从图网络的角度对船舶轨迹进行分类

《ADVANCED ENGINEERING INFORMATICS》：Vessel trajectory classification from a graph network perspective

本研究提出了一种基于图神经网络（GNN）的船舶航行状态分类框架，通过将AIS轨迹数据建模为有向无环图（DAG），结合分层分类策略和注意力机制，有效捕捉时空依赖关系。实验验证了该方法在UK水域AIS数据集上的性能，准确率达98%，F-score为98%，AUC-ROC达99%，显著优于传统CNN和RNN模型。该框架支持实时分类，为船舶排放建模、自主导航等应用提供可靠工具。

　　该研究围绕船舶轨迹的导航状态分类展开，提出了一种基于图神经网络（GNN）的创新方法，以提升船舶活动识别的准确性和全面性。随着全球贸易的持续增长，船舶运输在经济体系中的重要性愈加凸显，因此，对船舶行为的精确理解和分类成为关键。船舶活动的数据通常来源于自动识别系统（AIS），这是一种广泛应用于海洋领域的技术，它记录了船舶的地理信息和时间戳，从而提供了船舶动态的详细记录。然而，AIS数据在实际应用中面临诸多挑战，如数据缺失、不一致性和人为错误。这些问题限制了船舶轨迹分析的深度和广度，尤其是在预测船舶能耗、经济活动以及自主航行等领域。因此，研究者提出了一种新的方法，通过将船舶轨迹建模为图结构，并利用图神经网络进行多层级分类，以克服传统方法的局限性。

该研究的核心在于构建一个能够有效捕捉船舶轨迹中时空特征的图模型。传统的分类方法多依赖于规则和统计，虽然具有可解释性，但难以适应不同区域和船舶类型的复杂情况。相比之下，基于图神经网络的方法可以更好地整合节点和边的信息，从而提供更丰富的上下文。船舶轨迹被分割为连续的轨迹片段（trajectlet），每个片段被视为一个图的节点和边，其中节点代表船舶在某一时间点的状态，边则反映了船舶在时间序列上的变化。通过这种方式，模型不仅能够识别船舶是否处于运动状态，还能进一步区分其具体的活动类型，如锚泊、靠港、在海上漂移等。

在模型设计方面，研究者采用了多层感知机（MLP）与图神经网络的结合方式。首先，模型在节点层对AIS数据进行分类，判断船舶是否处于静止或航行状态。接着，这些节点级的预测结果与图级别的特征（如轨迹的总距离、持续时间、覆盖面积等）进行整合，以实现更精确的轨迹分类。这种分层结构使得模型能够兼顾局部细节与整体模式，从而在分类任务中实现更高的准确性。实验结果显示，该模型在UK水域的AIS数据上取得了98%的准确率和F值，以及99%的AUC-ROC分数，显示出其在实际应用中的强大潜力。

研究还探讨了不同的模型结构，如图卷积网络（GCN）、图注意力网络（GAT）及其变体GATv2、GraphSAGE以及GINE等。其中，GATv2在多个指标上表现最佳，这归因于其在图结构中对关键信息的聚焦能力。通过引入注意力机制，模型能够识别哪些节点或边对分类具有更大的影响，从而提高分类的准确性。此外，研究还评估了不同特征对模型性能的影响，结果显示，船舶的运动特征（如速度、航向变化）对分类效果至关重要，而时间特征（如时间间隔）也有一定贡献，但影响相对较小。

在方法论上，研究者采用了多种技术手段，以提升模型的鲁棒性和可解释性。首先，他们对原始AIS数据进行了预处理，排除了不符合条件的小型船舶，确保数据的代表性。其次，通过定义特定的缓冲区（如港口和锚地的10公里和30公里范围），模型能够更准确地判断船舶是否处于靠港或锚泊状态。这些缓冲区的设定有助于减少因数据缺失或异常导致的误判。此外，研究者还设计了一种自定义的注意力层，用于捕捉节点和边之间特征到特征的关联性，从而增强模型的表达能力。这一机制在船舶轨迹分类中尤为重要，因为船舶的动态往往受到多种因素的影响，如风速、洋流和设备运行状态等。

模型的训练过程采用了Adam优化器，并对超参数进行了优化，包括隐藏层的维度、层数以及注意力头的数量。实验结果表明，模型在不同船舶类型上的表现存在差异，其中对于集装箱船、散货船和油轮等操作模式较为固定的船舶，分类准确率较高；而对于操作模式较为复杂、多变的海上作业船舶（如海上作业船），分类效果相对较低。这一现象反映了模型在处理动态变化的轨迹时的局限性，同时也提示未来研究可以进一步优化分类策略，以适应更广泛的应用场景。

在实际应用层面，该方法不仅适用于历史数据的离线分析，还能够实时处理船舶轨迹数据，为船舶自主导航、港口监控、船舶行为分析以及环境监测提供支持。例如，在港口内，模型可以识别船舶的靠泊和锚泊状态，从而为港口管理和安全监控提供依据；而在海上，模型可以区分船舶的漂移状态与正常航行状态，为船舶能耗计算和环境影响评估提供数据支持。此外，该模型的可扩展性也为未来研究提供了方向，如通过引入环境数据（如风速、洋流）来提升模型对漂移状态的识别能力，或通过优化注意力机制来提高计算效率。

总体而言，该研究为船舶轨迹分类提供了一种新的视角，即通过图结构建模，将船舶的运动状态与时空特征结合起来，从而实现更精确的分类。这种方法不仅克服了传统方法在处理复杂轨迹时的不足，还为未来在更广泛的海洋应用中提供了可借鉴的框架。随着船舶自动化和环保要求的不断提高，精确的船舶活动识别将成为提升航运效率和可持续性的关键环节。该研究的成果不仅为相关领域提供了新的工具，也为进一步探索船舶行为与环境因素之间的关系奠定了基础。