海船異常行為檢測綜述

唐 皇，尹 勇，神和龍

(大連海事大學 航海動態仿真和控制實驗室，遼寧 大連，116026)

0 引 言

我國雖是世界航運大國，但在航運安全生產、管理諸多方面仍然有很多難題，特別是還未完全掌握船舶避碰規律，還難以穩定控制船舶安全航行，每年因船舶碰撞所造成直接經濟損失居高不下。海上船只逐漸增加，船舶交通管理(vessel traffic service, VTS)中心的工作量也不斷增大。通過計算機設計的異常檢測系統能將VTS操作員從繁雜的工作中解脫出來，從事更高層次的管理工作。人的推理能力要遠遠高于機器，但機器穩定性更好，若能做到人機協同工作，不僅能提高工作效率，同時還能彌補因人員失誤造成的監管漏洞。

海上交通特征規律蘊含于海量的船舶自動識別系統(automatic identification system, AIS)歷史數據中。從海上交通工程的角度研究船舶行為模式，利用數據挖掘技術對AIS進行分析，所挖掘的船舶行為知識可運用到船舶航行位置預測、船舶異常行為檢測以及海上交通流模擬等研究領域，為港口主管部門的通航環境管理等提供理論依據。

筆者主要對歷年來利用AIS數據進行海上船舶航行軌跡的相關研究進行分析，通過對AIS歷史數據分析，可提取出船舶在海上航行的異常行為，通過分析海上交通特征的規律，對相關機關制定管理措施、發展規劃、航道設計、航標設置、定線制設計等都具有指導意義；同時，對于研究通航安全，相關船舶進行安全預警等方面也都有重要意義。

1 海船異常行為分類

海船異常行為包括船舶的航行異常和行為異常。航行異常指的是船舶是否正常航行，是否出現航速過快、過慢、偏離航道等現象；行為異常指的是船舶是否出現偷渡、非法作業、威脅環境安全等。

船舶異常行為與船舶經過航跡和船舶所處位置密切相關，船舶經過航跡不符合該類型船舶正常運動規律，或船舶在特定時間處于不合適位置，都可被認為異常[1]。

P.R.LEI[2]將異常定義為3種形式：空間位置異常、序列異常、行為異常(圖1)。

圖1 位置異常、序列異常及行為異常示意Fig. 1 Spatial, sequential and behavioral features

顯然文獻[2]只將船舶異常行為簡單地分為3類是不合理的。文獻[3]結合船舶航行過程中的物理意義，將船舶異常行為分為16類(圖2)。

圖2 船舶異常行為分類Fig. 2 Classification of vessel abnormal behavior

筆者在此分類基礎上對船舶行為異常產生原因作簡要說明：① 運動異常：引起船舶運動異常原因有很多，例如：為提高效率，船舶進港后遲遲不采取減速行為；有些船舶為縮短航程，不按照通航規則行駛等。② 位置異常：造成船舶位置異常原因可能是該船舶為工程船，當前正處于工作狀態；也可能是某些涉嫌走私船舶為躲避海關稽查而隨意航行。無論異常行為產生原因是什么，該行為對港口通航安全都對存在著重大隱患。

2 距離及相似性度量

在相似性度量方面，國內外已有學者做了相關研究，研究方向主要集中在度量準確性及計算效率方面。距離度量和相似性度量從單個距離度量方法向復合度量方法發展，常見的度量方式如下：Hausdorff距離[4-8]、Euclidean距離[9-10]、最小外包矩形距離[11-12]、最長公共序列[7]、主成分分析[13]、動態時間規整[10]、隱馬爾科夫模型[14]、編輯距離[15]等。

基于歐氏距離軌跡差異度量是根據軌跡流矢量之間的一一對應關系計算得到的。對流矢量的時序變化非常敏感，容易受跟蹤噪聲影響；基于Hausdorff距離的方法僅通過2個特定點之間距離來反映這2條軌跡之間差異，沒有充分考慮其他軌跡點信息和軌跡之間的結構關系；基于最長公共子序列軌跡分布模式在提取時，時、空誤差閾值參數確定較困難，沒有有效選擇依據可供參考，且這些閾值均為固定常數，缺乏自適應性；編輯距離作為一種常用的度量符號序列之間差異的有效方法，不僅可計算長度不同的2個符號序列之間距離，也不需要在它們之間建立逐點對應關系，同時還能較好反映符號序列之間的結構性差別[16]。

ZHANG Zhang等[17]對各距離度量方式進行了比較，其中包括：Hausdorff距離、Euclidean距離、PCA(principle components analysis)+Euclidean距離、HMM(hidden Markov model)方法、DTW(dynamic time warping)和LCSS(longest common subsequence)方法，結果表明：在軌跡間相似度度量方面，PCA+ Euclidean距離方法相對于其它幾種方法具有更好的實驗效果。LEE Jae-Gil等[18]提出了一種軌跡間距離的度量方式，即度量軌跡間垂直距離、平行距離、角度距離。袁冠等[19]提出了基于結構相似度的軌跡聚類算法，該算法中軌跡結構包含目標的速度、形狀、位置、轉角、速度等。

3 異常檢測方法分類

軌跡異常檢測的目的主要是通過借用計算機手段，將目標數據中隱含的異常情況檢測出來，從而為有關部門提供決策依據。然而目前要想獲得船舶軌跡異常的數據相當困難，因此大多數研究人員都將船舶歷史數據作為正常數據來分析，從而對歷史數據中隱藏規律進行建模，并將不符合模型分布的目標數據視為異常。異常檢測的方法通常分為兩個部分，分別為模型建立和使用建立好的模型進行異常檢測。使用歷史數據建立模型是模式識別的一部分，可以是目標驅動，也可以是數據驅動。一個模型可以為事件序列、統計分布或元素聚類。將目標數據代入模型中進行檢測，判斷其正?；蛘弋惓！２浑S數據變化的模型稱為靜態模型，反之稱為動態模型。模型建立方法有很多，主要根據數據類型、性能要求、異常的性質來選擇建模方法。常見的異常檢測方法有：基于聚類分析的異常檢測、基于統計分析方法、基于神經網絡建模方法、船舶行為預測等方法。

3.1 聚類分析方法

船舶軌跡聚類目的是根據最大化類內相似性、最小化類間相似性原則，找出具有相似船舶運動演化方式的軌跡簇；再分別針對每個簇建立模型，從而對目標數據進行異常檢測[46,47]。

在軌跡挖掘和軌跡異常檢測中，使用較多的是基于密度的聚類算法[20-29]，該算法的好處是不需要提前指定聚類類別個數，且可以聚類任意形狀的簇，該算法不足之處是需要事先指定聚類半徑和類別閾值。A.DAHLBOM等[30]采用基于樣條的聚類方式對船舶軌跡進行了聚類分析；G.PALLOTTA等[31]采用無監督增量學習方式，對航線進行聚類及可視化，再進行統計分析，最后建立模型進行異常檢測。

現階段還有一種用的比較多的聚類方法叫譜聚類[4-6,15,32]，該算法起源于圖理論，它能在任意形狀樣本空間上聚類，且收斂于全局最優。

還有一種方法是通過網格劃分將海域分塊，然后將船舶位置點映射到相應海域塊，并尋找頻繁區域，采用相應算法對頻繁區域進行聚類。P.R.LEI[2]建立了MT模型，采用網格劃分尋找頻繁區域，將船舶軌跡轉換為用網格區域表示的軌跡，但該算法存在兩個問題：① 網格劃分的粒度關系到頻繁區域確定，故怎樣確定網格粒度需要實驗嘗試；② 模型僅采用船舶位置出現的次數來確定頻繁區域，忽略了船型及船舶種類等靜態信息。

3.2 統計分析方法

基于統計分析的方法通常是先獲取船舶航行軌跡概率分布并建立統計模型，再根據模型進行異常檢測及行為預測。

統計分析包括參數化技術和非參數化技術，采用參數化技術，若數據對應于特定統計模型，則可快速、無監督地檢測到異常，但此方法需要對參數進行優化估計。M.RIVEIRO等[33]提出了運用高斯混合模型(GMM)和以自組織映射神經網絡實現的聚類算法(SOM)來挖掘AIS數據中船舶運動信息異常點。R.LAXHAMMAR[34]使用船舶位置、航速、航向建立無監督聚類模型，其中GMM作為聚類模型，聚類算法采用最大期望中的貪心算法。

使用非參數技術不會對數據底層分布做出假設。B.RISTIC等[35]利用AIS數據，基于統計學原理提取出船舶運動模式，并在KDE框架下進行異常檢測。熊勇等[36]運用多核函數非參數估計方法，估計船舶正常運動模式的概率密度函數，根據假設檢驗方法，設定船舶異常運動判斷標準，導入AIS實時監測數據檢測設定航線出現異常運動的渡輪。該法僅適用于固定航線渡輪，對于可變航線船舶自動監測則有待深入研究。非參數估計雖然需要通過挖掘更大數據量來建立模型，但這種方法對自動化異常檢測是有效的。

統計分析對異常值為極值的檢測非常有效。例如船速異常檢測，當船速大于或小于閾值時就認為是異常。但當異常值均勻分布時，異常和非異常之間的閾值就很難確定，從而導致異常檢測具有較大誤差。R.LAXHAMMAR[34]對GMM和KDE方法進行了評估，認為這兩種方法沒有顯著差別，并且都是次優的，因此討論了另一種融入了更多信息和背景知識的聚類方法，所提出的特征模型主要包括目標瞬時運動狀態特征，例如位置、航向、速度、加速度和角速度。

3.3 神經網絡建模

基于神經網絡的異常檢測算法，主要是通過建立神經網絡模型，再利用歷史數據對網絡進行訓練[45]；將目標數據輸入神經網絡模型中，通過網絡輸出判斷該數據是否異常。神經網絡最大缺點之一是該過程非常模糊，通常被稱為黑盒子。并且輸入和輸出神經元之間處理是不可理解的，不能為操作者提供解釋或相關理由。另外，神經網絡容易出現過擬合現象，若網絡在學習階段針對性過于嚴格，則類別邊界附近數據分類準確度可能會下降。N.A.BOMBERGER等[37]用神經網絡學習船舶正常行為，從而進行異常檢測和船位預測，該方法在不同海區效果不同，算法通用性有待進一步研究。B.J.RHODES等[38-39]采用無監督聚類方法獲得港口船舶位置及速度分布，然后采用監督學習方法進行學習，具體學習方法為改進的模糊神經網絡，此過程屬于事件層面學習。

3.4 基于預測的異常檢測算法

另一種用于異常檢測方法是基于預測的方法。通過相應算法建立預測模型，對船舶行為進行預測，將觀測值與預測值進行比較，若觀測值與預測值差別較大，則認為出現異常。R.LAXHAMMAR等[40-43]提出了一種基于保形預測的異常檢測算法(SNN-CAD)，并采用Hausdorff距離度量軌跡相似性，保形預測產生預測集，若觀測數據不在預測集中，則判定為異常。甄榮等[44]針對船舶航行行為多維度特點，提出結合AIS信息和BP神經網絡的船舶行為預測方法。

基于預測的異常檢測算法可提前預判船舶在未來某一時刻的行為是否出現異常，故對海上智能監管及危險預測具有重要意義。

3.5 異常檢測方法小結

筆者小結了海船行為異常檢測方面常用的幾種方法。先后介紹了利用聚類分析找出船舶正常航行的行為模式和基于網格劃分方法尋找頻繁區域，采用統計分析方法獲取船舶航行軌跡概率分布并建立統計模型，利用模型對目標數據進行異常檢測?，F階段，各方法都取得了一定進展，同時有學者也將人工免疫和遺傳等仿生算法引入異常檢測領域中。但現階段取得的這些算法和進展也存在一定缺陷，例如：大部分算法都是采用離線方式對船舶軌跡進行檢測，實時性方面還需進一步提高；且忽略了船舶非時空信息，僅采用時空維度對船舶行為進行研究，非時空信息包括船舶靜態信息，例如船舶的類型、排水量、載貨種類等。

4 情景意識及語義分析

筆者在利用前文所述方法獲得異常檢測結果后，還需對檢測結果做出合理解釋。這就涉及到怎樣融入海上情景意識及相關語義分析。例如：一艘航行中的船舶，假如其速度與當前航向上的大多數船舶平均速度相同，則檢測系統就會認為其行為是正常行為，然而對于該船本身而言，其速度已經超出自身的正常航行速度；再者，一艘停泊在航道中的工程船，檢測系統會根據它的位置判定其為異常船舶，但事實上該船屬于正常作業。因此，情景意識與行為語義分析再異常檢測中也極為重要。

為提升軌跡數據解釋能力、及時展示并反饋軌跡異常檢測結果，可根據具體應用需要選擇合適的可視化交互分析技術。一方面可借助人機交互技術，提供參數/閾值設置和檢測方法選擇等功能界面，引導用戶逐步進行軌跡數據分析，參與具體的異常檢測交互式分析過程；另一方面，借助于圖表、動畫等形式清晰地展示異常檢測結果，幫助用戶理解軌跡異常檢測結果由來。基于此，可結合相關情景數據對所識別軌跡異常進行語義分析，發現異常之間語義聯系和異常產生緣由，從而識別其隱含的異常事件。對于語義分析結果，可使用特定的顏色、不同層次亮度凸顯異常及異常之間的聯系，有助于判定異常發展趨勢及影響范圍，輔助決策者盡早制定異?？刂撇呗訹16]。

5 現有方法局限性

雖然國內外船舶軌跡分析的相關研究在相似性度量和可視化分析等方面取得了令人鼓舞的進展，但畢竟剛起步不久，其研究比較薄弱，主要體現如下[16,42-43]。

1)目前研究主要側重于二維空間平面，忽略了縱向維度即航道水深對船舶行為約束，且沒有考慮環境因素對船舶行為影響。而環境因素(如潮汐、氣象等)又具有時變性，為相關研究增加了難度。

2)基于歷史數據建立的模型不能有效融合新增加數據。由于船舶行為數據具有時變性，因此相關模型不能處理船舶行為異常的演化問題。故異常檢測方法不僅需要設置閾值關注檢測某時刻的異常軌跡，還要結合新到軌跡的異常影響因子和軌跡的歷史異常分值計算獲得軌跡進化異常分值，進而檢測一段時間內的進化軌跡異常，以有效降低噪聲數據對軌跡異常檢測結果影響。

3)現階段大多數模型都是基于歷史數據挖掘船舶相關行為模式并建立模型。假設已有一條航跡將目標數據導入模型中獲得檢測結果，該方法在實時性方面還有待研究，且也不滿足海上關于實時預警技術方面的相關要求，在異常行為預測方面還有待進一步提高。

4)異常檢測結果語義分析方面也有所欠缺。大部分異常檢測方法都只針對某一類異常，而忽視了異常行為之間的聯系，以及異常產生的原因?？蓪㈥P聯規則和專家系統等方法與數據挖掘方法結合起來，進一步對異常進行語義分析。

6 未來發展方向

在未來的研究中，應主要針對海船軌跡異常檢測在實時性、在線檢測、軌跡異常演化分析、海上情景意識及異常語義分析、軌跡可視化等方面展開。

對異常檢測實時性、在線檢測和異常演化問題，應主要考慮融合最新獲取的數據，建立增量學習的異常檢測系統，對目標進行實時異常檢測和行為預測。

海上情景意識和語義分析也是一個非常重要的課題，需探索各行為異常之間的聯系，并結合海上具體情景進行分析，對異常產生給出合理解釋，并持續關注異常的發展趨勢。

軌跡異常檢測可視化交互分析可通過圖表、動畫等形式直觀地描述軌跡數據及異常檢測結果。同時輔以各類交互機制，幫助人們發現軌跡蘊含的移動趨勢，了解軌跡數據不確定性及內在錯誤，實現軌跡數據的異常檢測。

7 結 論

基于海上船舶航行的特殊性，以及軌跡數據本身的不確定性、時變性和稀疏性，使得現有異常檢測算法無法更好適應軌跡大數據挖掘在實時性、準確性和魯棒性等方面的要求。

筆者在海上航行相關背景下，梳理和分析了現有海船異常行為檢測的研究和相關技術，分別對軌跡相似性度量、異常檢測算法類別、海上情景意識和語義分析等方面進行了介紹。并整理分析了現階段海船行為異常檢測面臨的挑戰及未來研究方向。

盡管經過多年研究，海船異常檢測領域取得了一定突破和進展，但仍然存在局限性，急需設計魯棒性更強、功能更實用的海船行為異常檢測系統。