基于自监督对比学习的渔船行为高效分类方法——利用自动识别系统数据

《Ocean & Coastal Management》：Self-supervised contrastive learning for efficient behavior classification of fishing vessels using automatic identification system data

　　

• •
  基于SSL的框架可区分捕鱼与航行行为。
• •
  Hermite插值法可实现精确且均匀的AIS轨迹建模。
• •
  SimCLR嵌入技术提升了分类精度（F1值高达0.974）。
• •
  AutoML技术无需手动调整模型即可实现可靠分类。

引言

大数据与人工智能的进步使得人们能够利用自动识别系统（AIS）数据对船舶活动进行系统分析，从而提升海上安全水平（Lee等人，2022年）。然而，随着货物量和船队规模的增加，海上交通变得更加复杂，导致船舶碰撞频发，给安全航行带来挑战（Lee等人，2023年）。商船与渔船之间的碰撞尤为常见，在韩国，这类碰撞的发生频率是纯商船之间碰撞的2.4倍（Kim，2024年；Yang等人，2023年）。

对于大多数商船而言，在相对可预测的运营模式下，已有大量研究为确保安全高效航行提供了支持，比如为航行安全优化路线（Van Hung等人，2023年），以及考虑燃油消耗和排放因素优化航程（Zhao等人，2025年；Bahrami，2026年）。而渔船的运营模式则与这些规律大相径庭。从事捕捞作业的渔船往往缺乏足够的情境意识，不遵守航行规则，也较少使用通信设备，这些都增加了碰撞风险。此外，由于渔场变化、气候变化和政策因素的影响，渔船的移动模式十分不规律，进一步增加了对其行为分析的难度（Kroodsma等人，2018年）。随着技术的发展，沿海和近海地区的渔业活动愈发多样化（Utama等人，2025年）。除了传统的刺网之外，围网和底拖网等渔具的广泛应用，再加上船舶设计的改进，使得渔船能够在更远的海域进行更长时间的作业（Eigaard等人，2014年）。与此同时，风况、天气和海洋环境等环境因素也在推动渔业作业方式和区域的变化（Galappaththi等人，2022年）。所有这些因素都增加了船舶碰撞的风险，可能导致人员伤亡、财产损失以及环境污染（Zhu等人，2024年）。因此，准确识别渔业活动并量化分析船舶行为对于保障海上安全至关重要。

由于渔业作业方式的多样性，要了解渔船的行为模式仍然颇具挑战。与通常遵循固定航线或围绕港口活动的商船不同（Hague等人，2026年），渔船在航行过程中还会开展各种捕捞作业（Rezaee等人，2016年）。目前常用的传感器数据来源，如AIS和船舶监控系统（VMS），并未包含能够明确区分捕鱼与其他船舶活动的变量。而日志数据或船载监控视频分析等替代方法，则难以应用于在广阔海域作业的大型船队（Cheng等人，2023年）。

在此背景下，人们开始广泛运用基于传感器获取的船舶位置数据通过轨迹分析来定量研究渔船行为（Zhang等人，2021年；Zhu等人，2023年；Han等人，2025年）。为了更全面地描述船舶状态，人们还使用了地面速度（SOG）和地面航向（COG）等常用指标，以及由此衍生出的特征和空间信息（Guan等人，2021年）。Marzuki等人（2018年）将基于轨迹的特征与机器学习算法结合，用于分类渔船行为；而Yang等人（2024年）则通过特征工程量化了不同轨迹之间的形态差异。

不过，由于通信故障和外部因素的影响，传感器数据常常存在缺失或不准确的情况（Zhang等人，2017年），这就需要构建时间上连贯的轨迹数据（Guo等人，2021年）。尽管充分的预处理和统一的时间间隔非常重要，但以往的研究并未充分满足这些要求，这说明有必要开发更好的方法。

全球范围内，渔船在注册船舶中占比最高，它们在各类沿海和近海区域都有活动（FAO，2024年）。渔船产生的海量数据使得人工智能技术在鱼类活动分类中不可或缺。由于捕鱼与航行的界限本身就比较模糊，深度学习技术在识别二者之间的决策边界方面尤为有效（Chen等人，2020a年；Llerena等人，2024年）。不过，要获得高精度分类结果，就需要大量的数据，而这些数据的收集成本很高，而且标注过程中也可能存在偏差（Kim等人，2025年）。

自监督学习（SSL）可以通过让模型从无标签数据中学习，从而降低标注成本和偏差，同时生成适合后续分类的嵌入向量，解决了上述问题（Gui等人，2024年）。将SSL生成的嵌入向量作为输入，还能进一步提升对捕鱼和航行行为的分类精度。

如今机器学习算法的种类越来越多，模型选择和调优的工作也越来越复杂，这需要专业的人才才能完成（Wang等人，2024年）。自动机器学习（AutoML）通过自动化模型开发流程，减少人工干预，进而实现对复杂数据的高效分类，解决了这一难题（Truong等人，2019年；He等人，2021年）。正因如此，AutoML非常适合用于解决二分类问题，也就是鱼类活动分类问题。

因此，在本研究中，我们提出了一种基于渔船轨迹的自监督学习方法，用于对船舶行为进行分类和量化分析。首先，我们对AIS数据进行处理插值，将其整理成按时间顺序排列的轨迹数据。接着，我们提取以往研究中用过的、与领域相关的特征，构建结构化的数据集。随后，通过自监督学习根据轨迹的相似性生成嵌入向量，再将这些嵌入向量与AutoML分类器结合，最终得到用于鱼类活动分类的模型。此外，我们还提出了一套用于描述鱼类活动特征的量化框架。

与那些试图通过更复杂的架构和辅助数据源来提升分类性能的近期基于AIS的研究不同，本研究表明，真正的瓶颈在于轨迹表示方式，而非分类器的设计。通过构建采样均匀的轨迹数据，提取与领域相关的特征，并通过对比学习对这些特征进行优化，所提出的框架仅依靠AIS数据就能实现可靠的分类，且不受后续所使用分类器类型的影响。这种以表示为中心的方法不仅解决了标记数据稀缺和模型选择主观性的问题，还能满足实际应用中的扩展需求，可将分类结果转化为基于网格的空间密度信息，为海上交通管理和沿海区域管理提供直接支持。

本文的其余结构如下：第2节是对相关文献的综述，第3节详细介绍所提出的方法，第4节展示实验结果，第5节为讨论与局限性分析，第6节则为结论与未来研究方向。

各部分要点

渔船活动分类

用于分析渔船活动的数据大致可分为传统渔业数据（如日志记录）和基于传感器的船舶跟踪数据。Cheng等人（2023年）对这些数据来源进行了梳理，指出包括日志记录和实地调查在内的传统数据，由于存在时间延迟和较低的时空分辨率，难以用于实时监测。为克服这些缺陷，人们开始广泛使用VMS和AIS数据。尤其是AIS能够提供高分辨率的实时数据

方法论

图1展示了本研究的整体工作流程。首先，我们收集了用于分析渔船活动的AIS数据，并对其进行了预处理。接着，我们以1秒为间隔对这些数据进插值处理，构建出密度较高的数据集，然后从中生成10分钟的轨迹数据，并提取用于分类的轨迹级特征。基于这些特征，我们通过自监督学习生成具有区分度的嵌入向量，最后再利用AutoML技术对鱼类活动进行分类。

轨迹特征分布

由海事、渔业和船舶运营领域的专家根据每条轨迹的空间运动模式，分别将真实数据标记为捕鱼或航行状态。对于那些判断不明确的案例，则通过分析速度和航向等AIS数据中的相关参数来作出判定。之后，我们将标记好的数据集在轨迹层面按照8:2的比例随机划分为训练集和测试集，同时采用分层抽样方法来保持各类别的分布比例，且随机种子是固定的

讨论与局限性

本研究方法主要有四项贡献。首先，通过Hermite插值法生成等间隔数据，能够有效捕捉船舶的转向行为。其次，通过将轨迹级特征与自监督学习相结合，生成了更具表达力的嵌入向量。第三，借助AutoML框架提升了分类的客观性和效率，而且该方法的有效性已在多个海域得到了验证。第四，通过空间分析，证明了该方法的实际应用价值

结论与未来研究方向

在本研究中，我们提出了一种基于自监督对比学习的框架，用于分类渔船行为——这是导致渔船与商船发生碰撞的重要因素，该框架有助于提升海上交通管理的水平。我们围绕渔船的捕鱼状态和航行状态，构建了一套完整的分析流程，包括通过Hermite插值法对AIS数据生成等间隔轨迹，提取11项与领域相关的特征，使用SimCLR生成嵌入向量，最后通过AutoML进行分类。

数据说明

由于相关限制，这些数据需经申请方可获取。本研究中的数据可向相应作者申请获得。出于安全考虑，这些数据并不对外公开。

资金支持

本研究得到了韩国海洋科学技术振兴院（KIMST）的支持，该机构由海洋水产部提供资助（项目编号：20220431；项目名称：海洋空间政策模拟技术开发）。

CRediT作者贡献说明

Hak-Chan Kim：概念构思、数据整理、形式化分析、研究实施、初稿撰写。Hyeong-Tak Lee：研究实施、方法设计、结果验证、文章审阅与编辑。Sang-Won Lee：结果验证、可视化处理、文章审阅与编辑。Moon-Suk Lee：资源协调、研究指导。Ik-Soon Cho：资金筹集、研究指导、结果验证。

利益冲突声明

作者声明，他们不存在任何可能影响本研究结果的已知利益冲突或个人关系。

Hak-Chan Kim|Hyeong-Tak Lee|Sang-Won Lee|Moon-Suk Lee|Ik-Soon Cho