基于深度卷積神經(jīng)網(wǎng)絡(luò)的船舶軌跡分類研究

常吉亮 謝 磊 魏志威 楊 洋 趙建偉

(武漢理工大學(xué)國家水運安全工程技術(shù)研究中心1) 武漢 430063)(武漢理工大學(xué)船海與能源動力工程學(xué)院2) 武漢 430063) (中國船舶工業(yè)綜合技術(shù)經(jīng)濟(jì)研究院3) 北京 100081)

0 引 言

船舶自動識別系統(tǒng)(automatic identification system，AIS)是一種開放式數(shù)據(jù)傳輸系統(tǒng)，廣泛應(yīng)用在船舶交通信息采集與分析[1-2]、船舶航行監(jiān)測[3]以及水上交通規(guī)劃[4]等領(lǐng)域.通過AIS收集到的船舶軌跡數(shù)據(jù)具有海量性、地理范圍大等優(yōu)點，但數(shù)據(jù)時間間隔過大、質(zhì)量不高，給船舶軌跡分類帶來挑戰(zhàn).

目前船舶軌跡分類的具體應(yīng)用場景包括船舶類型識別和船舶運動模式識別，其實現(xiàn)過程包括船舶軌跡特征提取和軌跡分類模型構(gòu)建.Chen等[5]基于稀疏表示分類算法實現(xiàn)了對AIS船舶軌跡的分類，該方法以稀疏表示捕捉船舶軌跡的特征，但忽視了船舶軌跡的空間特征.Kraus等[6]通過對船舶軌跡的地理特征(航行路線、停留區(qū)等)和行為特征(航向、航速等)的提取，利用隨機(jī)森林算法實現(xiàn)了對船舶類型的分類，但是特征提取過程過于繁瑣.Sánchez等[7]基于AIS船舶軌跡，使用SVM和決策樹實現(xiàn)是否為漁船的二分類問題，但SVM和決策樹模型還有提升的空間.Sheng等[8]將船舶軌跡分為錨泊、直行、轉(zhuǎn)向三種運動模式，根據(jù)航速、航向等因素，提取三種模式行為特征，以邏輯回歸為模型建立船舶軌跡特征分類模型，同樣欠缺對船舶軌跡空間特征的考慮.崔彤彤等[9]將LSTM與CNN結(jié)合，建立了一種混合分類模型，使用航速、加速度、航首向和曲率為特征，以特征向量為模型輸入，輸出為船舶種類.該方法利用了CNN提取軌跡數(shù)據(jù)的空間特征，利用LSTM提取軌跡數(shù)據(jù)的時序性特征.因為船舶軌跡數(shù)據(jù)屬于空間性數(shù)據(jù)，文中在研究工作中又參考了部分針對軌跡圖像分類的方法，Chen等[10]將船舶軌跡數(shù)據(jù)轉(zhuǎn)化為船舶軌跡圖像數(shù)據(jù)，根據(jù)航向變化對每條船舶軌跡的運動模式進(jìn)行劃分，以紅綠藍(lán)三種顏色表示船舶軌跡的三種運動模式，建立CNN-SMMC卷積神經(jīng)網(wǎng)絡(luò)，實現(xiàn)對船舶軌跡不同運動模式的分類.

上述研究在采用有監(jiān)督算法進(jìn)行船舶軌跡分類時，對船舶軌跡空間特征信息利用較少，并且在船舶軌跡航向、航速等特征提取過程過于繁瑣.為克服上述不足，文中以船舶軌跡圖像為數(shù)據(jù)基礎(chǔ)，提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的船舶軌跡分類方法.在方法實現(xiàn)過程中，考慮到單純的經(jīng)緯度數(shù)據(jù)難以準(zhǔn)確的描述軌跡的空間特征，故結(jié)合船舶軌跡的位置信息，將船舶軌跡數(shù)據(jù)轉(zhuǎn)換為船舶軌跡圖像數(shù)據(jù).發(fā)揮深度卷積神經(jīng)網(wǎng)絡(luò)在空間數(shù)據(jù)特征提取的優(yōu)勢[11-12]，建立了船舶軌跡分類模型，開展網(wǎng)絡(luò)訓(xùn)練.選取全連接神經(jīng)網(wǎng)絡(luò)模型和多類別SVM模型作為對照，與文中方法進(jìn)行對比分析.

1 船舶軌跡數(shù)據(jù)預(yù)處理

1.1 水域航道分析

文中選取了2019年1月—3月的美國沿海AIS船舶交通數(shù)據(jù)開展算法研究和驗證(https://marinecadastre.gov/ais/)，該數(shù)據(jù)集包括2 229條不同的船舶，263 149個軌跡點.選取的分析水域位于北緯48°54′7.28″～49°3′44.28″，西經(jīng)123°1′43.33″～123°25′2.71″，在美國察華遜卑詩渡輪碼頭附近，圖1為分析水域的電子地圖和電子海圖.

圖1 分析水域的電子地圖和電子海圖

針對該水域的電子海圖進(jìn)行分析，發(fā)現(xiàn)其包含四條傳統(tǒng)航道，以2019年1月的真實船舶軌跡為基礎(chǔ)繪制交通流密度圖，可以發(fā)現(xiàn)：真實船舶軌跡的可視化結(jié)果與電子海圖中的傳統(tǒng)航道結(jié)果基本一致，只是多出了一條由碼頭對岸向北延伸的航線.因此，本文將該水域的船舶軌跡分為五類，分別對應(yīng)四條傳統(tǒng)航道和一條非傳統(tǒng)航道，并在數(shù)據(jù)集的人工標(biāo)注中以此為依據(jù).圖2為分析水域所包含的航道及其交通流密度圖.

圖2 分析水域包含的航道及其交通流密度圖

1.2 船舶軌跡預(yù)處理

船舶軌跡預(yù)處理的主要工作是無效軌跡剔除.無效軌跡剔除通常是基于時間間隔和船舶速度變化的，表1為其處理步驟的偽代碼，表2為船舶軌跡預(yù)處理的閾值參數(shù)設(shè)置，表3為船舶軌跡預(yù)處理之后的統(tǒng)計結(jié)果.

表1 無效軌跡剔除處理步驟的偽代碼

表2 船舶軌跡預(yù)處理的閾值參數(shù)設(shè)置

表3 船舶軌跡預(yù)處理之后的統(tǒng)計結(jié)果

2 船舶軌跡數(shù)據(jù)集構(gòu)建

2.1 水域映射和坐標(biāo)轉(zhuǎn)換

將分析水域視為一個矩形區(qū)域，計算其長寬比并確定圖像分辨率.文中使用Haversine公式計算兩經(jīng)緯度坐標(biāo)點之間的距離，見式(1).R為地球半徑，可取平均值為6 371 km；φ1、φ2為兩點的緯度；Δλ為兩點經(jīng)度的差值.經(jīng)過計算，選取的分析水域長度為28.41 km，寬度為17.82 km，長寬比近似比例為14∶9.

cos(φ1)cos(φ2)haversin(Δλ)haversin(θ)=

(1)

將分析水域映射成一個具有同樣長寬比的矩形圖像，其分辨率設(shè)置為112×72.映射后，緯度取值范圍[49.06,48.90]被轉(zhuǎn)換至像素取值范圍[0,71]，經(jīng)度取值范圍[-123.42,-123.03]被轉(zhuǎn)換至像素取值范圍[0,111]，即：映射后的矩形圖像，其左上點像素坐標(biāo)(0，0)對應(yīng)了經(jīng)緯度坐標(biāo)(-123.42，49.06)，右下點像素坐標(biāo)(111，71)對應(yīng)了經(jīng)緯度坐標(biāo)(-123.03，48.90).

2.2 船舶軌跡數(shù)據(jù)集

按照2.1所給出的映射關(guān)系，對預(yù)處理后的船舶軌跡經(jīng)緯度數(shù)據(jù)進(jìn)行轉(zhuǎn)換，以得到船舶軌跡的圖像數(shù)據(jù).在1.1的航道分析結(jié)果中，已確定船舶軌跡的種類一共有五種，因此船舶軌跡的標(biāo)簽取值范圍為：0、1、2、3、4，分別對應(yīng)上述五種船舶軌跡種類.圖3為一些代表性的船舶軌跡數(shù)據(jù)集，其中，左邊為船舶軌跡所屬航道類簇，右邊為對應(yīng)的船舶軌跡數(shù)據(jù).具體的數(shù)據(jù)集詳細(xì)信息以及訓(xùn)練集和測試集的劃分見表4.

表4 船舶軌跡數(shù)據(jù)集詳細(xì)信息

圖3 代表性的船舶軌跡數(shù)據(jù)集

3 深度卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建

基于殘差網(wǎng)絡(luò)構(gòu)建了船舶軌跡分類網(wǎng)絡(luò)模型[13].船舶軌跡分類網(wǎng)絡(luò)模型所采用的殘差網(wǎng)絡(luò)子結(jié)構(gòu)件見圖4.其具有三個特點：①它直接將輸入加到經(jīng)過卷積操作得到的輸出上，這樣可以避免梯度消失的問題，并且可以捕捉到很小的擾動；②它的首末兩端使用1×1的卷積，分別減少和恢復(fù)數(shù)據(jù)維度，這兩種結(jié)構(gòu)的時間復(fù)雜度相似，但卻加深了網(wǎng)絡(luò)層數(shù)和結(jié)構(gòu)數(shù)量，解決了網(wǎng)絡(luò)退化和訓(xùn)練過程性能提升慢的問題；③它全部采用3×3和1×1的小尺寸卷積核，并且使用到了Batch Normalization技術(shù).

圖4 殘差網(wǎng)絡(luò)子結(jié)構(gòu)圖

船舶軌跡分類網(wǎng)絡(luò)結(jié)構(gòu)見表5.該結(jié)構(gòu)由五個卷積塊依次堆疊而成，每一個卷積塊中都包含圖4的殘差結(jié)構(gòu)網(wǎng)絡(luò)子結(jié)構(gòu)，不同卷積塊中的殘差結(jié)構(gòu)網(wǎng)絡(luò)子結(jié)構(gòu)具有不同的卷積核數(shù)目.

表5 船舶軌跡分類網(wǎng)絡(luò)結(jié)構(gòu)表

4 網(wǎng)絡(luò)訓(xùn)練與結(jié)果分析

4.1 訓(xùn)練設(shè)置

船舶軌跡分類網(wǎng)絡(luò)模型的輸入層維度參數(shù)設(shè)置為112×72×3，Mini Batch Size設(shè)置為64，輸出層類別設(shè)置為5，具體的參數(shù)設(shè)置見表6.

表6 船舶軌跡分類網(wǎng)絡(luò)參數(shù)

對于多分類問題，使用交叉熵為損失函數(shù)(Categorical_crossentropy)，并配合Softmax激活函數(shù)進(jìn)行使用.交叉熵的損失函數(shù)E的定義為

(2)

4.2 訓(xùn)練效果分析

圖5為訓(xùn)練過程中的loss值的變化情況.隨著訓(xùn)練次數(shù)的增加，模型對訓(xùn)練集中的驗證數(shù)據(jù)的分類準(zhǔn)確率迅速上升，在迭代次數(shù)達(dá)到7次以后，準(zhǔn)確率維持在98.90%附近，同樣說明模型已經(jīng)具備有效的分類能力，圖6為訓(xùn)練過程中驗證數(shù)據(jù)的分類準(zhǔn)確率.

圖5 訓(xùn)練期間loss值變化曲線圖

圖6 針對驗證數(shù)據(jù)的分類準(zhǔn)確率變化曲線圖

4.3 測試集分析

表7為測試集分類結(jié)果的混淆矩陣，其中，第一類、第二類和第三類的分類準(zhǔn)確率為100%，第四類和第五類的334個樣本中，出現(xiàn)了兩個誤識別樣本.圖7為分析水域內(nèi)第四類和第五類船舶軌跡的對照圖，從中可以看出，在第四類和第五類船舶軌跡中，有極少部分船舶沒有行駛在所對應(yīng)的航道內(nèi)，而是在兩個航道之間的分隔帶內(nèi)航行，這事實上違反了《船舶定線制的一般規(guī)定》，同時也導(dǎo)致出現(xiàn)了誤分類船舶軌跡.盡管如此，文中船舶軌跡分類模型仍然在測試集上取的了99.61%的準(zhǔn)確率，實現(xiàn)了對分析水域內(nèi)船舶軌跡類別的準(zhǔn)確分類.

表7 測試集分類結(jié)果的混淆矩陣

圖7 分析水域內(nèi)第四類和第五類船舶軌跡對照圖

4.4 交叉驗證對比測試

選取以經(jīng)緯度數(shù)據(jù)格式為輸入的全連接神經(jīng)網(wǎng)絡(luò)模型和多類別SVM模型作為對照，開展對比分析.全連接神經(jīng)網(wǎng)絡(luò)對比模型的參數(shù)信息見表8，其中，全連接神經(jīng)網(wǎng)絡(luò)要求數(shù)據(jù)輸入格式統(tǒng)一，所以文中借鑒文獻(xiàn)[5]的方法，利用三次樣條插值，將每條船舶軌跡數(shù)據(jù)采樣為50個點.

表8 全連接神經(jīng)網(wǎng)絡(luò)對比模型的參數(shù)信息

參與對比的全連接神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)格式為50×2的數(shù)組，其中2為船舶軌跡數(shù)據(jù)的經(jīng)度和緯度，50為每條軌跡經(jīng)過采樣后的軌跡數(shù)據(jù)長度.參與對比的SVM模型的輸入數(shù)據(jù)格式為100×1的數(shù)組，100為將上述50×2的數(shù)據(jù)扁平化的結(jié)果，核函數(shù)為RBF.所有模型均進(jìn)行了十折交叉驗證.圖8為三種模型的十折交叉驗證結(jié)果，表9為三種模型十折交叉驗證得到的平均準(zhǔn)確率.由實驗對比結(jié)果可知，文中提出的船舶軌跡分類網(wǎng)絡(luò)模型達(dá)到了98.72%的準(zhǔn)確率，高于全連接神經(jīng)網(wǎng)絡(luò)模型93.53%的準(zhǔn)確率和SVM模型91.73%的準(zhǔn)確率，從而驗證了船舶軌跡航道分類模型在船舶軌跡分類性能方面的優(yōu)越性.

圖8 三種模型的十折交叉驗證結(jié)果

表9 三種模型十折交叉驗證的平均準(zhǔn)確率 單位：%

5 結(jié) 束 語

文中針對船舶軌跡分類研究中存在的問題，提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的船舶軌跡分類方法.基于AIS數(shù)據(jù)的時間間隔和船速變化，對船舶軌跡數(shù)據(jù)進(jìn)行劃分與剔除處理，以得到連續(xù)的、有效的船舶子軌跡；將軌跡經(jīng)緯度數(shù)據(jù)轉(zhuǎn)換為高維軌跡圖像數(shù)據(jù)，提取了船舶軌跡的空間特征；基于殘差網(wǎng)絡(luò)原理構(gòu)建了船舶軌跡分類模型，實現(xiàn)了船舶軌跡分類；將船舶軌跡的經(jīng)緯度數(shù)據(jù)作為輸入，構(gòu)建了全連接神經(jīng)網(wǎng)絡(luò)模型和SVM模型作為對照模型，與本文提出的模型進(jìn)行對比實驗.實驗結(jié)果顯示：本模型在測試集上的準(zhǔn)確率為99.61%，十折交叉驗證的準(zhǔn)確率為98.72%，高于全連接神經(jīng)網(wǎng)絡(luò)的93.53%和SVM的91.73%.

通過上述對比結(jié)果可以發(fā)現(xiàn)：將船舶軌跡轉(zhuǎn)換成圖像數(shù)據(jù)，在保留了其空間特征表達(dá)能力的同時簡化了數(shù)據(jù)的特征提取工作，提高了數(shù)據(jù)處理的效率；使用深度卷積神經(jīng)網(wǎng)絡(luò)完成軌跡分類任務(wù)，可以充分的利用了軌跡數(shù)據(jù)的空間特征；與全連接神經(jīng)網(wǎng)絡(luò)模型和SVM模型相比，文中提出的方法擁有更高的船舶軌跡分類準(zhǔn)確性.