0 引　言

船舶航行轨迹反映了海上行驶的具体路径，在船舶管理过程中具有重要作用。通过分析船舶航行轨迹，能够及时发现船舶航行过程中存在的问题^[1]。在船舶航行过程中，由于环境因素、设备故障等因素干扰，船舶航行存在偏离正常轨迹的情况，可能造成船舶碰撞等风险^[2]，通过船舶航行轨迹异常行为检测，可以及时发现潜在的航行风险，确保船舶的安全运行。

李高才等^[3]分析船舶航行轨迹关键影响因素，在聚类方法中引入语义轨迹多维相似度技术，筛选出常规船舶航行模式。依据语义转换得到船舶航行轨迹数据的轨迹文本，依据余弦相似度计算目标船舶的航行轨迹与已识别的船舶航行轨迹相似度，以进行船舶航行轨迹匹配，最终通过核密度估计进行船舶航行轨迹异常识别。该方法中的余弦相似度方法受到船舶航行复杂环境影响，导致适用性受限，影响最终实现船舶航行轨迹异常识别的效果。黄谊文等^[4]利用船舶自动识别系统获取船舶航行轨迹数据，根据船舶航向进行分组，采用三次样条插值技术填补轨迹数据中的缺失部分，依据卡尔曼滤波算法去除噪声后，提取船舶航行加速度和方向作为关键特征，设定相应的阈值，以判断船舶的航行轨迹是否异常。该方法实现船舶航行轨迹异常检测主要依赖于阈值设定，若阈值设定不合理，容易导致异常行为被漏检或正常行为被误判的情况，影响船舶航行轨迹异常识别精准度。彭耀武等^[5]收集船舶经纬度等航行数据作为输入信息，利用贝叶斯优化器优化门控循环单元参数，用于对船舶的航行数据进行点预测。计算模型得到的预测值与实际的航行数据误差，通过自适应核密度估计得到不同置信水平下，船舶航行数据的预期波动范围。将实际的航行数据与得到的波动区间进行比较，判断船舶航行轨迹异常行为。但该方法中的自适应核密度估计方法在面对分布特性复杂的船舶航行误差数据时，无法准确估计误差，影响后续的船舶航行轨迹异常行为判断。陈家豪等^[6]收集船舶自动识别系统航行数据，根据船舶航行特点划分船舶行为，提取各种行为中关键船舶航行特征，通过主成分分析提取船舶航行数据中的关键信息，采用支持向量机基于提取的特征对船舶的航行轨迹进行准确分类。学习并识别不同行为模式下的正常和异常轨迹。但该方法中的支持向量机算法性能取决于核函数和参数设置，若参数设置不当，能够影响船舶航行轨迹异常行为识别的准确性。

在船舶航行过程中，其轨迹数据受多种因素干扰，具有时间序列特性和高维特性，通过深度学习能够有效处理时间序列高维船舶航行轨迹数据^[7]，有效捕捉船舶航行轨迹数据中的深层次规律，因此提出一种基于深度学习算法的船舶航行轨迹异常行为检测方法。依据深度学习算法能够对船舶航行轨迹进行实时监测和分析，从而及时发现船舶航行异常行为，有助于船舶安全航行。

1 船舶航行轨迹异常行为检测 1.1 船舶航行轨迹异常行为检测框架

在船舶航行过程中，受到复杂海上环境因素的影响，船舶航行可能出现偏离航线等轨迹异常行为，通过对异常行为进行检测，能够及时发现船舶航行过程中的碰撞、搁浅等情况，从而预防潜在危险的发生。

依据船舶自动识别系统（AIS）获取船舶航行轨迹数据，经过预处理后提取其中的船舶航行轨迹特征，最终依据深度学习算法中的门控循环单元循环神经网络模型实现船舶航行轨迹异常行为检测，依据上述流程，设计船舶航行轨迹异常行为检测框架如图1所示。

1.2 轨迹数据预处理及特征提取

船舶航行过程中的轨迹数据具有差异性，且存在数据质量较差的问题，通过对获取的AIS船舶航行轨迹数据进行预处理操作能够提升AIS船舶航行轨迹数据质量，抑制AIS船舶航行轨迹数据中的噪声干扰^[8]，为后续的特征提取和模型训练提供高质量的数据基础。

依据AIS数据缺失值删除、插值等预处理操作，最终能够得到船舶航行轨迹集合$ {D_{st}} $、第$ a $艘船舶航行轨迹集合$ {D_{st,a}} $、船舶航行轨迹点$ G $的信息，分别为：

$ {D_{st}} = \left\{ {{D_{st1}},{D_{st2}}, \cdots ,{D_{stm}}} \right\} ,$

(1)

$ {D_{st,a}} = \left\{ {{G_{a1}},{G_{a2}}, \cdots ,{G_{an}}} \right\}, $

(2)

$ G = \left\{ {{x_b},{y_b},{\lambda _b},{t_b},{v_b},{\alpha _b},{\beta _b},{\delta _{{\beta _b}}},{\delta _{{\alpha _b}}},\overline {{v_b}} } \right\} 。$

(3)

式中：$ m $、$ n $分别为船舶航行轨迹集合数量、第$ a $艘船舶航行轨迹集合数量；$ {x_b} $、$ {y_b} $、$ {\lambda _b} $分别为船舶航行轨迹点经度、纬度、空间距离信息；$ {t_b} $、$ {v_b} $分别为船舶航行的时间、速度；$ {\alpha _b} $、$ {\beta _b} $分别为船舶航行航向、船首方向；$ {\delta _{{\beta _b}}} $、$ {\delta _{{\alpha _b}}} $、$ \overline {{v_b}} $分别为船舶航行$ {\beta _b} $角度变化、$ {\alpha _b} $角度变化、航行平均速度。

对预处理后的船舶航行轨迹点数据进行划分，得到船舶航行轨迹段集合，并将多船舶航行轨迹静止点视为单船舶航行轨迹静止点信息，最终提取出AIS船舶航行轨迹的时间序列特征集合。这些提取的特征能够全面、准确地反映船舶的航行状态和轨迹特点，为异常行为检测提供准确的输入数据。对于轨迹静止点$ {G_o} $，只通过船舶航行轨迹点经度、纬度表示，即$ {G_o} = \left[ {{x_{bo}},{y_{bo}}} \right] $，则船舶航行轨迹段依据该轨迹段内的轨迹静止点表示为：

$ {G_o}_{st} = {\mathrm{list}}\left( {{{\left[ {{x_{bo}},{y_{bo}}} \right]}_1},{{\left[ {{x_{bo}},{y_{bo}}} \right]}_2}, \cdots ,{{\left[ {{x_{bo}},{y_{bo}}} \right]}_q}} \right)。$

(4)

式中：$ q $为该轨迹段内的轨迹静止点数量。依据得到的船舶航行轨迹段，得到AIS船舶航行轨迹段集合，表示为：

$ {C_{st}} = \left\{ {{G_o}_{st1},{G_o}_{st2}, \cdots ,{G_o}_{str}} \right\}。$

(5)

式中：$ r $为AIS船舶航行轨迹段数量，将AIS船舶航行轨迹段集合多船舶航行轨迹静止点视为单船舶航行轨迹静止点信息，则提取的AIS船舶航行轨迹时间序列特征集合表示为：

$ X = \left\{ {{C_{st1}}^\prime ,{C_{st2}}^\prime , \cdots ,{C_{stu}}^\prime } \right\}。$

(6)

式中：$ u $为AIS船舶航行轨迹特征数量。

1.3 船舶航行轨迹异常行为检测

船舶航行过程中，受到外界环境因素的影响，船舶航行轨迹展现出较为复杂的特性，采用深度学习算法中的门控循环单元循环神经网络模型能够有效处理不同类型和规模的船舶轨迹数据，充分适应不同海域、不同船舶类型的航行轨迹异常行为检测需求。

作为循环神经网络模型的改进模型，门控循环单元循环神经网络能够有效提升船舶航行轨迹异常行为检测精准度。将1.2节提取的AIS船舶航行轨迹特征按照时间序列形式输入到门控循环单元循环神经网络模型中进行处理，表示为$ \left\{ {{X_0},{X_1}, \cdots ,{X_k},{X_{k + 1}}, \cdots } \right\} $，其中$ {X_k} $表示$ k $时刻的AIS船舶航行轨迹特征。门控循环单元循环神经网络模型依据$ k $时刻输入的AIS船舶航行轨迹特征$ {X_k} $和$ k - 1 $时刻的隐含层状态$ {h_{k - 1}} $对更新门、重置门状态进行计算，分别表示为：

$ \xi_k=\mathrm{sigmoid}\left(\omega_{\xi}\left[X_k,h_{k-1}\right]+\eta_{\xi}\right) ，$

(7)

$ \zeta_k=\mathrm{sigmoid}\left(\omega_{\zeta}\left[X_k,h_{k-1}\right]+\eta_{\zeta}\right)。$

(8)

式中：$ \mathrm{sigmoid}\left(\right) $为sigmoid激活函数；$ {\omega _\xi } $、$ {\omega _\zeta } $分别为更新门、重置门权重；$ {\eta _\xi } $、$ {\eta _\zeta } $分别为更新门、重置门偏置。得到门信号后，依据重置门更新隐含层状态值$ {h_{k - 1}}^\prime $，依据tanh函数将$ k - 1 $时刻隐含层状态值$ {h_{k - 1}}^\prime $映射到$ \left[ { - 1,1} \right] $范围上，表示为：

$ {h_k}^\prime = \tanh \left( {{\omega _h}\left[ {{X_k},{h_{k - 1}}^\prime } \right]} \right)。$

(9)

式中：$ {\omega _h} $为隐含层权重。

依据更新门信号进行记忆更新，对于$ {\xi _k} \in \left[ {0,1} \right] $，值越大保留的AIS船舶航行轨迹特征信息越多，则$ k $时刻输出的船舶航行轨迹异常行为检测结果表示为：

$ {Y_k} = {\xi _k} \otimes {h_k}^\prime + \left( {1 - {\xi _k}} \right) \otimes {h_{k - 1}}。$

(10)

式中：$ \otimes $为拼接操作。

通过上述过程，依据门控循环单元循环神经网络模型对输入的AIS船舶航行轨迹特征进行处理，最终能够实现船舶航行轨迹异常行为检测。

2 实验分析

为验证本文方法实现船舶航行轨迹异常行为检测的有效性，依据船舶自动识别系统采集AIS船舶航行轨迹数据，作为船舶航行轨迹异常行为检测的初始数据集合。

根据船舶自动识别系统对不同船舶航行环境下的轨迹情况进行采集，以确保初始数据的全面性，船舶自动识别系统参数及数据集情况如表1所示。

通过船舶自动识别系统获取不同航行环境、不同天气情况下的AIS船舶航行轨迹数据，通过本文方法进行处理，进行船舶航行轨迹异常行为检测。

2.1 船舶航行轨迹异常状态结果分析

任选一条异常船舶航行轨迹数据，分析该航行轨迹的理想状态，通过本文方法对船舶航行轨迹进行检测，依据船舶航行轨迹点判断船舶航行轨迹异常状态，得到的结果如图2所示。

可知，通过本文方法能够实现船舶航行轨迹异常检测，依据船舶航行轨迹点的变化情况，能够有效检测出船舶航行过程中出现的突然减速、突然加速、偏离航道、异常路径的轨迹异常行为情况，能够准确反映出船舶航行的实际状态，有助于船舶航行风险分析。

2.2 多条船舶航行轨迹异常检测

针对试验海域中多条船舶航行轨迹情况，通过本文方法进行船舶航行轨迹异常检测，迅速定位多条船舶航行轨迹中的异常情况，以验证本文方法实现船舶航行轨迹异常检测的精确性，得到的结果如图3所示。

可知，通过本文方法能够准确识别多条船舶航行轨迹中的异常轨迹，实现从海量且复杂的船舶航行轨迹数据中提取出关键性的异常航行轨迹信息，在提升海上交通管理、保障船舶航行安全、优化船舶调度等船舶航行管理过程中具有重要的意义。

2.3 船舶航行轨迹异常检测效果对比

选取不同种类船舶类型的混合航行轨迹数据，模拟不同AIS船舶航行轨迹数据量，通过本文方法进行船舶航行轨迹异常行为检测，对检测偏差和检测时效性进行统计，评估其实现船舶航行轨迹异常行为检测效果，将本文方法实现的检测效果与船舶航行轨迹异常行为检测中常用的循环神经网络模型、支持向量机方法实现的船舶航行轨迹异常行为检测效果进行对比，得到的结果如表2所示。

可知，本文方法实现的船舶航行轨迹异常行为检测具有显著优势。针对不同种类船舶类型混合的不同数量的航行轨迹数据，本文方法实现船舶航行轨迹异常行为检测的检测偏差均小于1.1%，检测时效性均能够保证在97.5%以上，有效证明本文方法能够实现高效、精准的船舶航行轨迹异常行为检测，确保获取精准可靠的船舶航行情况。

3 结　语

本文提出基于深度学习算法中门控循环单元循环神经网络模型的检测方法。通过构建检测框架，对AIS船舶航行轨迹数据进行预处理与特征提取，再输入模型实现异常行为检测。实验分析表明，本文方法成效显著，不仅能有效检测出船舶航行中的突然减速、加速、偏离航道等异常行为，还能准确识别多条船舶航行轨迹中的异常轨迹。本文将门控循环单元循环神经网络模型应用于船舶航行轨迹异常检测，可有效提升检测精准度，为海上交通管理、船舶航行安全保障及调度优化等提供关键支持，具有广阔的应用前景。