0 引　言

船舶在海洋航行时一旦出现火灾、碰撞或者遭遇台风等需要及时救援，而救援首先需要确定船舶的精确位置。船舶航迹数据是船舶航行过程中的重要数据，包括船舶航行的动态时刻、航向、航速、经纬度以及船舶基本信息等。有了航迹数据，海上船舶救援中心可以在第一时间根据船舶的历史航迹数据来确认船舶的大概位置，甚至在缺乏后续航迹数据的基础上也可以根据算法对船舶的航迹作出推测和预判，这将大幅度提升海上船舶搜救的效率和成功率。

航迹数据包含的数据较多，单纯靠人力去判别众多船舶的基本数据费时费力，可视化技术可以很好地将这些数据进行融合和总结，以图表的形式呈现出来，让救援工作变得更加省时省力。同时由于船舶在发生事故时经常会出现一些关键数据缺失，如GPS由于没有同时接收到3个或以上的卫星数据时会导致获取的当前坐标信息不准，因而需要将这些数据舍弃，此时的解决方法是将北斗卫星以及其他渠道获取的位置信息进行融合，从而获取当前时刻的船舶位置信息，这就需要对多种渠道获取的信息进行有效融合。崔亚奇等^[1]使用MTAD数据集对多源航迹数据进行融合，同时根据这些航迹数据分析船舶不同航迹的特点，该数据集已经成功应用于实践。在航迹可视化技术方面，叶锋等^[2]对船舶航迹数据可视化进行了研究。冯启林等^[3]将聚合神经网络应用于4D航迹预测，并充分结合可视化技术，将航迹数据行程以可视化图表的方式展现出来。

为了达到船舶海上快速搜救的目的，本文研究对船舶航迹数据的收集和获取，结合可视化技术对航迹数据在软件上实现快速展现，提升海上船舶的搜救能力。

1 航迹数据搜集 1.1 AIS数据收集

船舶自动识别系统（AIS）的原理是船舶通过公共频道向岸基控制中心和其他船舶持续广播本船的位置、航向、航速等信息，目前建造的所有船舶都会被强制安装AIS系统，因而通过AIS系统就可以获取目标船舶的基本航迹信息^[4]。

同一区域内可能会有很多船舶，若这些船舶同时向岸基或其他船舶广播信息，那么就会造成信息接收错乱，因而在AIS系统中会将1 min分为若干个间隙，每个间隙的时间固定，为26.67 ms，处在间隙时可以发送AIS信息，但是仍然会存在当船舶数量过多时会造成AIS通信拥挤的情况。若在近海船舶非常拥挤时采集的AIS航迹信息需要对距离进行判断，优先获取距离近的船舶航迹数据。不同船舶AIS数据发送的时序如图1所示，可以发现，要保证AIS信息发送成功，需要在发送信息时时隙不被占用。

AIS的发送机制为差分编码，在对AIS信号进行处理时需要进行同步处理，这样可以确认信号的起始时间，并消除在信号传输中产生的时延对后续信号解调产生的影响。定义接收信号为 $ r^{\prime}(t) $ ，则

$ r'(t) = \beta S(t - \tau )\exp \{ 2{\text{π}} \Delta ft + \theta \} \text{。} $

(1)

式中：f为传输频率，t为时间，θ为偏转相位。exp( )为计算以自然数e为底的指数，进一步计算可得到：

$ r'(t) = \beta {\text{exp}}\{ j2{\text{π}} \Delta ft + \theta + \varphi (t - \tau a)\}\text{。} $

(2)

为了消除接收信号中频偏造成的影响，对其进行帧同步计算和处理后可以得到：

$ r''(n) = A\exp \{ j\cdot 2{\text{π}} \Delta fn + \theta \} + w(n)\text{。} $

(3)

式中：A为传输信号的最大电压，w(n)为信号传输过程中所产生的噪声。

1.2 多源数据融合

在船舶航行过程中由于AIS信息有可能会接收不到或者出现错误，因而船舶的航迹数据搜集经常会采用多种数据，不同监测站点对同一船舶的位置监测也会存在一些差值，在对船舶航迹数据可视化之前需要将这些不同源头的数据进行有效融合，并将一些错误数据剔除出去^[5]。图2为船舶航迹融合过程，不同监测站获取的数据汇总到数据跟踪模块，从每个监测站获取的船舶航迹都是整个航迹的一部分，而多源数据最后融合的航迹才是系统航迹。在航迹关联后，系统会将不同监测站点获取的局部航迹状态进行分配，不断形成新的系统航迹，并计算新的系统航迹的误差，通过获取的局部航迹最终融合成船舶系统航迹，最后以可视化的方式显示出来。

在同一个周期内，不同数据源获取的某一个船舶的位置表示为S_i，i为融合数据的数量，则整个数据量P为：

$ P = \sum\limits_{i = 1}^N {[{P_{Di}}} {T_i} + {N_i}{\lambda _i}]{S_i}\text{。} $

(4)

式中：S_i为第i个监测站发现目标船舶的点迹参数，包括距离、方位以及航速等；P_Di为第i个监测站数据来源的可信程度；T_i为第i个监测站所监视的船舶数量；N_i为第i个监测站的杂波点数；λ_i为第i个监测站杂波的密度。

使用Matlab对航迹进行融合，仿真结果如图3所示。

1.3 航迹预测算法

单纯的获取船舶航迹数据并将其可视化并不能完全实现船舶搜救的智能化，在可视化船舶航迹数据后只能看到船舶的历史数据，而不能判断当前船舶的位置，在没有航迹预测前，都是根据经验和人为判断来划分搜救区，因而需要耗费大量人力和物力，在搜救前需要花费大量的精力去研判船舶可能的航向和位置^[6]。

航迹预测使用LSTM算法构建模型，同时使用大量船舶航行数据作为训练集，在进行航迹预测之前，首先需要对收集到的航迹数据进行基本处理，数据处理包括数据重复、缺失数据补充、异常数据拟合等，这些数据处理工作对后续的航迹预测起到了重要作用。

数据重复：很多不同监测站点获取的数据存在数据重复问题，因而需要编写专业的软件来对数据进行筛选，如将1 min之内位置信息完全重复的数据删除，以防止后期航迹预测时这些重复数据对预测结果造成影响。

缺失数据补充：很多时候船舶航行到一些地区后，AIS系统通信会存在一些问题，会造成少量的数据缺失，此时判断出这个异常数据并根据相邻航迹数据点对缺失的数据进行补充。

异常数据拟合：船舶航迹的异常数据表现为船舶航行过程中突然有一个航迹点和其余航迹点出现了明显偏差，如经度和纬度值在短时间内变化很大，而在实际中船舶根本无法达到这种航行速度，因而在数据处理软件中对这些数据设置出一个最大阈值，这个阈值可以根据船舶的最大航行速度计算出来，然后换算成经度和纬度值。在出现异常数据后，需要弃用这个异常数据，并根据其他航迹值拟合出一个航迹点补充到船舶航迹中，并最后显示出来。航迹拟合可以使用拉格朗日差值方法，插值效果如图4所示。

LSTM算法为长短时间记忆网络，它的关键构成是细胞，表示为C_t，C_t-1为上一个细胞状态，细胞的状态可以被引入和删除，因而在处理过程中加入了遗忘门、记忆门、更新细胞状态、输出门等，通过这些设置，系统可以对细胞的状态进行不断更新，从而达到训练目的。

在船舶航迹预测中，通过不断地对航迹状态引入和删除，最终就可以获取预测的船舶航迹。其对船舶航迹的预测包括3个阶段。

忘记阶段：在模型中需要确定哪些船舶航迹需要遗忘，而确定遗忘哪些航迹并记住哪些航迹的判断标准是这个局部航迹是否重要，是否会影响未来的航迹预测。

选择记忆阶段：对船舶航迹中的重要部分加以记忆，此功能是通过记忆门控信号来实现。

输出阶段：在完成一个阶段的计算后，确定哪些船舶航迹信息需要输出。使用LSTM对船舶航迹进行预测需要结合大量的船舶航迹数据，同时在建立的模型中需要顾及的参数较多，因而提升了模型的训练难度。

2 船舶航迹可视化系统 2.1 航迹数据可视化

将船舶航迹数据结合地图数据，使用Python进行编程，主要功能包括：

1）历史数据可视化。对目标船舶的历史航迹显示在地图上，并通过连线的方式在地图上进行标记，如图6中线条所示，箭头表示船舶航行方向。

2）任意静态航迹数据查询。可以使用鼠标放置在任意历史航迹位置上对该船舶的基本情况进行查询，发现船名为MARGRETHE MAERSK的船舶在2023-08-04这一天的05:59分以15 kn的位置在航行，通过双击即可查看此时此刻该船舶的位置坐标。

通过对船舶航迹数据的可视化可以对船舶的历史轨迹进行显示，因而极大提升对可能失事船舶位置的判断和搜救效率。

2.2 航迹数据预测

船舶航迹预测对于船舶海上搜救非常重要，这是由于很多船舶在航行过程中由于装备损坏或者遇到其他极端情况已经无法向外发送自身位置信息，如果仅仅依靠历史数据信息已经无法对当前的船舶位置进行判断，很多时候不同人员对船舶的航向及位置预判都不相同，这就给后续搜救带来了极大的不确定性。航迹数据预测系统是根据船舶的原定目标航向以及历史数据信息对船舶未来一段时间内航向进行预判，这就给船舶搜救提供了一定的辅助。

使用LSTM构建船舶航迹预测模型，嵌入到船舶航迹可视化系统中，可以对目标船舶进行航迹预测。如图7所示，可以发现在获取最后一个时刻的目标船舶基本信息后，在缺乏AIS信息及其他信息的情况下对船舶的航迹进行判断，以帮助海上船舶搜救中心作出辅助决策。

3 结　语

船舶一旦发生事故将会造成人员伤亡和财产损失，船舶的海上搜救工作效率在很大程度上影响救援的成败。船舶的航迹数据是重要的搜救依据，本文对船舶航迹数据搜集、多源数据融合以及航迹预测算法进行研究，建立了航迹数据可视化系统，具有航迹数据可视化以及航迹数据预测的功能。在航迹数据预测中，需要使用大量的数据对LSTM模型进行训练才能得到较好的效果，在未来需要进一步优化模型，并同时引入其他神经网络算法加以优化，提升航迹数据预测的成功率，为船舶海上搜救提供有效辅助。