船舶航行行为模式挖掘：表征与智能方法

《iScience》：Ship navigation behavior pattern mining: Representations and intelligent methods

　　

## 摘要

海上运输是全球贸易的核心支柱。从船舶轨迹中提取有意义的行为模式，对于刻画船舶运动规律、支持海上交通管理和提升海上态势感知至关重要。尽管在异常检测、轨迹预测和特定场景下的行为识别方面已取得重大进展，但公开可用的标注数据集仍受限于不完整的标注方案，且船舶行为建模仍缺乏统一的框架。为澄清这些不足，本综述系统地审视了与船舶航行行为模式挖掘相关的数据来源、标注数据集、行为建模、挖掘方法以及实际应用。此外，本综述提出了一个三层行为建模框架，将船舶行为组织为物理行为、交互行为和语义行为。该框架将低层运动状态、与海洋环境及其他船舶的时空交互以及高层语义解释联系起来，从而为理解船舶轨迹中的行为模式提供了结构化的基础。基于本综述，我们总结了该领域的主要挑战和未来研究方向。本研究为后续研究提供了参考，旨在推动船舶航行行为模式挖掘的发展，特别是将静态数据的空间数据挖掘方法扩展为动态流式数据（来自移动物体）的时空模式挖掘。

## 引言

由于运载量大、成本低且适合长距离运输，海上运输已成为全球贸易的核心组成部分。根据联合国贸易和发展会议的数据，按货物吞吐量计，全球超过80%的贸易通过海运完成，且未来几十年全球对海上运输的需求预计将持续增长。随着航运流量的扩大，海上交通流变得更加密集，航行环境变得更加复杂，运营任务也变得更加多样。这些变化使得船舶航行行为在机动方面更加动态，与周围环境的交互更加频繁，行为模式更加丰富。船舶的异常行为，以及船舶与其他船舶或环境约束之间的冲突，可能会增加航行安全风险。因此，对船舶航行行为的认知建模和智能挖掘，对于保障海上交通安全、维护航行秩序以及支持智能海上监控和监管具有重要意义。

船舶航行行为是指在可航行区域（包括港区、航道和海峡）内，船舶操作人员在渔业、运输和特殊作业等任务中，与渔场、港口、岛屿等感兴趣环境进行交互的连续时空过程。据此，船舶航行行为模式可以理解为船舶轨迹序列与地理环境分布耦合所产生的具有特定语义的时空事件。这一定义表明，船舶行为不仅仅是运动状态的序列，而是由航行任务、地理背景、环境交互和语义解释共同塑造的过程。

基于轨迹的行为模式已广泛应用于多个领域，包括道路交通事故分析、电动汽车充电配置优化、基于行为的相机运动优化、港口船舶速度预测以及低碳航运路径评估。

现有的综述已对AIS数据处理与治理、海上异常检测、轨迹预测以及船舶行为分析与建模进行了考察。这些研究为单个分析任务、模型族和运营应用提供了大量覆盖。然而，仍然存在的差距并非缺少另一份算法目录，而是在于经常被归入"船舶行为"的分析对象之间缺乏清晰的边界。无上下文的运动模式、船舶-对象关系、条件事件含义、区域交通聚合以及下游风险估计代表了不同层次和类型的证据，但它们常常在同一层次内被讨论。这种混淆导致术语不一致，并阻碍了对概念上不等同的输出方法之间的有意义比较。一个相关的问题是未能区分表征抽象与聚合规模：单船机动、成对交互和区域交通结构之间的主要区别在于所表征实体的数量和组织方式，而非必然形成连续的语义层次。

在本综述中，船舶航行行为是指由船舶运动演变为证，且在相关情况下由与其他船舶、地理对象、运营背景或海事规则的关系为证的、具有时间边界的船舶活动过程。运动学模式描述的是从船舶运动中导出的规律性，不需要外部参照；而交互模式描述的是船舶-船舶或船舶-环境关系的时序演变。轨迹模式是几何或时空规律性，不自动携带行为含义；交通模式是船舶分布、流量、航线或交互结构的区域聚合。机动是运动的可观察变化或持续构型；事件是具有可识别参与者、时间和地点的、受条件约束的有界解释；意图是无法仅从轨迹几何推断出的潜在任务或目标假设。异常是相对于特定的统计、上下文、运营或监管参照的偏差评估，而非原始行为类别。

本综述所考虑的核心文献包括那些从时序关联的船舶观测中推导出运动学基本要素、关系模式、行为片段、事件假设、意图、规则相关解释或异常评估的研究。轨迹预测研究仅在其特征表示、交互机制、不确定性或验证机制直接贡献于行为挖掘时才被纳入。交通流量分析被视为区域或群体上下文，而碰撞和事故风险被视为基于行为证据和独立风险模型的下游推断。排放估算、不包含行为解释的航线优化、静态属性分类以及缺乏直接表征、推断、评估或验证作用的跨领域方法不在核心范围内。在此基础上，本综述探讨了船舶行为证据应如何定义和组织，表征抽象如何与聚合规模分离，以及方法论设计选择如何影响表征、监督、不确定性和验证。本综述贡献了一个具有尺度感知的时空语义框架、对非互斥方法论范式的多轴综合、对行为标注数据集的评估，以及对行为表征与下游风险或决策过程之间清晰区分。该框架是概念性和比较性的，而非形式本体论或经验验证的端到端架构。综述的整体结构如图1所示。

图1 船舶行为模式挖掘研究框架

为提高透明度，本综述采用结构化的文献识别程序，而非正式的循证综述协议。核心检索在Web of Science核心合集、Scopus、IEEE Xplore和CNKI中进行，检索截至2026年6月30日可用的文献。ScienceDirect和Google Scholar用于补充检索，同时使用机构库、官方海事数据和标准网站，以及前向和后向引文追踪。检索词将AIS、船舶或vessel轨迹与海事交通相结合，并涵盖行为、机动、交互、意图、异常、语义建模、本体论、知识图谱、机器学习、深度学习、生成模型和大语言模型。英文和中文的期刊文章及完整的会议论文均在考虑范围内。当研究实质性使用时序关联的船舶观测进行行为表征、识别、分割、交互建模、语义解释、说明、评估或验证时，该研究即被纳入。仅专注于预处理、属性分类、静态交通分析、预测、优化、排放或几何风险计算的研究被排除，除非特定的表征、交互、不确定性或验证机制直接贡献于行为挖掘。

## 船舶行为模式挖掘的数据来源和数据集

随着对地观测、移动通信和物联网技术的广泛应用，合作报告系统和非合作感知系统已实现了对船舶属性和位置的近实时监控。合作系统包括AIS、船舶监测系统（VMS）和远程识别与跟踪系统（LRIT），依赖船载终端报告身份、属性和位置。非合作系统包括雷达、光学遥感和声呐，在不依赖船上自报告的情况下观测船舶。根据平台覆盖范围和采集频率，非合作观测可提供探测结果、局部航迹或重复的位置估计，而合作报告系统可在较长时间内生成与身份关联的时空序列。这些序列构成了本综述所审视的行为表征任务的主要数据来源。因此，本节聚焦于合作报告数据，建立通用的轨迹状态表示法，并对船舶行为标注数据集进行综述。

### 合作报告系统与轨迹表示

在合作报告系统中，AIS是由国际海事组织（IMO）推广的强制性全球航运数据交换系统，提供了相对高的数据维度和精细的时空分辨率。VMS主要用于渔业监测和管理，通常以中等频率更新和压缩动态参数。LRIT支持对船舶的全球识别和跟踪，以保障航运安全、海事安全和海洋环境保护，但其采样频率极低且动态属性有限。

由于覆盖范围广、连续性强且属性信息丰富，AIS通常被用作船舶航行行为模式挖掘的主要数据源。根据国际电信联盟无线电通信部门（ITU-R）M.1371标准，AIS数据包括静态信息、动态信息、航行相关信息和安全辅助信息，如表1所述。

| 类型 | 内容 | 更新频率 | 示例 |
|------|------|----------|------|
| 静态属性（S） | MMSI、IMO编号、呼号与船名、长度与宽度、船舶类型等。 | 通常每6分钟一次，或数据修改/请求时 | MMSI = 413123456; IMO = 9876543; ship_name = OCEAN STAR; ship_type = Cargo; length = 180 m; beam = 28 m |
| 动态属性（D） | 空间位置、UTC、对地速度（SOG）、对地航向（COG）、航向（HDG）、航行状态、横摇率（ROT）等。 | 通常从2秒到3分钟不等，根据速度、航向变化和设备类型动态调整 | time = 2024-06-01 10:30:00; lon = 121.5200; lat = 31.2300; sog = 12.5 kn; cog = 86.4°; heading = 87°; rot = 0.2°/min; nav_status = Under way using engine |
| 航行相关消息（V） | 吃水深度、危险品类型、目的地、预计到达时间（ETA）等。 | 通常每6分钟一次，或数据修改/请求时 | draught = 9.8 m; destination = Shanghai; eta = 2024-06-02 08:00; cargo_type = Category B |
| 安全与辅助消息（M） | 安全相关文本消息、二进制应用消息、询问与响应消息、基站UTC与日期响应、信道管理等。 | 按需发送 | safety_text = Restricted area ahead; interrogation_target_mmsi = 413123456; requested_message = 5; channel = AIS1/AIS2 |

**表1 AIS广播消息数据**

注：AIS，自动识别系统；MMSI，海上移动通信业务标识；IMO，国际海事组织；UTC，协调世界时；SOG，对地速度；COG，对地航向；HDG，航向；ROT，横摇率；ETA，预计到达时间。

无论数据来源如何，船舶航行轨迹均表示为时空观测的时间有序序列。对于目标船舶v，令第i次动态观测关联的时间为t???? = time(D????)，t???? < t???? < ? < t?????。相应的AIS轨迹及其第i次观测表示为X??? = (p????)?????，p???? = (S???, D????, V????)。其中，n?为轨迹观测数量，i为观测索引。S???、D????和V????分别表示静态属性向量、在t????时刻观测到的动态属性向量，以及与该观测在时间上关联的航行相关信息。由于AIS字段的更新是异步的，并不假设在每个采样时刻都可获得完整的航行相关信息；时间关联和缺失值规则必须由相应的应用明确说明。

从动态属性中提取的地理位置表示为l???? = loc(D????) = (λ????, φ????)，其中λ????和φ????分别为以角度单位表示的经度和纬度。这些地理坐标不直接用于欧几里得距离计算。

与AIS提供的相对完整的时空属性相比，VMS和LRIT受限于较低的采样频率和缺失的属性字段。VMS的采样间隔可扩展至30分钟甚至2小时，且HDG和ROT等运动属性通常不被保留。LRIT通常每6小时采样一次，仅保留身份信息和二维坐标，难以支持细粒度的时间敏感行为分析。

### 船舶行为模式的标注数据集

船舶行为的标注数据集是连接船舶航行行为模式挖掘关键组件、克服现有技术瓶颈的重要基础。然而，与方法论研究的快速增长相比，船舶行为标注数据集的系统性整理仍然不足。为解决这一问题，本综述考察了期刊论文和开源数据库，并系统总结了基于轨迹的船舶行为模式标注数据集和研究样本。由于几乎所有当前公开的、可复用的、具有代表性的行为标注数据集都基于AIS数据构建，而VMS和LRIT数据受法规、隐私和法律要求限制，难以发展为标准化的开放基准，因此本综述聚焦于公开的AIS数据集和少数可获取的研究样本。

为支持有意义的跨数据集比较，表2将数据集规模与时空覆盖范围与标注单元、语义粒度、标签来源及公开可获得性分开呈现。

数据集规模：海瓦伊海岸_GT——88,749,176个AIS点；2,622艘船舶；208条标注航迹；154起关联事件。时空覆盖范围：夏威夷沿海水域；2017年1月至2020年12月。标注单元、标签粒度与行为类型：事件关联航迹级别；19类事件/事故类别，包括碰撞、搁浅、走私、搜救和执法；事件覆盖非穷尽。标签来源与公开可获得性：人工AIS-事件报告关联；在Zenodo上公开；处理与可视化代码可用。

AIS丹麦水域异常行为检测轨迹——超过100,000条未标注训练轨迹；521条标注评估轨迹；25条异常轨迹。时空覆盖范围：丹麦水域，包括西兰岛和博恩霍尔姆岛；2021年；标注评估于2021年12月13日。标注单元、标签粒度与行为类型：整条轨迹级别；正常/异常二元标签；异常轨迹关联碰撞/搜救事件及相关交通偏差。标签来源与公开可获得性：人工轨迹级别标注；公开DTU数据集合；训练与评估文件可用。

斯瓦尔巴异常行为检测标注AIS轨迹——35,055条轨迹；372艘船舶；16条异常轨迹（11条MELKART-5；5条YAGRY）。时空覆盖范围：斯瓦尔巴北极海底电缆区域；2020–2022年；异常标签围绕2022年1月电缆断裂事件。标注单元、标签粒度与行为类型：整条轨迹级别；异常二元标签；2分钟重采样；轨迹持续时间为10分钟–12小时；反复穿越电缆区域作为异常类别。标签来源与公开可获得性：人工轨迹级别标注；公开DTU数据集；JSON和pickle格式可用。

Global Fishing Watch 明显捕捞努力量——220亿条AIS消息；超过70,000艘工业捕捞船。时空覆盖范围：全球；引用研究语料库覆盖2012–2016年。标注单元、标签粒度与行为类型：AIS位置级别；明显捕捞/非捕捞二元预测；可聚合为明显捕捞努力量。标签来源与公开可获得性：基于专家标注样本训练的CNN推理；公开数据产品和API；标签由模型生成而非人工真值。

NCL-DASB——未报告。时空覆盖范围：英国纽卡斯尔泰恩茅斯港；时期未报告。标注单元、标签粒度与行为类型：轨迹级别；异常行为标签；类别分类法和标注粒度记录不完整。标签来源与公开可获得性：标注数据集和开源标注API有报告；稳定的公开数据集存储库和完整的标签文档未明确标识。

MarineCadastre/NOAA AIS——因版本和区域而异；引用的2024年产品包含美国水域的AIS衍生船舶航迹。时空覆盖范围：美国沿海和海洋水域；引用的版本覆盖2024年1月至12月。标注单元、标签粒度与行为类型：航迹级别的AIS资源；自报航行状态，包括航行中、锚泊和系泊；非独立标注的行为标签。标签来源与公开可获得性：AIS自报状态作为弱标签；可从NOAA/MarineCadastre公开下载；非人工行为标注基准。

半监督捕捞行为数据集——600条轨迹；535条训练；15条验证；50条测试轨迹。时空覆盖范围：来自MarineCadastre的美国AIS数据；具体区域和时期未报告。标注单元、标签粒度与行为类型：序列/消息级别；航行/捕捞二元标签；标签从几何聚类传播；时间序列分类。标签来源与公开可获得性：聚类导生的伪标签；源AIS数据和代码公开；标签非独立人工真值。

人工标注捕捞轨迹数据集——128条渔船轨迹；逐点标签。时空覆盖范围：真实捕捞轨迹；区域和时期未报告。标注单元、标签粒度与行为类型：点级别；捕捞/非捕捞二元标签；分段级重建从航行到渔场、捕捞及返回港口的过程。标签来源与公开可获得性：人工逐点标注；第一作者提供数据集链接；存储库DOI和明确许可证未报告。

表2 公开AIS行为数据集与可访问研究样本的比较特征

注：标注单元指接收标签的对象：AIS位置、序列/窗口、整条轨迹或事件关联航迹。"人工"指人工指定或人工关联的标签；"弱标签"指缺乏独立行为验证的运营字段或自报字段；"伪标签"指算法生成的训练标签；"模型生成"指由训练模型推断的输出。"未报告"表示引用来源中无法获取该信息。公开可获得性指行为数据集或衍生的标签产品，而非仅指底层原始AIS数据源。

如表2所示，当前标注船舶行为数据的核心问题不仅在于数据集数量有限，更在于开放性、语义层次和标签可靠性之间的同时失衡。首先，现有公开数据集以AIS为单一数据源为主导。尽管VMS和LRIT对运营监管和远距离海上监测至关重要，但由于法规限制、商业敏感性和法律约束，可复用的开放行为标注基准尚未建立。其次，现有标注体系普遍保持任务特定且语义粒度较低，主要关注"正常/异常"和"捕捞/非捕捞"等二元或小类别标签。相比之下，高层行为意图、多船交互关系、航行规则合规性以及多粒度语义过程的标注仍然不足。第三，现有数据集中相当比例的标签并非严格意义上的人工行为真值，而是由AIS自报状态、基于规则的判定、基于聚类的伪标注或模型推断生成。此类标签可支持特定任务的训练，但不能被视为真实、统一且可迁移的行为语义标准。

表2还显示，名义上的数据集规模在不同资源之间不可直接比较，因为标注单元范围从单个AIS位置到完整轨迹和事件关联航迹。可获得性也必须谨慎解读：开放的原始AIS存档、开放的标注工具和公开可下载的行为标注基准提供了不同层次的可复现性。因此，MarineCadastre作为可访问的弱标签资源保留，而非被视为与人工标注真值等同；而Global Fishing Watch产品则明确标识为模型生成的推断。

换言之，当前船舶导航行为模式挖掘的主要瓶颈已不再是算法能力不足，而是缺乏一个在场景、粒度和任务之间具有统一语义定义的高质量标注数据基础。

船舶行为建模

船舶导航行为是指船舶在特定航行环境下，在交通规则、环境约束和机动意图的联合影响下形成的连续时空过程。交通规则定义了船舶运动的允许边界，环境约束塑造了可导航空间和可行的运动模式，机动意图反映了任务驱动和情境感知的决策。因此，船舶行为并非从轨迹几何到行为标签的简单映射。相反，它是由物理运动状态、对象之间的时空交互关系和导航事件的高层语义含义共同构成的复合时空对象。

根据现有模型中行为信息的组织方式和语义抽象的实现方式，船舶行为建模可大致归纳为三类：片段映射、层次组合和知识关联。

基于片段映射的建模以局部轨迹片段作为基本分析对象。典型方法包括基于海事区域或功能区的多尺度行为分析、基于时间窗口的轨迹分段与分类，以及停止/移动轨迹分段。这些方法本质上将轨迹片段直接映射到特定的行为状态、类别或局部模式，通常使用速度、航向和位置等几何特征作为主要输入。它们可以表征局部运动变化，但难以表示具有任务语义和交互语义的复杂行为，如侦察、演习和协作捕捞。

基于层次组合的建模试图将行为组织为分层结构，如"原子—拓扑—交通"层次，从而实现对运动状态和空间关系到导航事件的初步抽象。此类建模部分克服了片段映射的局限性。然而，层次之间的连接往往依赖于人工设计的规则、拓扑关系和组合描述。此类模型仍无法提供连接低层连续观测、多交互关系和高层语义解释的统一表示。因此，它们通常仅支持有限的一组导航事件建模任务。

基于知识关联的建模以船舶行为本体和活动知识图谱为代表。这些方法以预定义的导航事件作为概念核心，将时间、地点和对象等相关信息组织成语义Web结构、图结构或半结构化文本。通过强调行为概念定义和规则约束表示，它们提供了清晰的概念边界、显式的规则库和可解释的推理过程。然而，它们通常高度依赖专家知识建模，对连续运动状态演化、交互关系动态和跨场景迁移的表征能力仍然有限。

总之，现有船舶行为建模的根本差距并不简单地在于局部行为识别能力不足，而在于缺乏一个能够统一表示连续运动观测、时空交互过程和高层事件语义并将其作为同一行为对象组成部分的建模框架。现有模型通常可以输出行为标签，但通常无法进一步回答：哪些局部运动状态和演化过程构成了该行为，哪些环境对象或周围船舶参与了时空交互，以及根据哪些规则或知识将该过程解释为特定的导航事件。对于复杂行为识别、新型行为发现、异常行为检测和规则合规分析，仅有分类结果是不够的。模型还必须提供支持现实世界决策的解释性信息。此外，船舶行为并非封闭且僵硬的固定模式，而是船舶操作员在规则约束和环境变化下形成的具有时空自由度的动态过程。因此，船舶行为建模应当是可计算和可解释的，同时也应是可扩展且可迁移的，以应对行为变异、新场景对象和新任务语义。

基于这一理解，本综述从渐进抽象的视角构建了一个三层船舶行为模型，从物理运动状态到时空交互关系，再到导航事件语义。船舶行为在三个层次上统一表示：物理行为、交互行为和语义行为。与基于片段映射、层次组合或知识关联的现有方法不同，本框架将船舶行为表示为可计算、可解释且可扩展的时空语义对象。在同一框架内，连续运动状态、空间关系演化和高层语义推理被连接起来，从而为船舶导航行为模式挖掘中的复杂行为识别、异常行为解释和行为相似度测量提供统一的建模基础，如图2所示。

图2 船舶行为三层时空语义建模框架

物理行为指船舶的物理运动过程及其时间演化。该层仅以动态属性序列为输入，表征运动相关状态变量（如船舶位置、速度、航向和回转率）的局部变化和持续模式。它不引入环境对象、其他船舶或导航任务等外部上下文。

按照上述定义的轨迹记法，船舶v在轨迹段索引区间[i,j]上的动态属性序列定义为 D_v[i:j] := ?D_v[k]?_{k=i}^{j}。与该段相关的物理行为可示意表示为 B_phy[v]_{i:j} = Φ_phy(D_v[i:j])，其中Φ_phy表示从动态属性序列到物理行为描述的抽象映射。根据分析方法的不同，其输出可以是确定性的状态序列、多标签描述或候选物理行为上的概率分布。

相邻采样点之间的动态属性，如速度、航向和位置，可表征基本运动状态，包括加速、减速、匀速运动、左转、右转、直航和停止。这些基本状态的连续时间组合，连同轨迹形态的累积变化，进一步形成高阶物理模式，如启动、连续转向、掉头、徘徊、绕圈、长时间停留和稳定航行。因此，物理行为是多属性运动描述而非单一的互斥标签。同一条轨迹段可能同时表现出不同的运动状态，如加速和右转，它们的时间组合可形成更复杂的物理模式。

交互行为描述目标船舶与航行环境或周围船舶之间空间关系的演化。它识别交互中涉及的对象以及行为发生的地理上下文。从地理信息系统和空间分析的角度看，交互行为可通过方向、距离、拓扑及其联合时间演化来表示。

研究区域内的地理环境对象，如港口、航道、锚地、保护区和控制区，表示为索引集合 E = (e_m)_{m=1}^{M}，M = card(E)。在目标船舶时刻t_v[k]，令E_v[k] ? E表示与船舶v相关的环境对象集合，令N_v[k] ? V表示该时刻相关的周围船舶集合，其中v ? N_v[k]。候选交互对象集合为 O_v[k] = E_v[k] ∪ N_v[k]。

环境对象和周围船舶被视为具有持久标识符的类型化对象。对于周围船舶u ∈ N_v[k]，其位置或几何体必须在时间上与t_v[k]对齐。当不存在完全同时刻的观测时，必须指定相应的应用中的插值、最近时间匹配或状态估计规则。

对于任意对象o ∈ O_v[k]，令g_k(o)表示其在t_v[k]时刻的空间几何体。船舶v与对象o之间的空间关系表示为异质关系元组 R_v[k],o = (dir(l_v[k], g_k(o)), dist(l_v[k], g_k(o)), topo(l_v[k], g_k(o)))。方向分量取从0（含）到2π（不含）的角度值，或未定义值⊥；距离分量为非负值；拓扑分量属于对象o的几何体类型所允许的谓词集T_o。

关系元组不被视为普通的欧几里得特征向量，因为它结合了连续型和离散型分量。与轨迹表示法一致，??(??)?? 仍然是一个地理坐标。对于度量和平面方向计算，设 ΠΩ 表示从地理坐标到为研究区域空间范围 Ω 所选定的投影坐标参考系统的坐标变换：???(??)??=ΠΩ(??(??)??)=(??(??)??,??(??)??)∈?2，?????(??)=ΠΩ(????(??))??2。投影坐标系必须适用于分析的空间范围。对于大面积或跨区域轨迹，不应在不评估投影变形的情况下假定单一局部投影。

在当前表述下，目标船舶由其 AIS 参考位置表示，而目标物体几何可以是点、折线或面。扩展船舶足迹或安全域可通过几何到几何算子来纳入，但在后续讨论的点基于定义中不作假设。

对于非空投影目标几何 ?????(??)，距离关系定义为：

dist(??(??)??,????(??)):={min over (????,????)∈?????(??)} √[(??(??)???????)2+(??(??)???????)2]

其单位为投影坐标系的线性单位，通常为米。当船舶位置位于目标几何上或内部时，该值为零。这是点到几何的距离，而非到物体边界的距离；若需要后者，则必须针对 ??????(??) 进行计算。在当前点基于表述的船舶-船舶交互中，该算子简化为两个时间对齐参考位置之间的欧几里得距离。

为定义方向，设 ?????,??=(??ref??,??,??ref??,??) 表示唯一的目标物体参考点。对于点对象，该点为投影物体位置；对于不相交的折线或面，若最近点定义良好，可为唯一最近点。当 ?????,??≠???(??)?? 时，从目标船舶到物体的绝对方位角定义为：

dir(??(??)??,????(??)):=??(??)??,??=mod(atan2(??ref??,?????(??)??, ??ref??,?????(??)??), 2π)

方位角从正 y 轴（即网格北）顺时针测量。若船舶位置与参考点重合，或扩展物体无法提供唯一且具操作意义的参考点，则方向设为 ⊥。当船舶位于扩展物体上或内部时，必须明确说明应用相关的语义参考，如指定入口、出口或操作控制点，而非任意选择。若将方位角与 AIS 对地航向（COG）或航向（HDG）进行比较，则必须校正或证明网格北到真北的收敛角在研究区域内可忽略不计。若需要物体相对方向，可定义为：

??(??)??,??=mod(??(??)??,?????(??)??+π, 2π)?π

其中 ??(??)?? 必须根据应用明确标识为 COG 或 HDG。

拓扑关系依据维度扩展九交模型（DE-9IM）和开放地理空间联盟（OGC）规定的空间谓词来确定。对于船舶位置与有效面物体之间的点-面交互，定义为：

topo(??(??)??,????(??))=??? disjoint, 当 ???(??)????????(??) touches, 当 ???(??)??∈??????(??) within, 当 ???(??)??∈int(?????(??))

对于此点-面情况，值域由三个谓词组成：disjoint、touches 和 within。额外的谓词和可接受的操作数顺序取决于交互物体的维度和几何类型。交叉或重叠等几何到几何关系可能需要扩展表示，而等于或包含等谓词具有几何类型特定的适用性。

由于多个对象可能在同一采样时刻共存，必须将对象标识与关系值一起保留。因此，??(??)?? 时刻的关系表示定义为：

?(??)??: ???R(??)??,??, ??∈??(??)??

轨迹段上对应的带时间戳的关系演化序列为：

?(??)??:??:=?(??(??)??,?(??)??)?_{k=i}^{j}

保留实际时间戳是必要的，因为 AIS 观测是不规则采样的，相等的索引差并不意味着相等的经过时间。交互行为可表示为：

??int,(??)??:??=Φint(??phy,(??)??:??, ?(??)??:??)

其中 Φint 表示一个抽象映射，可生成关系状态序列、多标签交互描述或候选交互模式上的概率分布。

典型的交互行为包括接近、远离、进入、离开、沿航、穿越、绕行、伴航、相遇和 overtaking（追越）。对于底层连续轨迹，进港涉及从港区外部到内部的边界穿越。然而，在离散采样的 AIS 数据中，观测到的谓词序列可能直接从 disjoint 变为 within，而不包含明确的 touches 观测。因此，边界穿越应从连续轨迹段、插值或规定的空间容差中推断，而非仅从点谓词推断。在进港之前，该过程还可由距离递减和指向指定港口入口或内部参考点的方位角来表征。方向、距离和拓扑的联合时间演化不仅描述了船舶是否与物体或区域相交，还描述了它如何接近、进入、穿越和离开该物体或区域。

语义行为是指基于物理行为、交互行为、船舶属性、航行相关上下文和海事领域知识形成的上下文条件解释。它表示事件、意图、异常或合规假设，而非仅指低层运动。定义与航段相关联的航行序列为：

??(??)??:??:=???(??)???_{k=i}^{j}

语义行为表示为：

??sem,(??)??:??=Φsem(??phy,(??)??:??, ??int,(??)??:??, ?(??)??:??, ??(??), ??(??)??:??, ??)

其中 Φsem 表示抽象的语义推理映射，?? 表示领域知识，包括海事规则、导航经验、区域管制要求、历史行为模式和场景约束。根据推理方法和可用证据，??sem,(??)??:?? 可以是单一假设、候选假设集或假设上的概率分布。典型输出包括进港或出港、靠泊、抛锚、追越、疑似非法进入、异常停留和可疑游弋。风险估计和监管决策被视为由独立的风险或决策模型生成的下游输出，而非原始的语义行为类别。

通过保留船舶标识 v、索引区间 [i,j]、观测时间以及 ?(??)??:?? 中的对象-关系对，语义假设可关联到对应的轨迹段，并追溯至其组成部分物理状态、交互对象、空间关系演化和支撑领域知识。该结构提供了证据关联解释链的基础，而不假定概念框架本身构成经验验证的端到端架构。

从概念上讲，提出的三层框架将船舶行为表示为可计算、可解释和可扩展的时空语义对象，而非仅是标签区分目标。物理行为层对应于从目标船舶运动状态导出的运动学原语。交互行为层对应于涉及另一船舶、区域、航道、设施或其他显式参考对象的关系性或上下文模式。语义行为层将这些观测与船舶属性、航行上下文、操作规程、海事规则和领域知识相结合，形成事件、意图、异常或合规假设。聚合尺度是一个独立维度：单船、成对或多智能体、区域或集体分析可在不同表示层级进行。区域交通密度、航道提取和瓶颈识别是聚合交通结构，而非更高层行为语义；而碰撞风险、事故风险和监管决策是行为证据的下游使用，而非行为层。单一方法可能贡献于多个层级，因此该框架旨在作为组织现有研究的集成性概念结构，而非正式本体论或经验验证的端到端计算架构。

船舶行为模式挖掘方法

船舶导航行为模式挖掘旨在利用时空分析、数据挖掘和人工智能技术，从轨迹观测和相关环境数据中揭示船舶行为的时空规律和潜在事件语义。它包括从历史轨迹中进行行为识别和规律发现，以及航行过程中的实时演化分析和未来趋势推断。为支持一致的综述，本文按四个分析组对文献进行组织：先验知识驱动方法、基于特征的统计学习方法、深度表示学习方法和大模型增强方法。该组织方式故意不排他。前三组描述主要的表示与推理范式，而大模型增强是一个横切配置，可检索知识、协调工具或综合其他范式生成的输出。因此，各组应沿共同的设计维度进行比较，而非解释为技术替代的线性序列。船舶导航行为模式挖掘的数据源、方法体系和应用如图 3 所示。

图 3 船舶行为挖掘的数据、方法体系与应用

先验知识驱动方法

先验知识驱动方法通常将海事法规、专家经验或领域知识形式化为可计算的逻辑规则、公式方程或语义符号，然后通过显式约束判别或语义知识匹配来识别船舶行为模式或典型导航事件。显式约束判别方法通常以自底向上的方式利用局部运动状态或时空位置关系，从低层可观测特征中检测行为模式。相比之下，语义知识匹配方法自上而下地构建知识结构，如事件概念本体或行为的时空语义关系，从而识别感兴趣的行为事件或演化过程。

显式约束方法

显式约束判别方法通过构建局部运动状态和时空交互关系的显式逻辑规则或约束条件来检测船舶行为模式。本质上，这些方法将碎片化的先验知识（如海事经验）转化为"IF–THEN"行为推理规则。它们通常先度量物理运动特征和时空关系，然后通过规则匹配或条件判断构建行为判别条件。典型研究包括基于专家规则和阈值规则的行为判断方法，以及通过状态组织和事件组合机制描述行为状态演化的方法。为提高模型适应性，部分研究进一步引入模糊逻辑和概率方法来表示不确定边界，并结合运动学约束以改善规则一致性。

语义知识方法

语义知识匹配方法使用预定义的概念、关系、属性和约束，以结构化和可查询的形式表示船舶行为模式及相关对象。现有研究主要包括本体推理方法、语义规则方法和知识图谱方法。本体推理方法使用描述逻辑定义实体层级和约束公理，从而支持行为本体的形式化描述和语义一致性检查。语义规则方法使用资源描述框架（RDF）、Web 本体语言（OWL）和语义网规则语言（SWRL）等表示框架和规则语言来构建议体关系和推理规则。通过语义网结构，这些方法支持行为推理和约束验证，从而实现行为识别和异常检测。知识图谱方法将船舶、轨迹、行为事件、海事规则及其他感兴趣的先验对象建模为概念关系网络，并结合图查询与路径推理挖掘复杂行为模式。在知识构建过程中，轨迹观测数据通常需要抽象为预定义的知识对象，如停止-移动模式、由主体、行为、客体、时间和空间组成的五元组、以及语义标注轨迹。这些抽象使轨迹信息获得语义表示，并为知识图谱构建和行为模式本体推理提供基本输入。近期的港口导向研究表明，将海事知识图谱与图神经网络相结合用于船舶速度预测的有效性，展示了船舶、港口基础设施和运营上下文之间的结构化关系如何增强数据驱动的图表示和上下文感知预测。

总体而言，先验知识驱动方法具有结构清晰、可解释性强以及与海事规则高度一致的优点。然而，它们严重依赖人工构建的实体、关系和属性的完整性与准确性，因此往往难以适应复杂开放的海事环境，并可能导致规则冲突、状态爆炸和高知识维护成本。相应地，这些方法更适合作为显式约束和语义推理模块，为数据驱动方法提供先验知识和结构化约束，从而提高船舶导航行为模式挖掘的可解释性和可靠性。

基于特征的统计学习方法

基于特征的统计学习方法通过船舶轨迹的特征提取和统计建模，以数据驱动方式学习船舶行为的潜在结构和演化规律。根据对潜在轨迹特征的空间分布和时间关系的建模方式差异，现有研究大致可分为四类：概率推理方法、聚类分析方法、时序建模方法和判别学习方法。

概率推理模型

概率推理方法通过建立轨迹数据与行为状态之间的概率分布关系来建模船舶行为中的不确定性和潜在结构。这些方法通常使用概率模型描述船舶轨迹观测与行为状态之间的统计关联，然后通过参数估计和概率推理进行行为状态识别或风险评估。典型方法包括高斯混合模型（GMM）、核密度估计（KDE）、贝叶斯网络和潜在狄利克雷分配（LDA）。

其中，高斯混合模型（GMM）通过多个高斯分布的组合来刻画复杂行为模式的分布特征；核密度估计（KDE）常用于空间密度估计和热点分析；贝叶斯网络则通过概率依赖关系建模行为变量之间的关联。聚类分析方法聚类分析方法通过度量轨迹样本之间的空间、时间和特征相似性，在无监督条件下挖掘潜在的船舶行为模式。根据相似性关系的表征方式不同，相关研究可进一步分为基于密度的聚类、基于距离的聚类和多元关联聚类。基于密度的聚类方法利用局部密度分布提取轨迹聚集区域，典型方法包括带有噪声的基于密度的空间聚类（DBSCAN）以及层次密度聚类（HDBSCAN）。基于距离的聚类方法根据空间距离度量或特征空间中的定制距离划分行为模式，典型方法包括k均值、谱聚类和轨迹聚类。多元关联聚类方法通过挖掘频繁行为序列和共现关系来发现潜在的行为规律，典型方法包括基于Apriori的关联规则挖掘。时间建模方法时间建模方法聚焦于轨迹点或轨迹片段之间的状态转移依赖关系，对船舶行为模式的动态演化进行建模。这些方法通常利用轨迹序列状态之间的概率转移关系来描述行为特征的时间演化过程，从而支持连续行为模式识别和状态预测。典型方法包括马尔可夫链及其扩展形式，如隐马尔可夫模型（HMM）、动态贝叶斯网络（DBN）和条件随机场（CRF）。马尔可夫模型通过有限状态转移关系描述行为演化过程；HMM通过引入隐状态推断行为模式；DBN利用动态概率图结构建模轨迹特征之间的复杂时间依赖关系；CRF则通过条件概率建模支持行为序列标注。判别学习模型判别学习方法通过学习轨迹特征与行为标签之间的映射关系来支持船舶行为分类、状态识别和异常检测。与强调行为生成概率的概率推理方法不同，判别学习方法直接在特征空间中构建决策边界并优化分类性能以实现行为判别。典型方法包括支持向量机（SVM）、随机森林（RF）、k近邻（KNN）和逻辑回归（LR）。SVM基于最大间隔原理构建分类超平面；RF通过决策树集成对复杂行为模式进行非线性分类；KNN利用局部邻域信息识别行为模式。在异常行为检测中，孤立森林和单类SVM也是常用的方法。总体而言，基于特征的统计学习方法通过显式特征表征和对船舶轨迹的统计建模，支持船舶行为模式的结构发现和判别分析。这些方法本质上遵循"特征表征—统计建模—模式判别"的学习范式，通过对运动学特征、空间交互关系和序列统计规律的建模，试图显式地表征行为模式。与先验知识驱动方法相比，它们降低了对人工规则和语义知识的依赖，强调从特征信息中自动学习行为分布和潜在模式。然而，其表征能力主要受限于特征提取和统计假设的有效性，这在一定程度上限制了其对复杂语义行为的表征能力。因此，在整体行为挖掘框架中，这些方法通常作为基础建模范式，为深度表示学习和认知推理方法提供结构化输入和统计先验。深度表示学习方法深度表示学习方法通过神经网络自动从船舶轨迹序列、多船交互关系和轨迹-环境依赖中隐式学习潜在表征，从而降低对人工设计特征和先验约束的依赖。与依赖显式特征构建和统计假设的基于特征的统计学习方法不同，这些方法可以通过多层非线性映射从轨迹数据中学习更深层的语义特征。根据时空特征学习方式的差异，现有研究可大致归为时间依赖学习、空间结构学习和生成学习三类。时间依赖学习和空间结构学习属于判别性表示学习，分别用于建模行为演化规律和空间关联结构；生成学习方法则通过学习行为数据的潜在分布来构建隐式行为表征。时间依赖学习方法时间依赖学习方法将船舶轨迹视为时间有序的多变量序列，通过循环结构、卷积结构或注意力机制学习船舶运动状态变化中的隐含模式。其核心目标不仅仅是预测未来位置，而是从连续轨迹中提取能够表征行为状态和行为转换的时间特征。典型模型包括循环神经网络（RNN）、长短期记忆网络（LSTM）和门控循环单元（GRU）架构，用于编码轨迹中的递归状态演化。近期研究常利用卷积结构提取短期局部动态模式，然后结合LSTM、GRU、Transformer及相关模型捕捉长程时间依赖关系，并对关键时间段的局部空间特征进行加权融合。空间结构学习方法空间结构学习方法将船舶轨迹视为空间线特征，通过网格或图结构建模空间分布关系。这些方法通常利用局部邻域信息、空间拓扑关系或对象间交互关系来提取行为特征，从而实现对船舶行为分布的深度表征。在基于网格的建模中，典型方法包括基于卷积的轨迹图像或栅格建模、卷积长短期记忆网络（ConvLSTM）以及局部注意力增强模型，这些方法通过空间网格或局部时间窗口聚合特征来捕捉局部运动模式。在图结构建模中，船舶和环境对象通常被表示为图节点，空间邻近关系、相对运动关系和航线连通关系被表示为图边，然后利用图神经网络在非欧几里得空间中学习交互表征。典型模型包括基于图注意力网络-长短期记忆网络（GAT-LSTM）的注意力模型、时空图卷积模型（如ST-GRUA）以及用于异常行为检测的时空图神经网络（如STGVAD）。生成表示方法生成表示方法学习船舶轨迹数据的潜在分布结构，并利用潜在变量空间来表征轨迹数据中嵌入的行为模式。与直接学习行为分类或预测映射关系的判别方法不同，生成方法更强调轨迹数据的生成机制和潜在语义空间的构建。典型方法包括变分自编码器（VAE）模型及其序列扩展，以及基于生成对抗网络（GAN）的模型。基于VAE的方法通过概率编码-解码机制构建轨迹数据的稠密潜在空间表征，而基于GAN的方法通过对抗学习来学习多船交互轨迹和复杂行为模式的生成机制。总体而言，深度表示学习方法削弱了对先验知识驱动方法中规则和语义约束的依赖，并相较于基于特征的统计学习方法，进一步降低了人工设计特征和统计假设的局限性。因此，它们标志着从显式浅层建模向隐式深度学习的转变。在船舶行为建模中，这些方法作为连接候选关系建模、基于特征的统计学习和高层认知推理的中间表示层发挥作用。然而，其可解释性和显式语义表征能力仍然有限，通常需要引入先验知识来注入归纳偏置。大模型增强方法大模型增强方法在此被视为一种跨领域的系统配置，而非对先验知识方法、统计方法或深度表示方法的直接替代。随着大语言模型（LLM）在自然语言理解、知识组织、复杂推理和工具使用方面的能力提升，其在船舶航行行为模式挖掘中的潜在作用逐渐受到关注。与传统轨迹预测模型或深度表示模型不同，LLM并不适合直接替代轨迹清洗、运动特征计算、空间关系判断或数值碰撞风险计算等底层操作。更合理的角色定位是将其作为认知增强模块，建立轨迹分析结果、海上规则、环境对象、历史案例和监管要求之间的语义连接。通过这种方式，LLM可以辅助复杂行为解释、规则一致性检查、风险评估和决策报告生成。然而，由于LLM主要基于语言模式生成输出，其输出并不自然地满足轨迹证据、物理约束和海上规则的一致性要求，甚至可能生成看似合理但缺乏事实依据的行为解释。因此，大模型增强的船舶航行行为模式挖掘仍应被视为前沿探索方向。其核心问题并非简单地让LLM"理解轨迹"，而是在可计算的轨迹特征、结构化知识、规则约束和外部工具的联合支持下，实现可验证、可追溯、受约束的行为语义推理。根据Transformer架构与连续轨迹数值的融合程度以及协作机制的不同，现有探索可沿三条潜在技术路径展开讨论：原生数值表征、半结构化语义增强以及异构调度与协作。原生数值时空轨迹大模型原生数值时空轨迹大模型试图将连续时空特征与大型模型的Transformer层直接对齐。由于主流开源LLM（如Llama、Qwen、DeepSeek系列）是为离散自然语言设计的，其分词机制可能会破坏连续度量空间中物理轨迹的拓扑关系和距离约束。因此，此类方法通常用深度学习模型（如多层感知机MLP或时空图编码器）替代大模型的标准文本嵌入层，将高频轨迹张量直接投影到潜在特征空间。此外，通过冻结主干参数并引入参数高效微调技术（如低秩适配LoRA），可以在降低训练成本的同时使大模型适应轨迹表征、行为识别或轨迹预测等特定任务。然而，一个严峻的瓶颈仍然存在：目前仍缺乏原生于连续轨迹数据、具备底层空间几何和基于微积分的计算能力的时空大模型。大多数现有的端到端方案是基于面向文本的LLM进行跨领域微调的形式，因此难以自洽地学习和理解嵌入在船舶轨迹中的高频非线性机动特征。半结构化知识增强推理方法针对原生时空大模型的高计算成本和深层数值计算能力不足的问题，半结构化知识增强推理方法利用其他模型计算物理运动特征、识别交互关系和提取航行规则，从而将连续轨迹转化为富含层次语义的半结构化数据，为大模型提供认知输入。这一范式有助于弥合底层数值数据与高层语义之间的鸿沟。一方面，可将隐含的航行模式和相, 与COLREGs等规则动态地作为外部先验附加到推理上下文中。另一方面，复杂的船舶轨迹可被转化为兼具存储管理和推理潜力的知识结构，如图检索增强生成（GraphRAG）节点和向量知识库。然而，此类方法必须为LLM生成的行为解释引入严格的语义风险量化机制，需综合考虑与海上规则的逻辑不匹配、关键时空事件的遗漏以及上下文冗余等问题，以确保机器生成的监管结论具有严格的法律和物理依据。大模型编排的工具增强神经符号协作由于自回归机制在精确空间几何计算（如最近会遇距离CPA和最近会遇时间TCPA）方面存在根本性局限，大模型编排的神经符号协作将LLM升级为任务编排的"认知中枢"，同时将传统数值轨迹分析算法解耦为执行代理或工具。当面对复杂监管指令时，LLM自主规划任务工作流、调度外部可计算组件进行精确数值处理，最终整合多源异构证据生成评估报告。这种大模型进行隐式逻辑推理、小模型或工具执行精确数值计算的异构调度与编排范式，结合了传统算法的严谨性与LLM的泛化解释能力，是当前规避LLM数值计算弱项并支持实际落地的相对成熟路径。总体而言，大模型增强方法最好被理解为跨领域的认知与编排组件，而非数值轨迹分析、统计推理或符号推理的自足替代。

其比较优势在于在语义接口层面连接连续轨迹证据、海事知识、检索源和外部工具。这种优势是有条件的：模态不匹配可能产生物理上不一致的输出；长多船上下文可能造成较大的延迟；且领域专用的指令数据和评估基准仍然稀缺。因此，未来的系统应当实施一个经验证的"生成-检测-修复"循环，在该循环中，数值和基于规则的分量负责产生或校验证据，大模型合成候选解释，并显式的验证器识别逻辑不匹配、缺失要素和缺乏依据的主张，之后才交付决策支持。表3使用八个共享维度比较了四个分析组：方法论角色、知识与监督需求、不确定性处理、可解释性与可追溯性、可迁移性与主要失效模式、计算与工程特征、适用的行为表示与任务，以及优先验证证据。该比较区分了各组计算的内容与应如何对其进行评估，并明确将方法选择与上文定义的物理、交互和语义表示联系起来。

表3 船舶行为挖掘中四个分析组的跨范式比较

比较维度 | 先验知识驱动方法 | 基于特征的统计学习方法 | 深度表示学习方法 | 大模型增强方法

方法论地位与主要角色 | 主要的表示与推理范式。编码专家规则、物理约束、本体论或语义关系，可作为独立推理器或约束模块运行。 | 主要的表示与推理范式。使用工程化特征和统计假设来估计分布、转移、聚类或决策边界。 | 主要的表示与推理范式。通过神经网络优化学习潜在的序列、网格、图或生成式表示。 | 跨领域整合配置，而非对其他三者的直接替代。支持围绕数值或符号分量的检索、语义合成和工具编排。

知识、数据与监督需求 | 高领域知识和维护需求；通常低至中等标注数据需求。 | 中等领域专业知识用于特征设计和假设；标注需求从聚类的无标注到判别学习的任务特定标签不等。 | 高代表性数据需求；监督可以是标注的、自监督的、弱监督的或合成的。领域先验是可选的但通常有益。 | 高且异构需求：轨迹衍生的输入、精选的知识和检索源、指令或对齐数据、以及可靠的外部工具。

不确定性处理 | 当模糊逻辑、概率或规则置信度被建模时是显式的；确定性阈值则隐藏不确定性。 | 通常支持似然度、后验、置信度分数或状态概率，但校准依赖于模型假设和数据代表性。 | 可使用概率输出、集成、贝叶斯近似或生成式分布；过度自信和不良校准仍然常见。 | 可能以语言形式表达不确定性，但言语置信度不是经过校准的证据；不确定性应由上游模型和显式验证提供。

可解释性与证据可追溯性 | 通常较高，因为规则、公理和推理路径是可检查的；当规则来源或冲突解决未明确时，可追溯性会下降。 | 中等：特征和统计结构是可检查的，但单个决策和非线性交互可能仍然依赖模型。 | 低至中等：潜在特征难以解释，事后解释不一定忠实。 | 在接口层面可能很强，但生成的推理过程并不固有地忠实；可追溯性需要来源溯源、工具日志和证据支撑。

可迁移性与主要失效模式 | 受规则完备性、区域法规和场景特定知识限制；在新型、不完整或冲突的情境下失效。 | 对特征有效性、采样偏差、统计假设和分布漂移敏感；可能遗漏复杂的非线性交互。 | 在覆盖的分布内更强，但易受领域偏移、稀疏标签、虚假相关和物理或规则违反的影响。 | 任务灵活但易受模态不匹配、幻觉、提示和工具敏感性以及稀缺的海事基准影响。

计算与工程特征 | 在线计算量低；离线知识工程、规则测试和维护量大。 | 通常训练和推理成本中等；需要稳定的特征流水线和定期模型更新。 | 对于长序列、密集空间编码和多智能体图，训练和推理成本高；硬件和延迟约束显著。 | 系统层面成本高，源于模型推理、检索、上下文构建和工具协调；可复现性、隐私和延迟需要控制。

适用的行为表示与任务 | 规则约束事件、合规检查、可解释的异常假设和语义验证；当知识明确时，可跨层适用。 | 状态识别、轨迹聚类、序列标注和异常评分；对物理和交互表示以及有界语义任务最强。 | 复杂时序和多智能体表示、行为识别、交互建模、异常检测和预测支持的编码；证据充分时可支持所有层级。 | 证据合成、语义假设生成、规则查询、报告生成和工作流编排；不适合作为底层几何或物理的独立替代。

优先验证证据 | 规则覆盖率和一致性、阈值敏感性、专家一致性、误报和漏报分析、跨区域适用性。 | 外部测试性能、校准、特征消融、对缺失和采样变化的鲁棒性、以及统计假设检验。 | 跨区域和跨船测试、不确定性校准、物理和规则一致性检查、消融、分布外测试和延迟。 | 证据保真度、检索和工具调用正确性、规则一致性、幻觉率、可复现性、人工审核负担和端到端延迟。

该比较得出了四条方法选择原则。第一，由显式监管约束、可审计性或稀疏标签主导的任务应使用先验知识模块作为控制层。第二，当行为可以在有界运行域内用稳定且可解释的特征表示时，统计学习在效率、数据需求和透明度之间提供最优平衡。第三，当工程化特征无法充分捕获长程时序或多智能体依赖时，深度表示学习是有依据的，但其使用需要外部领域测试、校准以及物理和规则一致性检查。第四，大模型增强仅应在任务需要知识检索、跨模态语义集成或工具协调时引入；它应封装已验证的数值和符号分量而非替代它们。混合架构因此应为四个组分配不同功能，而非将其视为单一技术层级的竞争阶段。

船舶行为模式挖掘的应用

船舶导航行为模式挖掘的最终目标是将船舶轨迹分析结果转化为对海事应用具有决策价值的信息。基于上文提出的三层船舶行为建模框架——物理行为、交互行为和语义行为——本节按照每个行为层所表示的时空信息来组织应用。识别出三大应用类别：物理机动分析、群体交互认知和语义认知监控。这种应用结构反映了从单船运动状态描述到多船交通组织分析、再到事件级语义理解和决策推理的渐进过渡。

物理机动分析

物理机动分析主要针对单船运动状态和基本机动行为分析。其核心问题是船舶如何运动。该类别对应于船舶行为建模中的物理行为层，提供基本状态描述信息。此层级的应用聚焦于个体船舶运动状态及其时序变化的表示，用于将连续的船舶观测轨迹转化为结构化的行为序列。典型应用包括导航状态识别（如航行和漂移）、基本机动行为识别（如加速、减速和掉头）、以及船舶轨迹分段和行为监控。这些应用为海事系统提供了标准化的底层行为描述单元，并作为后续复杂行为分析和交通认知的基础信息。

群体交互认知

群体交互认知主要针对多船交互关系和区域交通组织分析。其核心问题是船舶之间如何交互，以及在指定海域内航运网络如何运行。该类别对应于船舶行为建模中交互行为层所支持的群体行为描述。相关应用包括航道提取、交通流结构分析、锚地和航道使用模式识别、船舶聚集行为分析、区域交通密度分析和瓶颈识别。在港口和海峡等复杂水域，该类别还涉及进港和离港模式分析、多船协作行为分析和区域交通演化分析。通过从海量多船轨迹数据中挖掘交通组织结构和运行规律，群体交互认知为航线规划、港口调度和区域导航组织提供面向区域和群体的决策支持。在区域交互层面，窄水道中的实时事故预测和基于时空棱柱的分析已被用于刻画不断演化的多船风险。轨迹衍生的运行模式也为面向可持续性的应用提供了重要基础，包括高分辨率时空船舶碳排放评估和低碳航运路径的系统评估。

语义认知监控

语义认知监控将行为表示与环境上下文和海事知识相结合，以推断导航意图、解释异常或规则相关事件，并支持基于风险决策。代表性应用包括语义行为识别、意图推断、异常分析、碰撞风险诊断和复杂事件推理。其主要功能是将观测到的运动和交互模式转化为依赖上下文的事件解释和具有操作相关性的证据。

已识别的行为模式不应被视为事故发生的直接代理指标。相反，它们为动态风险评估提供时变证据。运动学变化和交互模式可与航道几何、交通状况、航行规则、环境因素和已建立的风险指标相结合，以更新碰撞、搁浅、近失事或违规风险的估计。这些估计可指导适度的干预措施和后续基于反馈的重新评估。因此，行为挖掘通过提供结构化、可解释的证据来支持风险评估和预防，而最终的风险判断和干预仍依赖于专门的风险模型和更广泛的态势信息。

挑战与未来方向

船舶导航行为模式挖掘正从轨迹驱动的模式发现转向复杂海事场景中的可信行为理解。随着大模型和深度生成技术的发展，该领域的瓶颈已不再局限于单个模型的识别精度。相反，挑战同时在多个层面产生：在数据层面，行为信息仍难以组织、检索和更新；在模型层面，物理约束和多船交互机制仍不充分地被纳入；在语义层面，上下文歧义和语义幻觉仍是关键问题；在决策层面，形成责任评估、风险处理和监管流程的可信闭环仍然困难。基于这一认识，本节从数据、模型、语义和决策四个视角讨论当前挑战和未来方向。

数据层面：从标注样本库到轨迹数据库关联系统

在数据层面，当前船舶导航行为模式挖掘的核心瓶颈不仅是标注样本数量不足，更是可用行为标注数据库在开放性、真实性、语义层次和动态关联能力方面的同时限制。现有研究通常将船舶轨迹视为孤立且静态存储的训练样本，侧重于自构数据集和规模扩展。然而，在海上区域，新的运行模式和区域法规规则不断演进，高层船舶行为的标注已无法仅靠单一轨迹段来支持。因此，需要从手动标注样本存储转向开放的、有组织的和相互关联的数据。

一方面，底层轨迹数据库尚未与环境对象数据库和海事知识库等多源异构数据库紧密关联。这限制了船舶导航行为模式挖掘模型的学习深度和扩展广度。另一方面，轨迹数据库与已识别行为模式数据库尚未形成反馈迭代、匹配和反证机制。因此，模型输出往往仍然是单向的、难以验证的概率假设，缺乏知识继承、更新和演进所需的底层数据流支持。

在船舶交通服务监控、港口调用监控、渔业执法和跨机构海事监管等运行场景中，数据层面的挑战表现为AIS报告不完整、采样间隔异质、更新延迟、所有权碎片化，以及轨迹、环境、水文和监管数据库之间关联薄弱。因此，现有系统难以维持对演变船舶行为的时序同步和可审计表示。候选工程评估维度包括轨迹完备性、缺失报文比例、更新和摄取延迟、跨源实体匹配准确率、具有可追溯来源的标签占比、数据库检索延迟以及环境和监管信息的刷新频率。这些维度在不同研究背景下被报告或提出；其定义和可接受阈值因应用而异，应当说明而非假定。

未来的工作应推动构建具有时空语义关联的轨迹-行为数据库，同时进一步发展面向数据库的人工智能（AI4DB）和数据库驱动的人工智能（DB4AI）技术。一方面，大语言模型和知识图谱技术可用于支持轨迹数据库、环境对象数据库、海事知识库和已识别行为模式数据库的自动构建和动态维护。这将有助于打破数据孤岛，实现行为标签的动态扩展和跨源知识映射。另一方面，当挖掘模型提出初步行为假设时，系统应能够触发跨数据库联合查询。

例如，可以利用环境对象数据库来验证泊位几何形状，检索行为模式数据库以比较历史时空模板，查询海事知识库以检查限速规则，并利用多源信息来约束模型输出。跨多源异构数据库的时空语义联动系统将支持船舶导航行为模式挖掘从脆弱的单向黑箱预测向基于模型假设与数据库信息双向学习的可信推理范式转变。

**模型层：从序列拟合到物理约束与多智能体交互建模**

现有船舶行为模型大多以序列拟合和表示学习为中心，其学习目标通常聚焦于拟合历史数据分布或提高预测准确性，难以保证模型输出符合船舶运动机制和海事交通交互规律。

对于给定的观测轨迹数据分布，可能存在多种函数组合能够拟合其时空过程，但同时也满足船舶物理运动机制和航行规则约束等领域先验条件的模型通常只构成有限的子集。

本综述提出的三层框架——物理行为、交互行为和语义行为——从多个视角提供互补信息，可作为未来模型开发的重要信息-学习路径。因此，核心挑战在于如何构建能够同时满足低层运动规律、中层交互规律和高层行为规律的协同学习框架和智能模型。

在模型层，相关工业场景包括港口和窄水道避碰支持、多船相遇预测、自主导航以及拥堵状况下的交通流管理。现有系统受限于物理上不可行的输出、交互相遇事件覆盖不完整、对区域交通分布的敏感性，以及离线预测精度与闭环交互下可靠性之间的差距。对行为或预测模型的评估可考虑物理约束违反、不确定性校准、推理延迟以及跨区域或跨船舶迁移时的性能下降。在交互条件下的避碰或导航算法评估则还需考虑场景与相遇事件覆盖、碰撞或险情后果、最小安全距离以及规则一致性度量。

这两个评估目标不应合并为一个不分层次的单一指标列表。

未来模型应进一步将物理约束与多船交互机制相结合。船舶速度变化、转向率限制、惯性、可达区域以及可航行水域约束可被纳入模型架构、目标函数或后处理流程中，以提高识别或预测行为的物理可行性。

同时，多船交互模型应显式地表示相遇、追越、避碰、协同导航和拥堵场景中的相互影响、交通流组织以及航行规则约束。

然而，多船交互建模应与动态交互条件下的可靠性评估区分开来。前者关注船间依赖关系的表示与预测，后者则检验避碰或导航算法在多样化相遇构型和周边船舶响应下是否仍保持鲁棒性。因此，未来评估应考虑场景覆盖、重叠或顺序发生的相遇事件、狭窄水道以及邻近船舶的合作或非合作响应。交互测试是暴露多船相遇场景中运行局限和易失效交互的有用路径。方向与环境约束下的时空棱镜方法可进一步支持狭窄水域的场景构建和风险评估。

因此，不应仅以预测性能作为运行安全的证据。

**语义层：从行为标签生成到上下文驱动的意图解释**

船舶行为的语义具有很强的上下文依赖性。相同的轨迹模式在不同海域、船舶类型、任务阶段和交通关系中可能对应不同的行为含义。

因此，语义层的核心问题在于如何在不同上下文下解释相同行为分布背后可能的意图。现有的语义建模方法主要依赖静态标签或规则组合，将轨迹片段标注为"停留"或"进入"等行为类别，但对行为语义生成背后的上下文机制刻画不足。

当大语言模型参与行为解释时，这一问题变得更加突出。大语言模型能够生成流畅完整的解释文本，但可能也依赖语言先验或常识模板将证据不足的轨迹现象解释为确定的高层意图，从而产生行为解释中的语义幻觉。

在语义层，代表性应用包括港口异常监测、航行意图解释、非法闯入或非法捕鱼监控以及规则相关行为解释。现有系统仍受限于上下文依赖性带来的歧义、静态标签体系、不完整的规则与场景知识，以及生成模型可能产生貌似合理但缺乏依据的解释。评估应与输出类型相匹配：事件或意图推断需要上下文条件化的区分与校准；异常评估需要明确参考标准和未知行为处理；规则相关解释需要与适用规则保持一致；生成解释则需要证据完整性、保真度和可追溯性。跨海域、船舶类型和作业任务的迁移应分别报告。

没有单一语义指标适用于所有任务。

未来语义层研究应从静态标签学习转向上下文敏感的意图解释。一方面，应引入海域功能、港口操作流程、船舶类型、历史活动模式和海事知识图谱作为上下文先验，使相同轨迹模式在不同场景下获得不同解读。另一方面，应建立语义不确定性的表示机制。对于可能具有多重解释的行为，应提供候选语义、置信度和适用条件，而非直接输出单一确定性标签。

因此，语义层的目标应从"赋予行为名称"转向"解释该行为在具体场景中的含义"，同时抑制缺乏上下文证据支撑的语义幻觉。

**决策层：从行为识别结果到可解释的监管证据链**

现有船舶行为挖掘方法的输出多为行为标签、异常分数或预测轨迹，这些输出可为态势感知提供参考，但与海事监管中的可执行决策之间仍存在明显差距。

实际管理任务不仅要求判断船舶做了什么，还需要回答该行为是否真实发生、责任应如何认定以及是否需要干预。单一行为标签或概率分数不足以支撑事故溯源、违章认定和责任归属等高风险决策任务。当智能生成模型参与时，这一问题更为突出。模型可能提供完整的行为解释和处置建议，但在缺乏轨迹证据、规则依据和不确定性声明的情况下，其输出仅为"最佳猜测"，无法直接作为监管责任认定的依据。在涉及轨迹缺失、设备关闭、异常报文或复杂多船交互的场景中，错误识别或过度解读可能导致误报、漏报，甚至错误归责。因此，未来决策层的关键不在于让模型输出听起来更像专家语言，而在于确保每一条决策建议都可通过推理证据链进行审查。

在决策层，主要工业场景包括船舶交通服务干预、碰撞风险预警、海事执法支持、事故调查支持和人工主导的责任分析。现有系统通常仅提供孤立的标签、分数或预测轨迹，缺乏将观测、空间计算、适用规则、不确定性和反证联系起来的完整链条，因此其输出难以审计或转化为比例适当的行为。候选工程维度包括误报率和漏报率、预警提前时间、决策延迟、证据链完整性、每条建议到源数据和规则的可追溯性、人工审查时间、干预有效性以及事后审计的可复现性。

这些指标评估决策支持和可审计性，但并不验证自动法律归责，后者仍依赖于主管机构、程序规则和人工审查。

未来工作需要构建证据驱动的可信行为决策机制。除行为识别结果外，此类机制还应输出轨迹证据链、空间关系计算结果、历史相似案例、规则合规性检查、置信区间和潜在反证。

例如，当系统给出"涉嫌非法穿越禁航区"的判断时，不仅应提供行为类别，还应提供对应轨迹片段、进入和退出时间、与禁航区边界的拓扑关系、适用法规条款、与历史相似行为的对比以及不确定性来源。这样，海事决策才能从"信任模型输出"转向"审查证据链"。

**结论**

本综述综合了船舶导航行为模式挖掘中的数据源、标注数据集、行为表示、挖掘方法、应用和研究挑战。其核心结论是：运动学模式、船舶-对象关系、上下文条件化的事件语义、区域交通聚合以及下游风险估计不应被视为等价的分析输出。提出的三层框架将物理、交互和语义表示组织为抽象层级，而单船、成对或多智能体以及区域或群体分析则构成独立的聚合尺度。该框架是概念性、比较性的，而非正式的本体论或经实证验证的端到端架构。四个分析组之间也非互斥关系，但并不完全对称：显式知识、工程特征统计和学习表示是主要的推理范式，而大模型辅助则主要是一个贯穿式的检索、语义整合和工具编排层。因此，应根据目标输出、证据可用性、不确定性、可追溯性和安全后果来组合和评估，而非将其作为线性技术演进进行排序。

未来工作应优先关注可追溯的行为标签和关联数据、物理和规则一致且覆盖导向的交互模型测试、保留不确定性和替代解释的上下文条件化语义推断，以及从行为证据到独立的风险和决策模型的可审计链接。进展应通过明确定义的、任务特定的数据溯源、物理和规则一致性、迁移鲁棒性、校准、证据保真度和干预有效性等指标来评估，不应将行为标签或生成解释直接解读为事故概率或自动监管结论。

**致谢**

本研究受国防科技大学创新科学基金资助（项目编号：25-ZZCX-ZX-CXXM-08）。

**作者贡献**

概念化：Y.X.、D.W.和L.C.；方法论：Y.X.；调研：Y.X.；数据整理：Y.X.；初稿撰写：Y.X.；审阅与编辑：Y.X.、D.W.和L.C.；可视化：Y.X.；指导：D.W.和L.C.；项目管理：L.C.；经费获取：L.C.

**利益声明**

作者声明不存在任何经济利益冲突。