一种利用避碰行为特征对船舶在正面碰撞情况下的驾驶风格进行聚类的方法

《Applied Ocean Research》：A method for clustering ship driving styles in head-on situations using collision avoidance behaviour characteristics

本文提出了一种基于碰撞 avoidance 行为特征的船舶驾驶风格聚类方法，结合改进的滑动窗口算法和因子分析，K-means++ 聚类算法，在Laotieshan 水道验证了四种驾驶风格：保守近距离 avoidance（50%）、延迟低效 avoidance（26%）、主动大幅度 avoidance（15%）、预防安全距离 avoidance（9%），为智能船舶的决策提供支持。

　　在当前的船舶行为研究领域，关于船舶驾驶风格的客观展示和挖掘方法仍存在诸多不足。本文提出了一种基于船舶避碰行为特征的船舶驾驶风格聚类方法，旨在探索船舶在迎面相遇情境下的行为模式，从而为船舶交通管理提供新的视角和实际应用价值。该研究从船舶运动参数出发，筛选出迎面相遇情境，并采用改进的滑动窗口算法检测船舶避碰决策时刻，综合考虑船舶操纵性能与航行惯性。随后，选取结合国际海上避碰规则（COLREGs）提出的“早、大、宽、清”四个避碰要求的避碰特征指标，最终通过因子分析和K-means++算法对船舶驾驶风格进行有效分类与描述。基于Laotieshan水道的自动识别系统（AIS）数据的实证研究结果表明，船舶可以被划分为四种不同的驾驶风格：保守近距离避碰（CCDA）、延迟低效避碰（DLEA）、主动大幅度避碰（PLAA）和预防安全距离避碰（PSDA），分别占总样本的50%、26%、15%和9%。本文的研究为深入理解船舶交通流中的微观行为特征，提升船舶自主航行系统的仿真测试场景的真实性，并生成符合不同船员心理预期的个性化决策策略提供了理论支持和实践价值。

船舶行为分析的研究通常可以分为两个主要领域：一是宏观船舶行为模式，二是微观避碰行为识别。前者主要依赖于对船舶集群的主观分类，通常基于静态参数如船舶类型、总吨位和尺寸等。而后者则聚焦于具体航行场景中的行为描述和分析，例如对船舶速度、与他船的距离等参数进行研究。然而，现有研究大多忽略了船舶个体行为差异的深入探讨。这种差异来源于船员的决策倾向和航行条件的不同，因此，有必要系统性地研究船舶驾驶风格的特征和类型，以揭示其在不同水域中的变化规律。

本文的研究基于AIS数据，利用其丰富的信息内容来分析船舶的动态行为。AIS系统是一种用于船舶安全通信和定位的重要工具，自1999年IMO第45届会议通过的SOLAS修正案以来，已被要求安装在特定吨位以上的船舶上。AIS数据包含静态信息、动态信息、航行相关信息和安全相关的简短信息，能够全面反映船舶的运动状态。本文研究中使用了AIS数据中的船舶位置、速度、航向、UTC时间、船舶类型和船宽等参数，以识别船舶的避碰行为和驾驶风格。此外，AIS数据的高频率和实时性使其成为研究船舶行为模式的重要来源。

在数据预处理阶段，首先对原始AIS数据进行清洗，剔除异常值和缺失值，以确保数据的可靠性。随后，对数据的时间戳进行线性插值处理，使得两船的动态信息在时间上保持一致，便于后续分析。在研究中，设定30秒的时间间隔作为分析基础，这不仅符合船舶避碰行为的分析需求，也避免了数据量过大带来的处理负担。通过对AIS数据的处理，能够提取出船舶在迎面相遇情境下的行为特征，为后续的聚类分析奠定基础。

在定义和提取迎面相遇情境方面，本文参考了COLREGs中关于迎面相遇的描述，即当两艘机动船在相反或接近相反的航向上相遇，存在碰撞风险时，应向右转以确保在对方左侧通过。由于COLREGs中存在模糊的术语，不同船员可能有不同的理解，导致对航行动作的选择存在分歧。这种不确定性使得避碰行为的识别和分析变得更加复杂。因此，本文采用一种基于船舶舷灯同时可见角度的定义，将迎面相遇情境设定为目标船的舷灯在自身船的左右各6度范围内可见的情况。这一设定既考虑了COLREGs的技术要求，也结合了实际航行经验，确保了对迎面相遇情境的准确识别。

在船舶行为分析方面，本文借鉴了Zhou等学者对船舶超越过程的四阶段划分，将迎面相遇过程也划分为四个阶段。第一阶段为船舶独立航行，未发生相遇；第二阶段为船舶评估航行环境，决定是否需要避碰；第三阶段为避碰行为的执行，包括对船舶航向和速度的调整；第四阶段为避碰行为完成后的后续航行。通过这一阶段划分，可以更好地识别船舶在迎面相遇情境下的行为特征，并为驾驶风格的聚类提供依据。

在轨迹压缩算法的应用中，本文改进了传统的滑动窗口算法，引入了距离阈值和操纵行为阈值的结合，以减少轨迹拐点与实际转向点之间的识别误差。改进后的算法能够更准确地识别船舶的避碰行为，同时考虑到船舶的操纵性能和航行惯性，从而提升避碰行为识别的准确性。在实验分析中，通过不同压缩阈值的对比，发现当阈值设定为船舶宽度的0.4倍时，能够有效提取出2至4个关键特征点，符合船舶在迎面相遇情境下的行为特征。这一改进不仅提高了轨迹压缩的效率，也确保了避碰行为识别的准确性。

在因子分析阶段，本文选取了六项与船舶避碰行为相关的特征指标，包括避碰幅度、TCPA（时间最近点距离）、DCPA（距离最近点距离）、CRI（碰撞风险指数）、相对距离和避碰时刻的相对距离。这些指标综合了COLREGs中提出的“早、大、宽、清”四个避碰要求，能够有效反映船舶在避碰过程中的行为特征。通过因子分析，可以将这些高维数据进行降维处理，从而提高聚类分析的效率和准确性。因子分析的结果表明，这些指标能够被合理地归类到三个主要因子中，分别代表“早”、“宽-清”和“大”三个维度。这有助于更清晰地理解船舶避碰行为的特征，并为驾驶风格的分类提供依据。

在K-means++算法的应用中，本文通过结合轮廓系数、Calinski-Harabasz指数和肘部方法，客观地确定了最佳聚类数量。实验结果显示，当聚类数量设定为4时，这些指标均达到最佳值，表明四个驾驶风格的分类具有统计学意义。随后，利用K-means++算法对船舶驾驶风格进行聚类分析，结果表明，船舶驾驶风格主要分为四种：CCDA（保守近距离避碰）、DLEA（延迟低效避碰）、PLAA（主动大幅度避碰）和PSDA（预防安全距离避碰）。其中，CCDA类型占50%，DLEA占26%，PLAA占15%，PSDA占9%。这表明，船舶在迎面相遇情境下的驾驶风格存在显著的个体差异，为船舶行为研究提供了新的视角。

本文的研究结果表明，船舶驾驶风格确实存在，并且可以通过AIS数据进行量化分析。通过对不同驾驶风格的特征指标进行比较，可以发现不同驾驶风格在避碰行为上存在明显的差异。例如，CCDA类型的船舶倾向于在相对距离较近的情况下采取避碰行为，而PSDA类型的船舶则倾向于在较远的距离下采取避碰行为，以确保航行安全。PLAA类型的船舶则倾向于在较早的时间点采取大幅度的避碰行为，而DLEA类型的船舶则倾向于在较晚的时间点采取避碰行为，且避碰幅度较小。这些发现为船舶行为研究提供了新的思路，并为船舶自主航行系统的开发提供了理论支持。

尽管本文提出的方法在识别船舶驾驶风格方面具有较高的准确性，但仍存在一些局限性。首先，改进的滑动窗口算法主要关注船舶自身的属性和轨迹特征，对环境因素（如水文条件、障碍物等）和人为决策因素（如VHF通信）的考虑仍然较为有限。其次，虽然AIS数据能够客观地捕捉船舶的行为模式，但这些模式与人为因素（如操作员的心理特征、航行经验等）之间的潜在关联仍需进一步研究。因此，未来的研究应致力于提高船舶驾驶风格识别的准确性，同时探索其与人为因素之间的关系，以更全面地理解船舶行为。

综上所述，本文提出的基于船舶避碰行为特征的驾驶风格聚类方法，为船舶行为研究提供了新的视角和技术支持。通过改进滑动窗口算法、因子分析和K-means++算法的综合应用，能够有效识别船舶在迎面相遇情境下的行为特征，并为船舶自主航行系统的开发提供依据。研究结果表明，船舶驾驶风格确实存在，并且可以通过AIS数据进行量化分析。这不仅有助于提升船舶交通管理的效率，也为船舶行为研究提供了新的方向。未来的研究应进一步探索船舶驾驶风格与环境因素和人为决策因素之间的关系，以更全面地理解船舶行为，并为船舶自主航行系统的开发提供更精确的参数支持。