一种基于关键风险船舶识别的新型多船协同避碰方法

《Ocean Engineering》：A novel multi-ship collaborative collision avoidance method based on key risk ship identification

　　

• •
  开发了一种多层图注意力网络，用于识别演化中的海上交通网络中的关键风险船舶。
• •
  提出了一种整合模拟退火和外部存档策略的改进多目标麻雀搜索算法（IMOSSA），用于多船协同避碰。
• •
  采用两阶段框架，通过三阶段筛选将IMOSSA聚焦于GAT识别的关键风险船舶，从而缩减优化集合。
• •
  该框架在所有测试场景中均能产生符合COLREGS规则的角色分配，并保持船舶间的安全距离。

引言

随着全球海上贸易的持续扩张，港口水域的船舶交通密度已达到前所未有的水平，导致在狭窄水域中出现多船会遇和交叉会遇情况（Korupoju et al., 2025; Li et al., 2023a, Li et al., 2023b; Yu et al., 2024）。作为现代海上交通管理的核心支撑，船舶交通服务（VTS）面临多重挑战：需要保持态势感知能力、对关键风险船舶实施精准监管，以及在时间紧迫的条件下协调多船的顺序避碰行动（Li et al., 2023a, Li et al., 2023b; Liu et al., 2025a）。关键风险船舶的识别和有效避碰策略的制定已成为确保海上交通安全和运营效率的关键问题。

当前海上交通管理方法面临两个关键局限性。首先，现有的关键风险船舶识别方法无法充分捕捉海上交通网络的异质性，且缺乏动态适应不断变化的网络结构的机制，限制了其在实时风险评估中的有效性（Ma et al., 2025; Zhao et al., 2022）。其次，现有的避碰策略通常聚焦于单个船舶间的会遇，当多艘高风险船舶需要同时做出避碰决策时，可能会导致操作冲突（Xin et al., 2021）。

图神经网络的最新进展，特别是图注意力网络（GAT），为解决海上交通中的网络异质性问题提供了有前景的解决方案（Shehata et al., 2025; Wang et al., 2025; Zhang et al., 2025）。GAT通过注意力机制在建模复杂关系结构和识别动态网络中的关键节点方面展现出了非凡的能力（Sun et al., 2023; Vrahatis et al., 2024）。通过将船舶交互视为动态网络，GAT可以自动学习不同船舶关系的重要性并识别影响力最大的船舶（Yu et al., 2026）。然而，将这些基于图的方法应用于海上交通管理仍存在局限性，特别是在将关键风险船舶优先级排序与协同避碰决策相结合方面（Zhang et al., 2024）。

现有的多船避碰方法在同时机动时对其他船舶航迹的静态假设方面存在局限性，且缺乏前瞻性优化——仅关注最近的船舶而未系统地评估会遇中所有船舶的全球碰撞风险（Lyu et al., 2023, 2024a）。当协调多艘高风险船舶的避碰策略时，这些局限性尤为棘手（Wang et al., 2021, 2024）。

为了解决这些局限性，本文提出了一个将关键风险船舶识别与多目标避碰相结合的集成框架。关键创新在于将图注意力网络用于风险优先级排序与先进优化算法用于协同避碰决策的系统集成。这种方法使VTS操作员能够将注意力与资源集中在最关键的风险船舶上，同时确保避碰策略在多目标层面得到优化。本研究的主要贡献如下：

• (1)
  提出了一种基于多层图注意力网络的关键风险船舶识别算法。该算法整合了多头注意力机制、残差连接和MLP评分器，提高了关键风险船舶识别的准确性和可靠性。
• (2)
  建立了一种船舶避碰多目标优化模型。本文提出了一种改进的多目标麻雀搜索算法（IMOSSA），该算法整合了改进的模拟退火接受准则和两阶段自适应冷却策略，为复杂的多船避碰场景提供了解决方案。
• (3)
  构建了关键风险传播识别与避碰决策的集成模型。该模型以图注意力网络识别出的关键风险船舶作为避碰决策的核心对象，为这些高风险船舶制定平衡安全性与经济性的最优避碰策略。

本文其余部分组织如下：第2节描述相关工作。第3节构建了一种基于图注意力网络的关键风险船舶识别算法。第4节建立了一种船舶避碰多目标优化模型。第5节基于宁波舟山港的真实自动识别系统（AIS）数据和模拟数据，进行了关键风险船舶识别实验和多船协同避碰实验。第6节讨论了算法的优势和研究局限性。第7节总结了全文并提出改进方向。我们的研究框架如图1所示。

章节摘要

海上交通复杂网络

海上交通复杂网络研究已从基本拓扑分析发展到复杂的风险整合建模方法。早期方法侧重于通过网络结构特征量化交通复杂性（Sui et al., 2020）。后续发展结合了空间建模技术，将Voronoi图与复杂网络相结合以避免距离阈值限制（Sui et al., 2022; Yu et al., 2025a），以及基于概率的图聚类框架

关键风险船舶识别模型

本节提出了一种基于多层图注意力网络的节点重要性排序模型。首先，采用多层图注意力网络捕捉复杂的节点关系；其次，引入多头注意力机制进行多样化特征学习；最后，通过MLP评分器输出节点重要性排序。模型结构如图2所示。

船舶避碰模型

本节基于改进的多目标麻雀搜索算法构建了船舶避碰优化模型，旨在确保航行安全的同时实现最优的经济避碰操作。

关键风险船舶识别

使用2021年1月1日宁波舟山港的AIS数据，时间范围为10:00:00至10:10:59，每秒采集一次船舶位置信息，共计659个时间节点。复杂网络构建方法遵循Qiao等人（2025）的研究。数据预处理和图构建后，获得了1762个有效的复杂网络。数据集按时间顺序划分为训练集、验证集和测试集，各数据集之间相互隔离以评估模型性能

关键风险船舶识别讨论

传统的节点重要性评估方法由于依赖简单的拓扑分析，无法捕捉非对称的船舶风险交互关系。本文开发了一种有向加权图注意力方法，以自适应地学习船舶对之间的风险权重。尽管需要额外的训练数据并增加了部署成本，但与传统的基于图神经网络（GNN）的方法相比，更好地解决了海上交通网络固有的结构异质性。

节点特征

结论

本文针对海上交通安全管理中关键风险船舶识别精度不足和多船协同避碰决策复杂的技术挑战，提出了基于图注意力网络的关键风险船舶识别和多船协同避碰模型。主要工作如下：

• (1)
  构建了基于多层图注意力网络的关键风险船舶识别算法。该算法整合了

CRediT作者贡献声明

郑荣：写作 – 审阅与编辑，写作 – 原稿撰写，可视化，调查研究。 乔倩：写作 – 审阅与编辑，资源，方法论，概念化。 顾敏：写作 – 审阅与编辑，可视化，方法论。 刘佳伦：写作 – 审阅与编辑，可视化，资源，概念化。 张柯：写作 – 审阅与编辑，资源，项目管理。 李春旭：写作 – 审阅与编辑，资源，概念化。

竞争利益声明

作者声明他们没有已知的竞争性经济利益或个人关系，这些关系可能影响本文报告的工作。

致谢

本研究由国家自然科学基金（资助编号52001134和52371369）以及福建省自然科学基金（资助编号2024J01102和2023J01326）资助。

郑荣|乔倩|顾敏|刘佳伦|张柯|李春旭