一种基于双流交叉注意力变换器的框架，用于检测桥梁水域中的船舶超车行为

《Ocean Engineering》：A dual-stream cross-attention transformer-based framework for detecting vessel overtaking behavior in bridge waters

　　•提出了一种用于空间风险管理和异常检测的DS-CAN框架。•在双流中分别编码序列动态特征和先验风险约束。•交叉注意力机制能够精准对齐边缘案例中的异构特征。•在高度不平衡的轨迹数据上实现了更优的召回率和F1分数。引言作为中国最关键的内河航运通道，长江承担着大宗货物运输和区域物流组织等重要功能，在国家综合交通体系中占据重要地位（Yan等人，2017）。随着长江经济带的持续发展，干线船舶的通行量稳步增长，大型船舶的使用趋势日益明显。这导致航道内的交通密度不断上升，使得航行环境更加复杂，给海上交通安全带来了更大压力（Ye等人，2024）。特别是在长江中下游的关键节点水域，船舶交通极为集中。各种航行行为相互叠加，使得潜在风险不断累积，这就要求更高的航道运行和安全管理标准（Xu等人，2025）。在长江航道中，桥区水域是事故风险高度集中的典型区域。由于桥梁墩柱布局和航行限制，桥区水域具有狭窄的航道空间、缩小的横截面、复杂的流体动力学条件，以及船舶操纵难度显著增加的特点（Geng等人，2023；Pan等人，2024）。在高密度交通条件下，桥区水域的船舶不得不频繁调整速度和航线，这就大大增加了超车、并排航行和近距离相遇等互动行为发生的概率。任何不恰当的操纵决策都可能引发严重事故，包括碰撞和撞击桥梁墩柱（Zuo等人，2026）。在这些行为中，超车行为是指两艘船舶在有限的空间范围内不断靠近并交换相对位置，具有很强的动态互动性和较高的风险潜力。根据《中华人民共和国内河避碰规则》和桥梁航行管理规定，为降低复杂环境中的碰撞风险，明确禁止在桥区水域等受限区域进行超车操作。然而，受交通流量密度和速度差异等因素影响，桥区水域仍会出现间歇性的超车行为。由于这种行为本质上违反了桥梁航行规则，且会大幅增加运营风险，因此可将其视为桥区水域典型的异常互动行为。因此，有效检测桥区水域的超车行为对于提升海上安全监管和风险预警能力具有重要的现实意义。自动识别系统（AIS）能够持续记录船舶的关键信息，包括时间、位置、地面速度和地面航向，为大规模、长期分析船舶航行行为提供了重要数据基础（Liu等人，2025）。利用AIS数据，研究人员可以刻画船舶航行模式及其在轨迹层面的互动特征，为异常检测（Wolsing等人，2022）和风险评估（Huang等人，2019）提供数据支持。随着AIS数据采集和处理能力的提升，基于AIS的船舶异常行为分析已成为海上安全领域的重要研究方向（Dugan和Utne，2025）。同时，通过对多艘船舶的AIS轨迹进行时间对齐和空间关系计算，还可以进一步构建船舶之间的互动特征，为识别和检测桥区水域的超车行为提供数据支持。全球范围内已经开展了大量关于船舶异常行为检测的研究，逐渐形成了以规则驱动、机器学习和深度学习方法为代表的多种技术路线（Riveiro等人，无日期；Sánchez-González等人，2026；Stach等人，2023）。在基于规则和行为特征的方法中，研究重点主要是通过手工制定的标准来识别异常或高风险行为（Wróbel等人，2022；Zheng等人，2020）。Zhang等人（2025）提出了一种结合船舶运动状态和互动关系的异常检测方法，通过改进的状态区分规则来识别异常航行状态和联合风险行为，为多船互动场景下的风险分析提供了新视角。Xie等人（2024）则着眼于船舶行为轨迹，基于轨迹形态和运动学特征构建异常区分规则，以检测异常行为。Rong等人（2024）建立了一个全面的异常检测和分类框架，通过规则与特征的结合来区分不同类型的异常行为，提升了异常识别的针对性。此外，Liu和Guedes Soares（2026）针对港口进港区域船舶行为的复杂特性设计了专门的异常判断规则，基于AIS数据实现了对进港阶段异常行为的检测。随着数据驱动方法的发展（Li等人，2024），机器学习也逐渐被引入船舶异常行为分析领域（Durlik等人，2023；Rawson和Brito，2023）。Zhang等人（2023）提出了一种新的船舶轨迹聚类和异常检测方法，通过轨迹聚类分析识别偏离主流模式的异常轨迹，从而基于模式差异实现异常检测。Mangé等人（2025）进一步将机器学习方法与动态时间规整等序列分析技术相结合，用于刻画轨迹相似性并识别异常航行轨迹。近年来，深度学习方法在船舶异常行为检测中的应用受到了广泛关注（Chen等人，2025；Ma等人，2026；May Petry等人，2020；Xiao等人，2024、2026）。Xu等人（2026）提出了一种基于注意力机制的深度学习模型，通过增强模型聚焦关键时间特征的能力，提高了异常行为检测的准确性。Shu等人（2026）利用深度神经网络对船舶行为进行建模，实现了对复杂非线性航行模式的自动学习。Qi等人（2025）基于卷积神经网络构建了实时异常行为检测模型，在实时性能和检测精度方面均取得了良好效果。对于桥区等高风险场景，Mou等人（2026）引入了深度学习模型来模拟船舶轨迹，识别可能导致桥梁碰撞的异常轨迹，从而为桥区水域的航行安全提供技术支持。从整体研究视角来看，Wang等人（2023）和Abdeladhim等人（2026）等综述性研究系统总结了规则驱动、机器学习和深度学习方法在海上异常检测领域的最新进展，表明目前已形成了较为完善的技术体系。然而，现有方法在应用于桥区水域船舶超车这一特定行为时仍存在不足。首先，大多数当前的深度学习方法采用纯粹的数据驱动模式，仅专注于从AIS轨迹中自动学习行为模式，而未能有效利用桥梁航行规则、几何约束和超车禁令等领域先验知识，这导致其对桥区水域特定风险语义的理解不够充分。其次，超车行为并非单艘船舶的孤立异常现象，而是两艘船舶在特定时间窗口内发生的动态互动过程。然而，现有的大多数方法仍然以单艘船舶的轨迹为中心，或依赖于简单的两艘船舶状态拼接，难以有效捕捉超车船与被超船之间的不对称角色关系和动态互动特征。此外，当前研究中异构信息的整合程度相对较低。现有方法通常直接将手工设计的统计特征与深度时间特征拼接在一起，隐含地假设这两种类型的信息具有相同的语义层次结构。实际上，时间轨迹特征主要反映船舶互动过程中的微观动态演变，而专家制定的风险特征则代表宏观规则先验，两者在语义空间上存在本质差异。简单的拼接无法实现深层语义协同，因此亟需一种能够实现深层语义对齐和异构信息自适应融合的建模机制。因此，本研究的目标是开发一种用于桥区水域船舶超车行为检测的智能框架，将动态轨迹演化特征与导航相关的先验知识相结合，并探讨此类融合策略是否能够提升复杂超车行为的识别能力。与那些仅仅简单组合不同特征表示的传统特征拼接式融合方法不同，所提出的DS-CAN框架能够实现时间轨迹特征与专家先验知识之间的自适应互动。在船舶超车检测中，仅凭运动模式可能对应不同的航行意图，而先验知识则能提供重要的上下文约束。通过交叉注意力机制，先验流可以引导更相关的时间特征的提取，使模型能够更好地把握船舶运动演变与超车相关条件之间的关系。本文的主要贡献如下：（1）针对桥区水域超车行为存在明确的法规约束和高风险特点，提出了一个基于规则的桥区超车行为检测框架。通过将AIS轨迹数据与航行规则相结合，构建了桥区超车事件的自动标注机制，实现了超车行为的规则化建模和监督标签的生成；（2）设计了一种新型的双流交叉注意力网络（DS-CAN）结构。该模型分别独立编码船舶互动的时间特征和专家风险先验，通过交叉注意力机制实现异构信息之间的深层语义融合，从而提升了模型表征动态双船互动关系的能力；（3）基于从武汉长江大桥和第二武汉长江大桥桥区水域收集的AIS数据进行了实验验证。结果表明，所提出的方法在超车行为检测任务中优于传统的机器学习模型和主流深度学习基准模型，尤其在非典型超车场景和少数异常行为的识别方面，表现出更优异的检测性能和可解释性。片段内容船舶超车行为检测框架为解决桥区水域船舶超车行为检测任务中存在的问题，本文提出了一个从数据预处理到智能检测的完整框架。图1展示了所提出的超车行为检测框架的整体结构，后续章节将详细介绍各个组成部分。该框架以AIS数据作为输入，以二分类方式判断是否存在超车行为作为输出，主要包括研究区域与数据概况本文选择长江主航道上的武汉港核心航行段作为研究区域，具体聚焦于武汉长江大桥区域和武汉长江第二大桥区域（见图7）。本研究使用的实验数据来源于2024年7月1日至7月31日期间在该水域收集的AIS数据。数据字段包括海事移动服务标识、时间戳、经度、纬度、地面航向等。讨论与结论由于桥区水域的航行环境受限以及船舶之间复杂的互动关系，很难识别船舶超车行为。为应对这一挑战，本研究提出了一种DS-CAN框架，该框架将基于AIS的轨迹演化特征与导航相关的先验知识相结合，以实现自动超车行为检测。在实际应用中，所提出的框架可以作为现有海上交通管理系统中的辅助模块加以部署。CRediT作者贡献说明Kang Liu：方法论、指导、写作——审阅与编辑。Xing Du：调研。Langxiong Gan：验证、可视化。Chengyong Liu：形式分析、资源准备。Jinli Xiao：调研、指导、写作——初稿撰写。利益冲突声明作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。Kang Liu|Xing Du|Langxiong Gan|Chengyong Liu|Jinli Xiao