基于軌跡數據的漁船安全行為智能化管理方案設計與實現

黃端瓊

關鍵詞：漁船軌跡；漁船安全；數據挖掘；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最發達的省份之一，在海洋捕撈產值及產量規模方面，福建已連續多年穩居全國前三。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據包含漁船名、經緯度位置信息、時間、航速、航向、船籍港、船舶歸屬地區、船舶類型、作業類型、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。漁船是漁業生產的重要工具，通過對漁船軌跡數據進行數據挖掘可以精準分析漁船生產行為，對精準掌握漁船作業行為、發現漁船異常行為、規范漁業執法等具有重要的意義。

目前已有國內外學者基于軌跡數據進行大量的數據挖掘與分析，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模軌跡數據研究與分析，提出了軌跡數據的索引、數據存儲組織優化、查詢方法，為軌跡數據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據進行數據挖掘與分析，設計一套車輛規則創建流程模板，實現車輛規則的動態指定、數據統計及可視化展示[6]；呂國華等人提出一種基于聯邦隨機森林的船舶AIS軌跡分類算法FRFCA，用于船舶AIS軌跡數據挖掘，為海事監管系統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軌跡數據進行漁船作業類型為漁船監測提供技術支撐[7-10]。如何從積累的漁船軌跡數據中挖掘出有價值的信息，充分利用數據對于研究漁船作業行為模式、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軌跡數據的數據預處理、智能分析應用，可以為漁業行政主管部門提供決策分析依據，進一步提升漁業管理智能化水平。

1 數據處理

1.1 數據來源

本文采用的數據源為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據記錄12061條，漁船軌跡數據記錄約86億條，數據量約2T。數據結構如表1、表2所示。

1.2 數據接入及融合處理流程

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

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

首先對接收所有定位數據先清洗刪除異常數據與不規范數據，主要進行缺失值處理和合理性校驗；然后對原始報文數據按標準規范進行報文解析，轉換為結構化漁船軌跡數據，對定位時間戳進行判斷，當數據為歷史補報數據或倒掛數據時，將數據存儲至kafka歷史數據主題，當數據為正常實時數據時，更新ElasticSearch中的漁船最后出現位置，然后以Redis為緩存，對軌跡數據應用概率關聯、最近鄰等算法實現目標測值和狀態估計值的關聯，把采集的AIS數據按漁船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據，最終將Redis中的軌跡數據存儲到數據庫中。

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，有效區別于疑似三無、疑似套牌、疑似假牌的漁船現象，有效處置海上漁業突發事件，提升漁業安全生產管理水平。由于AIS數據無漁船作業狀態，本文基于北斗數據和AIS數據進行同船匹配，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據的相似性矩陣；

第三步：遍歷當前時刻的所有北斗設備數據，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設備數據按匹配流程分別遍歷所有北斗設備數據。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 作業類型異常分析

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

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 基于地理圍欄開展漁船行為智能分析

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據與地理圍欄進行關聯，實現漁船進出港、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、商船航線等數據，對每一個網格貼上標簽，漁船進入網格海域后，系統自動分析漁船船長、噸位、歷史違規、歷史理賠等數據，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據（含天氣、風力、浪高、水溫、發布日期、預報時效等信息）、歷史事故數據（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（含航線名稱、航線地理分布、警戒區名稱等）含等，用于后續消息規則自動匹配。消息規則配置包括漁船計算規則、網格計算規則、匹配規則三個部分，其中消息規則配置從漁船個體出發，對漁船匹配規則進行統一配置，包含分類名稱、統計規則、實現方式、不同統計結果對應的等級標簽，可配置漁船船長、噸位、歷史違規、歷史理賠等信息；網格計算規則從海域網格出發，對海域網格匹配規則進行統一配置，包含分類名稱、統計規則、實現方式、不同統計結果對應的等級標簽，可配置如風力、浪高、事故多發、船只密度（低、中、高）等；匹配規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則，可以設置多個等級標簽。

3 漁船安全行為態勢感知展示

為了更直觀地進行漁船安全行為態勢感知，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、作業類型異常分析、基于地理圍欄開展漁船行為智能分析、漁船作業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，漁業行政主管部門陸續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，積累了大量的漁船軌跡數據。隨著大數據挖掘技術的發展，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，以漁船軌跡數據為切入點對漁船軌跡數據融合處理、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，實現漁船船碼不符、作業類型異常、觸發電子圍欄行為、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。