近日，我室与浙江大学联合培养的博士生罗丹以第一作者在期刊Journal of Marine Science and Engineering上发表了题为“A New Classification Method for Ship Trajectories Based on AIS Data”的文章，通讯作者为我室陈鹏正高级工程师和杨劲松研究员，合作者包括我室李修楠博士生以及赵益智硕士。

海上运输是当今全球主要的运输方式之一，全球70%的货物通过海上运输。国际海事组织（IMO）在1990年代设计了自动识别系统（AIS），全球所有总吨位超过300吨的船舶都需要在船上安装AIS。AIS是一种船舶跟踪系统，定期向卫星，岸基站和周围船舶发送信号，其中包含大量船舶信息而通过船舶轨迹的分类可以进一步分析识别船舶行为，加强对船舶的监视。针对该问题，提出一种新的轨迹分类标准，将所有船舶轨迹分为五类，采用监督学习进行分类，并提出了一种新的特征提取方法，直接基于AIS时间序列数据进行特征提取，最后基于常见的机器学习分类算法提出了一种新的集成分类器，效果优于单一的分类器。

轨迹分类如图1所示，分别是正常航行轨迹、锚泊或者系泊轨迹、存在偏移的轨迹、存在AIS信号丢失的轨迹以及无规则轨迹，分别对应五种标签：0,1,2,3,4。

图1. 5种船舶轨迹

当下常见轨迹分类方法多是基于图像分类，即将轨迹转化为图像，再进行分类。本文提出一种直接基于时间序列数据的特征提取方法直接用于轨迹分类。收集了来自南海，渤海以及黄海的大型船舶AIS数据，并进行处理标注，共429条轨迹数据。从中提取了34个轨迹特征数据，用于学习分类。将数据分为8:2（训练集：验证集），利用常见的机器学习算法（LightGBM、随机森林、决策树、朴素贝叶斯）学习该特征，并进行分类。

传统单一分类器性能有限，而集成分类器的效果要优于单一分类器，本文也提出了一种基于贝叶斯分类器和随机森林的组合的集成分类器。并且针对有限的数据，采用了十折交叉验证，来体现分类器的整体性能，如图2。集成分类器效果是要优于其他的单一分类器。

图2. 十折交叉验证

最后将生成的集成分类器模型用于实例。图3为两艘船舶的轨迹，图3(a)为2018年12月中旬的一艘从韩国到浙江的商船(MMSI号:312917000)的轨迹，轨迹中有一长段区域没有AIS信号，但在该海域，AIS信号收发正常。提取数据特征，利用集成分类器生成的轨迹分类模型进行判别。分类结果为3类轨迹(AIS信号丢失轨迹)。据相关报道，这艘商船是一艘走私商船。图3(b)显示了2021年10月下旬在南海报告的一艘舰船(MMSI编号:303859000)的轨迹。轨迹出现不规则，由集成分类器生成的轨迹分类模型识别的结果归类为第4类(不规则轨迹)。据新闻报道，这艘船是一艘在中国南海进行调查的外国船只。

图3. 两个实例报道轨迹，（a）存在丢失AIS信号的轨迹；（b）无规则轨迹。

论文引用：Luo D, Chen P, Yang J, Li X, Zhao Y. A New Classification Method for Ship Trajectories Based on AIS Data. Journal of Marine Science and Engineering. 2023; 11(9):1646. DOI: 10.3390/jmse11091646.