利用多源数据融合进行智能海事监控的实时基于图形的交通复杂性评估

《Reliability Engineering & System Safety》：Real-Time Graph-Based Traffic Complexity Evaluation for Intelligent Maritime Supervision Using Multi-Source Data Fusion

本文提出基于图神经网络的多源数据融合框架，通过LSTM预测船舶轨迹、GNN融合异构数据并构建动态交互图、DBSCAN聚类划分水域，有效提升复杂水域实时风险监测能力，在上海黄浦江八种场景验证中成功识别高风险区域。

　　

赵聪聪|卢宇旭|杨东|叶子良

香港理工大学物流与海事研究系，中国香港999077

摘要

来自自动识别系统（AIS）的船舶轨迹数据在水道风险评估中起着关键作用。然而，数据缺失、船舶之间的相互作用以及复杂的区域交通模式等问题阻碍了准确的风险识别。为了解决这个问题，我们开发了一个基于实时图的评估框架，用于智能海事监督中的交通复杂性分析，该框架利用了多源数据融合技术。通过对AIS和视频数据的处理，可以提取并重建船舶轨迹。长短期记忆（LSTM）网络被用来预测船舶轨迹，从而实现实时船舶行为数据的获取。图神经网络（GNN）能够融合数据以识别缺失的船舶信息，并提高交通复杂性评估的精度。仿射模型则根据邻近船舶的动态来重建不完整的路径。这种方法提高了数据完整性，并捕捉到了动态交互情况。水道区域化将船舶表示为动态图中的节点。GNN通过消息传递更新嵌入值来反映交互情况，而基于密度的空间聚类算法（DBSCAN）则对具有相似模式的区域进行划分。通过对上海黄浦河在八个不同场景和时间段的应用，该框架成功识别出了高风险区域。通过与以往研究的比较分析，验证了该框架的可靠性。研究结果证实了该方法的有效性，并为其在海事机构和安全政策制定者提供了可操作的指导。

引言

海上运输是全球贸易的基石，促进了超过80%的国际贸易[1]。由于贸易量的增加、船舶规模的扩大以及自主船舶的集成，全球航运业迅速发展，导致关键水道上的船舶交通密度大幅提高。这种增长加剧了航行事故的风险，可能造成重大的经济损失、环境破坏以及对人类安全的威胁[2]、[3]。同样，在内河运输中，这些路线通常空间有限且非常拥挤，尤其是在水文条件复杂和船舶类型多样的情况下，安全挑战更加突出[4]。现代海上交通的复杂性，特别是在同时存在有人驾驶和自主船舶的混合场景中，凸显了实时智能海事监督系统的迫切需求[5]。多源数据驱动的方法能够动态评估交通复杂性，从而确保航行安全并优化交通管理。

结合自动识别系统（AIS）和视频监控的数据，为实时智能监督提供了一种有前景的方法[6]。之前在AIS和视频方面的研究，如轨迹预测[7]和图像增强[8]已经取得了显著进展。尽管AIS和视频数据的融合具有潜力，但由于来自异构源的数据不完整或存在噪声等问题，实时准确评估交通复杂性仍然面临挑战[9]、[10]。本质上，这需要整合AIS和视频数据来重建船舶轨迹，根据船舶行为对水道进行划分，并量化这些区域内的交通交互[11]、[12]。在高交通流量区域，这种挑战尤为突出，因为频繁的船舶交互和被忽视的数据缺口可能会放大风险、延迟干预措施并增加事故发生的可能性[13]、[14]。将原始的多源输入转化为可操作的洞察对于准确捕捉单个船舶的运动至关重要。同时，以一种既高效又易于决策者理解的方式分析它们的集体交互也非常重要。所提出的整体监管框架如图1所示。

传统的基于模型的方法和先进的基于学习的计算方法已经被开发出来，用于增强海上交通分析和监督[1]、[15]、[16]、[17]。实时多源轨迹融合和补全依赖于AIS数据的统计分析[18]、岸基视频的计算机视觉[19]，以及基本的AIS-视频或AIS-雷达融合[6]、[20]，深度学习模型如循环神经网络（RNNs）则能够实现及时的轨迹重建[21]。动态图交互和区域化采用静态网格划分或手动定义的分区方法对水道进行分割[22]，而高级方法则使用聚类算法[23]、基于图的模型[24]和网络理论[25]来模拟船舶交互，并根据运动模式自适应地划分功能子区域。交通复杂性评估结合了传统指标（如船舶密度和冲突频率[16]）和先进方法（如复杂网络理论[26]、图神经网络（GNNs）[27]和预测分析[16]。这些先进方法利用节点度、连通性和聚类系数等指标来评估动态风险和拥堵情况，数据来源于AIS、视频和雷达。尽管取得了这些进展，但仍有三个关键问题阻碍了有效的海事监督：

•

AIS信号丢失、覆盖范围有限以及易受干扰影响，这些都影响了数据的质量和可靠性。

•

固定网格或预定义的区域难以适应船舶的动态运动。

•

船舶密度或冲突频率是静态的，无法捕捉到实时的船舶交互情况。

为了克服这些限制，本研究提出了一种基于图的框架，该框架融合了来自AIS和视频监控的多源数据，以实现智能海事监督。通过在统一的时空框架内整合这些输入，所提出的方法使用长短期记忆（LSTM）网络进行轨迹预测，GNN进行数据融合和交互建模，仿射模型根据邻近船舶的动态重建不完整的路径，以及基于密度的空间聚类算法（DBSCAN）将水道划分为具有相似行为模式的区域。然后构建交互图，其中加权边表示相对距离、相遇角度和运动趋势，从而通过邻接矩阵分析精确计算区域交通复杂性。本研究在多源轨迹融合、实时动态地图网络构建、自适应通道区域化和多层次复杂性评估方面实现了系统创新。本研究的主要贡献如下：

•

提出了一种基于动态的双源图构建算法，并结合了仿射约束的节点恢复功能，能够从融合的AIS-视频数据中实时识别和重建缺失的船舶——这是标准GNN流程中不具备的功能。

•

引入了一种耦合的GNN-DBSCAN区域聚类策略，在学习到的交互嵌入空间中执行DBSCAN，以划分具有相似交通交互模式的水道区域，从而在高密度条件下提高鲁棒性。

•

该框架提供了一个经过验证的实时计算解决方案，用于海事监督。通过基于图的拓扑结构量化风险的传播，该方法为管理部门提供了管理黄浦河高密度交通场景的详细、可操作的洞察。

本文的其余部分结构如下：第2节概述了海上交通复杂性评估的相关工作。第3节详细介绍了我们的方法。第4节通过案例研究展示了所提出方法的应用。第5节讨论了我们方法的优点和局限性，第6节总结了本文的工作。

章节片段

文献综述

提高复杂水道中船舶导航的安全性和效率是海上运输研究的核心重点，这得益于多模态数据融合、交互建模和复杂性分析的进步。本节简要回顾了最近关于轨迹融合与重建、水道区域化和智能船舶监督中的交通复杂性评估的研究。

概述

本文提出了一种基于实时图的交通复杂性评估框架，该方法采用多源轨迹融合技术，包括三个步骤：1）多源船舶轨迹提取；2）基于GNN和聚类的水道区域化；3）使用交互图进行交通复杂性评估，如图2所示：

步骤1： 使用AIS和视频数据提取船舶轨迹。AIS数据需要经过清洗

水域场景和数据描述

为了评估框架的鲁棒性和跨区域适用性，我们在八个跨越多个水道的场景中进行了实证验证。其中五个场景选自黄浦河，包括四个白天案例和一个夜间案例，以模拟观测条件较差的情况。为了进一步测试其在单一河流段之外的泛化能力，另外三个场景选自上海其他具有不同几何布局和交通特征的代表性地带/区域

讨论

本研究提出了一个先进的船舶导航风险评估框架，强调了AIS和视频数据的整合。这支持了轨迹提取、基于GNN的区域划分以及基于交互图的交通复杂性评估。应用于上海黄浦河的八个场景表明，该框架能够有效识别出航行风险较高的区域。风险的空间分布差异显著。

结论

本研究提出了一个动态的船舶水道导航风险评估框架，解决了多源数据整合的关键问题。该框架支持轨迹提取、区域划分和交通复杂性评估，整合了AIS和视频处理、基于LSTM的轨迹预测、基于GNN的融合和聚类以及交互图分析。它能够捕捉复杂的船舶交互情况，并实现准确的航道分割。此外，该框架还能适应不同的环境条件

未引用内容

图5

CRediT作者贡献声明

赵聪聪：撰写——原始草稿、可视化、验证、方法论设计。卢宇旭：撰写——审稿与编辑、验证、调查、数据整理。杨东：撰写——审稿与编辑、验证、监督、形式分析。叶子良：撰写——审稿与编辑、监督、资源获取。

利益冲突声明

作者声明他们没有已知的财务利益冲突或个人关系可能影响本文的研究结果。