基于数据的台风避碰决策的时空分析——以台湾海峡为例

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Spatio-temporal Analysis of Data-Driven Vessel Avoidance Decision from Typhoons—-A Case Study of the Taiwan Strait

　　• 建立了一个数据驱动的框架来描述台风期间集体船舶避风区域的特征。• 结合生存分析、奇异谱分析（SSA）和剪枝精确线性时间（PELT）来确定关键的避风阶段。• ST-DBSCAN揭示了特定阶段的时空聚类和空间演变。

引言
台风是海洋中最具破坏性的极端天气现象之一，经常引发强风、巨浪和风暴潮等恶劣海况，对海上运输安全构成严重威胁[1]。频繁的台风活动不仅导致船只改道、港口关闭和运营延误，还显著增加了在避台风操作中的决策风险和事故概率[2,3]。当台风继续增强且海况迅速恶化时，未能及时采取适当的避风措施可能会通过减少后续调整的时间和操作灵活性来增加航行风险[4],[5],[6]。例如，2017年的“Hato”台风期间，普通货船“Shunxin X”尽管采取了避风行动，但最初选择了不合适的避风位置，未能找到足够的避难所。这一典型事故表明，在台风影响下选择不恰当的避风策略可能导致严重的安全后果。随着台风影响的进一步加剧，船只没有足够的时间调整其避风计划并转移到更安全的水域，最终导致了严重的人员伤亡和巨大的经济损失[7]。同时，由于台风演变的不确定性，船舶的避风决策（VTADs）表现出显著的复杂性和动态性[8],[9],[10]。因此，科学合理地确定VTADs对于船舶航行安全至关重要。

随着技术的发展，天气导航已广泛应用于海上作业。先进技术通过将天气预报与船舶导航数据结合，实现了动态航线优化和台风避风决策支持。为了进一步提高船舶在台风事件中的安全性和运营效率，研究人员加入了环境预报信息（如风速、波浪和 currents）以及船舶性能限制，开发了多目标优化模型。这些改进的模型旨在规划最具经济性的避风航线，同时确保航行安全[11],[12],[13]。然而，最近的研究表明，VTADs不仅受算法优化的决定，还受到船员实际经验、感知风险和应急响应特性的影响[14,15]。因此，一些学者关注决策过程中固有的不确定性。在强风和巨浪条件下，船员的操纵逻辑和风险判断规则被提取并形式化为基于规则的模型，可以嵌入到决策支持系统中，从而提高算法应用的实际可行性和可靠性[16]。总之，现有研究在改善个别船舶的VTADs科学基础方面取得了显著进展。然而，对于台风期间船舶群体响应模式的研究仍然不足，限制了全面支持群体级安全管理和VTAD需求的能力[17,18]。

事实上，在台风复杂干扰下，VTADs通常表现出明显的异质性和群体效应。这种异质性可能源于船体结构、吃水状态、航行任务、时间压力、船长经验、专业知识和风险感知等方面的差异。一些船舶倾向于采取更为保守的响应措施，如提前减速、改道或进入锚地以避免风速，而其他船舶可能会选择在风险边界附近继续航行，并采取更为激进的响应策略[2,19,20]。因此，台风期间的集体船舶行为反映了异质个体决策的综合表现，而不是统一的响应。随着气象条件和海上交通状况的变化，个体响应也可能随时间和空间而变化，从而形成动态的集体行为模式。

大规模自动识别系统（AIS）数据的广泛可用性使得系统分析船舶群体行为变得越来越可行和必要，为揭示VTADs的整体演变提供了数据驱动的基础[21,22]。然而，恶劣天气和波涛汹涌的海况可能会影响AIS数据的可用性，导致消息丢失、临时数据缺失或不规则报告[23,24]。因此，在使用AIS数据分析台风期间的船舶行为时需要进行仔细的数据质量控制。一些学者利用大规模AIS数据来描述船舶在台风接近过程中的时空避风模式，并识别不同空间位置上的锚泊和漂浮等活动的差异分布，进一步增强了AIS分析在揭示台风条件下的行为动态方面的有效性[25]。此外，轨迹聚类和时空分析方法越来越多地被整合到相关研究中，从单个船舶轨迹描述发展到集体行为模式分析[26]。一些先前的研究使用改进的DBSCAN算法对AIS轨迹点进行聚类，验证了基于密度的聚类在识别海上行为方面的有效性[27]。由于传统的空间聚类方法往往难以同时表征受空间邻近性和时间连续性共同约束的聚合过程，时空密度基础的空间聚类应用（ST-DBSCAN）为分析动态环境中的VTADs聚合和演变提供了新的范式[28]。

值得注意的是，VTADs在整个台风影响期间并不均匀发生，而是随着风险环境的变化而表现出明显的时间变化[4,20]。因此，如何适当地划分台风影响期并随后描述船舶行为的空间响应过程对于阐明其背后的避风机制至关重要。目前，大多数研究仍然依赖于固定的时间窗口或经验性的阶段定义来进行时间划分。然而，这样的方法往往将不同风险级别的行为响应混合在一起，可能会导致真实的响应时间序列被掩盖，并削弱空间分析在解释避风机制方面的作用。此外，现有的空间聚类方法主要强调轨迹点之间的空间邻近性，而忽视了行为的时间连续性和顺序特性，这阻碍了在统一的时空框架内全面描述船舶避风行为的动态演变[29]。总体而言，当前方法在时间和空间分析之间存在一定的脱节，这不足以全面揭示台风条件下集体船舶行为的时空响应模式。

为了解决现有研究的局限性，本研究旨在建立一个数据驱动的时空框架，以便描述台风影响下集体船舶避风行为的时间演变和空间重组。研究使用了2019年至2023年的AIS数据来提取研究区域内台风事件期间的船舶导航记录。生存分析用于描述台风和非台风条件下船舶锚泊行为的时间响应差异，并构建一个生存差异序列。奇异谱分析（SSA）和剪枝精确线性时间（PELT）被应用于该序列，以提取主要的时间趋势并识别集体避风过程中的关键阶段。这些确定的关节点被用作后续空间分析的分析窗口，在此框架内应用ST-DBSCAN来识别船舶锚泊位置的聚集模式。提出的框架超越了预定义的时间窗口，直接从观察到的集体锚泊行为差异中推导出集体VTADs的时间结构。然后利用数据驱动的关键阶段来指导特定阶段的时空聚类，建立了从时间响应差异到空间重组的行为驱动分析链。这种耦合使得集体避风过程能够被描述为一个集成的时空演变过程。这些发现为海事管理部门提供了定量证据，以优化台风避风时机和锚泊安排。

本文的其余部分结构如下：第2节回顾了关于船舶避台风的现有研究；第3节介绍了研究方法和整体分析框架；第4节通过案例研究展示了船舶避风行为的实证发现；第5节讨论了研究结果并总结了主要贡献；最后，第6节提供了结论性意见。

文献综述
台风严重扰乱了海上交通运营，并对船舶航行行为产生了深远影响。关于这个问题的研究逐渐从早期关于单个船舶避台风航线优化和决策支持的研究扩展到基于大规模AIS数据的群体行为分析。随着分析规模的不断扩大，相关研究不仅关注台风条件下的航线优化和VTADs，还关注...

方法论
本研究的整体方法论框架如图1所示。首先，根据联合台风预警中心（JTWC）的最佳路径数据确定研究区域的台风影响期，并确定VTAD的观察窗口。其次，从AIS数据中提取船舶锚泊行为。使用Kaplan–Meier方法构建船舶锚泊事件的生存曲线，并比较台风条件和正常条件下的船舶锚泊行为的时间差异。

案例研究
在1979年至2018年期间，台湾海峡共发布了122次台风警报[46]。因此，选择台湾海峡作为本研究的代表区域来研究VTADs。选择了2019年至2023年的台湾海峡AIS轨迹数据和JTWC发布的台风路径数据，进行数据驱动的时空耦合分析。台湾海峡位于台湾岛和中国东南海岸之间，被认为是研究船舶避台风行为的年度比较和事件级别分析的典型区域。

为了揭示台风影响下集体船舶避风行为的时间响应特征，分析了不同年份船舶锚泊行为的时间变化模式。使用生存分析构建船舶锚泊行为的生存曲线，并比较实验组和对照组的生存概率，以描述集体船舶锚泊行为的时间演变。图4展示了生存曲线。

讨论
本研究调查了台风如何影响台湾海峡中VTADs的多维特征，并进一步比较了不同台风过程中集体避风行为演变模式的差异。主要发现表明，台风显著改变了VTADs的多维演变模式。这种影响不仅体现在船舶避风响应的提前启动上，还体现在分阶段的增强上。

结论
本研究重点关注了台风影响下集体VTAD的时空演变。建立了一个数据驱动的多维分析框架，并以台湾海峡作为研究区域进行了实证分析。与以往依赖经验性时间分割和静态空间描述的研究相比，本研究基于行为数据。客观地识别了船舶避台风的关键阶段，并...

作者贡献声明
陈国全：撰写-原始稿件、软件、调查
王遵源：撰写-原始稿件、数据管理、概念化
王普：资源、调查、形式分析
杨胜华：验证、监督、项目管理
方思明：撰写-审稿与编辑、可视化、资金获取、形式分析
吴杰：可视化、数据管理