基于AIS實時數據的航道交通擁堵快速判定方法

基于AIS實時數據的航道交通擁堵快速判定方法

何正偉;劉力榮;楊帆;王開森

【摘 要】針對目前人工判定和事后判定時效性差的問題,研究具有實時性和自動化

的判定方法.借鑒國內外道路交通擁堵判定方法,運用交通流參數、標準船舶艘次和

船舶領域模型,建立航道交通擁堵快速判定模型,構建船舶自動識別系統(Automatic

Identification System,AIS)Spark實時數據處理平臺,運用多個實例對該模型進行

在線試驗驗證.試驗結果表明,該模型能在線快速、準確地判定航道交通狀態,可為水

上交通監管部門實時獲取航道交通信息、及時管控和疏導航道交通擁堵提供有效的

方法.

【期刊名稱】《中國航海》

【年(卷),期】2018(041)002

【總頁數】7頁(P113-118,129)

【關鍵詞】航道交通擁堵;實時數據處理;AIS數據;船舶領域;實時判定

【作 者】何正偉;劉力榮;楊帆;王開森

【作者單位】武漢理工大學航運學院,武漢430063;國家水運安全工程技術研究中

心,武漢430063;內河航運技術湖北省重點實驗室,武漢430063;武漢理工大學航運

學院,武漢430063;內河航運技術湖北省重點實驗室,武漢430063;武漢理工大學航

運學院,武漢430063;內河航運技術湖北省重點實驗室,武漢430063;武漢理工大學

航運學院,武漢430063

【正文語種】中 文

【中圖分類】U697

隨著大型船舶不斷增多，航道交通擁堵問題時有發生，不僅會延誤船舶航行和進出

港，還會增加船舶交通事故發生的可能性。如何快速、準確地判定航道交通狀態成

為目前亟待解決的問題。

已有許多學者對航道和公路交通擁堵問題進行研究。劉予笑[1]分析船舶定位數據，

建立航道擁堵分級指標模型，提出基于模糊綜合評價的航道擁堵識別方法；劉賽龍

等[2]提出航道服務水平指標和等級，將其與船舶交通流理論相結合，建立內河航

道通過能力計算模型；劉明俊等[3]分析航道通過能力的影響因素，選取修正系數，

建立基于船舶流的航道通過能力計算模型；祝付玲[4]借鑒國外的公路通行能力手

冊(Highway Capacity Manual，HCM)，建立城市道路交通擁堵評價指標體系；

KNORR等[5]基于三相交通理論，提出通信檢測和控制擁堵技術，使公路交通擁

堵可觀、可控；LAKAS等[6]基于Geocast協議，制造車對車通信系統，可有效判

定公路交通狀況。

當前，公路交通擁堵判定方法已較為成熟，擁有科學的判定指標體系,而航道交通

擁堵判定大多基于航道通過能力來確定擁堵分級原則，屬于人工判定和事后判定，

缺乏實時性，海事部門難以及時處理航道交通擁堵問題。為解決該問題，本文借鑒

國內外道路交通擁堵判定方法，結合交通流參數和船舶領域模型等，實時計算船舶

自動識別系統(Automatic Identification System,AIS)數據，建立航道交通擁堵快

速判定模型。

1 航道交通擁堵判定原則和流程

1.1 判定原則

將航道交通狀態分為嚴重擁堵、一般擁堵和暢通等3種。嚴重擁堵是指航道中船

舶很多，船舶時動時停或完全停滯；一般擁堵是指航道中的船舶雖然較多，但船舶

尚能低速航行；暢通是指航道中的船舶不多，船舶能按正常速度航行。

國外相關研究[4]通過HCM確立V/C(交通量與通行能力的比值)、服務水平(公路

運行服務質量)等公路交通擁堵評價指標。在研究航道交通擁堵時，可借鑒這些指

標，并參照美國公路服務水平(見表1)和服務水平與速度的關系(見表2)。

表1 美國公路服務水平的分類服務水平V/C交通狀況A<0.4車流暢通,基本無延

誤B0.4～<0.6車流穩定,有少量延誤C0.6～<0.75車流穩定,有一定延誤,但可接受

D0.75～<0.9車流接近不穩定,有較大延誤,但能忍受E0.9～1.0車流不穩定,延誤很

大,交通擁堵,無法接受F>1.0強制車流,嚴重交通擁堵,車輛時開時停

本文借鑒E等和F等服務水平。當服務水平為E等時，公路開始出現交通擁堵，

車輛行駛速度比自由流速度下降約70%；當服務水平為F等時，公路嚴重擁堵，

C/V>1。同理，航道服務水平和交通狀態也遵循該規律。

1.2 判定流程

1) Spark實時數據處理平臺實時接收AIS在線數據，對數據進行解析、預處理、

匹配和傳送等，然后自動統計數據個數m1。

2) 將經緯度為負值或大大偏離航道的數據清除掉，剩下m2個數據。

表2 服務水平與速度的關系 %服務水平行駛速度比自由流速度下降的百分比服務

水平行駛速度比自由流速度下降的百分比A0～10D45～60B10～30E60～

70C30～45F>70

3) 船舶數據集中分布的區域才是有效的，反映航道的走向。選取合適的經緯度范

圍作為有效區域，有效區域內有m3個數據。

4) 多數航道是彎曲的，對整段航道進行精確計算不容易，可在其中選取某個經緯

度范圍內的小段航道作為研究區域，該區域內有m4個數據。

5) 對m4個數據進行分類，將MMSI相同的數據歸為一類，共分成m5類，即有

m5艘船。

6) 用Polynomial(多項式)函數將研究區域內的數據擬合成曲線1，清除偏離主航

道的數據，剩下m6個數據，再用Polynomial將其擬合成曲線2，曲線2可視為

該段航道的主航道。

7) 在曲線2上取(x1,y1)和(x2,y2)這2點作為該段航道的主航道起止點，用經緯度

坐標計算兩點間的距離，求出其長度s0。

8) 從步驟“5)”中已分類的數據中找出各船船長，結合s0和標準船舶艘次求出航

道實際密度ρ1。

9) 將各船船長和標準船舶艘次結合起來，借助船舶領域模型求出航道阻塞密度ρ0。

10) 從步驟“5)”中已分類的數據中找出單船所有速度vij，求出平均速度vi，重

復上述計算，求出所有vi的平均值即為所有船舶實際平均速度

11) 確定航道自由流速度u0。

12) 在Spark實時數據處理平臺上用Spark Streaming和Spark Engine處理AIS

Stream數據片段，將ρ1、ρ0和導入到判定模型中，判定航道交通狀態。判定流

程見圖1。

1.3 Spark實時數據處理平臺

由于普通數據處理軟件難以快速處理大量AIS數據，故采用Spark實時數據處理

平臺。Spark是一種可處理大數據集合的低延遲集群分布式計算系統。[7-8]

首先運用Spark實時接收并解析AIS在線數據，對數據進行格式轉換、數據清洗、

數據集成和剔除無效數據等預處理。隨后對數據進行匹配，通過HDFS文件存儲

系統和Hba數據庫進行存儲，使數據能傳送到Spark實時數據處理平臺上。

圖1 判定流程

在該平臺上，先將AIS數據轉換成Stream數據，用Spark Streaming將其按6

min/段分割成若干片段，用batch批量處理這些數據，再采用Spark Engine高

層算法處理，轉變成一批批結果流。

2 構建航道交通擁堵判定模型

2.1 模型參數確定

1) 平均速度。船舶交通流平均速度是指單位時間內船舶平均對地速度，計算式為

(1)

式(1)中：u為船舶交通流平均速度；∑vi為船舶對地速度之和；n為船舶數量。

2) 區域密度。船舶交通流區域密度[9]是指單位矩形區域內存在的船舶數量，計算

式為

(2)

式(2)中：k為船舶交通流區域密度；n為船舶數量；s為區域面積。

3) 臨界密度。航道臨界密度[2]分為轉折密度和阻塞密度。轉折密度指當船舶可安

全暢行時，航道能允許的最大交通流密度；阻塞密度指船舶密集到難以移動時的交

通流密度。本文根據阻塞密度提出一種新的航道交通擁堵判定方法。

4) 線密度。航道線密度實際上是區域密度的一種特殊形式，指航道單位長度上某

個時間段內的船舶數量，計算式為

(3)

式(3)中：k為航道線密度；n為船舶數量；l為航道長度。

2.2 標準船舶艘次計算

船舶的大小會影響航道擁堵程度，故不能只考慮船舶艘次。將各船船長換算成標準

船長，設置相應系數，將船舶艘次轉換成標準船舶艘次[10](見表3)。標準船舶艘

次的計算式為

S=Ciμi

(4)

式(4)中：S為標準船舶艘次；Ci為同類船舶艘次；μi為每類船舶的轉換系數。

表3 船舶按船長分類后的轉換系數船長范圍L/m船舶艘次Ci轉換系數

μiL<30C10.330≤L<50C20.550≤L<90C31.090≤L<180C42.1L≥180C53.5

2.3 航道交通擁堵判定模型

根據藤井船舶領域模型[11]，在按船長分類之后，單船的船舶領域長軸計算式為

li=k0Li

(5)

式(5)中：li為單船的船舶領域長軸；Li為單船的船長；i的取值范圍為1～n2；n2

為船舶數量；k0為船舶領域長軸系數。

若要判斷航道是否嚴重擁堵，須用到臨界密度中的阻塞密度。阻塞密度等于臨界船

舶數量除以航道長度，是一種線密度。臨界船舶數量是指船舶可安全暢行時航道內

的最大標準船舶艘次。單船對應的航道阻塞密度分量的計算式為

(6)

式(6)中：ρ0i為單船對應的航道阻塞密度分量；n0i為單船對應的臨界船舶數量分

量；s0為航道長度。

臨界船舶數量等于航道長度除以船舶領域長軸，n0i的計算式為

(7)

將式(7)代入式(6)可得

(8)

在計算各船的平均阻塞密度時，要考慮標準船舶艘次的影響，計算式為

(9)

式(9)中:Ci為單船對應的船舶艘次，均等于1;ρ0為航道阻塞密度;k0為船舶領域長

軸系數，一般取1.5。[2]

判斷航道是否嚴重擁堵，實際上是用航道實際密度與阻塞密度相比較。航道實際密

度等于標準船舶艘次之和除以航道長度，計算式為

(10)

式(10)中:ρ1為航道實際密度;n1為標準船舶艘次之和。

借鑒公路交通擁堵判定方法，由表1可知，當V/C>1時，交通擁堵很嚴重。同理，

若航道水域的總面積大于航道中所有船舶的領域之和，則航道處于嚴重擁堵狀態，

結合式(3)，可對ρ1和ρ0定義一個標準：若ρ1≥ρ0，則航道處于嚴重擁堵狀態。

單船的平均速度為vi，所有船舶的實際平均速度等于所有vi的平均值，計算式為

(11)

vi對應q個AIS點，計算式為

(12)

式(12)中:vij為vi在q個點中對應的第j個點；j的取值范圍為1～q。

自由流速度u0是指暢通狀態下的航道最高限速值，該值可定為8 kn。[12]

借鑒公路交通擁堵判定方法，由表1和表2可知，當行駛速度下降到自由流速度

的30%時，交通開始出現擁堵。同理，可對與u0定義一個標準：若則航道處于

一般擁堵狀態；若則航道處于暢通狀態。

綜上所述，判定航道交通狀態的標準為

(13)

3 實例驗證

3.1 長江南通段航道數據試驗

該試驗的數據來源于長江南通段，該航段見圖2。試驗于2017年2月6日

10:00—10:05進行，初始數據個數m1=2 822。

選取東經120.5°～121.25°、北緯31.5°～32.5°的范圍作為有效區域(見圖3)。

選取東經120.85°～120.9°、北緯31.9°～31.95°范圍內的小段航道作為研究區域，

其數據個數m4=240，分類后有24艘船。將數據擬合成曲線1(見圖4)。

a)地圖

b)船舶流量統計圖圖2 南通航段地理位置

圖3 在有效區域內的船舶數據分布

圖4 在研究區域內的船舶數據分布

在圖4中，清除偏離主航道的數據，將剩余數據擬合成曲線2(見圖5)。

圖5 在研究區域內的主航道上的船舶數據分布

取曲線2上的(120.860，31.952)和(120.882，31.903)2點作為該段航道的主航

道的起止點，用式(14)求出其長度s0=5.829 8 km。

(14)

式(14)中:R為地球半徑,約6 370 km;(x1,y1)和(x2,y2)為地球上任意2點。

試驗結果見表4第1行。將10:00—10:59分成10段，重復進行試驗，結果見表

4。

表4 各時間間隔內的試驗結果序號時間間隔船舶數量m5/艘航道實際密度ρ1/(艘

/km)航道阻塞密度ρ0/(艘/km)實際平均速度u/(km/h)自由流速度u0/(km/h)擁

堵狀態判定結果實際擁堵狀態判定耗時/s110:00—10:05246.398 26.906 25.349

514.816暢通暢通1.57210:06—10:11235.574 87.468 75.084 614.816暢通暢

通1.54310:12—10:17225.677 77.124 15.107 714.816暢通暢通1.52410:18—

10:23185.043 16.518 24.769 914.816暢通暢通1.48510:24—10:29205.454

76.804 14.279 414.816一般擁堵暢通1.50610:30—10:35215.969 37.060

44.630 114.816暢通暢通1.51710:36—10:41174.837 27.000 44.401 214.816

一般擁堵暢通1.46810:42—10:47163.928 17.927 14.846 014.816暢通暢通

1.44910:48—10:53195.420 46.537 84.911 014.816暢通暢通1.491010:54—

10:59165.214 65.877 34.728 814.816暢通暢通1.45??????????

將表4的擁堵狀態判定結果與實際擁堵狀態用折線圖表示，結果見圖6。

圖6 擁堵狀態判定結果與實際擁堵狀態

由表4和圖6可知:在10:00—10:59時段，ρ1均<ρ0，該段航道并未嚴重擁堵；

除第5行和第7行外，均>0.3u0，判定結果均為暢通。該模型的判定準確率為

80%，多次重復試驗可使判定準確率提高至91.7%。判定耗時趨于1.50 s。因此,

該判定模型的準確性和實時性較高。

3.2 湘江湘陰段航道數據試驗

該試驗的數據來源于湘江湘陰段，該航段見圖7。試驗于2017年2月18日

17:00—17:05進行，初始數據個數m1=301。

選取東經112.5°～113°、北緯28°～29°的范圍作為有效區域(見圖8)。

選取東經112.805°～112.815°、北緯28.57°～28.59°范圍內的航道作為研究區域，

其數據個數m4=77，分類后有10艘船。將數據擬合成曲線1(見圖9)。

a)地圖

b)船舶流量統計圖圖7 湘陰航段

圖8 在有效區域內的船舶數據分布

由于沒有偏離主航道的數據，可取曲線1上的(112.805 2，28.571 0)和(112.811

8，28.590 0)作為該段航道的主航道的起止點，用式(14)求出其長度s0=2.208 5

km。

試驗結果見表5第1行。將17:00—17:47分成8段，重復進行試驗，結果見表5。

圖9 在研究區域內的船舶數據分布

將表5的擁堵狀態判定結果與實際擁堵狀態用折線圖表示,結果見圖10。

由表5和圖10可知:在17:00—17:47時段，均<0.3u0，該航道并未暢通；除第7

行外，ρ1均>ρ0，判定結果均為嚴重擁堵。該模型的判定準確率為87.5%，多次

重復試驗可使判定準確率提高至92.4%。判定耗時趨于1.50 s。因此,該判定模型

的準確性和實時性較高。

表5 各時間間隔內的試驗結果序號時間間隔船舶數量m5/艘航道實際密度ρ1/(艘

/km)航道阻塞密度ρ0/(艘/km)實際平均速度u/(km/h)自由流速度u0/(km/h)擁

堵狀態判定結果實際擁堵狀態判定耗時/s117:00—17:05107.425 96.221 50.694

314.816嚴重擁堵嚴重擁堵1.53217:06—17:11107.425 96.221 50.490 114.816

嚴重擁堵嚴重擁堵1.51317:12—17:17107.425 96.336 50.440 114.816嚴重擁

堵嚴重擁堵1.50417:18—17:2396.973 15.983 10.360 414.816嚴重擁堵嚴重擁

堵1.47517:24—17:2996.973 15.919 70.386 014.816嚴重擁堵嚴重擁堵

1.46617:30—17:3596.973 16.042 10.411 214.816嚴重擁堵嚴重擁堵

1.47717:36—17:4186.022 26.162 60.344 914.816一般擁堵嚴重擁堵

1.45817:42—17:47107.923 95.846 40.353 714.816嚴重擁堵嚴重擁堵

1.55??????????

圖10 擁堵狀態判定結果與實際擁堵狀態

4 結束語

本文借鑒國內外道路交通擁堵判定方法，將航道交通狀態劃分為嚴重擁堵、一般擁

堵和暢通等3種，運用交通流參數、標準船舶艘次和船舶領域模型，根據參數計

算公式，構建航道交通擁堵快速判定模型。在Spark實時數據處理平臺上實時處

理AIS數據，運用該模型分別對長江南通段航道和湘江湘陰段航道進行多組在線

試驗。

試驗結果表明:2段航道數據試驗的判定準確率均達到80%以上，準確率較高；判

定耗時均為1.50 s左右，判定速度較快；多次重復試驗可使判定準確率達到90%

以上。

本文提出的航道交通擁堵判定方法是一種全新的方法，考慮的參量與已有方法的參

量有很大不同，思路也不一致，因此難以直接對比。本文的創新點和優勢可概括為:

1) 實時性高，利用詳細的AIS實時數據，實時運用判定模型，快速判定航道交通

狀態。

2) 利用計算機平臺進行自動化判定，大大降低了人為因素的影響。

3) 判定準確率高，判定速度快，具有可重復性、可驗證性，明確了航道交通狀態

的定量劃分，克服了以往人工判定和事后判定的缺陷，可為海事部門實時掌握航道

交通狀態提供有效的技術支持。

參考文獻

【相關文獻】

[1] 劉予笑. 基于模糊綜合評價的航道擁堵狀態識別研究[D]. 杭州:浙江工商大學, 2015.

[2] 劉賽龍, 蔣璘暉. 內河航道服務水平及通過能力研究[J]. 水運工程, 2014(3):134-139.

[3] 劉明俊, 萬長征. 航道通過能力影響因素的分析[J]. 船海工程, 2008,37(5): 116-118.

[4] 祝付玲. 城市道路交通擁堵評價指標體系研究[D]. 南京:東南大學, 2006.

[5] KNORR F, SCHRECKENBERG M. Influence of Inter-Vehicle Communication on Peak

Hour Traffic Flow[J]. Physica A: Statistical Mechanics & Its Applications, 2012, 391(6):

2225-2231.

[6] LAKAS A, CHAQFEH M. A Novel Method for Reducing Road Traffic Congestion Using

Vehicular Communication[C]//International Wireless Communications & Mobile

Computing Conference, 2010: 16-20.

[7] 李文棟. 基于Spark的大數據挖掘技術的研究與實現[D]. 濟南:山東大學, 2015.

[8] 李天喜. 基于Spark Streaming的試驗數據處理系統的研究與實現[D]. 西安：西安電子科技大

學, 2015.

[9] 馮宏祥, 孔凡邨, 肖英杰,等. 基于AIS的元胞自動機模型的船舶交通流特征參數分析[J]. 武漢理工

大學學報(交通科學與工程版), 2014(2):324-328.

[10] 鄧順江, 劉明俊. 船舶領域模型的對比研究[J]. 中國水運, 2009, 9(6):7-9.

[11] 丁法. 基于AIS數據的開闊水域船舶領域分析研究[D]. 大連:大連海事大學, 2016.

[12] 徐春, 鄭中義, 吳兆麟. 受限航道中船舶的限速[J].大連海事大學學報, 2002, 28(2):6-9.