《Brain Sciences》：A Knowledge Graph-Driven Framework for Complex Vessel Behavior Recognition and Frequent Sequential Pattern Mining Using AIS Data
编辑推荐：
港口水域中理解复杂船舶行为对海上交通监管、航行安全管理和智能海事决策具有重要意义。然而，现有基于自动识别系统(AIS)的研究通常聚焦于孤立行为识别或轨迹级分析，在船舶属性、航行场景、运动状态和按时间组织的行为过程整合方面存在局限。研究人员开发了一种知识图谱(K
港口水域中理解复杂船舶行为对海上交通监管、航行安全管理和智能海事决策具有重要意义。然而，现有基于自动识别系统(AIS)的研究通常聚焦于孤立行为识别或轨迹级分析，在船舶属性、航行场景、运动状态和按时间组织的行为过程整合方面存在局限。研究人员开发了一种知识图谱(KG)驱动框架，用于基于AIS数据的复杂船舶行为识别和频繁行为序列模式挖掘。行为事件(BehaviorEvent)由连续航行段构造，并与水域场景、运动状态、船舶属性和时间关系集成，形成统一语义表示。在该表示基础上，可解释语义规则用于事件级复杂行为识别，而PrefixSpan应用于场景–速度状态–转向状态(Scene–SpeedState–TurningState)标记序列，以发现反复出现的多事件行为模式。独立专家评估、语义消融和敏感性分析用于评估识别可信度、上下文语义约束和鲁棒性，而船舶级发现–验证(Discovery–Validation)策略用于评估频繁模式的可复现性。在厦门港水域AIS数据上的实验涉及16,400艘船、239,877个连续航行段和2,457,965个行为事件，其中624,561个至少匹配一条预定义语义规则或候选条件。对R1–R7的独立专家评估得到92.11%的宏平均确认率以及0.746的Cohen’s κ。语义消融表明场景(Scene)和船舶类型类(VesselTypeClass)对广义基于运动的规则激活提供重要上下文约束，敏感性分析表明主要识别结果在运动状态、持续时间和时间分割参数扰动下保持稳定。从75,144条有效压缩行为标记序列中，PrefixSpan识别出涉及中速过渡伴航向调整、低速–停泊组合和操纵相关行为的反复模式。主导前20模式在船舶级发现集和验证集上表现出显著重叠和广泛一致的排序，Jaccard重叠为0.9048，Spearman秩相关系数为0.9654。与归一化关系表示的比较评估进一步显示分析结果等价，而知识图谱提供了语义关系、时间路径和事件级可追溯性的显式组织。这些结果表明所提框架为复杂港口环境中事件级复杂船舶行为识别与序列级频繁行为模式挖掘的连接提供了统一且可解释的语义基础。
研究背景方面，港口水域船舶密度持续增加，船舶呈现过境、靠泊、锚泊、等待、低速操纵和航向调整等多样动态行为。自动识别系统(AIS)可提供大规模时空轨迹与静态船舶属性，但既有研究多关注轨迹特征、预测结果或孤立行为类别，对船舶属性、航行场景、运动状态与按时间连续的行为过程之间关系的语义建模不足，且事件级行为识别与序列级频繁模式挖掘常被割裂，跨独立子集的模式稳定性与可复现性也缺乏系统评估。为此，研究人员开展知识图谱(KG)驱动框架研究，以统一语义表示连接事件级复杂船舶行为识别与序列级频繁行为序列模式挖掘。该研究得出：所构行为事件(BehaviorEvent)中心化知识图谱能显式组织实体与语义关系；规则驱动识别获专家高确认；PrefixSpan可挖掘出可复现的多事件行为序列模式；知识图谱与归一化关系表示在分析任务上结果等价但更具语义可追溯性。其意义在于为复杂港口环境下海事态势感知、航行安全监管和智能决策提供可解释、可追溯、可复现的语义分析基础。论文发表在《Brain Sciences》。
主要关键技术方法上，研究人员使用2025年5月至7月厦门港水域超1.09亿条AIS记录与功能区多边形数据，先经质量控制、按60 min时间间隔分割为连续航行段(Voyage)，再构造行为事件(BehaviorEvent)并离散化速度、加速度、转向状态；以行为事件为中心建立九类实体的知识图谱(KG)，用场景语义优先级解决水域重叠；以场景、运动状态、船舶类型类和持续时间定义R1–R8语义规则做事件级识别，并设完整规则、去场景、去船舶类型、仅运动四类配置做语义消融；将行为事件编码为Scene–SpeedState–TurningState标记序列，邻接相同标记压缩后用PrefixSpan挖掘有序子序列；采用按船舶类型分层、船舶级8:2发现–验证(Discovery–Validation)拆分评估模式可复现性，并对运动阈值、持续时间阈值、最小支持率和最大模式长度做敏感性分析；最后以Neo4j属性图与归一化DuckDB关系库执行等价查询任务比较表示方式。
研究结果如下。
4.1 数据与语义表示及知识图谱构建结果：经清洗去重后获90,786,475条AIS观测、317,193个有效连续航行段、2,457,965个行为事件；知识图谱含16,400个Ship节点、239,877个Voyage节点、2,457,965个BehaviorEvent节点及Scene、SpeedState、AccelerationState、TurningState等节点，NEXT关系保留事件时间序。结论：事件数据具备时间连续性，图结构可统一组织船舶身份、航段归属、空间上下文与运动状态。
4.1.3 水域场景与运动状态特征：GeneralWater占49.20%，Port占34.77%；Lane平均风速8.93 kn且中高速占比高，Berth平均风速1.58 kn且停止/低速占90.44%。结论：不同功能水域对应差异显著的船舶运动特征。
4.1.4 场景分配验证：均值坐标法与主导场景法在功能场景类型上一致率98.86%，仅4.23%为同类型内不同场景编号差异；R2对场景分配更敏感。结论：代表点场景分配稳健，但靠泊类规则受空间重叠处理影响相对更大。
4.1.5 代表船舶类型行为特征：Cargo事件数最多，Tanker均速高于Cargo，Fishing事件时长最长，Passenger与PleasureCraft多位于Port但运动态不同，PilotVessel均速13.53 kn且HighSpeed–Straight为主。结论：船型类(VesselTypeClass)是行为语义的重要上下文。
4.2 事件级规则驱动复杂船舶行为识别与验证结果：R1–R7匹配582,151个唯一行为事件占23.68%，R4、R1、R5为主类，R8为未分类候选占2.37%；独立专家对R1–R7宏平均确认率92.11%，观察一致率94.47%，Cohen’s κ为0.746。结论：规则定义的行为类别具有较高语义可靠性和专家可解释一致性。
4.2.3 语义消融与仅运动比较：移除Scene或VesselTypeClass会扩大规则匹配范围，完整规则过滤掉大量无上下文支持的匹配；仅运动配置作为结构比较器而非独立分类器。结论：Scene与船舶类型类对广义运动规则起重要约束作用。
4.3 阈值与事件构建鲁棒性：30/60/90 min航段分割及速度、转向、加速度阈值±20%扰动下，行为事件边界与规则覆盖的AIS点重叠仍较高；R2、R3、R5持续时间阈值±20%改变主要引起命中数小幅变化。结论：事件构建与规则识别对合理参数扰动具有鲁棒性。
4.4 序列级频繁行为模式挖掘结果：75,144条有效压缩序列入挖，PrefixSpan识别出中速过境伴航向调整、低速–停止组合、操纵相关行为等反复模式；发现集与验证集前20模式Jaccard重叠0.9048、Spearman秩相关0.9654。结论：主导行为序列模式跨独立船舶群体可稳定复现。
4.5 知识图谱与关系表示比较：Neo4j图库与DuckDB关系库在事件语义检索、跨维聚合、NEXT多跳时间分析、规则命中可追溯四类任务结果等价；图表示在语义关系、时间路径与事件级追溯上更显式。结论：等价分析下知识图谱提供更优的可解释组织结构与模式扩展性。
讨论与结论部分总结：研究人员指出，既有AIS研究常把语义轨迹建模、海事要素建模和具体行为识别作为较独立任务，所提框架以BehaviorEvent为统一语义单元，把船舶属性、水域场景、运动状态与时间关系纳入同一KG，从而把事件级规则识别和序列级PrefixSpan挖掘连为一体。结论可译为：所开发的KG驱动框架为复杂港口环境中基于AIS数据的事件级复杂船舶行为识别与序列级频繁行为模式挖掘提供了统一、可解释且可复现的语义基础；独立专家评估、语义消融、敏感性分析与船舶级发现–验证评估共同表明，该框架在识别可信度、上下文约束、参数鲁棒性和模式可复现性方面均表现良好；与归一化关系表示相比，知识图谱在语义关系表达、时间路径导航和事件级可追溯性上具有明确优势。
