黃端瓊

關鍵詞：漁船軌跡；漁船安全；數(shù)據(jù)挖掘；智能分析

中圖分類號：TP311 文獻標識碼：A

文章編號：1009-3044（2023）10-0120-04

0 引言

福建是我國海洋捕撈業(yè)最發(fā)達的省份之一，在海洋捕撈產值及產量規(guī)模方面，福建已連續(xù)多年穩(wěn)居全國前三。截至目前，福建省在冊的海洋捕撈漁船約為1.2萬艘，為切實加強漁船安全管理，自2019年以來福建省為海洋漁船陸續(xù)安裝了固定式北斗示位儀、插卡式AIS定位終端，近年來積累了大量的漁船軌跡數(shù)據(jù)包含漁船名、經緯度位置信息、時間、航速、航向、船籍港、船舶歸屬地區(qū)、船舶類型、作業(yè)類型、設備等信息，有效記錄了漁船捕撈航行過程和相應的行為特征。漁船是漁業(yè)生產的重要工具，通過對漁船軌跡數(shù)據(jù)進行數(shù)據(jù)挖掘可以精準分析漁船生產行為，對精準掌握漁船作業(yè)行為、發(fā)現(xiàn)漁船異常行為、規(guī)范漁業(yè)執(zhí)法等具有重要的意義。

目前已有國內外學者基于軌跡數(shù)據(jù)進行大量的數(shù)據(jù)挖掘與分析，例如唐存寶等提出基于AIS的船舶航跡分布算法[1]，實現(xiàn)航跡分布圖在電子海圖平臺上的繪制；陳昭、王凱、李征宇等人開展了大規(guī)模軌跡數(shù)據(jù)研究與分析，提出了軌跡數(shù)據(jù)的索引、數(shù)據(jù)存儲組織優(yōu)化、查詢方法，為軌跡數(shù)據(jù)的挖掘分析及融合相關應用提供技術支撐[2-5] ;唐天琪等基于車輛軌跡數(shù)據(jù)進行數(shù)據(jù)挖掘與分析，設計一套車輛規(guī)則創(chuàng)建流程模板，實現(xiàn)車輛規(guī)則的動態(tài)指定、數(shù)據(jù)統(tǒng)計及可視化展示[6]；呂國華等人提出一種基于聯(lián)邦隨機森林的船舶AIS軌跡分類算法FRFCA，用于船舶AIS軌跡數(shù)據(jù)挖掘，為海事監(jiān)管系統(tǒng)中船舶軌跡識別和船舶航行風險分析提供智能化服務;Souza等人[7]提出了一個識別拖網、圍網、延繩釣3種漁船的算法;國外有些學者基于機器學習或深度學習方法對AIS軌跡數(shù)據(jù)進行漁船作業(yè)類型為漁船監(jiān)測提供技術支撐[7-10]。如何從積累的漁船軌跡數(shù)據(jù)中挖掘出有價值的信息，充分利用數(shù)據(jù)對于研究漁船作業(yè)行為模式、分析漁船交通流特征具有重要的意義。為此本文提出了一個漁船安全行為智能化管理方案，基于漁船安全管理實際需求實現(xiàn)軌跡數(shù)據(jù)的數(shù)據(jù)預處理、智能分析應用，可以為漁業(yè)行政主管部門提供決策分析依據(jù)，進一步提升漁業(yè)管理智能化水平。

1 數(shù)據(jù)處理

1.1 數(shù)據(jù)來源

本文采用的數(shù)據(jù)源為2021年至今的福建省海洋漁船定位軌跡和基本信息兩部分，其中漁船基本信息數(shù)據(jù)記錄12061條，漁船軌跡數(shù)據(jù)記錄約86億條，數(shù)據(jù)量約2T。數(shù)據(jù)結構如表1、表2所示。

1.2 數(shù)據(jù)接入及融合處理流程

本文采取WebService方式實現(xiàn)漁船北斗定位數(shù)據(jù)、AIS定位數(shù)據(jù)的接入，針對漁船定位數(shù)據(jù)丟包、異常屏蔽等行為，整合從農業(yè)農村部、航標處、終端廠商獲取的漁船定位數(shù)據(jù)，通過野值剔除、時間對準、空間對準等數(shù)據(jù)處理手段，應用概率關聯(lián)、最近鄰等算法實現(xiàn)目標測值和狀態(tài)估計值的關聯(lián)。

漁船安裝了北斗、AIS設備，在同一航行期間都會發(fā)送定位信息，為了有效利用多源軌跡數(shù)據(jù)，本文采用漁船北斗、AIS軌跡數(shù)據(jù)的融合處理有效利用這些定位數(shù)據(jù)，從而提高系統(tǒng)顯示船舶實時位置的準確性。融合處理流程包括數(shù)據(jù)清洗、數(shù)據(jù)轉換、數(shù)據(jù)入庫與接口對接，具體流程如圖1所示。

首先對接收所有定位數(shù)據(jù)先清洗刪除異常數(shù)據(jù)與不規(guī)范數(shù)據(jù)，主要進行缺失值處理和合理性校驗；然后對原始報文數(shù)據(jù)按標準規(guī)范進行報文解析，轉換為結構化漁船軌跡數(shù)據(jù)，對定位時間戳進行判斷，當數(shù)據(jù)為歷史補報數(shù)據(jù)或倒掛數(shù)據(jù)時，將數(shù)據(jù)存儲至kafka歷史數(shù)據(jù)主題，當數(shù)據(jù)為正常實時數(shù)據(jù)時，更新ElasticSearch中的漁船最后出現(xiàn)位置，然后以Redis為緩存，對軌跡數(shù)據(jù)應用概率關聯(lián)、最近鄰等算法實現(xiàn)目標測值和狀態(tài)估計值的關聯(lián)，把采集的AIS數(shù)據(jù)按漁船MMSI編碼和時間戳進行去重操作，對同一漁船同一時間的軌跡信息只保留一條軌跡數(shù)據(jù)，最終將Redis中的軌跡數(shù)據(jù)存儲到數(shù)據(jù)庫中。

2 智能分析應用

2.1 船碼匹配分析

船碼匹配分析主要用于判斷漁船船碼是否匹配，有效區(qū)別于疑似三無、疑似套牌、疑似假牌的漁船現(xiàn)象，有效處置海上漁業(yè)突發(fā)事件，提升漁業(yè)安全生產管理水平。由于AIS數(shù)據(jù)無漁船作業(yè)狀態(tài)，本文基于北斗數(shù)據(jù)和AIS數(shù)據(jù)進行同船匹配，匹配與北斗終端同船的AIS終端，船碼匹配流程如下：

第一步：初始化，相似度匹配閾值，相似度計算規(guī)則（余弦相似度等）；

第二步：通過相似度矩陣計算不同AIS設備與北斗設備上報數(shù)據(jù)的相似性矩陣；

第三步：遍歷當前時刻的所有北斗設備數(shù)據(jù)，若沒有滿足閾值的船只，則返回此次匹配失??；

第四步：若有滿足閾值的船只，返回滿足閾值船只里面相似度最高的船只。

匹配流程如下圖2所示：

當前時刻所有AIS設備數(shù)據(jù)按匹配流程分別遍歷所有北斗設備數(shù)據(jù)。匹配成功意味著相似度極高的設備可以綁定在一起，從而得出是哪一艘船在使用該設備。如圖3所示：

2.2 作業(yè)類型異常分析

福建省漁船主要作業(yè)類型為拖網、刺網、圍網三種類型，根據(jù)規(guī)定漁船必須按照漁業(yè)行政主管部門許可、核定的作業(yè)類型生產，但實際上存在漁船擅自改變或增加作業(yè)類型進行生產的現(xiàn)象，這對漁業(yè)“雙控”造成嚴重沖擊，擾亂了漁業(yè)生產正常秩序，給漁業(yè)資源、漁業(yè)經濟和漁業(yè)安全帶來不良影響。為了實現(xiàn)漁船作業(yè)類型異常分析，本文研究了拖網、圍網、刺網作業(yè)類型的漁船行駛軌跡、速度變化的差異性（詳見圖4），表現(xiàn)為拖網分為單拖、雙拖、拖蝦，如拖蝦作業(yè)，漁船一般分布在特定海域，在進行作業(yè)時，其軌跡是以1.5～3節(jié)的航速，呈S型往返反復運行，作業(yè)時間一般在5～6小時；刺網漁船作業(yè)時軌跡通常表現(xiàn)為折線， 速度2節(jié)以下收放網；以2～5.5節(jié)的航速，形狀呈圓形或半圓形。本文依托漁船軌跡分類算法發(fā)現(xiàn)擅自改變作業(yè)方式的漁船，通過目標識別算法分析得出的漁船捕撈作業(yè)方式與備案登記進行對比呈現(xiàn)，以達到違規(guī)作業(yè)的預警目的。

軌跡分類算法對每艘漁船的軌跡生成了速度、方向、空間、時間特征，抽取特征參數(shù)輸入機器學習模型不斷進行模型訓練與修正，最終得出高精度可依賴的作業(yè)類型自動識別模型，簡單高效，過擬合風險低，易于拓展，分類算法思路如圖5所示。

2.3 基于地理圍欄開展?jié)O船行為智能分析

地理圍欄（Geo-fencing）是LBS的一種新應用，就是用一個虛擬的柵欄圍出一個虛擬地理邊界，具有時間和地理雙屬性。本文通過劃定漁港、錨地、敏感海域的地理圍欄，將這些區(qū)域以閉合多邊形的方式在電子海圖上標記出來，并設置了相應的時空屬性，然后通過將漁船軌跡數(shù)據(jù)與地理圍欄進行關聯(lián)，實現(xiàn)漁船進出港、駛入敏感海域、伏休異動等智能分析。在劃定漁港、錨地、敏感海域地理圍欄后，將這些地理圍欄與漁船實時位置進行綜合比對，對于有進出地理圍欄的漁船，自動記錄漁船進港港口、進港時間、出港港口、出港時間、駛入敏感海域時間、航速異動等信息，將這些信息用于出港未報備、單船出海、未同進同出、駛入敏感海域、異地漁船非法?？康臐O船行為分析，推送提醒管理人員。

2.4 漁船作業(yè)高風險海域分析

本文將福建海域進行網格化劃分，依托網格預報、歷史事故、敏感海域、商船航線等數(shù)據(jù)，對每一個網格貼上標簽，漁船進入網格海域后，系統(tǒng)自動分析漁船船長、噸位、歷史違規(guī)、歷史理賠等數(shù)據(jù)，進行分級提醒，減少對漁民的打擾，同時增加消息精準度。每個海域網格包括海況數(shù)據(jù)（含天氣、風力、浪高、水溫、發(fā)布日期、預報時效等信息）、歷史事故數(shù)據(jù)（含事故等級、事故類型、當事船舶、事故時間、事故地點、事故概況等）、商漁船高風險碰撞警戒區(qū)（含航線名稱、航線地理分布、警戒區(qū)名稱等）含等，用于后續(xù)消息規(guī)則自動匹配。消息規(guī)則配置包括漁船計算規(guī)則、網格計算規(guī)則、匹配規(guī)則三個部分，其中消息規(guī)則配置從漁船個體出發(fā)，對漁船匹配規(guī)則進行統(tǒng)一配置，包含分類名稱、統(tǒng)計規(guī)則、實現(xiàn)方式、不同統(tǒng)計結果對應的等級標簽，可配置漁船船長、噸位、歷史違規(guī)、歷史理賠等信息；網格計算規(guī)則從海域網格出發(fā)，對海域網格匹配規(guī)則進行統(tǒng)一配置，包含分類名稱、統(tǒng)計規(guī)則、實現(xiàn)方式、不同統(tǒng)計結果對應的等級標簽，可配置如風力、浪高、事故多發(fā)、船只密度（低、中、高）等；匹配規(guī)則從漁船個體和海域網格兩個角度，分別設置對應的匹配規(guī)則，可以設置多個等級標簽。

3 漁船安全行為態(tài)勢感知展示

為了更直觀地進行漁船安全行為態(tài)勢感知，本文提出采用專題圖的形式，依托電子海圖進行船碼匹配分析、作業(yè)類型異常分析、基于地理圍欄開展?jié)O船行為智能分析、漁船作業(yè)高風險海域分析結果展示，同時對漁船賦予“健康碼”，提供漁船健康報告，多維度分析綜合展現(xiàn)漁船個體狀況。

4 結束語

近年來，為了切實加強漁船安全管理，漁業(yè)行政主管部門陸續(xù)為漁船配備各種類型的安全通信終端，并配套建設了漁船管理系統(tǒng)，積累了大量的漁船軌跡數(shù)據(jù)。隨著大數(shù)據(jù)挖掘技術的發(fā)展，漁船安全管理對智能化分析需求日益增長。為了解決原有漁船管理手段單一、系統(tǒng)智能化程度低的情況，本文提出了漁船安全行為智能分析管理方案，以漁船軌跡數(shù)據(jù)為切入點對漁船軌跡數(shù)據(jù)融合處理、智能分析進行深入研究，并將最終分析成果以可視化方式進行展示，實現(xiàn)漁船船碼不符、作業(yè)類型異常、觸發(fā)電子圍欄行為、駛入敏感海域、進入碰撞高風險海域等行為提前預警，及時提醒漁業(yè)主管部門和船東，將危險行為扼殺在苗頭，避免不必要的爭端。