0 引　言

船舶碰撞事故会导致人员伤亡、财产损失以及环境污染等严重危害。由于直接研究碰撞事故受限于样本量小和数据获取困难，通过分析更常见的会遇事件来提取避碰行为数据是一种有效的研究方法。自动识别系统（Automatic Identification System，AIS）为分析海上交通研究提供了大量数据，通过AIS数据提取船舶避碰信息对于船舶避碰研究、行为分析和安全管理极为重要，有助于提升海上交通安全，减少事故，保障人员和财产安全，促进航运业的发展。

基于AIS数据的船舶会遇态势研究主要运用统计学的方法从空间的角度提取船舶会遇特征，挖掘船舶会遇规律及对会遇场景进行判定。相关研究人员多用船舶在水域初遇时的运动参数如DCPA、TCPA、航向差等作为会遇局面与避碰行为提取的判别条件。甄荣等^[1]运用密度聚类算法对船舶在空间位置进行分析，以此为核心构建会遇提取模型；马杰等^[2]通过构建会遇特征序列，建立基于支持向量机与贝叶斯滤波的会遇态势辨识模型。这些方法为AIS数据识别会遇研究提供了新思路。然而，现有模型多关注船舶初次相遇的空间特征，而忽略了AIS数据中的时间特性。

船舶行为研究支撑自主导航、碰撞风险评估、海事管理及驾驶员培训等领域的发展。Zhang^{[3 – 4]}通过建立碰撞风险评估模型VCRO进行避碰行为识别，并在此模型上引入最小碰撞距离完善了避碰行为识别方法。Gao^[5]提出基于多步骤轨迹聚类分析识别船舶操纵行为的方法。Rong^[6]基于改进的滑动窗口算法，提出分多个过程识别船舶避碰行为的方法。为了高效地从AIS获取船舶避碰数据，本文提出基于AIS数据时空特性的避碰行为提取模型，分多阶段从AIS数据中提取船舶避碰数据，最后通过实际案例验证方法的可行性。

1 数据预处理和特征值计算 1.1 AIS数据预处理

原始AIS信息解码后主要包括船舶的静态信息和动态信息两大类。解码后的信息存在以下情况：

1）数据缺失。解码后AIS数据缺失分为静态数据缺失和动态数据缺失。对于某一船舶静态信息缺失，若船舶信息已经获取可以直接补充，若该船舶静态信息都丢失只能剔除该船舶信息。对于动态信息缺失，可以综合评估考虑通过该船舶前后数据插值或删除。

2）数据异常。在AIS数据中常见的数据异常是数据漂移，对其可以通过降噪处理或删除数据再插值等手段处理。

1.2 船舶运动特征值计算

船舶在航行中与他船发生相遇情况如图1所示，为了更好地表征船舶之间的运动情况，通过引入船舶间的相对距离、相对舷角、相对航向等特征值进行描述。本文中所用到的主要特征值如下：

1）两船间的相对距离（D_R）

解码后的AIS数据中包含船舶经纬度信息，可对两船相对距离D_R进行计算。

2）相对舷角（Q）

AIS数据中包含的对地航向TC₁即船首向H₁从正北线到船首所在直线的夹角，从本船OS看目标船TS的舷角Q为本船船首线到目标船方位线BL的夹角，从本船看目标船的真方位TB₁为本船正北线从右看到目标方位线的夹角。故由图1可知TC₁、TB₁、Q₁的关系为式(1)。为了提高计算精度，将位置信息进行墨卡托投影，通过等量维度处理的方法提高相对舷角计算的精度，通过式(2)计算目标船相对于本船的方位角。

$ {{Q}} = \left\{ \begin{gathered} {{T B - T C, \quad T B}} > {{T C}}，\\ {{36}}{{{0}}\text{°}} + T B, \ \ \ T C,T B < T C 。\\ \end{gathered} \right. 　　 $

(1)

$ \left\{ \begin{gathered} l = \ln \left[ {\tan \left( {\frac{{\text π}}{4} + \frac{{LON}}{2}} \right){{\left( {\frac{{1 - {\text{e}}\sin LON}}{{1 + {\text{e}}\sin LON}}} \right)}^{{e \mathord{\left/ {\vphantom {e 2}} \right. } 2}}}} \right]，\\ \Delta X = {{{R}}_{\text{1}}}\Delta LAT，\\ \Delta Y = {{{R}}_{\text{1}}}\left( {{l_2} - {l_1}} \right)，\\ TB = \arctan 2\left( {\Delta X,\Delta Y} \right) 。\\ \end{gathered} \right. $

(2)

式中：l为等量维度；e为地球偏心率；R₁为地球长轴半径；ΔX为墨卡托投影下横向距离；ΔY为墨卡托投影下的纵向距离。

3）两船间的DCPA和TCPA

解码后AIS信息中包含船舶速度和对地航向，可对船舶最近会遇距离DCPA和船舶最近会遇时间TCPA进行计算。

2 避碰行为提取模型 2.1 船舶会遇态势判别 2.1.1 会遇定义

船舶会遇的概念尚未有统一的明确定义。本文为了提取船舶避碰行为，所采用的会遇定义为导致一船或者两船采取实际避让行动的一种船舶相遇情况^[7]。

2.1.2 船舶会遇态势划分

现有研究对会遇态势的定量划分模型主要分为2类^[8]，第1类模型的核心思想是依据目标船的相对舷角Q划分会遇态势。第2类模型是在对会遇态势划分时不仅以目标船的相对舷角为划分依据，同时加入了航向差或相对航速等因素的影响。

结合现有的会遇态势第二类模型^[9]并对其进行改进见表1，其中Q为目标船相对于本船的舷角，Q₁为本船相对于目标船的舷角。该模型以5.7°半个罗经点为基础划分单元对3种会遇局面划分。

2.1.3 会遇态势判别模型

《1972年国际海上避碰规则》（以下称“《规则》”）二十一和二十二条规定不同位置号灯能见度的距离为6 n mile和3 n mile，但号灯能见度距离适用于夜间能见度较弱情况，正常白天情况两船能见度要远好于夜间，故适当缩短号灯光照距离到4 n mile^[10]，选取4 n mile作为会遇态势判定的距离阈值。研究中常将DCPA小于2 n mile作为产生危险局面的标志^[11]。避碰动作发生在危险局面之前，为了获取完整的避碰过程，准确识别避碰动作开始时刻，本模型将DCPA绝对值适当放大设定为4 n mile，结合TCPA为正值作为会遇态势判定的条件。会遇态势判定条件为：

$ \left\{ \begin{gathered} \left\| {DCPA} \right\| \leqslant 4，\\ TCPA \geqslant 0，\\ {D_{{R}}} \leqslant 4。\\ \end{gathered} \right. $

(3)

2.2 避碰样本提取

会遇态势的判别初步筛选出了存在避碰行为的船舶数据集，为了进行船舶避碰行为分析，还需更为精准地提取出包含船舶避碰行为关键参数的样本。船舶避碰过程是时间上和空间上的连续行为，从船舶航迹上分析整个避碰过程应包括避碰操纵开始、避碰动作执行和结束让清3个阶段^[11]，如图2所示。

在t₁时刻两船在进入会遇局面，随后目标船转向。t₂时刻两船进入危险局面，若船舶未采取有效避碰措施，在危险局面可能会导致碰撞事故。t₃时刻为驶过让清，船舶结束避碰过程。

基于上述分析，本文提出基于AIS时空特性的船舶避碰过程提取模型，通过3个过程提取出一组完整的船舶避碰数据。

1）危险局面点

根据会遇定义，船舶进入会遇局面必须采取一定措施才能避免发生碰撞危险，因此发生会遇的船舶一定存在危险局面点，可通过式(4)判断第2个过程中船舶是否存在危险局面点。根据调查统计^[12]，在避碰过程中DCPA最小值分布于(−1, 1)，相对距离最小值小于2 n mile。DCPA=0且TCPA=0时船舶发生碰撞，因此选取$\left \| DCPA \right \| \leqslant 1 $、$ \left \| TCPA \right \| \leqslant 2 $且二者不同时为0，相对距离小于等于2 n mile作为危险局面点的判定条件。

$ \left\{ \begin{gathered} \left\| {DCPA} \right\| \leqslant 1 ，\\ \left\| {TCPA} \right\| \leqslant 2 ，\\ {D_{{R}}} \leqslant 2。\\ \end{gathered} \right. $

(4)

2）驶过让清

完成驶过让清是船舶避碰过程结束的标志。参考《规则》中号灯能见距离的最小值为3 n mile，考虑到白天能见度要优于夜间适当增大船舶间相对距离为4 n mile。

$ \left\{ \begin{gathered} \left\| {DCPA} \right\| \geqslant 3，\\ TCPA < 0 ，\\ {D_{{R}}} > 4。\\ \end{gathered} \right. $

(5)

2.3 避碰行为提取

船舶避碰行为分析主要关注避碰时机和避碰具体行动2个方面。在提取出船舶避碰过程及相关数据基础上，通过还原船舶航行轨迹和迭代避碰行为参数，构建避碰行为提取模型。

1）避碰时机的判定

通过图2可以看出避碰行为开始的时刻应位于[t₁，t₂]内，避碰措施结束时刻应位于[t₂，t₃]内。通过AIS数据提取避碰行为起始时刻，需要在避碰过程中寻找单位时间内船舶航向或航速变化率改变较大的点。具体判定条件为：

$ \left\{ \begin{aligned} & {t}_{s}\text{，}\text{if }\Delta c\geqslant 10\text{°}\;\text{or}\;\Delta s\geqslant 2，\\ & \rm{none},\text{otherwise}。\end{aligned} \right.　 　 $

(6)

$ \left\{ \begin{aligned} & {t}_{\text{e}}\text{，}\text{if }\Delta c\leqslant3\text{°}\;\text{or}\;\Delta s\leqslant0.5，\\ & \rm{none},\text{otherwise}。\end{aligned}\right. $

(7)

$ t = {t_e} - {t_s}。$

(8)

式中：t_s为避碰操作开始时刻；t_e为避碰操作结束时刻；t为避碰持续时长；Δc为10 min内航向累计变化量；Δs为10 min内航速的累计变化量。

2）提取避碰动作

船舶避碰行动主要体为改变航向和航速的改变^[13]。通过分析航向和航速的变化量识别船舶具体避碰操作。判定条件如下：

$ c = {\text{ma}}{{\text{x}}_{{t_s} < t < {t_e}}}\left| {\sum\limits_{T = 1}^t {A(\Delta c)} } \right|，$

(9)

$ s = {\text{ma}}{{\text{x}}_{{t_s} < t < {t_e}}}\left| {\sum\limits_{T = 1}^t {A(\Delta s)} } \right|。$

(10)

式中：c为避碰过程中最大转向角；s为避碰过程中最大的变速量。

综上所述，船舶避碰行为提取流程主要包括会遇态势判定、避碰过程提取及避碰行为提取，算法框架及流程如图3所示。

3 案例分析 3.1 研究区域

本文选取美国东海岸以坐标点（26°31'.000N，80°20'.000W）和（26°56'.000N，79°40'.000W）为对角线的矩形范围为研究区域。选取2021年7月1日−7月30日连续30天，总计约2.25亿条的AIS数据，应用本文所提出的方法对避碰行为进行提取。

3.2 避碰样本提取

对AIS数据进行预处理后计算得到船舶运动特征参数，如表2所示。根据避碰过程提取模型得到326组含有完整避碰过程的样本数据，其中对遇73组占比22.4%，交叉相遇196组占比60.1%，追越57组占比17.5%。

3.3 避碰行为提取结果分析

在326组样本中避碰行动较为明显的样本312组，各会遇态势下船舶采取的避碰行动情况如表3所示，避碰样本分布情况如图4所示。

在各会遇态势下分别随机选取3个场景，通过对比分析算法提取结果和航迹观测得到的避碰行为是否一致性来验证算法的有效性。船舶避碰航迹和避碰行为提取结果如图5和表4所示。

从图5可以看出，所有案例船舶已进入会遇局面且未经过危险局面点，并在避碰开始后均采取明显的避碰操作，如案例e本船转向40.2°。算法判断的避碰开始点都在船舶轨迹改变前，这是由于船舶具有舵性，船舶转向是连续的过程并不是瞬时动作。避碰动作结束点都在航迹趋于稳定的位置。

为了进一步验证避碰行为提取的准确性，选取各会遇局面下的一个场景，对避碰过程中特征值如DCPA、TCPA、相对距离以及船舶累计航向航速改变量进行详细分析，如图6所示。

可以看出，整体避碰过程持续约30 min。通过图6(a-2)累计航向曲线看出，06:00左右避碰开始本船进行右转操作，并在06:26避碰结束后两船航向趋于稳定。在避碰过程中两船航速均未发生较大改变。图6(a-1)航迹表明该模型识别出的结果与实际避碰行为一致。

从图6中交叉样本图可以看出，避碰过程持续约30 min。通过图6(b-2)和图6(b-3)可以看出，在07:42两船均进行右转操作，在08:00本船有明显的加速动作，08:12避碰结束，此次避碰过程主要采用的避碰措施是目标船的转向和本船的变速。识别的转向避碰动作与图6(b-1)航迹变化一致。

从图6中追越样本图可以看出，整体避碰过程持续约34 min。目标船在14:12进行大幅度的左转向与减速，14:37避碰结束。避碰过程中DCPA为负值说明本船从目标船右舷驶过，结合图6(c-1)可以进一步验证该模型提取的准确性。

通过实际航迹数据与算法提取避碰行为特征值的对比分析，结果表明该模型能够准确地识别出各会遇态势下船舶的避碰行为。

4 结　语

船舶避碰行为一直是海上交通安全领域的重点研究内容之一，在船舶碰撞风险评估、智能避碰决策、导助航设备研发和船舶交通管理等方面具有重要意义。为了更高效地获取避碰行为数据，本文提出一种基于海量AIS数据的船舶避碰行为特征参数提取方法。该方法首先从AIS数据中提取船舶避碰过程，然后通过判别船舶航向和航速的变化率来识别船舶避碰动作的起始点，从而提取船舶的整个避碰过程。应用实际AIS数据对船舶避碰行为提取方法进行验证，结果表明该模型能够有效地从海量AIS数据中提取出船舶的避碰行为，可以为后续海上交通安全相关研究提供数据支持。本文提出的判定模型设定提取条件较为严格，目的是确保所提取的数据一定是包含了船舶避碰行为的数据。在未来的研究中，应考虑更多实际因素的影响，如水文气象因素、驾驶员特性、交通规则等，对避碰行为提取模型进行改进，进一步提高模型提取精度。