港内AIS船舶轨迹重建的基于数据驱动图方法

《Algorithms》：Data-Driven Graph-Based Methods for In-Port AIS Vessel Trajectory Reconstruction

　　

港内及港口周边AIS轨迹常因传输中断、接收失败与基础设施停摆而不完整。研究人员考察了Data-driven AIS Trajectory Interpolation（DAISTIN）方法——该方法利用历史AIS观测构建的图重建缺失轨迹段——是否可通过保留局部方向信息（否则在采样成图时被丢弃）而获得改进。为此研究人员提出两种扩展方法xDAISTIN与xDAISTOUT。所提方法的创新性在于扩展DAISTIN，以邻近历史AIS观测的邻域级方向信息丰富每个采样图节点。具体而言，局部船首向经周期编码并由核密度估计器（kernel density estimator, KDE）建模，使候选图转移可用局部运动概率而非仅采样点船首向评估。研究人员在安特卫普港真实AIS数据上评估方法，对留出轨迹注入合成缺口并衡量重建效果。利用来自5488次船舶航行的36748条移动子轨迹，将所提方法与DAISTIN、线性插值及若干有向、无向、概率与最短路径图变体比较。在100k至180k节点图规模下，DAISTIN及其无向变体分别重建了–与–缺失段，xDAISTIN及其变体重建了–与–，xDAISTOUT及其变体重建了–与–。相较180k节点无向DAISTIN，180k节点无向xDAISTIN的均值SPD、DFD与HD（均经Holm校正，）显著降低，分别约降、与。结果表明，在构图阶段保留邻域级方向行为可大幅提升复杂港环境中的插值完成率与重建精度。

研究背景方面，自动识别系统（automatic identification system, AIS）报文广播间隔受类别与航速影响在2秒至3分钟间波动，实际时序数据因船舶停发、甚高频传播受限、天线布置低、接收机或网络宕机及故意关机等产生缺口，港内地理约束强、交通密度高使缺口更频繁且运动非线性突出，开放海域方法不能直接迁移。现有数值法（线性/样条插值）、深度学习法（长短期记忆网络（long short-term memory, LSTM）、双向LSTM（BiLSTM）、序列到序列（Seq2Seq）、Transformer等）与图方法（DAISTIN）各有局限：数值法假设稳态运动，深度学习在训练数据有限时易漂离真实运动，DAISTIN在几何采样中丢弃非采样点方向信息，在密集港域损害插值。研究人员以安特卫普港2023年12月31日至2024年1月24日AISStream.io获取的5478552条动态报文（2654船）为队列，清洗后保留移动子轨迹36748条（来自5488航次、2377船、956995报文），按航次留出15%为测试集，注入正态间隙（均值、标准差分钟）模拟缺口，以完整轨迹为真值。

关键技术方法上，研究人员先由连续位置推算计算船首向（calculated heading, CH）替代噪声大的对地航向（course over ground, COG）与缺失的真船首向；DAISTIN基线采用近似邻域密度（approximate neighbourhood density, AND）分位数分层几何采样降采样，以半径R_max邻域与角阈Δθ建有向边，Dijkstra按Haversine距离寻短路径。xDAISTIN/xDAISTOUT在采样节点处收集半径r_h内邻点CH，以(sin h, cos h)周期编码拟二维KDE并归约为圆周密度p_h(θ)，xDAISTIN用目标节点KDE评估A→B方位兼容概率，xDAISTOUT改用源节点KDE；边接受条件为邻域半径内且概率超阈ρ。插值时将缺口两端A、B作辅助节点，x系方法以负对数转移概率为权、受最大行距D_max=max(SOG,1)×Δt约束跑Dijkstra取最大概率路径，DAISTIN系取最短距离；后置Douglas–Peucker简化与线性加密。变体涵盖无向、最短、无向最短。

研究结果部分，第4.1节给出指标：分段路径距离（segmented path distance, SPD）、Hausdorff距离（HD）、离散Fréchet距离（discrete Fréchet distance, DFD）。第4.2节插值完成率显示，去方向性的无向变体在100k与180k节点分别达与，高于有向DAISTIN的与；xDAISTIN无向最短变体在180k达，全系完成率随节点数单调升。第4.3节定量评价中，行向比较表明增节点稳定降HD、普遍降SPD，DFD非单调；列向比较中无向xDAISTIN在180k节点SPD、HD、DFD均显著低于原DAISTIN（约降14%、36%、43%）；选定四配置（有向DAISTIN 160k、无向DAISTIN 180k、无向xDAISTIN 180k、无向xDAISTOUT 180k）Friedman检验显著，无向xDAISTIN综合最优，无向xDAISTOUT次之。第4.4节运行时，x系构图因拟KDE略慢于DAISTIN但仍离线可行，在线插值中位时间随图增大而增但可接受。第4.5节定性可见xDAISTOUT在窄航道优，xDAISTIN在码头泊位内水域优，DAISTIN在近直线缺口偶优，二者均有锯齿伪影。

讨论与结论翻译：结果支持核心假设——几何采样中丢弃的方向信息对港内图轨迹重建至关重要；以局部圆周船首向分布丰富采样节点提升了各图规模下的插值完成率并降低重建误差，无向xDAISTIN 180k相较同规模无向DAISTIN均值SPD约降14%、DFD约降43%、HD约降36%。去除边方向性普遍提升完成率与精度，因为建边仍用方向准则筛选、仅遍历去方向，说明方向信息利于辨连边而单向遍历过严。xDAISTIN评目标节点分布优于xDAISTOUT评源节点分布，但定性示两法在港区互补。局限含KDE对邻域稀疏回退硬角阈、图规模—计算成本折中、未比深度学习大模型、留一航次划分致355船跨集。结论为：在构图阶段保留邻域级方向行为可实质提升复杂港域插值完成率与重建精度，xDAISTIN与xDAISTOUT为DAISTIN之有效扩展。论文发表于《Algorithms》。