基于改進LSTM的航運物流路徑軌跡修復研究

白響恩，方明權，徐笑鋒，肖英杰，吳永明

基于改進LSTM的航運物流路徑軌跡修復研究

白響恩1，方明權1，徐笑鋒1*，肖英杰1，吳永明2

（1.上海海事大學 商船學院，上海 201306；2.寧波引航站，浙江 寧波 315000）

提高航運物流路徑軌跡信息的挖掘精度和安全效率。對寧波舟山港條帚門水域窄口航道船舶的類型、數量、長度進行統計分析，對貨運船AIS物流路徑軌跡異常進行識別與修復。考慮船舶實際航行的環境因素，提出一種新的數據糾偏方法。考慮船舶屬性與環境因素，以通航寬度和三自由度運動學的轉向能力識別異常數據，然后運用Bi-LSTM法對篩選后航運物流路徑進行軌跡修復。所提篩選方法不需要軌跡聚類或建立額外的模型進行判別，篩選數據量占總數量的34.26%，修復后的AIS貨船物軌跡數據量在原有基礎上提升了115.34%。使用文中方法可以有效糾偏和修復異常航運物流路徑軌跡數據，為航運物流軌跡數據挖掘提供一定的基礎方法。

物流路徑；貨運船舶；AIS軌跡；船舶特性；Bi-LSTM修復

海上運輸是我國主要運輸方式和經濟發展的重要來源，海運運輸促進了全球范圍的貿易和物流發展。對船舶物流路徑軌跡分析能得出諸多影響運輸效率的因素，其中貨運物流船舶AIS軌跡信息有誤是造成航運事故的重要原因之一[1]。智能物流航運研究是世界范圍內的熱門話題，可視化與數據挖掘技術的發展，促使這項工作通過大數據分析來調查貨運物流效率等問題。寧波舟山港條帚門航道是緩解交通擁堵、增加貨運量的重要物流航道，對提升貨運物流效率起到重要作用，是主要中型貨船貨運的主要物流航道。物流路徑航跡的分析是AIS數據研究領域的熱點，AIS提供的信息（經度、緯度、航速、航向等）是物流運輸經濟、安全、效率的重要信息來源，充分挖掘數據中的信息能有效提高海上物流運輸作業安全性、效率性，保護海洋自然生態環境。國內外專家[2-4]對AIS數據進行去噪與修復后對貨運物流軌跡和港口吞吐量進行了深度挖掘，實現了可視化分析，提高了物流效率與安全。Yang等[5]利用長江上海段4 923艘船舶的AIS數據估計船舶速度與擁堵程度之間的相關性，分析了不同港口市場的航運物流量，為測試其他航運渠道的速度限制的合理性提供了有效的安全保障。

原始AIS貨運物流軌跡數據冗雜，在處理中既要保留原有船舶物流路徑特征屬性，也要清除異常數據。AIS異常數據的檢測方法有基于統計學與數學原理的方法[6-7]。這類專家以統計學結果和經驗為判斷依據，設置固定距離作為半徑范圍。因此，這類方法精確度不高且只能在分秒短時間內有效果。相似性度量的方法[8-9]起初是設置來判斷形狀相似性的。海陸交通有較大差別，即使在同一條航道內，因為環境水流和船舶自身的船舶領域等因素形成2條相似的軌跡的概率也很低，甚至完全不同，其適用性和準確性仍需要思考。聚類與壓縮的方式[10-11]往往需要尋找代軌跡，建立數據庫等工作，軌跡聚類會造成軌跡形狀固定化，可能不利于后續軌跡的修復和數據的挖掘。國外[12-13]學者認為風浪流等環境因素會影響到貨運軌跡，在窄口段水域AIS貨運物流軌跡往往存在異常和缺失2種情況。因此，上述的方法只是關注明顯的固定信息錯誤，或將時間切割成均勻的數據集來處理，他們很少去考慮時間和空間屬性問題。多數學者往往只針對數據缺失的問題進行修復，少有學者對物流信息的糾偏進行深入研究，重復與錯誤的信息不僅不利于數據的挖掘，也會影響機器學習算法的深度學習與預測的精確度。

修復原始貨運軌跡可以幫助工作人員尋找影響船舶物流的諸多信息，發現船舶轉向、變速的原因，同時也可以利用這些信息進行后續的工作。

航運物流軌跡具有連續性，數據前后關聯緊密，在時間和空間上屬于連續的過程。常用的方法主要包括插值法[14-15]、改進的插值法[16]及K鄰近法等[17]。這些方法依據歷史條件對短時間內少量數據缺失修復精度較高，但對長時間數據的修復精度低，甚至無法進行軌跡修復。還有學者用基于統計學與數學原理方法進行修復，例如高斯過程、雙線性編碼器等[18-19]。雖然彌補了長時間無法修復的問題，但建立模型復雜，需要確定的參數分量眾多，且難以修復速度、船首向等空間以外的動態數據。

深度學習中的神經網絡在近年來尤為流行，在船舶軌跡的重塑與預測方面擁有優秀的效果。國外有學者運用改進后的神經網絡對軌跡進行矯正以消除大量冗余數據，并將數據集導入循環神經網絡（Recurrent Neural Network，RNN）等網絡中進行訓練修復，結果表明不管是去噪還是修復都比傳統方法更好[20-21]。與其他神經網絡相比，長短期記憶網絡（Long Short Term Memory，LSTM）集的方法在船舶軌跡修復方面表現更佳[22-23]。機器學習是通過已有數據訓練來識別已定義問題的屬性和模式的方法[24]。由于船舶的航行參數具有不確定因素，通過數學模型擬合和統計學中計算出閾值判別的方法難以適應航行物流貨運軌跡。通過機器學習方法來訓練和學習數據特征，是未來處理類似大數據的趨勢。

針對上述方法的不足和窄口段水域AIS貨運物流軌跡異常和缺失的2種情況，本文考慮眾多學者沒有涉及的實際環境因素和船舶本身屬性，來解決AIS貨運物流軌跡中除空間距離以外的速度和首向角等數據的糾偏和修復軌跡，為物流貨運數據深度挖掘、船舶路徑預測等提供了基礎保障。

1 AIS數據

依據國際海事組織的規定，絕大部分船都必須安裝自動識別系統（Automatic Identification System，AIS）。AIS通過GPS以及基站設施等設備能夠持續發送船舶的信息。國外研究者使用了AIS數據追蹤貨運物流軌跡信息，該數據提供了港口之間和移動的單個船只的精細物流路徑軌跡信息[25-26]，對其深度挖掘并以此構建網絡，找到適合該水域船舶物流運輸最短路徑，以此解決運輸效率和安全問題。

1.1 AIS數據組成

船舶MMSI號（9位）、船名、船舶類型、船寬、船長等信息，這類固定信息往往禁止修改，這類信息稱之為靜態信息。

船舶航行的具體位置（船舶的經緯度坐標表示）、航速、航向（包括航跡向、船首向）等。這些數據主要通過船上設備和基站設施獲取，這類信息稱之為動態信息。當AIS設備不連接到基站設施時，或當船舶信號出錯器被干擾時，發送的動態數據可能會出錯。因此AIS動態數據錯誤率較高，也是影響后續物流數據挖掘等工作的難點之一。

1.2 異常點的分類

1）基本信息錯誤指靜態數據中的錯誤信息，例如MMSI號錯誤，編號數字不是規定的9位，經緯度超出范圍，速度不合理等。

2）時間不完整性指一定時間內數據的缺失。根據最新的國際電信聯盟通信標準[27]的規定，AIS發送的時間間隔與船舶類型和航速相關。對于A類船，AIS報文發送的間隔應不大于10 s；對于B類船，發送間隔不應超過30 s。

3）空間邏輯異常點是考慮了船舶本身行為的不合邏輯點等。對于異常轉向點，本文結合實際環境因素，考慮三自由度的坐標系運動原理，運用船舶擺動直徑的方法進行判別。

2 基本理論與方法

2.1 軌跡預處理

預處理是利用AIS的第1步，大多數AIS數據記錄到了小數點后7位，利用Haversine公式計算2點之間的精確距離，結合實際經緯度的表達式見式（1）。

式中：、分別為經度和緯度；為地球半徑，取6 371 m。經過haversine計算的2點之間距離可以精確到米。2點之間的精確矢量距離是下一步篩選與去噪工作的基礎。

2.2 異常漂移點識別

異常漂移點可以指空間上的異常，也可以指船舶航行過程中不符合規范操作的異常，例如，船舶間的矢量距離太遠或是船舶不在規定內的通航航道內航行。往往前者識別精度較低，特別是在窄口段水域。而航跡帶寬度是船舶安全航行操縱的必要寬度，常受側風、波浪和水流等影響，通常用來設計航道模擬軌跡。很少學者考慮了船舶本身的特性與環境條件。與道路交通不同，大多數學者在處理AIS數據的時候都沒有考慮這類參數。環境對船舶軌跡有一定影響，因此本文考慮寧波舟山本地的實際風速、水流等實際因素來處理AIS數據，修復流程如圖1所示。

圖1 修復流程

2.3 通航設計寬度

通航設計寬度受到環境因素以及船舶本身性質的影響，其計算過程涵蓋了環境水流、風速、船舶屬性等。富裕寬度指船舶航行時，在兩艘會船的船舶（隊）之間和船舶（隊）與航道岸線之間所必須具有的安全距離之和是船舶航行安全的保障基礎。在航道的寬度設計過程之中除了需要考慮船舶的漂移倍數和風流壓差偏角之外，還需要考慮船舶的航行速度對寬度設計參數的影響。隨著當前船舶速度和風浪流速度的增加，其對航道寬度設計參數的影響就不能再被忽略[28]。經過文獻閱讀與寧波舟山實地調研，對于特定的船舶，因其計算過程考慮了諸多影響軌跡變化的因素，所以其寬度在理論上適合作為空間閾值的標準。單航道寬度按式（3）—（4）計算。

式中：為單航道通航寬度，m；為航跡帶寬度，m；為船舶與航道邊線間的富裕寬度，m；為船舶漂移倍數；為設計的船長，m；為風流壓差偏角，（°）；為設計的船寬，m。

2.4 累加法的風壓偏差角計算

風流壓差角指一定風等級下船舶在航行過程中航跡向與航首向之間的夾角。它是由風壓差角和流壓差角的矢量和計算而成，風中航跡線與真航向線的夾角叫作風壓差角，簡稱風壓差。船舶左舷受風，流中航跡線與真航向線的夾角叫作流壓差角，簡稱流壓差，用表示。如圖2所示，風流壓差角受諸多因素影響，其大小隨著風力、船速、船型、吃水等情況的不同而變化。風壓差角和流壓差角可用式（5）—（7）計算。

圖2 風流壓差角示意圖

式中：s為船舶橫向漂移速度，m/s；w為船舶縱向漂移速度，m/s；為風壓差角；為流壓差角；為風流壓差角；為速度夾角。

風流壓差偏角在恒定的流場下可取固定值，但是實際情況下風流是變動的，船舶也是運動的，在航行過程中船舶會左右擺動，因此風流壓差偏角也會變化。經過實地調研與大量資料文獻考察發現因為舟山地區實際的流場復雜多變，與設置固定值的前提條件有較大差異。本文采用累加的方法計算特定船舶在一定軌跡內的風流壓差角。

累加法為在初始時刻的風流壓差角的基礎上不斷累加。例如，假設得到一組風流壓差角的集合為{,,,}，則的計算式為???。本文規定以偏航跡向右邊的為正值、左邊的為負值來計算。經數據統計，貨運船經窄口段水域的航速基本超過6 n mile/h，甚至達到10 n mile/h以上，因此，船舶與航道底邊線間的富裕寬度的取值按照不同船型取對應大于6 n mile/h的計算值。考慮最大流速的情況下，漲潮流向為305°～310°，落潮流向為112°～120°，計算得最大橫流為0.9 m/s。因此，船舶漂移倍數的取值可按照0.75<≤1.00這一檔進行取值，即取1.45。其中，船舶漂移倍數和取值范圍以及船舶與航道底邊線的富裕寬度取值如表1、2所示，其中為船舶的寬度。

表1 船舶漂移倍數和風力等級關系

Tab.1 Relationship between ship drifting multiplier n and wind scale

表2 船舶與航道邊線間的富裕寬度

Tab.2 Superwidth c between ship and bottom edge of channel

2.5 異常轉向點識別

船舶的轉向角指船舶運動過程中擺動的幅度大小，以個點與+1個點之間的船舶航向角之差計算。船舶坐標系統的運動學是用于描述船舶在空間中的任意運動。與地面交通不一樣的是，船舶的運動具有空間性。Zhou等[29]利用船舶坐標體系的運動學構建Unity虛擬圖像數據集，使用卡爾曼濾波實時跟蹤船舶坐標信息，結果表明定位跟蹤精確，六自由度坐標體系能夠良好展示船舶的運動過程，能夠精準描述船舶的運動狀態。

在船舶運動和控制領域，航向角及航行軌跡的改變是關注的重點，即船舶在水平方向內的運動。對大多數船舶來說，垂蕩、縱搖和橫搖運動對水平面內的運動影響甚小，且不太容易計算與觀察。本文主要針對AIS中的動態數據，則三自由度的船舶運動問題可用式（8）表示。

船舶從到+1個點的轉向角范圍應為：

式中：C為個點的首向角；速度可以取+1和中2個速度值的最大值，原因是充分考慮船舶的擺動能動力，使轉向角范圍在高風浪流環境下合理，保留更多船舶動態數據；為2個點對應時間的差值。

2.6 Bi-LSTM

Bi-LSTM模型輸入過程為雙向，解決非線性問題方面優于LSTM網絡，能夠更有效地擬合數據集。因此，它可以用于序列分析，并提供更準確的預測，既保留了較長的依賴關系的優點，又能結合時序性數據的特點，還考慮了前后數據變化帶來的影響[30]。其輸入結構和流程可用式（11）—（13）和圖3表示。

圖3 Bi-Lstm神經網絡

輸入的數據是四維向量，將數據轉換為基于特征矩陣的行，機器學習之前需要對數據進行特征工程的處理，將樣本向量轉換為單位向量，防止數據之間差距過大的影響。因此，將數據歸一化處理，保證神經網絡公平識別和深入學習數據，其轉換方式如下：

式中：為原始數據；M為歸一化后數據；min為數據最小值；max為數據最大值。

本文采取機器學習中經典的8.2學習方法。其中訓練集為前80%組數據，測試集為后20%組數據。()=（經度，緯度，速度，航首向）為訓練目標，將AIS數據中的經度、緯度、速度、航首向4個參數帶入模型中，步長設置為4。其在時刻的航行行為特征()表示為()={,,,}，、、、代表去噪后的緯度、經度、速度以及航向角。將訓練樣本(?3)、(?2)、S(?1)、S()發送到輸入層，隨后輸出(+1)，用損失函數計算實際向量預測偏移之間的誤差。參數調整一般包括批處理大小、優化器、訓練輪次以及損失函數等。通過損失值最小化來調整權重參數，以提高模型的預測精度。損失函數表示如下：

2.6 基于距離的相似度量

為了驗證本文方法在異常數據糾偏和補足修復上的優勢，利用軌跡聚類中常用的Hausdorff距離判別法進行對比實驗分析，對物流軌跡的異常進行識別和糾偏。其原理為用每個軌跡點之間距離最小值中的最大值來計算。設2條船的軌跡分別用軌跡點集合(∈) 和集合(∈)表示，則2條軌跡的Hausdorff距離計算式為：

式中：(,)為從船舶軌跡點集合到船舶軌跡點集合的單向Hausdorff距離。

3 實驗分析

3.1 數據庫

為驗證上述所提出方法效果，數據庫選擇寧波舟山條帚門航道及其周邊水域，時間范圍從2021年6月1日8時46分37秒至2021年6月30日23時59分22秒。實驗空間區域位于桃花島與蝦峙島之間，實驗設備配置為i5-12400, NVIDA Geforce-RTX3060，訓練次數為1 000次，總共對628 511條軌跡數據進行分析。

根據圖5可知，6月一共有674艘船舶經過該區域，其中貨船占比最多，達到了362艘，占比為53.71%。其次是集裝箱船有108艘。因為該航道主要是浙江省舟山群島蝦峙島與六橫島之間用于運輸貨物和緩解主流航道交通的重要航道。在362艘貨船中，船長為100～185 m占比最多，總共有228艘。船長為185 m以下的貨船總占比達到了85.28%，如表3所示。船長為185 m以下的貨船是該窄口段航道的主要船舶。

為了驗證本文方法，依據上述統計結果，選取該水域數量占比最大最具代表性船舶貨船進行實驗，日期選擇為6月1日到6月3日，選取船長為185 m以下的貨船來進行實驗。該長度的貨船占比最大，且速度在航行過程中較快，在此復雜窄口段水域極易造成數據出錯和缺失。經過統計該時間段內一共有57 243條數據。1 000 t左右的貨船多為A類船舶且多為150 m以下的貨船。根據固定標準和實際情況設置時間間隔在10 s以上、3 min以下的為異常數據，不考慮人為關閉AIS設備等其他情況，只針對航行過程中的船舶。經過簡單預處理與靜態異常數據的篩選剔除后，所有貨船的AIS物流路徑軌跡如圖4所示。

圖4 貨船物流AIS軌跡圖

表3 船舶類型數量以及貨船長度數量分布

Tab.3 Distribution of the number of vessel types and the length of cargo ships

3.2 異常點的刪除

依據前面設置的方法，結果篩選對比圖如表3所示。6月1日—3日中在所設定的條件船舶下，AIS所有數據有57 243個點，其中不包括船舶停止等無效點。表3中靜態異常數據點共有386個，占總數據量的0.67%。本文方法篩選出的空間異常點為10 790個，比傳統相似性度量方法多了1 830個點，而基于距離的相似度量法無法糾偏船舶的異常轉向點。本文方法糾偏的異常轉向點共有3 961個，占比達8.52%，占比相對較少，此占比是相對于距離篩選點后的數據，及在46 453個點基礎上進一步篩選。因為轉向角不考慮空間距離，這樣篩選可以提高精度以及避免重復篩選。距離篩選點占比較大，但也不足20%。可能原因是該水域較小，窄口段流速較大，且邊界有船舶經過，造成少許船舶只有幾個或是幾十個數據點被記錄在內，而且也有原始下載的AIS數據因為項目要求可能已經進行了預處理的情況。整體篩選出14 751個點，占原始數據約為27%，基于軌跡聚類中的距離相似性度量法篩選數據的占比為15.60%。

表3 異常數據篩選結果對比

Tab.3 Comparison of abnormal data screening results

3.3 數據的修復

選取MMSI編號為412110936的貨船，該船的基本信息如表4所示。選擇時間跨度為6月1日23：27：25到6月2日00：01：05，一共178個點。根據前面基礎理論，運用累加法算出該船舶在該時間段內的風流壓差偏角=10.156°，此風壓差偏角只考慮船舶航行過程中的角。異常靜態點有5個，該船的理論通行航寬度=110.5 m，超越該半徑范圍外的空間點為異常點。異常距離點為40個，異常轉向點為16個，總計篩選點為61個，占整體數據的比例為34.26%。

3.4 修復后結果圖以及分析

修復的結果分別從經緯度、速度、船首向以及經緯度的損失方差進行分析。Bi-LSTM重塑的點數為203，RNN重塑的點數為168，比原始數據還要少，Bi-LSTM的經緯度損失方差為0.004 9，而RNN的為0.015 3，比改進后的算法高312.22%。圖5為修復前的軌跡圖，其軌跡點存在漂移異常點（第31個點前后）以及缺失點(點數112前后)，此處漂移點指超越航道設計寬度半徑的點而非曲線上的歐氏距離空間點，歐式距離點往往在200～300 m以外。對于寬航道水域，因為水流緩慢和航道寬度等因素，可能導致其半徑范圍會更大。修復后的軌跡點如圖6所示，不存在異常漂移的現象且所有點均在理論設計航道中，在圖6中Bi-LSTM修復的結果中，點30到點45有一定密集情況，是因為后面4個點間隔時間在3 s左右，導致機器學習輸出點更為密集。修復后的總數據量達203個點，在原有數據上提升了115.34%，連續性更強，擬合度更高，滿足AIS報文規律。RNN的修復結果起初效果良好，但在缺失部分出現了少許不合邏輯的軌跡點，其原因是RNN存在梯度問題，在長時間修復結果上表現不如Bi-LSTM模型，在此期間損失率也最高，因此整體損失均方差達0.015 3。由圖7可知，RNN修復的船首向拐點多，最小船首向為271.398 5°，與前一個點的船首向相差0.365°左右，比整體相差率高了36%。修復后最小轉向角與前一個轉向角相差率在合理范圍內，且符合船舶運動模型。整體曲線更加平滑，更能反映船舶航行真實狀態。修復速度對比圖8可知，修復后的速度均在2 n mile/h以上，且在速度為6～9 n mile/h時，Bi-LSTM修復后的曲線更加平滑，且不存在到+1個點之間速度差過大的情況。表明長時間的物流路徑修復中，Bi-LSTM更加穩定，其修復后的參數能夠真實反映船舶航行狀態。

圖5 原始軌跡

圖6 修復后軌跡

圖7 修復前后船首向

圖8 修復前后速度對比

4 結語

本文進行了大量文獻閱讀與寧波舟山港地區的實地調研，并對57 243條AIS數據分析，運用累加法計算出風流壓差角偏角，從而獲得通航設計寬度作為空間異常點的判別依據；根據水平方向船舶的三自由度擺動的公式計算出轉向角范圍，進行數據的清洗與去噪；最后運用Bi-LSTM法對MMSI號為412110936中缺失數據進行了修復，得出以下結論。

1）此窄口段水域多為100～185 m的A類型貨船，是貨運物流運輸的主要水域。水域風力和橫流較大，船舶航行速度較快，大部分速度為6～15海里，原始物流路徑軌跡信息顯示大部分AIS物流路徑軌跡信息存在缺失、漂移、異常等現象。

2）本文所提出的篩選方法比傳統基于聚類的相似性度量法精度更高，能夠篩選空間距離以外的轉向點數據，在57 243條數據中過濾了15 137條異常數據，占比為26.443%。

3）經度、緯度、船首向、速度4個參數的修復結果表明，經過Bi-LSTM處理之后比RNN處理之后的貨運物流路徑軌跡數據修復更加優異，軌跡更加連續平滑，更能反映船舶真實航行狀態。本文方法對具有AIS數據異常的各種類型舶皆可進行軌跡修復，可為后續聚類壓縮工作中閾值設定提供參考范圍，減少工作量，提高后續貨運物流信息的精確度。

[1] SUGRUE D, ADRUANES P. A Data Fusion Approach to Predict Shipping Efficiency for Bulk Carriers[J]. Transportation Research Part E: Logistics and Transportation Review, 2021, 149: 102326.

[2] 唐經旺. 基于AIS軌跡數據挖掘的港口特征分析系統的研究與實現[D]. 北京: 北京郵電大學, 2021.

TANG Jing-wang. Research and Implementation of Port Feature Analysis System Based on AIS Trajectory Data Mining[D]. Beijing: Beijing University of Posts and Telecommunications, 2021.

[3] WU L, XU Y, WANG Q, et al. Mapping Global Shipping Density from AIS Data[J]. The Journal of Navigation, 2017, 70(1): 67-81.

[4] 賈磊. 基于海量AIS數據的內河航運信息可視化研究[D]. 武漢: 武漢理工大學, 2018.

JIA Lei. Research on Visualization of Inland Shipping Information Based on Massive AIS Data[D]. Wuhan: Wuhan University of Technology, 2018.

[5] YANG Dong, WU Ling-xiao, WANG Shuai-an, et al. How Big Data Enriches Maritime Research a Critical Review of Automatic Identification System (AIS) Data Applications[J]. Transport Reviews, 2019, 39(3): 1-19.

[6] WANG Li-kun, LI Yang, WAN Zheng, et al. Use of AIS Data for Performance Evaluation of Ship Traffic with Speed Control[J]. Ocean Engineering, 2020, 204(3): 107259.

[7] LAROCK T, Xu M, ELIASSI R T. A Path-Based Approach to Analyzing the Global Liner Shipping Network[J]. EPJ Data Science, 2022, 11(1): 18.

[8] ZHANG Y, LIU A, LIU C, et al. A Track Initiation Algorithm Using Residual Threshold for Shore-Based Radar in Heavy Clutter Environments[J]. Journal of Marine Science and Engineering, 2020, 8(8): 614.

[9] PARK J, JEONG J, PARK Y. Ship Trajectory Prediction Based on bi-LSTM Using Spectral-Clustered AIS Data[J]. Journal of Marine Science and Engineering, 2021, 9(9): 1037.

[10] LIU Zi-hao, WU Zhao-lin, ZHENG Zhong-yi. A Novel Framework for Regional Collision Risk Identification Based on AIS Data[J]. Applied Ocean Research, 2019, 89: 261-272.

[11] ZHOU Yang, DAAMEN W, VELLINGA T, et al. Ship Classification Based on Ship Behavior Clustering from AIS Data[J]. Ocean Engineering, 2019, 175: 176-187.

[12] WANG Kai, YAN X, YUAN Yu-peng, et al. Dynamic Optimization of Ship Energy Efficiency Considering Time-Varying Environmental Factors[J]. Transportation Research Part D Transport and Environment, 2018, 62: 685-698.

[13] TALAVERA A, AGUASCA R, GALVAN B, et al. Application of Dempster-Shafer Theory for the Quantification and Propagation of the Uncertainty Caused by the Use of AIS Data[J]. Reliability Engineering & System Safety, 2013, 111: 95-105.

[14] GUO Shao-qing, MOU Jun-min, CHEN Lin-ying, et al. Improved Kinematic Interpolation for AIS Trajectory Reconstruction[J]. Ocean Engineering, 2021, 234(8): 109256.

[15] 郭昊. 基于AIS數據的軌跡段聚類方法研究[D]. 南京: 南京信息工程學, 2021: 56-66.

GUO Hao. Research on the Clustering Method of Trajectory Segments Based on AIS Data[D]. Nanjing: Nanjing Information Engineering, 2021: 56-66.

[16] NGUYEN V, IM N, LEE S M. The Interpolation Method for the Missing AIS Data of Ship[J]. Journal of Navigation and Port Research, 2015, 39(5): 377-384.

[17] YAN Zhao-jin, XIAO Yi-jia, CHENG Liang, et al. Exploring AIS Data for Intelligent Maritime Routes Extraction[J]. Applied Ocean Research, 2020, 101: 102271.

[18] RONG Hao, TEIXEIRA A P, GUEDES S C. Ship Trajectory Uncertainty Prediction Based on a Gaussian Process Model[J]. Ocean Engineering, 2019, 182: 499-511.

[19] MURRAY B, PERERA L. A Dual Linear Autoencoder Approach for Vessel Trajectory Prediction Using Historical AIS Data[J]. Ocean Engineering, 2020, 209: 107478.

[20] MURRAY B, PERERA L. An AIS-Based Deep Learning Framework for Regional Ship Behavior Prediction[J]. Reliability Engineering & System Safety, 2021, 215(5): 107819.

[21] NGUYEN D, VADAINE R, HAJDUCH G, et al. GeoTrackNet-a Maritime Anomaly Detector Using Probabilistic Neural Network Representation of AIS Tracks and a Contrario Detection[C]// IEEE Transactions on Intelligent Transportation Systems, 2021.

[22] YANG C H, WW C H, SHAO J C, et al. AIS-Based Intelligent Vessel Trajectory Prediction Using Bi-LSTM[J]. IEEE Access, 2022, 10: 24302-24315.

[23] SUO Yong-feng, CHEN Wen-ke, CLARAMUNT C, et al. A Ship Trajectory Prediction Framework Based on a Recurrent Neural Network[J]. Sensors, 2020, 20(18): 5133.

[24] LIU T, MA J. Ship Navigation Behavior Prediction Based on AIS Data[J]. IEEE Access, 2022, 10: 47997-48008.

[25] DUCRUET C, ZAIDI F. Maritime Constellations: A Complex Network Approach to Shipping and Ports[J]. Maritime Policy & Management, 2012, 39(2): 151-168.

[26] KOJAKU S, XU Meng-qiao, XIA Hao-xiang, et al. Multiscale Core-Periphery Structure in a Global Liner Shipping Network[J]. Scientific Reports, 2019, 9(1): 404.

[27] YU Cao, ZHANG Wei, ZHU Yu-liang, et al. Impact of Trends in River Discharge and Ocean Tides on Water Level Dynamics in the Pearl River Delta[J]. Coastal Engineering, 2020, 157: 103634.

[28] LEE W J, ROH M I, LEE H W, et al. Detection and Tracking for the Awareness of Surroundings of a Ship Based on Deep Learning[J]. Journal of Computational Design and Engineering, 2021, 8(5): 1407-1430.

[29] ZHOU Yang, DAAMEN W, VELLINGA T, et al. Review of Maritime Traffic Models from Vessel Behavior Modeling Perspective[J]. Transportation Research Part C Emerging Technologies, 2019, 105: 323-345.

[30] FERRANDIS J D á, TRIANTAFYLLOU M S, CHRYSSOSTOMIDIS C, et al. Learning Functionals via LSTM Neural Networks for Predicting Vessel Dynamics in Extreme Sea States[J]. Proceedings Mathematical, Physical, and Engineering Sciences, 2021, 477(2245): 20190897.

Ship Logistics Path Trajectory Repair Based on Improved LSTM

BAI Xiang-en1, FANG Ming-quan1, XU Xiao-feng1*, XIAO Ying-jie1, WU Yong-ming2

(1. Merchant Marine College, Shanghai Maritime University, Shanghai 201306, China; 2. Ningbo Pilot Station, Zhejiang Ningbo 315000, China)

The work aims to improve the mining accuracy and safety efficiency of cargo logistics path trajectory information. In this study, the type, quantity and length of ships in the narrow channel of the strip Tiaozhoumen waters of Ningbo Zhoushan Port were statistically analyzed for the identification and repair of AIS logistics path trajectory abnormal points of cargo ships. Considering the environmental factors of actual ship navigation, a new date correction method was proposed. Considering the ship attributes and environmental factors, the abnormal data were identified with the navigation span and steering capability of the three-degree-of-freedom kinematics, and finally the Bi-LSTM method was applied to repair the screened shipping logistics path trajectory. The proposed screening method did not require trajectory clustering or building additional models for discrimination, the screened data accounted for 34.26% of the total quantity, and the repaired AIS cargo ship trajectory data were improved by 115.34% on the original basis. The method can effectively correct and repair abnormal shipping logistics path trajectory data, and provide some basic methods for shipping logistics trajectory data mining.

logistics path; cargo ship; AIS trajectory; ship characteristics; Bi-LSTM repair

U675.7

A

1001-3563(2023)17-0152-08

10.19554/j.cnki.1001-3563.2023.17.018

2022-11-25

國家自然科學基金面上項目（42176217）

責任編輯：曾鈺嬋