基于EAC的集成聚类方法，结合四维特征用于内河航道的上行与下行路线提取

《Ocean Engineering》：EAC-based ensemble clustering with four-dimensional features for upbound and downbound route extraction in inland waterways

　　

• •
  通过AIS数据，一种共识框架可确定船舶常用的航行走廊。
• •
  通过融合四维空间航向特征，可解决交通流重叠带来的模糊问题。
• •
  路线关键点可为在选定聚类指标和基于轨迹的验证下提升性能提供参考。

引言

在水域狭窄且交通密集的环境中确保船舶的安全高效运行，是海洋与海事工程领域的重要课题，这直接关系到港口工程、航道管理以及海上安全。内河运输是全球水上运输网络的重要组成部分，它连接着内陆工业区与沿海港口，具有运量大、成本较低且碳排放少的优点，对推动可持续航运物流发展起着关键作用。

随着海事数字化的快速发展，自动识别系统已成为监测与决策的重要工具，支持船对船、船对岸以及岸对岸之间的通信。国际海事组织要求特定类别的船舶必须安装AIS设备。随着AIS覆盖范围和数据质量的不断提升，实时位置、地面航向以及地面速度等动态信息也能以较高的时间连续性被获取。这些数据可应用于诸多海洋工程领域，比如海上交通安全分析、交通流特征描述、智能交通管理，以及用于后续的轨迹预测、异常检测和碰撞风险评估。

目前，船舶轨迹聚类技术主要在沿海水域、港口和河口区域得到应用，因为这些地方的交通模式相对清晰，且可通过大量观测数据重建出路线网络。而在长江等内河水域，船舶航行会受到河道几何结构、助航设施以及交通规则的限制，上下行船只的流动并非完全无序。本文要解决的具体问题是：如何在不依赖人工重建轨迹的情况下，从大量混合、存在噪声且局部重叠的AIS观测数据中，提取出稳定且具有代表性的路线样本及关键点。在具体的河段中，这一问题的存在可以通过多种可观测现象体现，而不仅仅是因为河道结构复杂。首先，河流的弯曲会导致单一的全球航向阈值不可靠，因为同一方向的上行或下行船流在不同弯道处的航向值可能差异很大；其次，桥梁区域、交叉段以及河道过渡段会导致上下行船流在空间上出现严重重叠；再者，由于AIS数据的采样不规律，可能存在缺失报告、异常的MMSI记录或不一致的报告间隔，因此轨迹重建可能会产生碎片化的船舶轨迹。这些情况并不会影响整体有序的交通组织，但若将其作为提取共识路线模板的基础，那么单一阈值分类、单一聚类以及仅基于轨迹的预处理方法就会显得不够稳定。因此，本研究的核心缺口并非简单地将聚类技术应用于长江某段河道，而是缺乏一种透明的共识形成机制，能够从多元的无人监督聚类结果中识别出那些反复出现的、具有代表性的双向交通结构，进而筛选出可靠的局部关键样本，用于生成推荐的航行走廊。

针对上述挑战，本文旨在通过密集且未标注的AIS观测数据，实现双向船舶交通的精准分离，并提取出通用的航行走廊。其基本假设是：尽管船舶的类型、大小及运行条件各不相同，但在同一内河段航行的船舶往往会反复选择有限的几条可行且符合运营要求的航行路径。首先，通过正弦和余弦函数对航向数据进行处理，并将其纳入聚类算法的距离计算中，从而解决航向数据存在的循环数值冲突问题。随后，没有直接比较K均值、DBSCAN和谱聚类算法生成的数值标签，而是设计了一种证据累积聚类策略，将每种基础聚类结果转化为成对的同簇证据。之后构建多数共识共关联矩阵，并采用完全链接层次聚类作为共识函数，最终得到双向划分结果。该流程会遍历每个局部区域的所有AIS样本，找出在不同聚类假设下均得到支持的共同样本，从而分离上下行船流，为提取路线关键点提供可靠依据。接着，通过k维树过滤机制对生成的共识标签进行优化，消除局部矛盾并去除不可靠的边界点。最后，提取具有代表性的路线关键点及其对应的航行状态，从而为上下行航行生成共识路线模板。

基于上述研究背景，本文的主要贡献如下。

• (1)
  提出了一种自适应分割策略，可将航道划分为比例相等的数据块，并通过重新缩放使其具有统一的数量级，从而为局部聚类提供更好的支撑。
• (2)
  通过将地理坐标与航向的正弦、余弦变换相结合，构建了四维特征空间，同时采用了与标签无关的证据累积共识方法，整合了三种互补聚类算法产生的成对同簇证据。
• (3)
  开发了一种基于k维树的优化流程，可用于去除那些在局部范围内缺乏支持的共识样本，提取上下行的AIS数据子集，并识别出具有代表性且附有速度和航向统计信息的路线关键点，为后续生成共识路线模板提供依据。

上述每项贡献都针对了单独使用现有工具无法解决的特定技术难题。首先，直接将地面航向作为线性特征会在0°/360°边界处产生人为的不连续性；而通过正弦-余弦分解（第3.1节）可将圆形航向拓扑结构嵌入欧几里得空间，并将其纳入三种基础算法的距离计算中，这一做法在现有的AIS聚类研究中并不常见。其次，K均值、DBSCAN和谱聚类算法生成的数值标签具有算法特异性，无法直接比较；而通过标签无关的共关联公式（第3.3节），可将每种基础聚类结果转化为成对的同簇证据，同时用固定分母处理DBSCAN算法产生的噪声，这使得该方法不同于简单的多数投票法。第三，即使在经过共识聚类后，狭窄河道中的双向船流仍可能在局部产生交错标签；而k维树过滤步骤（第3.3节）是通过空间邻域一致性而非全局阈值来去除局部不受支持的样本，因此属于基于几何特征的优化方式，而非通用的去噪方法。

总而言之，所提出的框架是一种面向工程的共识路线模板提取方法，而非替代基于轨迹的行为建模技术。它的创新之处在于，将空间航向特征、标签无关的多数共识机制、完全链接划分方法以及局部一致性过滤机制有机结合，用于识别历史上船舶经常选择的稳定双向航行走廊。由于直接利用了大量未标注的AIS数据，因此在实际目标是确定可行的航行区域、推荐航行路径以及关键操作点时，无需进行复杂的轨迹重建。同时，由于该方法是以点为基础的，其应用范围仅限于代表性走廊的提取和关键点的筛选；对于船舶身份的连续性、局部操纵序列以及航线演变等细节问题，则需要通过未来的基于轨迹的扩展方法来解决。

本文的其余部分结构如下：第3节详细介绍了所提出的方法，包括数据预处理、集成聚类以及路线关键点筛选流程；第4节介绍了实验内容，涵盖数据集描述、参数设置、评估指标以及对比分析；第5节对全文进行了总结，阐述了本文的贡献、实际意义，并提出了未来研究的方向。

章节要点

相关研究

本研究的相关工作主要围绕两个方面展开：一是聚类算法在路线提取中的应用，二是集成聚类算法的研究。

方法论

本章主要介绍实验中使用的AIS数据处理方法、各类聚类方法及其改进措施、基于完全链接层次聚类的证据累积集成聚类方法，以及共识路线模板的生成过程。首先会对异常、错误和重复的AIS数据进行处理。然后，利用证据累积聚类方法，根据DBSCAN、K均值和谱聚类算法提供的成对同簇证据，构建一个与标签无关的共关联矩阵。之后采用完全链接

实验部分

本章的主要目的是将第3节提出的方法应用于某内河段的真实AIS数据集，以此验证基于证据累积聚类算法的集成聚类方法在区分上下行船舶轨迹方面的有效性。

结论

本研究提出了一种基于AIS的集成聚类框架，用于在狭窄的内河水域中提取通用的双向航行走廊模板。通过采用证据累积聚类策略整合多种互补的聚类算法，并借助基于k维树的局部一致性检查机制对融合后的结果进行优化，该框架有效解决了交通流量密集、相反方向的船流在空间上严重重叠等问题。

CRediT作者贡献说明

刘宗英：方法论设计、概念构思。 王新浩：初稿撰写、可视化处理、软件应用、项目管理。 潘明阳：资源协调、调研工作、资金筹集。 郑昭硕：可视化处理、研究指导、软件应用。 增山直树：研究指导、方法论设计。

利益冲突声明

作者声明不存在任何可能影响本文研究结果的已知利益冲突或个人关系。

Zongying Liu|Xinao Wang|Mingyang Pan|Chyan Zheng Siow|Naoki Masuyama