基于增量HDBSCAN聚类的缓冲区碰撞风险识别方法

《Obesity Research & Clinical Practice》：Buffer collision risk encounter identification based on incremental HDBSCAN clustering

船舶碰撞风险实时监测方法基于缓冲区与增量HDBSCAN聚类，自适应识别高密度高风险区域，并量化碰撞风险。

　　随着全球海上交通的日益复杂，船舶碰撞风险的实时监测已成为确保海上运输安全的关键任务。当前的研究主要集中在船舶之间的碰撞风险评估，但在复杂水域中对高风险多船相遇场景的实时识别仍面临诸多挑战。本文提出了一种基于缓冲区的船舶碰撞风险识别方法，采用增量HDBSCAN聚类技术，旨在通过引入船舶缓冲区的概念和增量聚类机制，实现对船舶碰撞风险的实时监控。通过将船舶建模为动态移动区域，并结合HDBSCAN算法，该方法能够自适应识别高密度和高风险区域，同时通过分析计算DCPA、TCPA和SDOI等参数，量化碰撞风险。实验结果表明，该方法能够有效捕捉高风险船舶集群，展现出在复杂多船相遇场景中的鲁棒性，并可扩展支持海上监视和碰撞风险管理。因此，该方法为提升海上交通监测能力、优化风险管理策略提供了一种新的技术路径。

在海上交通日益增长的背景下，船舶碰撞的风险也随之上升，给财产和人员安全带来了重大威胁。宏观船舶碰撞风险是评估特定水域在特定时间段内发生船舶碰撞可能性的重要指标。它反映了某一海域发生碰撞事件的概率，并描述了船舶在这些水域航行时所面临的风险水平。准确评估船舶碰撞风险并采取有效的预防和缓解措施，已成为海事领域的重要研究课题。

目前关于宏观船舶碰撞风险的研究可以从多个角度进行分类。从事故信息的角度来看，研究可以分为基于海上碰撞事故数据的研究和利用非事故信息的研究。基于碰撞事故数据的研究主要分析实际发生的海上碰撞事件，进一步细分为利用历史案例数据的研究和关注事故概率及后果的研究。通过对历史碰撞案例的深入分析和统计检验，研究人员提取了此类事故的基本模式、显著特征和关键影响因素。通过使用负二项式回归模型进行实证分析，研究发现港口交通风险事件具有显著的统计规律性（Yip, 2008）。一项突破性的安全指数框架被建立起来，用于科学评估繁忙水道中的风险水平，从而提升整体安全（Mou et al., 2016）。通过对1990年至2020年间大约一千份船舶事故报告的分析，揭示了不同事故类别之间因素的显著相关性（Pilatis et al., 2024）。

然而，仅依赖历史案例数据进行宏观船舶碰撞风险分析存在明显的局限性，且具有一定的随机性，导致结论的不确定性。通过构建整合多种因素的数学模型，如船舶动态和航行环境，研究人员可以估计碰撞概率及其潜在后果。20世纪70年代，Macduff引入了一种模型，将几何碰撞概率的概念转化为船舶在不采取避让措施时的几何相遇概率。在Macduff之后，众多学者提出了各种碰撞风险评估方法，这些方法得到了广泛应用。通过网格化方法划分研究区域，以确定船舶相遇频率和碰撞概率（Wang and Yao-Tian, 2008）。一种创新的几何碰撞概率计算方法被提出，结合蒙特卡洛方法和遗传算法，为船舶航行安全评估提供了一种更精确的技术路径（Montewka et al., 2010）。利用贝叶斯网络对导致船舶碰撞的风险因素进行了评估、识别和排序（Zamzuri and Isa, 2022）。

尽管碰撞概率是基于统计分析的估算，但在实际的海事环境中，这些估算与实际的碰撞风险之间存在显著的差异。基于非事故信息的研究主要利用船舶交通流量和动态监测数据来评估碰撞风险。通过了解船舶航行模式、交通流量和分布特征，研究人员可以间接评估碰撞风险。在区域风险评估的背景下，提出了一种基于大规模自动识别系统（AIS）数据的研究框架（Kang et al., 2017）。虽然船舶领域概念本身并不能直接量化风险，但基于该模型的距离领域违规（DDV）和时间领域违规（TDV）参数被提出（Szlapczynski, 2006）。通过计算CPC并估算动态碰撞边界，引入了KF-VCRO进行评估（Liu et al., 2023）。密度聚类算法DBSCAN被用于识别不同的船舶集群，并计算每个集群的风险水平以确定整体区域风险值。然而，这种聚类算法在参数选择方面仍存在挑战，且无法动态适应不同密度的水域（Liu et al., 2019）。一种基于编码器-解码器长短期记忆（LSTM）神经网络的区域船舶碰撞风险预测模型被提出，以增强海上交通监视能力。该模型通过聚合密度方法量化区域碰撞风险，并通过网格处理构建时空风险矩阵（Lin et al., 2024）。

基于关键风险船舶识别的监管方法被提出，利用OPTICS算法识别高密度船舶区域，并通过改进的PRSD方法评估不同自主级别船舶之间的潜在碰撞风险，从而构建有向复杂网络以识别关键风险船舶（Zou et al., 2024）。一种新颖的船舶航行风险识别方法被提出，通过整合船舶领域模型和AIS数据进行碰撞风险预测。该方法通过计算碰撞危险检测线与安全距离边界之间的交集时间，将碰撞风险分为四个等级（Wang et al., 2023）。一种适应性视觉分析框架被提出，结合DBSCAN和视觉分析技术，通过自适应调整相遇半径和最小船舶数量，自动识别多船相遇情况。这种方法消除了DBSCAN中手动设置参数的需要，降低了操作员的认知负担，并提升了智能海事监控系统的性能（Zhen and Shi, 2021）。一种结合冲突连通性和空间紧凑性的交通聚类方法被提出，采用复合距离度量和受约束的共享最近邻（SNN）聚类，与分层双目标优化算法相结合，以有效识别高风险交通集群（Xin et al., 2023）。一种基于风险的船舶复杂网络（RBSCN）模型被提出，采用动态风险网络构建，将船舶作为节点，潜在碰撞风险作为边权重，与包括度中心性、加权度中心性、中介中心性和接近中心性的多维中心性度量相结合，以有效识别具有显著网络结构影响的关键风险船舶（Qiao et al., 2025）。

微碰撞风险评估的主要应用在于评估特定航行期间两艘或多艘船舶发生碰撞事件的可能性，特别关注船舶之间的相互影响和动态交互。研究人员经常采用模糊数学和机器学习等技术来实现对碰撞风险的精确估计和计算。例如，提出了一种基于机器视觉的船舶碰撞预警方法，利用改进的轻量级YOLOv7检测模型和Strong SORT跟踪算法，实现对目标船舶的高效识别和跟踪（Jiang et al., 2024）。当然，风险评估的重点因水域的不同而有所变化。例如，在港口区域，船舶操作频繁且需要频繁机动，因此风险主要集中在港口入口、桥梁附近和机动受限区域（Shi and Liu, 2022）。相比之下，狭窄航道由于受限的航道宽度等因素，展现出与开阔水域不同的风险特征（Yang et al., 2023）。

然而，仍然存在一些研究空白。在数据处理方面，大多数研究将船舶简化为静态点，未能充分考虑其空间运动特征。在算法选择方面，传统聚类方法（如DBSCAN）依赖于全局密度参数，对于非均匀分布的船舶交通来说效果不佳，而参数调优仍主要依赖经验。在风险识别方面，现有方法主要考虑船舶之间的线性距离，而忽视了基本的船舶属性和动态运动状态。

为了解决这些研究空白，本文提出了一种基于船舶缓冲区和增量HDBSCAN聚类的船舶风险相遇识别实时监测方法。通过引入船舶缓冲区的概念，该方法在定义区域内对船舶进行聚类，并将基础船舶信息整合到框架中，克服了传统聚类方法将船舶视为单纯点的局限性。通过将船舶建模为动态移动区域，该方法解决了传统方法输入信息不足的问题，从而提升了聚类结果的准确性。增量HDBSCAN聚类算法无需预先定义聚类数量，能够根据数据密度分布自适应确定最佳的聚类结构。通过引入基于距离阈值的分析筛选机制，该方法能够有效剔除空间接近但碰撞风险较低的船舶集群，从而提升风险相遇识别的精确性。增量聚类方法采用局部聚类触发机制，当船舶的运动超过预设阈值时，自动启动局部再聚类，确保实时性能同时降低计算复杂性。此外，该方法将DCPA、TCPA和SDOI等参数映射到碰撞风险指数中，并利用负指数函数建立了一个分层预警系统，以协助海事监管人员进行高效决策。

本文设计了一种用于识别船舶碰撞风险并量化其优先级的分析框架，框架结构如图1所示。该过程首先对AIS数据进行预处理，剔除异常值，随后基于这些缓冲区计算船舶缓冲区并进行HDBSCAN聚类。接着，在每个聚类内部计算船舶之间的三个参数，以剔除不符合要求的船舶及其对应聚类。最后，根据这三个参数对每个完整聚类的碰撞风险进行量化和优先级排序。对于海事管理部门而言，量化后的碰撞风险结果可以作为发布针对性警告和指导的依据，特别是针对那些风险值较高的聚类中的船舶，从而确保航行安全并提高海事管理的效率。

本文的结构如下：第二部分介绍了所提出的船舶风险相遇识别方法，并展示了碰撞风险映射和排序的分析方法。第三部分展示了该框架的应用，包括模型比较和验证。第四部分讨论了所提出的方法，第五部分总结了全文并提出了未来的研究方向。