具有多因素耦合的港口区域内智能船舶导航情况的复杂性分析

《Regional Studies in Marine Science》：Complexity analysis of navigation situation of intelligent ships in port area with multi-factor coupling

港口区域无人船导航复杂性分析中，提出多因素耦合驱动的方法，通过三维耦合评估系统（船舶属性、环境条件、航行限制）量化交互影响，结合复杂网络模型将感知区域抽象为节点、耦合效应为边权，构建动态交互模型。熵权法消除主观赋权偏差，历史数据验证显示该方法可系统识别高耦合影响区域，优化决策支持，提升航行安全与效率。

　　随着全球贸易的持续发展，船舶数量不断增加，船舶的运行速度和规模也呈现出向大型化、高速化发展的趋势。这导致了港口水域的交通网络日益繁忙，进而对船舶的航行安全和效率提出了更高的要求。然而，在当前的研究中，对于船舶在繁忙港口区域的航行复杂性分析，仍然存在一些关键问题。传统的分析方法往往仅关注单一因素，缺乏对多种影响因素之间相互作用关系的深入探讨。因此，本文提出了一种基于多因素耦合的船舶航行情境复杂性分析方法，旨在提高无人船舶在港口区域的航行安全性和效率。

在港口水域中，船舶的航行过程受到多种因素的共同影响。这些因素包括船舶自身的属性、环境条件以及航行限制条件等。例如，港口区域的复杂性不仅来源于船舶之间的密集交通流，还受到天气变化、水文条件、航道布局等环境因素的影响。此外，船舶在港口水域的航行任务往往具有目标导向性，例如靠泊、锚泊、货物装卸等，这些任务对船舶的航行路径和时间安排提出了特定要求。因此，为了准确分析船舶在港口区域的航行情境复杂性，需要建立一个能够综合考虑多种影响因素的耦合评估系统。

本文提出的方法首先从多维度出发，构建了一个涵盖12个客观指标的耦合评估系统。该系统不仅包括船舶的物理属性，如船型、速度、方向等，还涵盖了环境条件，如风速、浪高、能见度等，以及航行限制条件，如航道宽度、水深限制、交通规则等。这些指标共同构成了船舶在港口水域航行情境的复杂性分析框架。为了确保评估的客观性，本文采用熵权法（EWM）对各影响因素的权重进行计算，避免了传统方法中主观赋权所带来的偏差。这一方法突破了以往单一因素分析的局限性，能够更全面地反映航行情境的复杂性。

在建立耦合评估系统的基础上，本文进一步引入了耦合协调度模型，用于量化影响因素之间的相互作用强度。这一模型能够揭示不同因素之间的协同关系，从而为船舶在复杂环境中的决策提供更准确的依据。同时，本文还提出了关键兴趣感知区域的概念，将船舶在港口水域中关注的重点区域抽象为节点，并将耦合效应的粒度映射为边的权重，构建了一个复杂网络模型来描述航行情境的交互关系。该模型能够更直观地展示船舶与周围环境之间的动态联系，帮助船舶在复杂的港口环境中做出更加合理的决策。

为了验证本文提出的方法的有效性，本文采用了真实船舶的历史数据集进行实验。实验结果表明，该方法能够从系统和整体的角度识别对船舶安全航行具有重要影响的区域。同时，该方法还能够帮助智能船舶在复杂港口环境中完成有针对性的航行决策，从而提高航行的安全性和效率。此外，该方法在提升智能船舶的自主决策能力方面也具有显著的实践意义，能够有效减少航行事故的发生。

在当前的研究中，船舶航行情境的分析主要集中在情境感知方面。情境感知通常指的是通过传感器和设备，如雷达、自动识别系统（AIS）、摄像头等，对航行环境进行感知和识别，从而形成对航行情境的动态判断和综合评估。近年来，随着人工智能和物联网技术的发展，越来越多的研究致力于提高船舶的情境感知能力和决策支持能力。例如，Chen等（2024）提出了一种基于高保真船舶影像轨迹的海上交通情境感知方法，利用暗通道模型消除海面雾气，提高了视觉目标检测的准确性。Ujkani等（2024）则结合增强现实与虚拟现实技术，将AIS数据叠加在船长的视野中，从而增强了船长在远程操控中的情境感知能力。

此外，Murray和Perera（2021, 2022）利用机器学习方法对船舶船长的情境感知进行建模，他们使用历史AIS数据作为人工航行经验，预测船舶之间的相遇轨迹。这种方法为积极的碰撞规避提供了基础，提高了情境感知的准确性。Liu等（2024a）则提出了一种基于时空多图卷积网络的船舶轨迹预测框架，该框架考虑了社会力量、最近相遇时间以及周围船舶的大小等因素。然而，该方法在泛化能力方面仍有待提升。Hwang和Youn（2021）通过聚类潜在的船舶轨迹，提取特征并将清洗后的数据转化为航行情境变量，利用层次聚类方法分析航行情境的组成和比例。这种方法虽然能够有效识别航行情境的复杂性，但在对动态交互关系的建模方面仍有不足。

与此同时，Papageorgiou等（2022）提出了一种基于嵌套有限状态自动机和双视角评估的创新框架，用于高效预测和情境感知海上交通规则（COLREGs）的合规行为。该框架能够对多船相遇场景中的船舶行为进行预测，但其建模方法在处理不确定的船舶运动和长时间的动态交互方面仍存在挑战。Jia等（2024）则建立了一个基于混合贝叶斯算法的其他船舶避碰意图的概率推理模型，该模型能够增强船舶的情境感知能力，确保避碰决策的准确性。

近年来，利用复杂网络模型对海上交通动态进行分析，被认为是提高水路运输安全和效率的有效方法。Sui等（2022）提出了一种基于海上交通情境复杂网络的船舶节点重要性评估方法，该方法能够识别交通系统中节点重要性较高的船舶，并为船舶交通服务（VTS）提供支持。Cheng等（2024）则提出了一种适用于内河航运的复杂性模型，该模型通过动态交通密度因子、船舶接近因子和冲突区域等指标，评估船舶之间的局部复杂性。Zhang等（2023）利用船舶作为节点，将船舶之间的避让关系作为有向边，建立了一个基于COLREGs的海上交通情境复杂网络模型（R-MTSCN），该模型从宏观、中观和微观三个尺度对海上交通情境进行评估。

Xin等（2023）提出了一种多尺度碰撞风险评估方法，以解决传统交通风险评估方法只能在单一尺度上进行分析的问题。该方法能够从不同的空间尺度捕捉交通冲突，拓展了复杂网络理论和节点删除方法的应用范围，从而增强了海上情境感知的能力。Ji等（2024）则提出了一种船舶交通复杂性度量模型，该模型通过评估密度、接近系数和缓解指数等因素，量化船舶之间的复杂性，并将这些评估结果综合到多个船舶交互场景中，实现对船舶交通复杂性的全面评估。

Zhang等（2022）采用Lempel–Ziv算法和逼近理想解的排序方法（TOPSIS）进行交通安全管理的预测分析研究。他们通过量化和评估船舶航行时间序列中的不规则性和不可预测性所代表的熵值，对航行情境的复杂性进行排序。Ducruet（2022）则采用复杂网络方法，分析了连接超过1600个港口的20种航运流之间的相互作用关系。这些研究虽然在一定程度上推动了海上交通情境分析的发展，但在对多因素耦合关系的深入研究方面仍存在不足。

通过上述研究综述可以发现，虽然已有研究为提高海上交通安全提供了重要的理论基础，但仍存在一些明显的不足。首先，在混合的港口区域场景中，船舶以靠泊为最终目标的航行行为容易受到多种影响因素的干扰，这些影响因素之间存在复杂的耦合关系。然而，现有的航行情境模型研究大多集中在开放水域中的相遇情境分析，很少关注港口区域中目标船舶航行情境的全局相关性，尤其是在预测和量化整体影响因素方面存在困难。其次，以往的研究缺乏对目标船舶与耦合影响因素之间全局交互关系的分析，导致情境模型的描述较为碎片化，难以确保其有效性、动态性和准确性。第三，基于历史数据挖掘和学习的传统航行情境研究方法未能展示船舶航行情境的动态特征和实时性，这使得用于船舶决策的航行情境信息滞后，无法有效支持智能船舶在复杂港口区域中的安全航行。最后，基于复杂网络的海上交通情境模型主要从船舶之间的相互作用角度进行研究，仅考虑了其他船舶对目标船舶航行的影响，而忽视了船舶与环境因素之间的复杂互动关系，导致对航行情境的建模过于简化，难以真实和准确地描述船舶与情境因素之间的动态关系。

基于上述问题，本文提出了一种以多因素耦合驱动的船舶航行情境复杂性分析方法。该方法充分考虑了港口区域中船舶属性、环境因素、航行限制条件等多因素之间的相互作用关系，并构建了一个基于多因素耦合的动态交互模型。该模型能够更全面地描述船舶在港口区域中的航行情境复杂性，从而为船舶的决策提供更准确的依据。首先，本文定义并划分了船舶在港口水域中的关键兴趣感知区域，构建了一个多维的耦合评估系统。通过该系统，能够对各影响因素的权重进行计算，避免了传统方法中主观赋权所带来的偏差。

其次，本文引入了耦合协同模型，通过计算耦合效应的粒度，对影响因素之间的协同关系进行量化。该模型能够拓展航行情境建模的维度，使得对航行情境的分析更加全面。第三，本文采用复杂网络模型对关键兴趣感知区域之间的相互作用关系进行分析，将关键兴趣感知区域抽象为节点，并将耦合效应的粒度映射为边的权重。通过这种方式，能够描述不同区域之间的时间变化网络拓扑指标，从而更直观地展示船舶与周围环境之间的动态联系。此外，本文还考虑了环境因素和航行限制条件之间的耦合效应，突破了传统船舶间交互网络的简化设计，拓展了船舶与航行区域之间的整体交互关系。

最后，本文采用真实船舶的历史数据集对所提出的模型进行验证和评估。实验结果表明，该方法能够从系统和整体的角度识别对船舶安全航行具有重要影响的区域。同时，该方法还能够帮助智能船舶在复杂港口环境中完成有针对性的航行决策，提高航行的安全性和效率。此外，该方法在提升智能船舶的自主决策能力方面也具有重要的实践意义，能够有效减少航行事故的发生。

在当前的智能船舶发展背景下，如何提高船舶在复杂港口环境中的自主决策能力，是研究的重点。传统的航行情境分析方法往往无法全面考虑多种因素之间的相互作用关系，导致分析结果不够准确。因此，本文提出的多因素耦合驱动分析方法，为解决这一问题提供了新的思路。该方法通过构建多维的耦合评估系统，能够更全面地反映航行情境的复杂性。同时，通过引入复杂网络模型，能够更直观地展示船舶与周围环境之间的动态关系，从而为船舶的决策提供更可靠的依据。

此外，本文提出的模型在提升船舶的情境感知能力方面也具有重要意义。情境感知是智能船舶进行自主决策的基础，能够帮助船舶更好地理解周围环境的变化趋势。在复杂的港口环境中，船舶需要面对多种交通实体，如其他船舶、港口设施、环境因素等。这些因素之间的相互作用关系复杂，传统的分析方法往往难以准确捕捉。因此，本文提出的多因素耦合分析方法，能够更全面地反映这些因素之间的协同关系，从而为船舶的决策提供更准确的依据。

在实验过程中，本文采用了青岛港及其周边水域的真实AIS数据进行案例研究。青岛港作为中国的重要港口之一，其交通环境复杂，船舶种类多样，运营目的各异，这为本文的研究提供了良好的数据基础。通过分析这些数据，本文能够验证所提出的模型在动态描述船舶航行情境方面的有效性。实验结果表明，该模型能够有效识别对船舶安全航行具有重要影响的区域，同时帮助智能船舶在复杂环境中完成有针对性的航行决策，从而提高航行的安全性和效率。

在实际应用中，本文提出的方法不仅能够为智能船舶提供实时的情境感知支持，还能够为智能船舶的辅助驾驶系统提供决策依据。通过该方法，智能船舶能够在复杂的港口环境中更好地应对各种交通实体和环境因素，从而提高其自主决策能力。此外，该方法还能够为船舶交通服务（VTS）提供支持，帮助VTS更好地管理港口区域的交通流，提高整体的交通效率和安全性。

综上所述，本文提出的多因素耦合驱动分析方法，能够有效解决传统航行情境分析方法的不足，为智能船舶在复杂港口环境中的安全航行提供新的思路。该方法通过构建多维的耦合评估系统，引入复杂网络模型，并采用熵权法对各影响因素的权重进行计算，从而实现了对船舶航行情境复杂性的全面分析。实验结果表明，该方法能够准确识别对船舶安全航行具有重要影响的区域，提高航行的安全性和效率，并在提升智能船舶的自主决策能力方面具有重要的实践意义。因此，本文的研究成果对于推动智能船舶的发展，提高海上交通的安全性和效率，具有重要的理论和现实价值。