摘 要

近年来，随着内河航运业的蓬勃发展，内河船舶数目急剧增加，而且呈现大型化发展趋势，内河船舶的碰撞风险也随之增加。船舶领域是船舶在航行过程中为了避免碰撞需要和他船保持的最小安全距离，其值对船舶安全航行影响重大。研究内河船舶领域不仅对于预警船舶碰撞危险、辅助船舶进行避碰决策具有重要的参考意义，而且对于减少船舶碰撞事故发生、促进内河航运经济健康发展具有一定实用价值。

本文通过船讯网收集长江航道内航行船舶在不同航行环境下与不同目标船会遇时的船舶AIS数据，建立本船与目标船的分类标准，计算本船在不同航行环境下与会遇的不同类型目标船的距离和相对方位，获取本船在不同航行环境条件下与不同类型目标船会遇时的船舶领域尺度，建立船舶领域尺度样本数据库。建立BP神经网络预测模型，将获取的船舶领域样本数据利用BP神经网络预测模型进行训练，再基于训练结果对船舶在某一具体航行环境下与某一类目标船会遇时的船舶领域尺度进行动态学习和预测，将预测结果与实际拟合结果进行比较，利用平均相对误差指标和稳定性指标对预测模型精度进行评价。

实验结果表明，BP神经网络预测模型的平均相对误差指标小于5%，稳定性指标小于0.05，预测模型精度较高，预测值与实际值偏差不大，具有一定的准确性。

关键词：AIS数据；内河船舶动态领域；人工神经网络；预测模型精度指标

Abstract

In recent years, with the vigorous development of the inland shipping industry, the number of inland vessels has increased sharply, and the trend of large-scale development has appeared, and the risk of collision of inland vessels has also increased. The ship domain is the minimum safe distance that a ship needs to maintain in order to avoid collisions during the voyage, and its value has a significant impact on the safe navigation of the ships. Studying the inland ship domain not only has important reference significance for early warning of ship collision risk and auxiliary ship collision avoidance decision, but also has certain practical value for reducing ship collision accidents and promoting the healthy development of inland navigation economy.

This paper collects the ship AIS data of the ships sailing in the Yangtze River channel and the different target ships in different navigational environments through the AIS system, establishes the classification standard of own ship and target ships, and calculates the distance relative orientation between own ship and different types of target ship under different navigational environments, and a ship domain sample database is established. The BP neural network prediction model is established, and the acquired ship domain sample data is trained by the BP neural network prediction model, and then based on the training results, the ship#39;s domain is predicted when the ship meets with a certain type of target ship in a specific navigation environment. The prediction results are compared with the actual fitting results, and the accuracy of the prediction model is evaluated by the average relative error index and model the stability index.

The experimental results show that the average relative error index of the BP neural network prediction model is less than 5%, the stability index is less than 0.05, the prediction model has high precision, and the predicted value has little deviation from the actual value, which has certain accuracy.

Key Words：AIS data; inland ship dynamic domain; artificial neural network; prediction model accuracy index

目 录

第1章 绪论 1

1.1研究背景及意义 1

1.2国内外研究现状 1

1.2.1船舶领域的研究现状 1

1.2.2人工神经网络的研究现状 3

1.3本文研究内容与章节安排 4

1.3.1研究内容 4

1.3.2技术路线 4

1.3.3章节安排 5

第2章 船舶AIS信息概述 7

2.1AIS简介 7

2.2船舶AIS信息 7

2.3本章小结 7

第3章 船舶领域概述 8

3.1船舶领域的定义及影响因素分析 8

3.2船舶领域的研究方法 8

3.3经典的船舶领域模型 9

3.4本章小结 10

第4章 基于BP神经网络的船舶动态领域预测方法 11

4.1 BP神经网络概述 11

4.2 船舶样本数据分类 11

4.3 船舶领域样本数据库的建立 12

4.4 基于BP神经网络的船舶动态领域预测模型设计 12

图4.3 船舶领域预测模型 13

4.5 基于BP神经网络的船舶动态领域预测模型应用 13

4.6 BP神经网络预测模型评价 14

4.7 本章小结 16

第5章 总结与展望 17

5.1 总结 17

5.2 展望 17

参考文献 18

致谢 20

第1章 绪论

1.1研究背景及意义

近年来，随着我国经济持续增长，内河航运业得以快速发展，不仅船舶数目急剧增加，而且呈现大型化发展趋势。但是，内河航道尺度受限且航行环境复杂，船舶碰撞事故时有发生，造成了巨大的生命及财产损失，给内河航运业带来沉重打击。船舶领域是船舶在航行过程中为了避免碰撞需要和他船保持的最小安全距离，其值对船舶安全航行影响重大。研究内河船舶领域不仅对于预警船舶碰撞危险、辅助船舶进行避碰决策具有重要的参考意义，而且对于减少船舶碰撞事故发生、促进内河航运经济健康发展具有一定实用价值。

传统的船舶领域建模主要基于海上交通观测、海上交通调查以及航海模拟器实验所获取的统计数据。但是观测数据的获取历时长，调查所获取的数据受被调查人航海知识、经验以及其它等主观因素的影响，模拟器实验所获取的数据受实验条件、仪器精度、技术等原因的影响，所以传统方法获取的船舶领域尺度与实际交通状况具有一定的出入。

船舶自动识别系统（Automatic Identification System, AIS）是当前船上普遍使用的一种导助航系统，能够提供船舶实时位置、船速、航向等动态数据，以及船名、尺度、危险货物等静态数据。相较传统的实际交通流观测和雷达数据分析，AIS 系统具有数据量大、包含船舶信息丰富、能够完整反映船舶的实际运动轨迹和状态等特点，利用于AIS系统提供的数据得到的船舶领域尺度与实际更为符合，在应用上更具有参考性，因此基于AIS数据对船舶领域进行深入研究具有重要的现实意义。

1.2国内外研究现状

1.2.1船舶领域的研究现状

上世纪六十年代，日本学者藤井弥平^[1]首次提出船舶领域的概念，借助交通调查手段建立了椭圆的船舶领域模型，并通过长期的实际交通观测，确定了椭圆领域长短轴与船长的倍数关系。随后于七十年代，英国女学者Goodwin^[2]利用雷达模拟器对船舶间避碰做了大量的实验，结合船舶避碰规则所规定的对于不同方向上的来船要采取不同的避碰行动，建立了非对称的扇形船舶领域。至此后，有关船舶领域的研究蓬勃发展，建立了形状大小各异的船舶领域模型，并广泛应用于船舶避让、航道规划设计、船舶碰撞风险评估、离岸设施建设等领域^[3]。

徐周华等人^[4]通过比较藤井模型与Goodwin模型的研究方法与模型的适用性特点，并在此基础上综合考虑内河船舶的尺度、舵效、操纵性能、航行水道复杂性等特点，首次提出了针对内河船舶的三维船舶领域。

刘绍满^[5]通过问卷调查的方式，对长江江苏段的船舶驾驶员进行问卷调查，获取船舶驾驶员在航行过程中主观意识上保持的船舶领域大小。同时，对雷达拍摄到的船舶交通实况图进行研究分析，最终建立该拥挤航道的船舶领域模型，并利用船舶领域模型确定航道的船舶通过能力。

江龙晖等^[6]对琼州海峡的AIS数据进行统计分析，通过研究会遇船舶的避碰行为来确定船舶领域大小。他认为，船舶驾驶员采取避让行为的时刻很大程度上取决于驾驶员的经验判断，因此，船舶领域的大小其实是一个模糊量。他利用模糊集理论确定了船舶的避让度，并通过船舶避让度确定了琼州海峡船舶领域的边界。

向哲等^[7]对受限水域内的船舶AIS数据进行统计分析，将某一条目标船周围一定范围内的水域划分成正方形网格，记录周围船舶出现在网格内的次数，得到该船周围船舶的网格分布图。通过将同一类目标船的网格图进行叠加统计，得到一类目标船的网格分布图，进而求得该类目标船的船舶领域。通过分析得出：目标船尺度增大，船舶领域长度与船舶长度的比值有所减小、且船舶领域的长轴与船舶首尾线成一定的夹角。

国外学者Rafal Szlapczynski ^[8] 等人认为传统的船舶最小会遇时间（TCPA）和最小会遇距离（DCPA）参数已经不足以对船舶碰撞风险进行估计。该学者通过对会遇船舶的船舶领域进行分析，提出了两个船舶碰撞风险参数——船舶领域破坏程度（DDV）和船舶领域破坏时间（TDV），并通过公式推导确定了DDV和TDV的值，指出了这两个参数对于船舶避碰系统以及特殊航行条件下的导航系统的实践意义。

总体而言，现有的船舶领域模型对于丰富航海理论和技术具有极大的支撑作用，但大都从宏观上表示为一个固定的形状，实际上船舶领域不仅和船舶自身尺度、航速等因素有关，而且还应该随目标船尺度、航速、会遇态势及风、流等环境因素不同而有所不同，应为一个动态的范围。因此，对于动态船舶领域，国内外学者近年来也开展了不少研究。

本世纪初，我国学者毕修颖^[9]在对开阔水域船舶避碰问题进行研究时，提出了船舶动态领域的概念，认为本船与不同目标船会遇时，碰撞危险度有所不同，因此应根据不同目标船动态调整船舶的避让领域。随后，很多学者先后尝试建立动态的船舶领域模型。任亚磊^[10]在研究船舶碰撞风险及船舶避让行为时，对AIS数据进行统计分析，考虑了航行水域能见度，会遇态势，本船尺度及航速对船舶领域的影响，获取了54种不同组合条件下本船的船舶动态领域，但没有考虑目标船对船舶领域的影响。周丹^[11]对渤海湾开阔水域的船舶AIS信息进行统计分析，利用小波分析算法分析了避让船舶的船舶航速、尺度、两船航向夹角对船舶领域的影响，并利用神经网络建立了开阔水域的船舶动态领域模型，但没有考虑航行环境的影响。周田瑞等 ^[12]对舟山港螺头水道受限水域的船舶AIS信息进行统计分析，考虑本船类型、尺度、航速对船舶领域影响，通过叠加船舶在不同时刻周围目标船的坐标分布，获取了15种组合条件下本船的船舶动态领域，但没有考虑目标船和航行环境对船舶领域的影响。由于影响船舶动态领域的因素过多，不同组合条件下的船舶领域尺度均不一样，因此很多学者在进行船舶动态领域研究时，或考虑的影响因素不够多，或仅获取少部分组合条件下的船舶动态领域。综合考虑本船、目标船、航行环境等因素的影响，获取船舶在任意组合条件下的船舶动态领域是当前研究的一大难题。

1.2.2人工神经网络的研究现状

人工神经网络是一种借鉴人脑信息处理机制的网络结构系统，与人脑神经元类似，人工神经网络包含大量处理单元，各处理单元通过相互连接组成复杂的非线性网络结构。与人脑的学习机制类似，神经网络也可以通过原始的输入数据进行学习，获取某种知识并储存在内部的神经元当中，形成特定的运算机制，能对下一次的输入进行类似的运算。

对于神经网络的研究始于上世纪四十年代，国外学者McCulloch ^[13]首先生物的神经细胞为原型，模拟构建出人工神经元模型，以此开创了人类对人工神经网络的研究。随后，国外学者Hebb^[14]提出了任何神经元之间的联系强度并不是固定不变的，并提出了Hebb法则，说明了神经元之间的权值关系，结识了神经网络的学习和记忆功能。随后于五十年代，国外学者Rosenblatt^[15]通过对已有模型的学习与改进，提出了感知器模型，在模型中新增加了学习功能，第一次实现神经网络由理论到实践的转化；六十年代，WIDROW等人^[16]建立了ADALINE网络模型，该模型为一种能够自动连续取值的线性网络模型，能够自动将计算结果与预期结果进行比较，不断调整神经元之间的权值，以获得误差最小的输出值。紧随其后的几十年里，很多学者也陆续对神经网络进行了研究，建立了众多神经网络模型，比如美国学者Hopfield所建立的Hopfield模型，Rumelhart等人所提出的BP神经网络算法，Mead等人建立的硅神经网络模型，Aibara所建立的混沌神经网络模型。

由于人工神经网络具有快速和大规模的处理能力，几乎在各个领域都有广泛研究及应用。在水上交通领域，林莉等^[17]根据船舶海上航行的实际情况，针对船舶运动的特点，提出了用不同神经网络对船舶运动数学模型进行辨识的新方法。朱鸣鹤等^[18]针对船舶油污事故损害赔偿评估非线性系统的复杂性，建立船舶油污事故损害的神经网络评估模型。路其军^[19]建立了客滚船大风浪航行安全评估的三层BP神经网络模型。吴汉才^[20]对人工神经网络船舶风险评价模型进行改进，调整了隐含层神经元数目及网络参数，建立了更加精确化的船舶风险评价模型。肖进丽等^[21]利用集合经验模态分解和差分进化算法对BP神经网络进行优化，从而实现了对水域内船舶交通流量高精度的预测。翟久刚^[22]利用BP神经网络，建立了九江大桥船舶交通流预测模型。

目前，尽管人工神经网络在船舶风险评估、溢油事故损害估计、水域交通流预测等方面都得到了广泛应用，但将人工神经网络应用于船舶动态领域中还较少有人尝试。由于船舶在航行过程中，航行条件、会遇的目标船及会遇态势均不断变化，因此无法通过统计分析的方法获取船舶在具体航行条件下与不同类型目标船会遇时的船舶动态领域。如果能基于人工神经网络建立预测模型，利用神经网络预测模型对船舶领域样本数据库进行训练，便能够就船舶在某一具体航行环境下的船舶领域进行学习和预测，为内河船舶驾驶员在航行过程中如何动态调整本船与目标船的安全间距提供进一步参考。

1.3本文研究内容与章节安排

1.3.1研究内容

通过查阅文献了解了对国内外关于船舶领域的研究现状，在掌握船舶领域基本理论的基础上，本文基于AIS系统提供的数据，利用人工神经网络方法对动态船舶领域进行了研究，主要研究内容如下：

（1）通过船讯网收集长江航道内航行船舶在不同航行环境下与不同目标船会遇时的船舶AIS数据；

（2）建立本船与目标船的分类标准，计算本船在不同航行环境下与会遇的不同类型目标船的距离和相对方位，获取不同类型目标船相对于本船的坐标分布；

（3）利用最小二乘法对目标船相对于本船的坐标分布进行曲线拟合，得到本船在不同航行环境条件下与不同类型目标船会遇时的船舶领域尺度，建立船舶领域尺度样本数据库；

（4）建立BP神经网络预测模型，将获取的船舶领域样本数据利用BP神经网络预测模型进行训练，再基于训练结果对船舶在某一具体航行环境下与某一类目标船会遇时的船舶领域尺度进行动态学习和预测，将预测结果与实际拟合结果进行比较，利用平均相对误差指标和稳定性指标对预测模型进行评价。

1.3.2技术路线

根据论文研究内容，本文对基于AIS数据的内河船舶动态领域建模技术方案如图1.1.