0 引　言

随着船舶数量的激增和航行需求的多样化，传统的船舶流量监测与管理方式已难以满足现代水上交通对安全性、效率性和环保性的高标准要求^[1]。因此，设计一套高效、智能的船舶流量智能交通检测系统，成为提升水上交通管理水平、保障航道安全畅通、促进航运业可持续发展的迫切需求。

目前，有很多业内学者设计船舶流量交通检测系统，如韩成浩等^[2]依据不同船舶航行位置、速度和航线，建立海上交通流量虚拟仿真模型，通过该虚拟仿真模型对海上船舶交通流进行模拟，实现海上流量智能交通检测。船舶交通流是动态变化的，要求系统能够实时更新数据并快速响应。如果数据更新不及时或处理速度较慢，将导致仿真结果与实际交通流状况存在偏差。孙瑀隆等^[3]依据航道宽窄交替特征，建立船舶交通流元胞空间，在元胞空间内建立不同船舶等待规则，通过船舶交通流元胞空间依据其等待规则进行模拟，获得船舶流量检测结果。航道内的水流、潮汐、风浪等自然因素以及航道内的其他船舶、障碍物等人为因素都可能对船舶的航行轨迹和速度产生影响，从而增加模拟的难度和不确定性，导致该方法检测船舶流量不够准确。齐绪存等^[4]考虑海上潮汐信息，建立多变量核函数的灰色预测模型，通过该灰色预测模型获取海上船舶流量检测结果。船舶交通流检测依赖于高质量的实时数据。如果数据存在缺失、异常或延迟等问题，将直接影响预测模型的准确性和可靠性。特别是在潮河段，潮汐变化对船舶航行有显著影响，因此该方法在实际应用中受信息及时性影响导致其应用效果不佳。

通过对船舶流量进行智能检测，可了解海上交通船舶航行规律和航线繁忙程度，有助于制定合理的航行计划。面对当前方法存在的不足，设计船舶流量智能交通检测系统，并分析其性能。

1 船舶流量智能交通检测系统 1.1 系统物理结构设计

依据模块化思想设计船舶流量智能交通检测系统物理结构，如图1所示。船舶流量智能交通检测系统物理结构由AIS数据采集模块、数据传输模块、数据库服务器、逻辑分析模块、数据传输与安全防护模块等模块组成，其中AIS数据采集模块负责采集当前海上船舶航行过程中的AIS数据，该数据包括船舶基础数据，船首方向、航迹向、船速等多种船舶实时航行数据，将船舶实时航行数据发送到数据库服务器，通过数据库服务器对其进行存储处理，然后逻辑分析模块调取船舶航行实时数据，依据其建立船舶交通流状态空间模型，获取空间内船舶交通状态后，利用卡尔曼滤波算法对船舶交通状态进行状态预测，得到当前船舶流量智能交通检测结果，通过数据传输与安全防护模型的防火墙、Web服务器和实时通信服务器将船舶流量智能交通检测结果发送到数据发布模块内，该模型通过平板、PC机和显示屏等为用户呈现船舶流量智能交通检测结果。

1.2 船舶AIS数据采集模块硬件设计

获取船舶AIS数据的实现船舶流量智能交通检测的基础，设计船舶AIS数据采集模块硬件结构，如图2所示。船舶AIS数据采集模块通过天线接收数据后，将其发送到AIS船站内，再使用AD转换器将船舶AIS数据的模拟信号转换成更容易处理的数字信号，通过I/O接口发送到Mini开发板内，最后通过SD卡接口和网络接口，将采集到的船舶AIS数据发送到系统的数据传输模块。

1.3 船舶交通流状态空间模型构建

船舶流量智能交通检测系统的逻辑分析模块从数据库服务器内调取船舶实时AIS数据后，利用该AIS数据建立船舶交通流状态空间模型，利用该船舶交通流状态空间模型获取海上航线交通流量实时状态。利用船舶AIS数据，生成船舶交通流时间序列，当海上航线断面存在$n$个船舶交通流时，则具有$n$维的海上船舶交通流量时间序列如下：

${Q_t} = ({q_{1t}},{q_{2t}}, \cdots ,{q_{nt}}) 。$

(1)

式中：Q_t为具有$n$维的海上船舶交通流量时间序列；$t$为当前时刻；q_it为第$i$个海上航线断面后，时刻为$t$时的船舶流量。

以式(1)为基础，建立船舶流量多维自回归模型，然后确定多维自回归模型系数后^[5]，具有$n$维的海上船舶交通流量时间序列可改写为：

${Q_t} = {G_1}{Q_{t - 1}} + {G_2}{Q_{t - 2}} + \cdots + {G_p}{Q_{t - p}} + {u_t}。$

(2)

式中，G₁～G_p为系数矩阵；$p$为多维自回归模型回溯系数；u_t为船舶AIS数据内零均值白噪声序列。

对式(2)进行数学变换后，可将船舶交通流量时间序列转换成状态空间模型，模型观测向量为：

${R_t} = {Q_t}{C_t}，$

(3)

$C_t=\left[\begin{gathered}Q_t \\ Q_{t-1} \\ \vdots \\ Q_{t-P+1} \\ \end{gathered}\right] 。$

(4)

式中，R_t为船舶交通流量状态空间模型的观测向量；C_t为船舶交通流量状态向量矩阵。

1.4 基于卡尔曼滤波的船舶流量智能交通检测过程

利用获得船舶交通流量状态后，使用卡尔曼滤波方法对船舶交通流量状态进行检测，卡尔曼滤波依据上一个时刻船舶交通流量状态的滤波值，对下一个时刻船舶交通流量进行推理，获得推理结果后，对船舶交通流量状态进行更新，然后再次计算新船舶交通流量状态滤波值，依次往复，可得到不同时刻船舶流量智能交通检测结果。以R_t为基础，建立海上航线在时刻为$t$时，船舶流量智能交通检测模型，该模型输出值为：

${U_t} = {x_1}R_t^{{m_1}} + {x_2}R_t^{{m_2}} + \cdots + {x_n}R_t^{{m_n}}。$

(5)

式中：$x$为船舶交通流量状态观测向量权重；$m$为卡尔曼滤波单一推理模型^[6]。

将式(5)改写成向量形式，则有：

$U(t) = R_t^*X(t)，$

(6)

$R_t^*=[R_t^{m_1},R_t^{m_2},\cdots,R_t^{m_n}] ，$

(7)

$X(t)=[x_1(t),x_2(t),\cdots,x_n(t)]^{\mathrm{T}}。$

(8)

按照时间顺序，对式(6)~式(8)进行离散化处理，则上述公式可改写为：

${U_k} = R_k^*{X_k}，$

(9)

$R_k^*=[R_k^{m_1},R_k^{m_2},\cdots,R_k^{m_n}]，$

(10)

$X_k=[x_1^k,x_2^k,\cdots,x_n^k]^{\mathrm{T}}。$

(11)

式中，$k$为船舶流量空间状态时间间隔序号。

B_k为船舶流量智能交通检测误差向量，结合式(9)～式(11)，建立船舶流量智能交通检测卡尔曼滤波观测方程，具体如下：

${U_k} = R_k^*{X_k} + {B_k}。$

(12)

然后建立船舶流量智能交通检测卡尔曼滤波状态方程，具体如下：

${X_k} = {\Gamma _{k\,,\,k - 1}}{X_{k - 1}} + \eta {\sigma _k} 。$

(13)

式中：${\Phi _{k,k - 1}}$为海上航线船舶流量空间状态转移矩阵；${\sigma _k}$为船舶流量智能交通检测过程噪声向量；$\eta$为干扰噪声抑制因子

通过实时更新海上航线船舶流量空间状态转移矩阵${\Gamma _{k,k - 1}}$后，将式(13)代入到式(12)中，可得到不同时刻船舶流量智能交通检测结果。

2 系统性能测试与分析

以我国某海域作为实验对象，该海域上具有若干条航线，分别连接我国沿海多个城市和日韩、俄罗斯、北美等多个国家，日进港、出港船舶数量较大，为更好地规划该海域船舶航线，使用本文系统对该海域船舶流量进行智能交通检测，分析实际应用效果。

获取海上船舶AIS数据是船舶流量智能交通检测的基础，以该海域某船舶作为实验对象，使用本文系统采集该船舶AIS数据，采集结果如表1所示。分析可知，本文系统高效采集了海上船舶AIS数据，涵盖船名、类型、呼号、状态、精确经纬度及航向航速等关键信息。这些数据全面且准确，为构建船舶交通流状态空间模型奠定了坚实的数据基础，确保了模型能够精确反映海上交通实况，为海事管理、航行安全及效率提升提供有力支持。

以该海域某航线作为实验对象，将24 h分为8个时段，使用本文系统建立该航线不同时段时船舶交通流状态空间模型，获取该航线不同时段船舶交通流状态，结果如图3所示。分析可知，本文系统依托船舶交通流状态空间模型，精准捕捉海上航线各时段交通流动态，实时统计不同时间段内航行船舶数量，提升了海上交通管理的精细化水平，还促进了船舶流量智能预测与调控能力，确保航线畅通与安全。

以该海域某航线作为实验对象，使用本文系统对该航线在时间段09:00–12:00、14:00–16:00、18:00–22:00时的船舶流量进行智能交通检测，检测结果如图4所示。分析可知，本文系统对该航线不同时段的船舶流量进行检测时，得到在09:00–12:00时段，该航线A港和B港之间正在航行船舶共5艘，其中A港口刚出港船舶1艘，B港口即将进港船舶1艘，A港口待出港船舶2艘；而在时段14:00–16:00，B港口待出港船舶2艘，待进港船舶1艘，A港口待进港船舶1艘；在时段18:00–22:00，航线上正在航行船舶3艘，其中B港口出发船舶1艘。上述结果表明，本文系统可有效实现海上航线不同时段船舶流量智能交通检测，其应用性较为显著。

3 结　语

船舶流量智能交通检测系统的设计与实施，对于提升水上交通的安全与效率具有深远的意义。本文设计通过集成先进的传感器技术、数据分析能力以及用户友好的交互界面，构建了一个全面、高效的船舶流量智能交通检测系统。