锚地,中海长兴岛修船基地码头,横沙西锚地,横沙东锚地。另外,图4中的未作颜色标记的点为噪声,这些点远离码头和锚地,属于可疑停船,其详细信息如表2所示。

显示原图| 下载原图ZIP| 生成PPT

图4   上海外高桥港区船舶停泊点聚类结果

Fig. 4   Spatial cluster of ships' berthing points at Waigaoqiao Harbour District

结合船舶历史轨迹,查看船舶在停泊时刻前后船位、速度变化。其中,船舶COSCO FUKUYAMA未查询到其历史轨迹;6艘船舶（MSC CHLOE、MSC GAIA、TAI CANG HE、CSCL SAN JOSE、 JI RUN和INDIA RICKMERS）轨迹显示其实际并未停泊,仅仅因为船速小于 vth,而被判定为停船;船舶MARCONNECTICUT虽然有真实停泊记录,但停泊位置在吴淞口锚地范围内,不属于异常停船。

另外3艘船舶（ITAL CONTESSA、MSC CANDICE和YUE HE）如图5所示,其历史轨迹中停泊起始时刻、停泊位置、停泊时间等信息与可疑停船列表一致。船舶停泊前在南港水道正常行驶,临近停泊时大幅度改变航向,却未能驶入相应指定停泊位置,而是停泊在航道边缘。推测船舶在航道行驶时可能突发故障,船舶失控,导致船舶异常停泊。

显示原图| 下载原图ZIP| 生成PPT

图5   异常停船历史轨迹

Fig. 5   Anomalousberthing ships' trajectories

表2中的船舶停泊时间和总载重吨有助于海事监管部门确定重点监测对象,如总载重吨大或停泊时间长的异常停船。另外,根据船舶MMSI和船舶名称,MSA可快速锁定航运公司,有利于加强船舶岸上安全管理。最后,异常停船记录中船位及停泊时间等,可以记录船舶发生故障地点及其持续时间,为船队管理提供重要依据。

表2   上海外高桥港区可疑停船列表

Tab. 2   List of the suspicious berthing ships at Waigaoqiao Harbour District

新窗口打开

通过对外高桥港区船舶停泊点进行空间聚类,并结合船舶历史轨迹分析,发现大部分停泊船分布在外高桥港区码头岸线附近或锚地边界内,即正常停泊船;同时,也有极少数停泊船远离码头岸线,或不在锚地边界范围内,而是停泊在航道附近,即异常停泊船。异常停船点位于圆圆沙锚地至吴淞口锚地间的南港水道和江亚南沙锚地附近的南港 水道航段。船舶停泊前、后位置变化幅度小,而速度变化幅度大,推测船舶突发故障是其异常停泊的原因。

下一步将围绕船舶异常停泊原因展开研究,将异常停船记录按国籍、船公司等分类统计,结合实船调研,明确表2数据所反映的规律。

The authors have declared that no competing interests exist.

基于海事大数据的港口感知计算

[本文引用: 1]     

Port sensing computation based on maritime big data

[本文引用: 1]     

海上丝绸之路起点——泉州港岸线变化的遥感动态研究

[本文引用: 1]     

Remote sensing study of coastline dynamics of Quanzhou port:starting point of the ancient Maritime Silk Road

[本文引用: 1]     

船舶AIS数据挖掘关键技术研究[D]

[本文引用: 1]     

Research on the key technologies of ship AIS data mining[D]

[本文引用: 1]     

船舶异常行为研究进展及发展趋势

https://doi.org/10.3969/j.issn.1000-4653.2017.02.009      URL      [本文引用: 1]      摘要

Status and research trends on abnormal ship behavior

https://doi.org/10.3969/j.issn.1000-4653.2017.02.009      URL      [本文引用: 1]      摘要

船舶轨迹异常检测方法研究进展

[本文引用: 1]     

Research progress on anomaly detection in vessel tracking

[本文引用: 1]     

基于数据挖掘的船舶行为研究

https://doi.org/10.3969/j.issn.1000-4653.2012.02.011      URL      [本文引用: 1]      摘要

Research on ship behaviors based on data mining

https://doi.org/10.3969/j.issn.1000-4653.2012.02.011      URL      [本文引用: 1]      摘要

基于轨迹的内河船舶行为模式挖掘

https://doi.org/10.3963/j.issn.1674-4861.2017.03.014      URL      [本文引用: 1]      摘要

Behavior pattern mining of inland vessels based on trajectories

https://doi.org/10.3963/j.issn.1674-4861.2017.03.014      URL      [本文引用: 1]      摘要

基于AIS信息的港口水域船舶异常行为识别研究[D]

[本文引用: 1]     

Research on ship anomaly behavior identification within harbour waters based on AIS data[D]

[本文引用: 1]     

基于密度的轨迹时空聚类分析

https://doi.org/10.3724/SP.J.1047.2015.01162      Magsci      [本文引用: 1]      摘要

Spatial-temporal clustering analysis of track based on density

https://doi.org/10.3724/SP.J.1047.2015.01162      Magsci      [本文引用: 1]      摘要

时空轨迹分类研究进展

https://doi.org/10.3724/SP.J.1047.2017.00289      URL      [本文引用: 1]      摘要

Research progress of spatial-temporal trajectory classification

https://doi.org/10.3724/SP.J.1047.2017.00289      URL      [本文引用: 1]      摘要

一种基于海量船舶轨迹数据的细粒度网格海上交通密度计算方法

Magsci      [本文引用: 1]      摘要

A fine grained grid-based maritime traffic density algorithm for mass ship trajectory data

Magsci      [本文引用: 1]      摘要

基于网络化密度聚类的船舶停泊点数据挖掘

[本文引用: 2]     

Data mining of ship's berthing points based on DBSCAN

[本文引用: 2]     

一种基于改进的DBSCAN的面向海量船舶位置数据码头挖掘算法

https://doi.org/10.3969/j.issn.1007-130X.2015.11.011      URL      Magsci      [本文引用: 2]      摘要

A dock mining algorithm for massive vessel location data based on improved DBSCAN

https://doi.org/10.3969/j.issn.1007-130X.2015.11.011      URL      Magsci      [本文引用: 2]      摘要

利用AIS数据计算港口间竞争度的方法

URL      [本文引用: 1]      摘要

An approach for calculating competitive degree among ports using AIS data

URL      [本文引用: 1]      摘要

基于AIS数据的区域性搁置船舶统计

https://doi.org/10.3969/j.issn.1000-4653.2012.04.003      URL      [本文引用: 1]      摘要

Statistics and analysis of regional shelved ships based on AIS data

https://doi.org/10.3969/j.issn.1000-4653.2012.04.003      URL      [本文引用: 1]      摘要

利用AIS数据连续观测港口泊位服务水平的方法

URL      [本文引用: 1]      摘要

Methods for continuously observing service level of berths using AIS data

URL      [本文引用: 1]      摘要

[本文引用: 1]     

[本文引用: 1]     

[本文引用: 1]     

[本文引用: 1]