摘要在船舶軌跡壓縮方面，通常存在難以有效剔除海量船舶自動識別系統(AIS)數據中無用數據點的問題。為改進船舶軌跡壓縮質量，提出基于道格拉斯—普克(DP)改進的特征點(FP)–時空(TS)算法。在FPTSD算法中，關注船舶行駛過程中加減速、轉向、進出特殊區域等重要的動態行為點，采用數值計算方法提取和保留AIS數據中上述動態行為FP，以FP為初始點使用DP算法對AIS數據進行壓縮;同時，考慮AIS數據的TS特性，以時空距離為標準進行取舍，進而在FP和TS特性優化的基礎上實現了船舶軌跡壓縮。結果表明，在保證壓縮率的前提下，經FPTSDP算法壓縮后的軌跡更接近原始軌跡，同時其重要動態行為點留存率更高。

　　關鍵詞AIS;FPTSDP算法;軌跡特征點;時空特性;船舶軌跡壓縮

　　1引言

　　船舶自動識別系統AutomaticIdentificationSystem,AIS軌跡數據中蘊含著大量信息[14]，包括船舶的靜態和動態信息、船舶駕駛員的人為因素、船舶避碰行為、船員通常做法和習慣航路等。通過分析和研究船舶軌跡，可獲取能夠反映船舶規律的有效和潛在信息，進而為海上安全監管、船舶通航、航海保障等活動提供必要的數據支持[5。然而，海量的AIS數據中存在一些利用價值較低的數據點，當移除此類數據后船舶軌跡不會產生改變。由此，為提高數據的利用效率，需要對冗雜的船舶AIS軌跡數據進行壓縮處理。

　　通常，包括道格拉斯–普克(Douglaseucker,DP)在內的多數船舶軌跡壓縮算法往往僅考慮軌跡的距離偏移量來壓縮軌跡[7]，在壓縮過程中舍棄了船舶航速、航向改變、進出某區域邊界等航跡特征點，得到的軌跡忽略了船舶的動態信息，降低了數據的利用價值;少部分壓縮算法通過航向、航速變化率均值來保留船舶軌跡特征點[810]，但忽略了由傳感器誤差導致的航速、航向出現的小范圍波動，進而保留了波動點，使得壓縮后保留的數據點過多。

　　極少數壓縮算法雖然考慮了船舶的時空特性[1113]，但僅將時間特性僅作為分類和排序的指標，一般壓縮后的軌跡失真率較高。為提升軌跡壓縮算法質量，充分應用船舶動態特征點(FeaturePoint,FP)數據以及時空特性(TemporalandSpatial,TS)，在DP算法的基礎上提出FPTSDP船舶軌跡壓縮算法。對比結果表明，經FPTSDP算法壓縮后的軌跡質量得到較好的提升。

　　2AIS數據解碼與預處理AIS數據分析主要包括數據解碼、數據預處理和數據挖掘個步驟。數據預處理包括軌跡異常點清除和船舶軌跡壓縮環節，經過預處理的數據，較為精簡，具有較高的實用性和使用價值。

　　2.1AIS數據解碼

　　AIS報文信息是一串復雜晦澀的字符串，封裝度極高，難以被人們直接理解和應用，為獲取直觀信息，需要解碼原始信息。數據中的每個記錄點代表一個由船載AIS設備在某個瞬間發出的AIS報告信息。AIS數據解碼主要由個階段實現14]。首先，將AIS原始數據轉換為ASCII碼。然后，將ASCII碼值與16進制數80H相比較，如果大于80H，則轉換出的ASCII碼值加上20H;如果小于80H，則轉換的ASCII碼值加上28H。

　　經變換，原來的ASCII碼變成了位ASCII碼。單條信息轉換后全長最大為168bit，每個字符都是轉換后6bit的ASCII碼，從字符“”開始為有效信息。最后，參照AIS國際標準信息對照表，解析出對應信息。解碼后的信息是一連串由數字和組成的二進制編碼，需對比國際AIS制定的標準協議，利用27種電文的格式分配相應的比特位，拼接信息后解析出AIS信息。

　　2.2AIS數據預處理

　　經數據解碼后的AIS數據不能直接使用，主要是存在許多異常數據，會影響船舶軌跡壓縮的結果。為保證數據的準確性，需要對AIS數據進行異常數據處理工作。AIS數據主要有種異常情況。其一，存在靜態信息輸入錯誤和部分信息未輸入的情況;其二，存在船舶航次相關信息輸入錯誤或信息未輸入的情況;其三，存在因傳感器故障，導致船舶動態信息出現錯誤的情況。

　　由此，針對解碼后的數據，需要開展AIS數據篩選預處理工作[15]，即需要刪除AIS報告信息MMSI記錄為的點;刪除數據中偏離所選水域航道較遠的點，如經緯度顯著超出航道，速度出現負值或超出正常值;刪除時間相鄰的個AIS報告點距離超過實際可能最大值的軌跡點。在數據預處理階段，刪除無效的、不合理的、偏離航道的數據，確保獲得有效的AIS數據。出于安全考慮，國際海事組織要求AIS數據點的報告間隔較短。

　　經過上述篩選處理的AIS數據規模非常大，直接使用導致運算速度緩慢，難以得到有效應用。為此，需要對AIS數據進行壓縮處理。傳統DP壓縮算法[16]根據距離閾值來判定。在DP算法中，通常將軌跡的起點和終點連成直線，計算軌跡上每個點到這條直線的距離，選擇其中距離最大的點，將其距離與預設的距離閾值進行比較，小于距離閾值，則舍棄這條直線兩側的點，若大于距離閾值，則保留這個點;然后，將起點和終點分別同這個點進行連線，得到兩條直線，再分別重復上述步驟，迭代計算，直至所有點到對應直線的距離都小于距離閾值，則完成壓縮。可知，上述方法壓縮出來的軌跡，動態信息丟失較多、軌跡失真率較高，有必要設計一種高質量的船軌跡壓縮算法。

　　3船舶軌跡壓縮FPTSDP算法

　　3.1特征點優化

　　傳統DP算法一般僅通過距離偏移量來壓縮軌跡，會導致在壓縮過程中舍棄部分船舶的動態信息、航速及航向改變、進出某區域邊界等航跡特征點，降低了數據的利用價值。因此，在DP算法的基礎上，需要優化軌跡特征點，開展提取和保留特征點研究工作。針對船舶航速、航向改變點的提取保留工作，可通過判斷各數據點的船舶航速、航向改變率是否高于某一設定閾值來實現。

　　船舶駛入出行為[18]包括駛入出碼頭、錨地、橋區水域、漁區水域、環形道等閉合區域以及航道、危險線、邊界線等非閉合區域。船舶駛入出軌跡特征點是指船舶通過上述非閉合區域邊界線前后的AIS數據點。對于此類軌跡特征點，可以通過判斷相鄰兩個AIS數據點分別代入邊界線方程后值的乘積是否小于。

　　若小于則標記并保留為船舶進出某區域軌跡點，構成進出某區域點集合。DP算法特征點優化即通過上述方法，對軌跡中的特征點進行識別保留，以特征點為DP算法輸入的初始點進行軌跡壓縮。經過特征點優化后的DP算法進行軌跡壓縮，壓縮后的軌跡保留了這些軌跡特征點，關鍵信息含量高于傳統DP算法進行壓縮后的軌跡，輪廓特征更加接近于原始軌跡，具有較高的利用價值。

　　3.2時空特性優化AIS數據的時空特性

　　不難看出，在預期軌跡上偏移點所對應的實際預期船位應在偏移點計算到預期軌跡線歐式距離的船位之前。傳統DP算法計算軌跡的偏移量的方式往往采用歐式幾何上的垂直距離，此距離略小于時空偏移距離，使用此距離進行壓縮，雖然壓縮后數據量較小，但壓縮后軌跡的失真率較高。因此，在DP算法的基礎上，需要進行時空特性優化，計算偏移船位與實際預期船位的時空距離，以時空距離對比DP算法距離閾值進行偏移點的取舍。

　　4仿真結果及分析

　　長江武漢段屬于長江中游與下游的交接段，是長江中下游水運的重要中轉站，水運較為繁忙，AIS基站僅一天接收到的AIS數據就有15萬條之多。水域內橋區多、港區和停泊區多，增加了船舶在水域內航行的安全隱患。為提升利用AIS數據對船舶軌跡的分析研究，可以從中獲取能夠反映船舶規律的、有效的、潛在的信息，進而為海事機關對船舶違章行為監管，修訂航行規則，推行船舶定線制提供有效的數據支持。為提升數據利用效率，需要對數據進行壓縮處理。

　　結論

　　針對船舶AIS數據中無用數據點的剔除問題，本文對傳統DP算法進行了特征點優化和時空特性優化，提出了基于FPTSDP算法的船舶AIS軌跡壓縮方法。實驗結果表明，在保證一定壓縮率的前提下，FPTSDP算法充分考慮了特征軌跡點的保留問題，對船舶行駛中加速、減速、轉向、進出特殊區域等重要的動態行為點較完整地進行保留。同時，利用時空距離壓縮軌跡，較好地保留了原始軌跡的形狀。通過FPTSDP算法簡化后的數據較為簡潔，且有較大的二次利用價值。

　　參考文獻

　　[1]楊博辰.基于AIS的船舶軌跡分析的研究與應用[D].成都:電子科技大學2018.

　　[2]DeVriesGKD,VanSomerenM.Machinelearningforvesseltrajectoriesusingcompression,alignmentsanddomainknoledge[J].ExpertSystemswithApplications,2012,39(18):1342613439.

　　[3]郭乃琨,馬壯壯,岳明橋.船舶軌跡挖掘與可視化技術分析研究[J].電子元器件與信息技術2020,4(3):137138.

　　[4]朱飛祥,張英俊,高宗江基于數據挖掘的船舶行為研究[J].中國航海2012,35(2):5054.

　　[5]LinK,LiX,ZhangZ,etal.AKmeansclusteringwithoptimizedinitialcenterbasedonHadoopplaform[C].InternationalConferenceonComputerScience&.Education.IEEE,2014:263266.

　　[6]XuK,ZhenH,LiY,etal.Bigdataacquisitionandanalysisplatformforintermodaltransport[J].InternationalJournalofDatabaseTheoryandAppliction,2016,9(12):6778.

　　[7]畢月琨.AIS基站系統中的數據解析與壓縮[D].舟山:浙江海洋學院2014.

　　[8]張永兵,孟凡彬,孟科.一種基于航向和航速變化率的船舶軌跡壓縮方法[P].天津:CN110990504A,20200410.

　　[9]張廣娜,梁營力.船舶高速航行運動軌跡分段壓縮算法研究[J].艦船科學技術2020,42(12):4951.

　　[10]陳永超.基于數據挖掘的船舶軌跡預測研究[D].哈爾濱:哈爾濱工程大學2020.

　　[11]徐凱,邱家瑜,李燕.一種加入時間維的船舶軌跡高效離線壓縮算法研究[J].計算機科學2017,44(S2):498502.

　　作者：江海洋，高超，馬勇