基于改進SW算法的漁船AIS軌跡特征提取方法
2025-11-18 00:00:00劉霜冬郝永志
河北漁業 2025年10期
中圖分類號：U675.79 文獻標志碼：A 文章編號：1004—6755（2025）10—0015-05
DOI：10.3969/j.issn.1004-6755.2025.10.004
Abstract：To address the issue of lost turning features caused by sole reliance on distance thresholds in traditional Sliding Window （SW） algorithms for fishing vessel AIS trajectory feature extraction，this paper proposes an improved SW algorithm incorporating dual thresholds of distance and angle. This method dynamically calculates spatial distance deviation and heading angle changes of trajectory points within a sliding window，screening key feature points through dual constraints. Experimental results demonstrate that the improved SW algorithm significantly outperforms the Douglas-Peucker （DP） algorithm and traditional SW methods in fishing vessel trajectory feature extraction，providing a more scientifically robust approach for identifying fishing vessel operational behaviors.
Key words： fishing vessel AIS；trajectory feature extraction； sliding window algorithm； distancethreshold；angle threshold
漁船作為漁業生產的主要工具，在國民生活中承擔著重要的生產任務。漁船的作業和航行安全對漁業資源的可持續發展起著至關重要的作用，也是保障國家海洋資源利用和生態平衡的關鍵因素。通過分析漁船自動識別系統（AutomaticIdentificationSystem，AIS）軌跡特征，在監控漁船的行為模式、優化漁船的作業效率、識別潛在的安全隱患、防止非法捕撈活動和保護海洋環境等方面具有重要意義。
AIS是一種用于船舶之間及船舶與岸基之間自動交換航行信息的系統。它利用甚高頻（VeryHighFrequency，VHF）無線電頻段，通過發送和接收航行數據（如船名、位置、航向、速度等），幫助船舶提高航行安全。AIS大數據在監控船舶的航行軌跡，提供實時定位和安全預警等方面發揮了重要的作用，是海上交通管理的重要數據來源。原始AIS軌跡數據通常包含大量冗余點、噪聲點及錯誤數據，直接使用不僅增加系統計算量，還可能導致錯誤結論。因此，軌跡特征提取成為漁船數據分析的關鍵步驟。
1 研究現狀
周羽等對AIS軌跡特征進行圖像建模，結合深度學習算法，對船舶行為進行分類識別。李烊等2根據船舶交通流特征，將豪斯多夫距離、余弦距離與時間距離相融合，衡量船舶軌跡間的相似性，獲得了較好的船舶交通流空間分布特性。史祺等3基于軌跡圖片特征距離的船舶軌跡聚類算法，通過深度殘差網絡提取軌跡圖片特征，反映出海上船舶交通流特征。郝永志[4通過對AIS大數據進行處理，利用改進SW算法對AIS軌跡特征進行提取，然后通過聚類算法，結合智能船舶路徑尋優算法，實現船舶海上航線路徑規劃。Yang等[5提出多特征維度軌跡分割算法對船舶軌跡進行分割，避免將船舶軌跡作為整體研究而忽略局部重要信息；馬蘇上等6采用改進的帶多特征點提取的DP軌跡壓縮算法對船舶軌跡進行壓縮，以提高軌跡段相似性方面的數據質量。
2 傳統SW算法
傳統滑動窗口（SlidingWindow，SW）算法是一種由雙指針和固定步長構成的數據窗口來遍歷數據的方法。核心思想是構造一個步長為k 的可滑動的窗口區域，通過同步移動雙指針（即窗口邊界），逐段處理整個數據流。該算法的優勢是有效減少嵌套循環，將原本需要通過雙重循環才能完成的計算過程，優化成單層線性遍歷，將時間復雜度從 O（n2 ）降低至O（n），從而提升算法效率。
當步長 k=1 時，窗口包含三個點（即步長加上雙指針邊界），窗口內數據處理過程如圖1所示。
2.1 窗口初始化
設置第一個點 P0 為初始左邊界指針（left）、第三個點 P2 為初始右邊界指針（right），閉區間[P0，P2] 則為初始窗口。將起始點 P0 作為關鍵特征點保留。
圖1傳統SW算法原理圖
2.2 篩選數據
計算中間點 P? 到左右邊界點連線 PoP2 的垂直歐氏距離 d1 。如果 d1threshold （距離閥值）則舍棄點 P1 ，反之則作為關鍵特征點保留。
2.3 滑動窗口
同步移動邊界指針，更新窗口，重復步驟2.2，直至遍歷到終點 P6 。將 P6 作為關鍵特征點保留。
3 改進SW算法
3.1 算法原理
傳統SW算法在解決提取船舶直線運動或大角度轉向軌跡特征時效果較好，但漁船作業時往往會頻繁小角度轉向，形成的多為彎曲軌跡，而這些彎曲軌跡較直線軌跡存在更多重要的特征點。改進SW算法在傳統距離約束基礎上，增加航向角度變化約束，通過滑動窗口同時計算距離偏差與角度偏差，雙重判定特征點是否保留，更好地識別彎曲軌跡中重要的特征點。算法核心邏輯如下：
3.1.1滑動窗口構建與參數計算
以固定步長 k 構建滑動窗口，則 Pk 為待處理的軌跡點序列，滑動窗口的起點 Pi 和終點 Pj ，分別是 Pk 的前后相鄰軌跡點（ iiPj 。對窗口內所有待處理點 Pk ，同時計算兩類特征參數距離偏差 dk 和角度偏差tk ，其中，距離偏差 dk 為 Pk 到線段 PiPj 的垂直距離；角度偏差 tk 為航向角變化量，即 Pk 的航向與 Pi 航向的夾角絕對值，即 tk=|heading（Pk）- heading （Pi） |，表征局部航向變化劇烈程度。
3.1.2雙閾值協同判定與窗口滑動機制
當窗口內存在任意 Pk 滿足 dk? Dthreshold（距離閾值）或 tk? Tthreshold（角度閾值），則選取偏差最大的點作為特征點 Pm ，保留 Pm 作為下一個滑動窗口的起點，同步推動窗口；若所有 Pk 均不滿足閾值條件，則舍棄 Pk ，保持起點 Pi ，僅移動終點 Pj 前進步長 k ，擴展當前窗口，直到滿足條件。
3.1.3 閾值設定策略
距離閥值Dthreshold需結合航行狀態（如靠泊、捕撈、直航）調整，漁船在低速作業區需更小距離閾值，本文采用文獻[7給出的0.8倍船長作為距離閥值；對舟山北部水域27253艘次漁船轉向角進行數理統計，平均轉向角為 5° ，故角度閾值Tthreshold設定為該值，如圖2所示。
圖2改進SW算法原理圖
3.2 算法步驟
3.2.1 窗口初始化
當步長 k=1 時，設置軌跡段第一個點 Po 為初始左邊界指針（left）、第三個點 P2 為初始右邊界指針（right），閉區間 [Po，P2] 則為初始窗口。起始點 Po 作為關鍵特征點保留， P1 是待定點。
3.2.2 判斷可行解
對點 Pl 進行雙重條件判斷：一是計算點 Pl 到左右邊界點連線 PoP2 的垂直歐氏距離（記為 D1 ），如果 D1?Dthreshold ，保留點 P1 作為關鍵特征點；二是計算線段 PoP?1 與 P1P2 間的夾角（即轉向角，記為 t1 ），如果 
，保留點P1 作為關鍵特征點。若同時不滿足以上雙重條件，則刪除點 P1 。
3.2.3 動態優化
當前窗口無解時，移動右邊界指針right到點 P3 ，構成擴展窗口 
。對點 P2 進行可行性判斷，重復步驟3.2.2，直至找到可行解。
3.2.4 滑動窗口迭代
當原窗口內得到滿足條件的點后，將窗口向前推進，同時移動左右邊界指針構建新窗口，重復以上步驟直至遍歷結束，將終點 P6 作為關鍵特征點保留。
4 試驗驗證與分析
本文通過對比分析了基于改進滑動窗口的軌跡壓縮算法（改進SW算法）與傳統SW算法的軌跡特征提取效果。試驗結果基于Python3.9編寫，及Windowsl0操作系統和IntelCorei5—6500處理器進行計算。本文采集了2024年10月至12月舟山北部水域（范圍： 29°30′N 至 30°56′N 121°30′E 至 124°E）27253 艘次漁船的1370282條軌跡數據。試驗中，在不同的壓縮率下通過軌跡長度損失率、平均方向誤差、平均SED誤差三項指標對漁船軌跡的特征提取效果進行評估。
壓縮率指壓縮后剩余的軌跡點數占壓縮前總軌跡點數的百分比，軌跡長度損失率指原始軌跡長度減去壓縮后所有軌跡點形成的新軌跡長度占原始軌跡長度的百分比，平均方向誤差用于評價軌跡在壓縮過程中運動軌跡的偏差，平均SED誤差9用于評價壓縮后的軌跡表征原始軌跡的能力。
對軌跡數據特征提取難以避免的導致其在時空特征上出現不同程度的損失，需要通過評價指標來衡量。由于不同算法其參數閾值也存在一定差異，為了更全面地評估軌跡數據特征提取算法在不同特征提取尺度上的誤差損失，因此本文選取了3艘漁船軌跡數據，用不同的壓縮率對DP算法、傳統SW算法和改進SW算法漁船軌跡特征提取進行全面的對比分析，如圖3至圖5和表1所示。
圖3軌跡一的特征提取效果對比
圖4軌跡二的特征提取效果對比
圖5軌跡三的特征提取效果對比
表1不同壓縮率下三種算法性能比較
根據圖3至圖5和表1的結果可以看出，改進SW算法在漁船軌跡特征提取效果上顯著優于DP算法和傳統SW算法。在軌跡長度損失率方面，DP算法和傳統SW算法高壓縮率下軌跡長度失真嚴重，改進SW算法始終將長度損失控制在較低水平，壓縮魯棒性更強。
如圖3所示，DP算法和傳統SW算法會丟失大量的關鍵特征點，提取的軌跡特征幾乎失去原始軌跡的特征，而改進SW算法仍能有效維系原始軌跡的特征。在運動方向偏差方面，改進SW算法較好保留了航向變化特征，提取的軌跡特征更可靠。
如圖4所示，在軌跡點密集區域，DP算法和傳統SW算法無法表征原始軌跡頻繁轉向的特征，而改進SW算法較為精準地保留了原始軌跡航向變化特征。在空間位置精度方面，改進SW算法在高壓縮率下仍能精準表征原始軌跡特征。
如圖5所示，當漁船在小范圍內做小幅頻繁轉向時，DP算法和傳統SW算法會忽略這些關鍵特征點，改進SW算法能準確判斷這些特征點作為關鍵點保留下來，更好地表征原始軌跡特征。改進SW算法在長度保留、方向準確性、空間位置精度三個指標上全面優于DP算法和傳統SW算法，且在高壓縮率下的穩定性更優，能在減少數據量的同時更好地保留原始軌跡的關鍵特征；而傳統SW算法在高壓縮率下性能衰減快，在對軌跡精度有要求的場景中適用性較低。
5結語
本文提出的融合距離與角度雙閾值的改進SW算法，有效解決了傳統SW算法在漁船AIS軌跡特征提取中丟失轉向特征的問題。試驗表明，該算法AIS數據在 70%～95% 壓縮率下，改進算法將軌跡長度損失率降至DP算法的 1/3 ，平均方向誤差較傳統SW算法降低 83% ，顯著提升了對拖網作業“之字形\"轉向等彎曲軌跡的特征保留能力。為漁船作業行為識別、航行安全監控等提供了更精準的軌跡特征提取方法，后續可進一步優化閾值動態調整機制，提升算法在復雜海洋環境中的適應性。
參考文獻：
[1]周羽，黃亮，周春輝，等.基于軌跡特征圖像深度學習的船舶時空行為分類識別方法［J].中國艦船研究，2025，20（2）：366-376.
[2」李烊，齊樂，梁高成，等.考慮交通流特征的船舶軌跡相似性度量方法[J].武漢理工大學學報，2024，46（7）：107-115.
[3]史祺，范亞瓊，張丹普，等.基于軌跡圖片特征距離的船舶軌跡聚類J].艦船電子工程，2024，44（6）：30-35.
[4]郝永志.基于AIS大數據的船舶路徑規劃方法研究[D].上海：上海海事大學，2023.
[5YANGJ，LIUY，MAL，etal.Maritimetrafficflowclus-teringanalysis by density based trajectory clustering withnoise[J].Ocean engineering，2022，249：111001.
[6]馬蘇上，王澤宇，劉明劍，等.基于特征點篩選的漁船軌跡壓縮方法及優化J」.漁業現代化，2023，50（4）：118-125.
[7]段浩然，劉明劍，朱云鶴，等.基于改進Douglas一Peucker的自適應閾值漁船軌跡數據壓縮方法[J].計算機與數字工程，2023，51（2）：355-360.
[8」梁明，陳文靜，段平，等.軌跡壓縮的典型方法評價J」.測繪通報，2019（4）：60-64，70.
[9]吳青華.基于相對同步歐氏距離篩選的在線GPS軌跡數據壓縮算法[J].計算機應用與軟件，2018，35（3）：282-288.（收稿日期：2025-08-05）
