基于双向长短期记忆网络的油轮细粒度行为分类方法

《International Journal of Naval Architecture and Ocean Engineering》：A fine-grained behavior classification method for oil tankers based on bidirectional long short-term memory network

　　

墨西哥湾是全球重要的油轮航道，其高度复杂的海上交通环境对监管与早期风险预警提出了严格要求。传统监测方法在识别船舶复杂行为模式方面存在局限性。为弥补这一空白，研究人员利用自动识别系统（AIS）数据，构建了一种基于双向长短期记忆（BiLSTM）网络的油轮细粒度行为识别模型。首先，提出了系统化的AIS数据预处理方法，用于修正异常值和插补缺失值，从而提高数据完整性与可靠性。其次，基于航行知识约束与轨迹特征，人工标注了九种油轮行为类型，包括直线加速、直线减速、高速巡航（速度>8节）、低速巡航（速度≤8节）、加速转向、减速转向、匀速转向、靠泊与锚泊，从而建立了一个高质量、细粒度的行为数据集。最后，引入BiLSTM网络构建识别模型，该模型能够高精度地对这些行为进行分类。在墨西哥湾的实证研究表明，所提模型整体识别准确率达到98.27%，锚泊、靠泊和高速巡航等关键行为的F1分数均超过0.98，证实了该模型在实际海上监管中的有效性。与多层感知器（MLP）、长短期记忆网络（LSTM）和时间融合变换器（TFT）模型相比，BiLSTM模型在宏F1（0.936）和加权F1（0.981）指标上均获得最高分数，从而展示了油轮行为分类中的最优性能。所提框架为异常船舶行为识别与智能海上监管提供了可靠支持，并具有扩展到其他船舶类型和高风险海域的潜力。

**论文解读文章**

**研究背景与问题**
海上运输承担全球约90%的贸易量，每日超5万艘船舶航行于世界大洋。墨西哥湾作为全球重要能源出口与加工枢纽，油轮交通密度高、海域条件复杂，对海上安全监管与环境保护提出严峻挑战。传统监测方法（如人工巡逻、雷达观测、规则检测）在应对复杂行为模式与动态交通环境时存在响应滞后和精度不足的问题。不同船舶类型在物理特性（如长度、宽度、吃水）和机动性（如转向、加速、减速能力）上差异显著，导致运动模式各异。油轮具有航行路线规律但短期异常、靠泊/等待/装卸活动频繁、危险品运输导致偏离航线或异常靠泊带来巨大风险等独特运行特征。因此，对油轮行为进行细粒度建模，能够早发现潜在风险事件（如非法卸货、污染物排放、可疑接触），并支持识别不合规或不安全操作。自动识别系统（AIS）提供连续、高频的船舶活动数据（包括位置、对地速度SOG、对地航向COG、船首向），为细粒度行为分析提供了坚实基础。基于此，研究人员开展了基于双向长短期记忆（BiLSTM）网络的油轮细粒度行为识别研究。

**研究内容与结论**
研究人员提出了一套完整的油轮行为识别方法，涵盖数据预处理、行为标注与模型构建。首先，通过系统化的AIS数据清洗与轨迹插值方案，解决缺失、异常与噪声问题；采用多规则判别机制检测异常位置、速度与航向值，并利用线性与弧线插值恢复轨迹连续性。其次，结合航行知识约束与轨迹特征，人工标注了九种油轮行为类型：直线加速、直线减速、高速巡航（速度>8节）、低速巡航（速度≤8节）、加速转向、减速转向、匀速转向、靠泊和锚泊，构建了高质量、细粒度的行为数据集。最后，引入BiLSTM网络构建识别模型，该模型能同时捕捉前向与后向时间依赖性，实现稳健的多类分类性能。在墨西哥湾的实证研究中，所提模型整体识别准确率达到98.27%，锚泊、靠泊和高速巡航的F1分数均超过0.98。与多层感知器（MLP）、长短期记忆网络（LSTM）和时间融合变换器（TFT）模型相比，BiLSTM在宏F1（0.936）和加权F1（0.981）上均最优。该研究发表在《International Journal of Naval Architecture and Ocean Engineering》。

**关键技术与方法**（不超过250字）
研究人员采用以下关键技术方法（样本队列来源：2019年7月1日至2020年6月30日期间墨西哥湾海域的35,982,327条油轮AIS记录，经预处理后得到17,516条轨迹，涉及2,092艘油轮；最终选取其中200艘油轮的7,744条轨迹段，包含3,093,033条AIS记录，构建行为数据集）：
1. **AIS数据清洗**：基于相邻轨迹点方向关系检测异常方向；动态边界框法检测直线航行位置异常，三角形区域法检测转向位置异常；速度异常检测采用局部相邻点偏差阈值（>50%）与全局四分位距（IQR）结合的双尺度策略。
2. **AIS数据插值**：对直线段（航向变化<30°，时间间隔<1小时）采用线性插值（每500米插入一点）；对转向段（航向变化≥30°）采用弧线插值，基于端点切线构造圆弧，并保持速度连续性。
3. **行为标注**：基于轨迹特征（速度变化、方向变化、静止时长）与地理背景约束（港口、锚地位置），结合卫星影像与专家知识，手工标注九种行为。
4. **BiLSTM网络建模**：输入特征包括SOG、加速度、转向角、转向率、相对港口距离和基于速度的标签；网络结构为两层BiLSTM（每层64个隐藏单元）后接全连接分类层，超参数经网格搜索确定（学习率0.001，批大小32，早停机制）。

**研究结果**
**4.1 实验设置**：案例研究采用墨西哥湾油轮轨迹，数据集按80%训练、10%验证、10%测试划分；输入特征标准化处理；模型训练使用Adam优化器与交叉熵损失函数，早停验证损失连续10轮未改善（Δ=0.0005）时终止。

**4.2 结果分析**：训练损失与验证损失曲线显示，验证损失在第32轮达到最小值0.0246，此后趋于稳定并略有上升，早停在32轮终止。测试损失为0.0248，接近验证损失，表明模型泛化能力良好。整体分类准确率为98.3%（表2）。混淆矩阵（表2）显示，“加速转向”类别准确率较低（80.46%），其中13.26%误分为锚泊，6.28%误分为靠泊；进一步分析表明，多数误分类样本对应较低速度，这些行为常发生在从静止状态（锚泊或靠泊）向航行状态的过渡中，运动特征与静止行为部分重叠。

**4.3 油轮行为分类模型性能对比**：与MLP、LSTM、TFT进行对比，BiLSTM模型在宏F1（0.936）和加权F1（0.981）上均最高（MLP：0.882/0.966；LSTM：0.893/0.969；TFT：0.933/0.980）。BiLSTM在7种行为（靠泊、减速转向、加速转向、直线减速、直线加速、高速巡航、锚泊）上识别准确率最高；匀速转向接近最优（TFT：0.92，BiLSTM：0.91）；低速巡航略低于其他模型（F1=0.90），但分析表明其易与锚泊混淆。TFT性能与BiLSTM相当，但模型复杂度与计算开销更高，BiLSTM在精度与效率间取得更好平衡。

**4.4 不同地理场景下的油轮行为分析**
**4.4.1 佛罗里达海峡**：采用条带采样提取675艘油轮的55,857条AIS轨迹点。分类结果显示，高速巡航占绝对主导，其他行为频率低，未检测到锚泊与靠泊。这与该区域实际航行实践相符，验证了方法准确性。
**4.4.2 休斯顿港**：数据集包含5,801,381条AIS轨迹点。靠泊轨迹主要集中在码头附近，锚泊主要位于开阔水域并呈弧形分布（图16a）。靠泊行为占比最大，锚泊最少（<1%），表明油轮主要进行装卸作业。
**4.4.3 伊莎贝尔港**：数据集包含30艘油轮的11,221条AIS轨迹点。靠泊（47.0%）、高速巡航（22.2%）和低速巡航（12.6%）是三种主要行为，未观察到锚泊行为，与该港狭窄航道一致。转向行为（包括减速、加速、匀速转向）主要集中在码头附近和特定航道位置（图17c、d），呈现空间聚集性。

**讨论与结论**
研究结论部分原文翻译如下：
本研究开发了一套细粒度船舶行为分类系统，并提出了一种基于BiLSTM的油轮行为识别模型。该模型有效识别并分类了九种行为类型，包括直线加速、直线减速、高速巡航、低速巡航、加速转向、减速转向、匀速转向、靠泊和锚泊，整体准确率达到98.27%。与MLP、LSTM和TFT模型相比，所提方法在油轮行为分类中展现出更高的精度与鲁棒性。
本研究贡献有两方面。第一，提出了油轮细粒度行为识别与分类的完整方法论框架。系统化的预处理方法（包括异常检测与轨迹插值）显著提升了AIS数据质量。通过结合轨迹特征提取与地理背景约束，构建了覆盖九种行为类型的标注数据集。基于BiLSTM的模型有效捕捉时间依赖性，在复杂行为识别上优于MLP、LSTM和TFT模型。
第二，该方法应用于墨西哥湾油轮轨迹，分析了地理行为模式。结果显示，佛罗里达海峡以高速航行为主，而休斯顿港和伊莎贝尔港中最频繁的是靠泊行为，反映了不同的空间行为分布。这些发现为区域海事管理提供了数据支持。除墨西哥湾外，所提框架可扩展至其他高风险海域和不同船舶类型的行为分析，为智慧海洋发展与全球海上交通安全治理提供方法论支持。
但需指出，船舶行为不仅受船舶动力学影响，还受天气条件、海流、波浪强度、港口拥堵等外部因素影响。未来研究将探索融合气象、雷达、卫星遥感等外部数据源与AIS数据进行联合建模，从而实现更符合实际工况的行为分类与异常检测框架，进一步提升所提方法的泛化性与适用性。此外，未来工作将引入更多描述油轮运动状态转换的特征（如从静止状态向运动状态转换的特征），以提升所提方法对刚启动转向和静止状态等油轮行为的分类精度。