基于多特征融合的内河船舶行为识别与轨迹重建

《Regional Studies in Marine Science》：Inland Vessel Behavior Identification and Trajectory Reconstruction Based on Multi-feature Fusion

本文针对内河船舶AIS数据存在的缺失、异常及时间间隔不均等问题，提出基于轨迹聚类与深度学习的处理框架，包括双阶段数据预处理、船舶状态识别、典型航行模式构建及多尺度缺失轨迹重建。通过引入Ranger优化器、双向GRU和注意力机制，有效提升了轨迹重建精度（纬度/经度误差≤10^-4°）和速度精度（0.2节），并验证了模型在复杂航道场景下的有效性。

　　本研究聚焦于内河船舶自动识别系统（AIS）的数据处理技术与轨迹重建方法，旨在解决当前内河AIS数据中存在的缺失、异常及发送时间间隔不均等问题，这些问题在数据分析和轨迹重建过程中带来了诸多挑战。研究提出了一种基于轨迹聚类和深度学习算法的框架，用于AIS数据清洗、船舶状态识别以及轨迹提取与重建。该框架特别针对内河船舶AIS数据的特点，设计了双阶段的数据预处理流程，利用DBSCAN聚类算法和LSTM编码器识别船舶状态，并通过HD-DBSCAN方法构建研究区域中航行船舶的典型航行模式和轨迹。此外，研究还提出了一种名为RBGA（Ranger-Bidirectional Gated Recurrent Unit-Attention）的轨迹重建模型，该模型融合了优化器、双向GRU（门控循环单元）和注意力机制，成功应用于长江武汉段，对比了多种机器学习算法在轨迹重建中的准确性和效率，其在纬度/经度重建中的精度达到10??度量级，船舶速度的重建精度达到0.2节。通过消融实验和特征重要性分析，进一步验证了模型关键机制和输入特征的有效性与贡献度。研究结果对提升内河航运管理效率、保障船舶航行安全以及推动船舶排放精细管理具有积极的应用价值。

内河航运作为国家综合运输体系中的重要组成部分，其战略意义不容忽视。长江作为世界上最长的内河之一，不仅承担着大量货物运输任务，还在区域经济联系和能源运输方面发挥着关键作用。然而，随着航运活动的频繁进行，内河航运面临着诸如交通拥堵、安全风险和管理复杂性等多重挑战。自动识别系统（AIS）技术的广泛应用使得船舶轨迹数据能够被实时采集和记录，为船舶动态监控、交通调度和安全管理提供了关键支持。在复杂的航运环境中，基于AIS数据的船舶行为识别不仅可以提高航行效率，还能增强风险防控能力，成为智能航运研究的重要方向。然而，由于通信中断和设备故障等因素的影响，AIS轨迹数据往往存在缺失和异常，这在一定程度上限制了行为分析的准确性。因此，轨迹重建研究成为确保数据质量和支撑高质量行为识别的关键环节。

高质量的轨迹数据是准确行为识别的前提。然而，AIS数据中存在不均匀的时间间隔、轨迹断点以及关键字段缺失等问题，这些都会显著影响航行模式识别、行为分类以及后续轨迹重建模型的准确性。轨迹重建的目标是恢复轨迹的空间与时间连续性及动态一致性，不仅能够提升数据的完整性与分析的稳定性，还为异常检测、交通建模和智能调度等应用奠定了基础。船舶轨迹重建与行为识别的协同作用，是实现长江水域智能监测与安全高效管理的重要支撑。

近年来，内河船舶识别研究逐渐从基于规则和简单统计的传统方法向智能算法演进，呈现出方法多样化和场景精细化的趋势。早期的线性轨迹模型，如Jaskolski等人（2017）和Teodoro等人（2024）提出的模型，虽然在计算上具有简便性，但在描绘复杂航行行为方面存在局限。随着机器学习方法的发展，Kim等人（2015）等学者引入支持向量机（SVMs）来处理航行数据，提升了模型对行为模式识别的能力。然而，受限于算法复杂性和数据维度，这些模型在处理高频轨迹数据时仍然表现不佳。值得注意的是，Li等人（2024）和Zhao等人（2023）通过融合GAT（图注意力网络）和LSTM结构，对船舶的空间拓扑关系和时间序列演变进行建模，从而提升了复杂航行行为的识别精度，为相关研究提供了新的思路。尽管如此，现有方法在考虑内河特有的水文边界和规则约束方面仍显不足，导致其在高密度船舶相遇和水流显著影响的场景中，适应性和可解释性仍有待提升。

在船舶轨迹重建领域，研究重点已从早期的线性插值和规则重建方法，逐步转向结合统计建模与智能预测的综合策略。Park等人（2024）和Rong等人（2019）提出了基于优化遗传算法的稀疏高斯过程模型，有效降低了轨迹预测的复杂性和误差。Wang等人（2023）和Chen等人（2022）构建的贝叶斯预测模型在缓解轨迹过度平滑方面表现出良好的性能。Wang等人（2025）提出的基于SI-LSTM模型的船舶轨迹预测模型，能够根据输入数据的动态变化调整对重要信息的处理，从而有效捕捉复杂轨迹的局部特征。Qian等人（2022）则采用遗传算法优化LSTM的超参数，构建了GA-LSTM轨迹预测模型。然而，大多数现有方法仍以开阔海域为研究背景，较少充分考虑内河特有的狭窄航道、错位轨迹等复杂条件，导致轨迹数据断点重建过程中出现鲁棒性不足和位置偏移等问题。内河航道独特的动态环境特征对轨迹连续性和准确性提出了更高要求，因此迫切需要开发能够适应航道结构和交通状态变化的轨迹重建模型。

为了应对上述问题，本研究首先对原始AIS数据进行了双阶段的数据预处理，旨在去除冗余和错误信息，确保高质量的模型输入数据。基于AIS特征数据，研究识别并提取了不同锚泊、停泊和航行状态下的船舶轨迹。通过构建典型的航行轨迹，为轨迹重建提供了参考基准。在轨迹重建模型方面，研究提出了一种结合深度学习算法的RBGA模型，专门针对AIS数据中广泛存在的长距离轨迹缺失问题。该模型设计了双向时间序列结构，以同步轨迹的历史特征与未来意图。在模型训练过程中，引入了Ranger优化器以加快收敛速度并提升模型性能，同时结合了数据驱动的权重分配策略与时空注意力机制，以增强关键节点（如转弯点和相遇区域）的特征表示能力。

研究框架由四个模块组成：双阶段数据预处理、航行状态识别、典型航行轨迹提取以及多尺度轨迹重建。在数据预处理阶段，研究采用DBSCAN聚类算法和LSTM编码器对AIS数据进行清洗和处理，以识别船舶的航行状态并构建高质量的输入数据集。航行状态识别模块通过分析船舶的静态和动态特征，实现对锚泊、停泊和航行状态的准确分类。典型航行轨迹提取模块则基于常见的航行行为，构建研究区域内的标准航行轨迹，为后续的轨迹重建提供基准。多尺度轨迹重建模块利用RBGA模型，对长距离缺失的轨迹进行精准恢复，确保轨迹的连续性和动态一致性。

在案例研究部分，研究选取了中国长江武汉段的单月AIS数据作为典型内河航运场景。该区域以高船舶密度、复杂航行行为和频繁的交汇与转弯为特点，代表了具有复杂航道特征的内河环境，为所提出的框架提供了良好的验证条件。在该案例中，研究完整地执行了船舶航行状态识别与轨迹重建的全过程，并将RBGA模型与其他算法进行了对比，评估其在准确性和效率方面的表现。此外，通过消融实验验证了RBGA模型各部分对轨迹重建效果的增强作用，进一步明确了模型关键机制的有效性。最后，研究还进行了特征分析，探讨了不同特征对轨迹重建的贡献度，以期为后续模型优化和特征选择提供理论依据。

本研究的创新点在于，针对内河AIS数据的特殊性，提出了双阶段的数据预处理流程和RBGA轨迹重建模型。双阶段数据预处理流程不仅有效去除了冗余和错误信息，还确保了输入数据的高质量，为后续的轨迹重建提供了可靠的基础。RBGA模型通过融合优化器、双向GRU和注意力机制，克服了传统模型在处理长距离轨迹缺失问题时的局限性，提高了轨迹重建的精度和鲁棒性。同时，研究结合了数据驱动的权重分配策略，增强了对关键节点特征的表示能力，使模型能够更好地捕捉船舶在复杂航道中的行为特征。

在实际应用方面，本研究的成果对于提升内河航运管理效率、保障船舶航行安全以及推动船舶排放的精细管理具有重要的应用价值。通过精准的轨迹重建，可以更全面地了解船舶的动态行为，为交通调度、风险防控和环保监管提供数据支持。此外，本研究提出的框架和方法还可以推广至其他内河航运区域，为智能航运系统的建设提供参考。在技术层面，RBGA模型的提出为处理内河特殊环境下的轨迹数据提供了新的思路，特别是在应对狭窄航道、高密度相遇和复杂水流影响等场景时，表现出更强的适应性和可解释性。

本研究的实施过程中，研究人员采用了多种方法和技术手段，以确保研究的科学性和实用性。在数据预处理阶段，研究不仅考虑了静态信息（如船舶名称、呼号、IMO编号、船舶类型和尺寸），还深入分析了动态信息（如船舶位置、航速、航向和航行状态）。通过双阶段的数据清洗和处理，有效去除了数据中的噪声和异常，提高了输入数据的质量。在航行状态识别方面，研究结合了聚类算法和深度学习模型，实现了对船舶状态的准确分类，为后续轨迹提取和重建提供了可靠依据。在典型轨迹提取过程中，研究基于常见的航行行为构建了标准化的航行轨迹数据集，为轨迹重建提供了基准参考。

在轨迹重建方面，RBGA模型的提出是本研究的重要突破。该模型通过引入双向时间序列结构，使得模型能够同时捕捉轨迹的历史特征与未来意图，从而提高了轨迹重建的准确性。Ranger优化器的引入则加速了模型的收敛过程，提升了模型的训练效率。同时，研究结合了数据驱动的权重分配策略与时空注意力机制，使模型能够更有效地关注关键节点，如转弯点和相遇区域，从而增强对复杂轨迹的建模能力。在实际应用中，RBGA模型在长江武汉段的测试结果表明，其在纬度/经度重建中的精度达到10??度量级，船舶速度的重建精度达到0.2节，远超传统方法的性能。

为了验证RBGA模型的有效性，研究还进行了消融实验和特征重要性分析。消融实验通过移除模型中的关键组件，评估其对轨迹重建效果的影响，从而明确各部分的贡献度。特征重要性分析则通过评估不同特征对模型性能的影响，为后续的特征选择和优化提供了理论支持。这些实验不仅验证了RBGA模型的优越性，还为内河AIS数据处理和轨迹重建技术的发展提供了新的思路和方法。

本研究的成果不仅具有重要的理论价值，还具备广泛的应用前景。在内河航运管理中，精准的轨迹重建可以为交通调度、风险防控和安全监管提供数据支持，提高管理效率和安全性。同时，轨迹数据的完整性也有助于船舶排放的精细管理，为环保政策的制定和实施提供依据。此外，本研究提出的框架和方法可以为其他内河航运区域提供参考，推动智能航运技术的普及和发展。

在技术推广方面，本研究的方法和技术可以应用于其他具有复杂航道特征的内河区域，如珠江、京杭大运河等。通过结合不同区域的航行特征和数据特性，可以进一步优化模型的性能，提高轨迹重建的适应性和准确性。同时，研究还可以扩展至其他航运场景，如港口调度、船舶避碰等，为智能航运系统的建设提供技术支持。

在研究过程中，研究人员还注意到，现有的轨迹重建模型大多基于开放海域的数据集，缺乏对内河特殊场景的有效模拟。因此，本研究特别关注内河航运环境的特点，如狭窄航道、高密度船舶相遇和水流显著影响等，通过构建符合这些特点的轨迹重建模型，提高了模型在内河环境中的适用性。这种针对性的研究方法不仅有助于提升模型的性能，还为内河航运管理提供了更加科学和精准的数据支持。

此外，本研究还强调了数据融合在轨迹重建中的重要性。传统的数据融合方法主要依赖静态特征的拼接，未能建立AIS静态属性与动态轨迹之间的协同建模机制，这在一定程度上影响了模型的预测稳定性。因此，本研究在数据预处理和特征分析阶段，特别关注静态与动态信息的融合，通过构建多尺度的轨迹数据集，提升了模型对复杂轨迹的建模能力。这种数据融合策略不仅增强了模型的鲁棒性，还为后续的智能航运研究提供了新的思路。

在模型优化方面，RBGA模型的引入是本研究的重要创新。该模型通过结合优化器、双向GRU和注意力机制，实现了对长距离轨迹缺失问题的有效应对。优化器的引入提高了模型的训练效率，使得模型能够在较短时间内收敛到最优解。双向GRU的使用则使得模型能够同时考虑轨迹的历史和未来信息，从而更准确地捕捉船舶的动态行为。注意力机制的引入则增强了模型对关键节点的识别能力，提高了轨迹重建的精度。这些技术手段的结合，使得RBGA模型在处理复杂内河轨迹数据时表现出更强的适应性和可解释性。

在实际应用中，RBGA模型的性能得到了充分验证。通过在长江武汉段的测试，模型在纬度/经度重建中的精度达到10??度量级，船舶速度的重建精度达到0.2节，显示出其在处理实际航运数据中的优越性。同时，模型在准确性和效率方面的表现也优于其他传统方法，为内河航运管理提供了更加可靠的技术支持。这些成果不仅有助于提升内河航运的安全性和效率，还为智能航运技术的发展提供了新的方向。

综上所述，本研究通过提出一种基于轨迹聚类和深度学习算法的框架，解决了内河AIS数据中存在的缺失、异常及时间间隔不均等问题。双阶段数据预处理流程和RBGA模型的引入，显著提升了轨迹重建的精度和鲁棒性，为内河航运管理提供了更加科学和精准的数据支持。研究结果表明，该框架在实际应用中具有良好的效果，能够有效应对内河特殊环境下的轨迹重建需求，为智能航运技术的发展提供了新的思路和方法。