一种用于船舶导航意图识别的双重驱动方法：结合轨迹预测与知识推理

《Ocean Engineering》：A dual-driven method for ship navigation intention recognition: Integrating trajectory prediction and knowledge reasoning

航行意图识别与语义推理方法研究

　　

Junnan Zhao|Chunhui Zhou|Ziyuan Bian|Myo Ko Ko Latt|Zhijiang Li

武汉理工大学导航学院，中国武汉，430063

摘要

船舶导航意图是指船舶在特定环境条件下的行为模式和目标，这些由航行规则、动态特征和地理因素决定。与传统轨迹分析不同，意图识别提供了更高级的语义信息，对智能海上交通监管至关重要。本文提出了一种结合数据驱动的轨迹预测与知识驱动推理的双驱动方法。首先，构建了一个四层行为语义框架和船舶行为本体，并通过语义网规则语言（SWRL）规则推断语义信息。其次，开发了一个带有语义标签的Transformer–Gated Recurrent Unit（T-GRU）模型，以捕捉时间依赖性并改进运动趋势预测。通过将导航意图映射到语义框架中，并将预测动态与基于本体的推理相结合，可以识别内河船舶的意图。案例研究证明了该方法的有效性，显示出对正常和特殊操作意图的准确识别。这些结果为船舶监控和风险预防提供了技术支持，增强了海上交通管理中的主动感知和早期预警能力。

引言

内河航运是连接内陆地区和沿海港口的重要纽带，在货物运输中发挥着关键作用，并对区域经济发展产生不可替代的影响（Cai等人，2021年；Wanwei等人，2026年）。随着船舶数量的不断增加和航行环境的日益复杂，对海事管理部门的监管压力也在加大。基于船舶轨迹数据进行时空分析，以及船舶行为识别（Xie等人，2024年；Xin等人，2024年）和水上交通状况评估（Murray和Perera，2022年；Zhang等人，2023年），有助于实现智能水上交通安全监管。历史或当前的轨迹分析和评估往往存在滞后性，增加了与交通安全监管决策相关的不确定性风险；轨迹预测可以估计船舶的未来位置和运动特征，跟踪其导航趋势，并实现主动预测和决策。然而，现有方法缺乏场景语义信息，难以满足智能交通安全监管的要求。

船舶导航意图是指船舶在特定航行环境和条件下的行为模式和导航目标，这些由航行规则、动态特征和地理因素决定。这些意图可以分为三类：正常导航意图、规避意图和特殊操作意图。在宏观层面，导航意图对应于船舶的整体导航目的，如靠泊、抛锚或通行。在微观层面，导航意图指的是船舶即将采取的行动，如减速、转向或穿越。显然，导航意图比传统的轨迹描述包含了更丰富的上下文语义信息，其准确识别可以显著提升海上交通安全监管的智能化水平。

随着技术的快速发展，船舶安全监管系统（如自动识别系统（AIS）、船舶交通服务（VTS）和闭路电视（CCTV）不断得到升级和优化，为海上安全监管提供了有力支持（Sui等人，2022年）。其中，VTS报告系统是交通安全监管的关键手段之一。当船舶穿越报告线时，必须通过甚高频（VHF）或其他有效通信方式向指定的VTS中心报告其名称、位置、动态、类型和实际最大吃水深度。通过这种报告机制，VTS中心可以提前获取船舶的导航计划，例如在特定泊位靠泊、在指定锚地抛锚或前往上游港口。宏观导航意图代表了船舶的整体活动目的，为其导航提供了指导。在宏观导航意图的辅助下，可以更精确、更早地识别微观意图（如减速、转向或穿越），从而实现主动风险识别和及时干预。

船舶导航意图包含丰富的上下文语义信息，其准确识别依赖于精确的语义表示和有效的知识推理方法。在人工智能领域，本体是一种用于描述概念、关系和规则的形式化知识表示方法（Shu等人，2025年）。通过明确定义概念及其相互关系，本体有助于消除歧义，提高信息的准确性和一致性，并支持基于规则的推理。这些特性使得本体非常适合船舶导航意图的语义表示和推理。因此，本文提出了一种结合深度学习预测与知识推理的船舶导航意图识别方法。具体来说，我们的贡献包括三个方面：（1）构建了一个四层行为语义认知框架，实现了行为的结构化表示和可解释建模；（2）设计了Label-Transformer-GRU（L-T-GRU）船舶轨迹预测方法，以提高预测准确性和可解释性；（3）开发了一种结合数据驱动的轨迹预测与知识驱动推理的双驱动方法，实现了对未来意图的主动识别，增强了海上交通监管的预见性和主动性。

本文的其余部分安排如下：第2节回顾相关工作；第3节介绍理论方法；第4节展示实验和分析；第5节总结研究。

章节摘录

船舶行为的语义建模与识别

现有的语义识别方法主要基于机器学习和深度学习模型，用于识别特定的船舶行为，如靠泊、转向和穿越（Kabir等人，2022年；Yang等人，2024年）。这些方法通常依赖于大量的AIS数据进行训练，这对数据质量和规模都有很高的要求。然而，大多数基于学习的船舶行为研究仍然侧重于轨迹模式的建模和预测

方法论

基于知识推理和轨迹预测的船舶导航意图识别研究框架如图1所示。首先构建船舶行为本体，并建立SWRL规则以识别与船舶行为相关的语义信息。然后将识别结果标注到船舶轨迹上。随后，构建基于Transformer–GRU的轨迹预测模型，并通过整合轨迹来推断导航意图

案例研究

本研究的实验区域选为长江江苏段的南通水道，范围从#4号红色浮标到胡苏通长江大桥附近的#24号红色浮标（见图9）。实验数据集使用了2024年2月的AIS数据。

使用QGIS获取并标注了实验区域内水道、锚地和港口的空间信息。标签结果如图所示。具体包括URC、UDC、DRC等

讨论

本研究重点关注船舶导航意图的识别，这些意图本质上代表了船舶在航行过程中的潜在未来行为。目前，关于船舶意图识别的研究仍然相对有限，大多数方法仅限于几何轨迹预测，难以捕捉船舶行为背后的深层语义和知识。为了解决这一差距，本文提出了一种船舶导航意图识别方法

结论

为满足海上交通安全监管的要求，本文提出了一种结合深度学习和语义推理的双驱动方法来识别船舶导航意图。构建了一个四层行为语义认知框架和相应的语义本体，通过SWRL规则实现了行为推断和识别。同时，构建了L-T-GRU轨迹预测模型，并结合语义推理以实现

CRediT作者贡献声明

Junnan Zhao：撰写 – 审稿与编辑，撰写 – 原稿，验证，方法论，调查，形式分析，概念化。Chunhui Zhou：撰写 – 审稿与编辑，撰写 – 原稿，监督，项目管理，调查，数据管理，概念化。Ziyuan Bian：撰写 – 原稿，可视化，验证，方法论，概念化。Myo Ko Ko Latt：撰写 – 审稿与编辑，撰写 – 原稿，调查。Zhijiang Li：

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。

致谢

本研究得到了国家自然科学基金（编号52171349，编号52572388）的资助。