基于LSTM神經網絡的船舶異常行為檢測方法*

楊 帆 何正偉 何 帆

(西安交通大學計算機科學與技術學院1) 西安 710049) (武漢理工大學航運學院2) 武漢 430063)(內河航運技術湖北省重點實驗室3) 武漢 430063) (國家水運安全工程技術研究中心4) 武漢 430063)

0 引 言

隨著水上交通的日漸繁榮，伴隨而來的一系列航道異常行為也逐漸增多，這些異常行為主要包括航道擁堵嚴重、船舶不遵守正常航線、船舶駛入危險區域等.為了避免船舶事故的產生，保證水上交通安全、有序的進行，對船舶異常行為的檢測至關重要.目前，有關船舶異常狀態檢測的研究主要有：甄榮[1]通過建立船舶軌跡相似度矩陣，運用K-means聚類算法對船舶航行行為模式進行聚類學習，得到監控海域內船舶典型航行行為模式，從而構建基于貝葉斯分類器的船舶常規航行行為的分類和軌跡異常的航行行為識別模型；魏照坤等[2]分析通航水域船舶信息的分布情況,根據其概率分布采用樸素貝葉斯算法,從船舶航速、航向及距航道邊界距離三個方面,構建船舶異常行為檢測模型；馬文耀等[3]提出了船舶異常行為的一致性檢測算法;在船舶軌跡點中引入能夠體現操縱模式的特征,以轉向行為與變速行為度量了操縱行為相似性，從而檢測船舶變速與轉向異常行為.邱洪生[4]提出了一種基于卡爾曼濾波的船舶航行軌跡異常行為預測算法，根據密度聚類得出的航跡圖譜，結合卡爾曼濾波算法對船舶航跡進行預測，從而達到檢測船舶異常行為的目的.Castaldo等[5]提出了一種基于動態貝葉斯網絡的船舶異常行為識別方法，通過船舶的合成軌跡進行訓練，將該軌跡與存儲在網絡中的正常行為進行比較，從而檢測出船舶的異常行為狀態.

目前關于船舶異常行為的研究主要是對船舶軌跡進行建模，采用貝葉斯分類對船舶異常行為進行判別.隨著海上交通信息化的發展，船舶自動識別系統的應用越來越廣泛，其中AIS數據具有數據量大、信息豐富、支持實時獲取的特點，記載了船舶航行的動態與靜態信息.因此，文中提出了一種基于AIS大數據挖掘的方法，通過對AIS數據時間序列進行挖掘，采用長短期記憶神經網絡對AIS數據進行訓練，最終獲取船舶的異常行為狀態.

1 異常行為檢測模型

1.1 問題概述

船舶異常行為與船舶運動密切相關，如果船舶的運動指標不處于正常范圍內，如發生航向偏離、航行速度過大或過小、不在規定的航行區域內行駛等都可以稱為船舶異常行為.Martineau等[6]將船舶異常行主要分為位置異常和運動異常兩大類.其中位置異常情況主要有船舶航行偏離實際軌跡、船舶航行在非法區域等情況；運動異常主要有航行速度異常和航行軌跡異常兩類，針對船舶異常行為，Martineau和Roy將船舶異常行為進行分類，圖1為船舶異常行為分類.通過對船舶異常行為進行分類，得到16種船舶異常行為狀態.通過對每一種船舶異常行為狀態劃分標簽，船舶異常行為檢測就是基于已經劃分標簽的異常行為，對于大量航行數據進行分類識別，從而對未標注的船舶異常航行狀態進行檢測.

通過船舶異常行為分類結果能夠看出，運動異常和位置異常的信息都可以在AIS數據中進行體現，因此，可以通過數據挖掘的方法進行學習，從而建立船舶異常行為檢測模型.目前，大規模AIS數據記錄了船舶在不同時刻的狀態信息，因此，可以借助歷史AIS數據對船舶異常行為構建模型，之后再引入實時AIS數據進行檢測.

1.2 船舶AIS數據

AIS數據經過基站發送，客戶端接受后，通過解析后的AIS數據中包含了船舶的靜態數據和動態數據兩部分.其中動態數據包括MMSI號、經緯度、對地航速/航向、轉向率、船首向等發生變化的船舶信息；靜態數據包括船長、船寬、船舶最大吃水深度、船舶類型等船舶的固有信息.

AIS數據在傳輸過程中會存在很多異常數據.AIS數據預處理過程就是要把AIS異常數據進行清除，這些異常數據包括：緯度大于90°、經度為負值、MMSI編號不是九位數等明顯的錯誤數據，同時還包括了大量的AIS冗余數據.如果不經過預處理過程，包含大量錯誤數據和冗余數據的AIS數據會大大增加處理開銷，并且可能會造成處理結果的異常.可以通過小波分析的信號處理方法對水AIS數據的異常數據進行分析和檢測.通過小波變換將AIS中的數據進行多層分解，能夠對高頻和低頻部分進行分別處理.在AIS數據中，由于信號傳輸過程受到干擾，或者信號中夾雜著噪聲等因素導致傳輸數據出現異常，這些異常數據一般存在于信號分解后的高頻部分.因此，異常檢測過程就是通過小波分析的方法，對高頻數據進行處理，處理后的高頻數據和低頻數據進行重構，最終判斷異常數據出現的位置以及異常數據的個數，并且對異常數據根據不同情況采取數據清除或數據矯正，從而完成異常數據的檢測功能[7-8].

1.3 整體架構

經過AIS數據的獲取與預處理后，對AIS數據進行劃分，將AIS數據分為訓練數據集和測試訓練集，之后經過神經網絡建立船舶異常行為模型后，針對異常行為檢測結果和實際結果計算模型誤差，完成對模型的評判.圖2為整體架構圖.

圖2 模型架構

通過對AIS歷史數據構建船舶異常行為檢測模型后，對模型進行準確率和誤差的檢測接入實時AIS數據流，獲取船舶的實時異常行為檢測結果，從而實現船舶異常行為的實時監管.

1.4 LSTM神經網絡

傳統神經網絡的主要結構為輸入層、隱含層、輸出層三部分，其中，層與層之間通過全聯接的方式相連，然而，每層中的神經元節點之間是沒有相連的.這種神經網絡對于獨立的輸入信息能夠獲得理想的效果，但是很難解決有關時間序列輸入的問題，因此，循環神經網絡(RNN)考慮了當前時刻的輸出和上一時刻輸出之間的關系，更有利于時間序列問題的解決.每次的輸出計算會引入之前時刻的信息，并且隱藏層中的神經元節點之間從無連接的狀態變為全連接的狀態，隱藏層的輸入包括了輸入層和上一時刻隱藏層的輸出兩部分.圖3為RNN神經網絡的結構圖.其中，隱藏層之間采用全連接結構，從而引入了前后時間序列的相關性[9-10].

圖3 RNN神經網絡結構

在RNN中，輸入序列為{x0,x1,x2,…,xt,xt+1,…}，輸出序列為{y0,y1,y2,…,yt,yt+1,…}，隱藏層序列為{h0,h1,h2,…,ht,ht+1,…}，隱藏層單元為最主要的部分.隱藏層單元每個時刻的狀態ht和輸出序列yt為

ht=H(Whhht-1+Wxhxt+bh)

yt=O(Whyht+bo)

(1)

式中：Whh為隱藏層和隱藏層之間的權重函數；Wxh輸入層層和隱藏層之間的權重函數；Why輸出層層和隱藏層之間的權重函數；bh為隱藏層偏置；bo為輸出層偏置；xt為特定時刻的輸入序列.

為了解決RNN神經網絡中的長期依賴問題，使得RNN能夠對長時間的輸入有更好的記憶能力，長短期記憶網絡(long short-term memory,LSTM)開始廣泛應用于長時間的輸入學習中[11].在LSTM神經網絡中，增加了門來控制信息的丟棄或記憶，門結構是由一個Sigmoid函數和一個點乘函數組成，Sigmoid函數為

(2)

在sigmoid函數中，輸出值始終處于[0,1].其中，0為丟棄信息，1為記憶信息.LSTM的門結構包括輸入門、輸出門和遺忘門三種.圖4為LSTM網絡的門結構.圖4中，Cell用來表示每個時刻的狀態，通過輸入門、輸出門、遺忘門的作用，狀態在不斷發生更新變化.

圖4 LSTM神經網絡的門結構

在遺忘門中，上一時刻狀態的遺忘程度函數ft為

ft=δ(Wf·[ht-1,xt]+bf)

(3)

由式(1)可知，ft的本質是一個上一時刻輸出ht-1和當前時刻輸入xt組成的Sigmoid函數，輸出結果為[0,1]的取值，用來表示不同的遺忘程度狀態.

在輸入門中，輸入門的輸出結果it為

it=δ(Wi·[ht-1,xt]+bi)

(4)

(5)

(6)

輸出門主要控制狀態的過濾程度，輸出結果也是一個在[0,1]內的值，輸出門的結果Ot為

Ot=δ(Wo·[ht-1,xt]+bo)

ht=Ot·tanhCt

(7)

圖5為LSTM神經網絡的內部結構，LSTM內部通過門結構保證了信息的篩選和不同時刻狀態的更新.

圖5 LSTM神經網絡內部結構

至此，通過輸入門控制信息的引入、輸出門控制狀態的過濾和遺忘門控制信息的遺忘程度，LSTM神經網絡能夠提高對較長時間序列輸入的記憶能力，從而提升循環神經網絡的性能.

1.5 船舶異常行為檢測模型

船舶異常行為檢測模型以船舶AIS數據的時間序列作為輸入，經過模型處理后，輸出當前時刻的船舶異常狀態檢測結果.但是，由于LSTM神經網絡的輸出結果仍然是一個與AIS時間序列相同長度的序列，為了正確輸出船舶異常行為狀態，需要對LSTM神經網絡模型進行適當變更，使船舶狀態信息能夠正確輸出.

文中的船舶異常行為檢測模型見圖6，采用雙向LSTM(Bi-LSTM)神經網絡結構對AIS時間序列數據進行處理，每一個LSTM代表網絡的一個隱藏層，由于隱藏層之間是全連接狀態，隱藏層之間按照時間序列順序進行逐次連接.上層的LSTM作為正向時間序列，下層的LSTM作為反向時間序列.

圖6 船舶異常行為檢測模型

(8)

式中：O為平均池化后的隱藏層輸出，通過對隱藏層的輸出進行池化處理后，得到的輸出結構不再包含時間信息，從而獲得船舶每個時刻的異常狀態結果.

經過對正向和反向LSTM神經網絡隱藏層的輸出進行處理后，可以得到正向的輸出結果O和反向的輸出結果O′，將兩個輸出結果引入一個邏輯回歸單元，通過softmax函數進行處理后，最終獲得一個船舶異常狀態的輸出結果.

2 Tensorflow平臺的模型實現

借助TensorFlow實現船舶異常行為檢測模型的流程見圖7，經過添加船舶異常狀態標簽的AIS數據通過TensorFlow中的LSTM模塊進行模型訓練，訓練后的模型經過模型測試后，將AIS實時數據流引入，從而實現船舶異常狀態的實時檢測.

圖7 基于TensorFlow架構的模型實現

通過TensorFlow架構建立船舶異常狀態檢測模型主要經過了網絡參數設置、數據劃分與預處理、定義LSTMS神經網絡變量、定義訓練模型和模型檢測五個部分[13-14].在TensorFlow架構中訓練AIS數據時，首先設置RNN網絡基本的參數，包括隱藏層數量、輸入輸出層節點數、網絡學習率、隱藏層節點數等.之后確定AIS數據進行訓練數據集和測試數據集的劃分比例，并且對數據進行簡單的預處理和標準化，確定訓練數據和測試數據的訓練長度.之后，需要對神經網絡結構參數進行定義，主要包括輸入層權重w_in，輸出層權重w_out，輸入層偏置b_in，輸出層偏置b_out.在對LSTM神經網絡進行定義時，最為關鍵的是定義狀態參數cell用來表示每個時刻狀態的更新，此外，還需要定義時間步長(time_step)、批大小(batch_size)，以及輸出變量predict.由于文中采用雙向LSTM神經網絡對AIS數據進行兩個時間方向的訓練，因此，其中一個LSTM結構按照正常時間序列輸入，另一個LSTM結構不變，通過反向時間序列順序進行輸入.

LSTM模型建立完成后，需要定義訓練模型和測試模型部分的參數，訓練模型部分需要設置之前LSTM模塊定義的參數取值，并且定義輸入、輸出變量，并且通過reducemean對LSTM的輸出進行合并計算，得到一個標準的輸出值.最后，定義TensorFlow的優化函數，設置訓練的迭代次數和每次訓練完成后的模型保存方法.

每次模型訓練完成后，需要通過保存好的對參數進行恢復，計算輸出結果和實際結果的誤差，計算模型的準確率等.至此，通過對TensorFlow架構中的LSTM模型參數進行不斷調試，合理設置LSTM中輸入門、輸出門和遺忘門的權重和偏置，最終得到船舶異常狀態檢測模型.

3 實 驗

3.1 實驗數據

經過上述研究論述后，實驗采用數據為江蘇省江陰航道的船舶AIS數據，統計的數據為2016年9月—2017年2月的AIS數據，通過對數據進行標簽劃分，經過統計，篩選出具有異常行為的數據并劃定標簽，表1為異常行為實驗數據片段，對數據中的航道船舶異常行為的部分統計，將未產生異常行為的船舶標簽設置為1，產生追越行為船舶的標簽設置為2，產生橫越行為船舶的標簽設置為3，速度異常船舶的標簽設置為4.

通過表1能夠獲得船舶追越行為的發生時間，發生地點的經緯度以及相關船舶的編號(MMSI)，將整個數據時間范圍內船舶三種異常行為的數據標簽進行標記，從而得到船舶異常行為的實驗數據集.

表1 江陰段異常行為數據片段

3.2 參數設置

為了對船舶異常行為中的追越行為、橫越行為、速度異常行為進行實驗檢測，輸入參數選取了與船舶三種異常行為有關的參數，包括：船舶編號、異常產生時間、對地航速、對地航向、經緯度、航向差值和航速差值.其中航向和航速差值通過相鄰時間序列的航向和航速相減計算獲取，用來表示船舶速度和角度的偏離值.表2為網絡中其他參數的選取.

表2 實驗參數選取

3.3 實驗結果與分析

在實驗過程中，對整個航道范圍內AIS數據進行異常劃分后，把這些數據輸入到LSTM模型中，經過學習和訓練，得到的迭代次數，損失值和迭代誤差、異常行為識別準確率等結果，記錄結果見圖8.由圖8a)可知，隨著迭代次數的增加，模型的損失值逐漸減小，在圖8b)中，隨著迭代次數的增加，模型的識別準確率逐漸提高，最終損失值和識別準確率的變化逐漸趨于平穩，這一變化過程符合LSTM模型的預期訓練效果，在對江陰航道AIS數據集進行100次迭代的過程中，在測試數據集中，異常行為準確率最高為89.82%，在訓練數據集中，模型的準確率最高為90.91%.

圖8 模型實驗結果曲線

將文中提出的雙向LSTM模型和BP神經網絡、單向LSTM模型進行比較，其中，三種模型的輸入節點均為7，輸出節點均為4，采用平均百分誤差(MAPE)對三種模型的誤差進行計算，MAPE計算方法為

(9)

式中：y和y′分別為預測值和實際值，表1為三種模型的誤差分析結果.將數據集劃分為2016年9—10月、2016年10—11月、2017年1—2月AIS三個時間段，采用BP神經網絡、單向LSTM、雙向LSTM分別對三部分數據進行訓練，計算每種模型對應的MAPE值，表3為三種模型的比較結果.

表3 模型比較結果

由表3可知，通過對數據集進行劃分后，在三個時間段內數據集的測試中，基于雙向LSTM神經網絡的船舶異常行為識別的平均百分誤差要小于BP網絡和單向LSTM神經網絡，證明雙向LSTM識別方法在使用效果上優于BP神經網絡和單向LSTM神經網絡.

4 結 束 語

船舶異常行為檢測對于保障船舶安全航行、提高海事監管能力具有重要意義.針對AIS數據量豐富，記錄了船舶的行為信息，文中提出了一種基于雙向LSTM神經網絡的船舶異常行為識別方法，通過對AIS數據進行劃分標簽，將實驗數據依次輸入LSTM網絡的兩個方向中，最終通過對輸出結果進行平均池化處理，得到船舶異常行為的識別結果.

通過將文中提出的雙向LSTM模型和傳統BP神經網絡以及單向LSTM模型進行對比后得出，雙向LSTM神經網絡的異常行為識別準確率更高，能夠有效對基于時間序列的AIS數據進行異常行為識別.

由于文中的實驗數據集中船舶異常行為只包括了船舶追越行為、船舶橫越行為和速度異常行為，未來的研究中，將擴大實驗數據的地理范圍，引入更多的船舶異常行為數據，提高船舶異常行為識別模型的適用范圍.之后研究將引入實時AIS數據流，將船舶異常行為識別模型和電子海圖軟件進行融合，豐富模型的可視化功能，從而進一步提高船舶的安全航行監管能力.