《Journal of Marine Science and Engineering》：A BASM-Integrated LLM Reasoning Method for Multidimensional Vessel Anomaly Attribution and Decision Support
编辑推荐：
船舶异常行为的归因对于海上交通监管和安全决策至关重要。然而，现有方法往往缺乏系统性解释多维异常特征并揭示其潜在行为机制的能力，限制了异常归因的透明度和实用价值。为了应对这些挑战，研究人员提出了一种基于大型语言模型 (LLMs) 的多维异常船舶行为归因与决策支持
船舶异常行为的归因对于海上交通监管和安全决策至关重要。然而，现有方法往往缺乏系统性解释多维异常特征并揭示其潜在行为机制的能力，限制了异常归因的透明度和实用价值。为了应对这些挑战，研究人员提出了一种基于大型语言模型 (LLMs) 的多维异常船舶行为归因与决策支持框架。具体而言，该框架首先采用行为异常语义映射 (BASM) 将多维异常特征转换为受逻辑约束的结构化语义单元；随后利用针对LLMs的知识引导推理 (KGRP-PCoT) 进行多步推理，实现了从低层异常观测到高层行为机制的系统性归因。在来自吴淞口水域的自动识别系统 (AIS) 数据上进行的实验表明，所提出的框架显著优于传统方法。定量评估显示，当该框架与DeepSeek等先进LLMs集成时，其 BLEU-4 得分达到0.91， BERTScore 达到0.98。此外，消融研究证实，所提出的 BASM 和 KGRP-PCoT 机制将 BERTScore 从大约0.86提升至0.98。这不仅更准确地揭示了异常行为背后的因果机制，还提高了逻辑一致性和法规遵从性，确认了其实用性和决策支持价值。
海事交通对全球贸易、港口运营和航运安全至关重要。随着海上环境日益复杂，船舶航行往往伴随着耦合的多维异常（如速度不规则、航向偏差和加速度波动），这可能预示着潜在的操作风险、环境干扰或异常行为。现有的研究主要集中在异常识别和风险评估上。尽管近年来可解释的异常检测方法通过特征级分析提高了异常船舶行为的可解释性，但它们对多维异常的语义抽象和行为机制归因的支持有限。同时，尝试将行为观测映射到语义或符号表示的现有方法多集中在解释观测到的异常特征，而多维异常特征与其潜在行为机制之间的关联仍未充分建立。因此，在多维异常条件下的动态因果归因仍然具有挑战性。为了解决从多维异常缺乏可解释的语义映射以及缺乏用于系统归因的知识引导因果推理这一局限性，研究人员开展了一项关于多维船舶异常归因与决策支持的研究，并提出了一种集成行为异常语义映射 (BASM) 与大型语言模型 (LLM) 驱动的知识引导推理的框架。该研究得出了所提出的框架在异常归因的逻辑完整性、法规遵从性和操作适用性方面均优于现有方法的结论，其重要意义在于揭示了异常行为背后的因果机制，提高了逻辑一致性和法规遵从性。本研究成果发表在《Journal of Marine Science and Engineering》。
为了开展此项研究，研究人员主要采用了以下关键技术方法：首先，基于图神经网络（包含节点嵌入、图结构信息与空间约束）量化复杂交互环境中船舶的异常特征贡献度；其次，设计行为异常语义映射 (BASM) 机制，通过自适应Top-K特征选择、基于百分位阈值的异常强度量化以及拓扑-环境语义耦合，将数值异常转化为结构化语义单元；接着，构建KGRP-PCoT（知识引导的渐进式思维链）推理算法，结合《国际海上避碰规则》(COLREGs)等规则库，在大型语言模型 (LLM) 中实施运动学一致性、法规映射和上下文优先级的逻辑约束推理；最后，采用自动识别系统 (AIS) 轨迹数据（队列来源为上海吴淞口水域，经预处理后包含2753个轨迹样本）并引入自然语言生成 (NLG) 指标与五层分层评估体系对框架进行验证。
1. 异常特征表示
在感知层中，研究人员通过构建异构图 G=(V,E,R) 捕获船舶在复杂交互环境中的异常特征，并利用节点嵌入和注意力机制计算各个特征（如速度偏差、航向波动等）对整体异常评估的贡献度。通过图结构的建模，模型能够聚合所有交互邻居的关系信息，从而在上下文感知的基础上弥合原始AIS数据与语义解释之间的差距，为后续的语义映射提供可靠的特征表示。
2. 跨模态语义映射
在语义中间层中，基于计算出的贡献向量，研究人员构建了行为异常语义映射 (BASM) 单元。通过对异常强度进行量化（使用25th, 50th, 75th百分位数作为阈值将特征强度划分为Normal, Slight, Significant, Critical四个等级），并结合船舶拓扑关系、空间约束以及电子海图 (ENC) 的地理上下文，将多维异常观测转化为结构化且可解释的语义描述符。为提高BASM生成的鲁棒性，还引入了自适应Top-K特征选择机制，该机制通过设定90%的累积贡献阈值动态调整特征数量，确保大型语言模型 (LLM) 接收高信噪比的语义输入。
3. 知识引导的行为机制推理
在认知推理层中，研究人员采用了知识引导的渐进式思维链 (KGRP-PCoT) 推理算法。该算法将行为异常语义映射 (BASM) 生成的语义单元与海事知识库（包含国际海上避碰规则 (COLREGs)、专家启发式规则、环境与地理知识）相融合，通过形式化大型语言模型 (LLM) 的代理角色，并在推理中强制执行运动学一致性A1、法规映射A2和上下文优先级A3等逻辑约束，进行多步因果推理，最终生成包含事实证据、法规违规映射、风险评估和决策建议的结构化归因报告。该方法确保了归因输出在逻辑上的连贯性与面向决策的实用性。
4. 评估指标
为了全面评估归因报告的质量，研究人员采用了自然语言生成 (NLG) 评估指标，包括BLEU-4（测量n-gram精度）、ROUGE-L（评估最长公共子序列以量化信息完整性）以及BERTScore（利用预训练语言模型的上下文嵌入计算深层语义空间中的相似度）。此外，还构建了一个遵循RAGAS评估范式的五层分层评估系统，从低层物理约束到高层决策支持，全面评估报告的可靠性与实用价值。
5. 实验
在实验设置中，研究使用了来自上海吴淞口水域的自动识别系统 (AIS) 数据。在跨大型语言模型 (LLM) 泛化评估中，框架在不同架构的LLM上展现出稳定的性能，其中DeepSeek-V3.2和Wenxin 4.5在BLEU-4、ROUGE-L和BERTScore指标上取得最佳结果。消融研究表明，引入BASM语义映射后各指标均有显著提升，而完整的KGRP-PCoT框架表现最优，BERTScore从基准的约0.85-0.88提升至0.97-0.98。定性案例分析表明，原始多维数值振荡异常经BASM抽象后，LLM能够有效进行高层归因分析并生成具有逻辑一致性和海事专业性的报告。
6. 深入的组件级分析与机制验证
通过对比不同的推理范式，KGRP-PCoT在推理逻辑 (RL)、风险意识 (RA) 和可操作性 (AC) 等评估维度上均取得最高分。语义映射组件的有效性评估显示，BASM增强的方法在五个异常案例中均优于非语义框架。通过行为异常语义映射 (BASM) 结果的可视化分析，研究人员观察到BASM能够准确地将异常节点定位并关联至相应的语义标签，同时抑制由正常轨迹波动引起的误报。此外，自适应语义特征选择机制评估表明，该机制在稀疏和过饱和邻域基线之间实现了平衡，为LLM推理提供了更稳健的输入。
7. 结论
本研究提出了一种集成行为异常语义映射 (BASM) 与大型语言模型 (LLM) 驱动的知识引导推理的多维海事异常归因框架。实验结果表明，该框架具有良好的跨LLM泛化能力，消融研究证实了BASM和KGRP-PCoT机制的逐步贡献。然而，该研究仍存在局限性：当前评估仅基于单一港区（吴淞口水域）的AIS数据，框架在其他海事区域的泛化能力仍需验证；现实世界的应用还受到AIS数据可靠性问题（如欺骗或传输间隙）以及船舶交通模式非平稳演变的影响，可能导致性能漂移。未来的工作将优先考虑对损坏数据进行稳健的轨迹插补，探索无需完全重训练的提示自适应策略，并在地理环境多样化的港口间进行扩展基准测试，以弥合离线验证与实际可持续决策支持之间的差距。
