船舶冲突时空特征分析

来源:用户上传      作者:

　　摘要：为更加全面地分析水域船舶冲突的时空特征，从船舶动态航行过程出发，以船舶领域模型代替船舶碰撞半径，对船舶冲突数据进行识别与提取。通过对空间自相关模型在时间维度上的拓展，探讨船舶冲突数据在时空上的变化特征。基于该模型，研究不同时间尺度下船舶冲突空间变化趋势。实例结果表明，研究水域内的船舶冲突具有较强的空间自相关性，且会随着空间阶的提升而消散。
　　关键词： 船舶冲突; 船舶领域模型; 时空特征; 空间自相关分析
　　中图分类号： U697.32    文献标志码： A
　　Abstract： In order to analyze the temporal and spatial characteristics of ship collision in waters more comprehensively， starting from the dynamic navigation process of ships， the ship collision radius is replaced by the ship domain model， and the ship collision data is identified and extracted. Through the expansion of the spatial autocorrelation model in time dimension， the variation characteristics of ship collision data in time and space are discussed. Based on this model， the spatial variation trend of ship collision at different time scales is studied. The example results show that， the ship collision in the waters studied is of stronger spatial autocorrelation and dissipates with the increase of the space level.
　　Key words： ship collision; ship domain model; temporal and spatial characteristic; spatial autocorrelation analysis
　　船舶冲突数据的识别与提取对于增强海上交通安全和提高通航效率具有重要意义。近年来，我国沿海航行的船舶数量与日俱增，并不断趋向大型化和专业化。船舶密度和流量的增加，导致海上交通事故发生概率增大，其中船舶碰撞事故位列各类事故之首[1]。船舶冲突数据作为计算船舶碰撞概率的基础，得到了国内外越来越多研究者的关注。
　　WU等[2]对AIS数据进行插值处理，分别使用圆形和椭圆形船舶领域对船舶冲突数据进行提取，通过对使用不同的船舶领域提取到的冲突数据进行对比，得到了船舶领域形状对船舶冲突频率的空间分布影响不大的结果，并且根据冲突频率对水域的安全风险进行了评价。WENG等[3-4]在评估新加坡海峡船舶碰撞风险时，利用圆形船舶领域对船舶冲突进行分析，对船舶冲突进行了基本的时空分布统计，得到了冲突频率高的船型和水域，并使用船舶冲突频率和因果概率关系计算船舶碰撞频率。柴田等[1]通过构建动态船舶领域模型，设计冲突判断标准算法，使用船舶冲突数替代潜在船舶碰撞数，提出了开阔水域船舶碰撞频率模型。WEN等[5]以相对距离、最近会遇距离、最短会遇时间等为主要指标，衡量船舶之间的相互影响，并建立冲突复杂度模型描述本船周围的交通态势。李恒志[6]尝试性提出了水上交通冲突的定义，较为全面地分析了水上交通冲突的理论知识，应用船舶碰撞危险度模型判定水上交通冲突的严重性。
　　上述研究存在一个共同问题：没有以船舶冲突数据为主体分析其在空间或时间上的变化趋势，而直接将其应用到船舶碰撞频率模型中，在实际中船舶冲突的时空分布不均匀性可能会影响船舶碰撞频率的研究结果。如在船舶冲突出现较为集中的水域，出现船舶碰撞的概率应该更高。莫兰指数的应用研究已经渗透到了各个领域[7-8]，特别在道路交通领域已经有了较为广泛的应用：CHENG等[9]利用双变量莫兰指数对交通事故发生频率进行了时空自相关分析;陈绍宽等[10]基于改进的时空莫兰指数分析了道路交通状态特征;温惠英等[11]应用莫兰指数分析方法研究了道路交通事故的空间特征，表明莫兰指数对道路交通事故点的识别与判断具有较好的结果。将空间自相关理论应用到船舶冲突分析中，对船舶碰撞频率研究、水上交通调度等具有一定价值。
　　传统的莫兰指数更适用于空间的特征分析，但是船舶冲突数据不仅具有空间特征，而且包含时间维度的特征。因此，本文对空间相关性分析方法进行时间维度上的拓展，对冲突数据进行时间和空间维度上的特征分析，实现对不同水域冲突高发区域的识别与标记，也为后续船舶碰撞的定量风险评价提供数据基础。
　　1 空间自相关概述
　　空间自相关是空间统计学的重要研究领域，是研究空间地理单元之间分布关联性的核心理论方法之一，是一种度量空间属性值聚集程度的方法。莫兰指数由Moran在1950年首先提出，经过多年的发展，现已经成为衡量空间自相关的一个最重要的指标。莫兰指数对于空间自相关的度量方式包括全局和局部两种指标：全局指标用于衡量整个研究区域的空间模式，是用单一的值反映研究区域的自相关程度的;局部指标是计算每个空间单元与邻近单元中某一属性的相关程度的。
　　2.2 靜态数据补全
　　在AIS数据中，静态数据也存在丢失的情况。经统计，大约有10.04%的船舶不包含船舶尺度数据，13.25%的船舶没有准确的船舶类型数据。同样地，考虑到数据的完整性，需要将这些缺失数据补全。船舶尺度是研究船舶冲突的关键参数，对于缺乏此类数据的AIS记录，借鉴文献[10]提出的方法进行数据补全。 　　该方法将有缺失数据的船舶分为两类：第一类为有IMO号码信息的船舶，第二类为没有IMO号码信息的船舶。对于第一类船舶，通过IMO号码搜集该船的登记吨位、总吨和总载重，通过使用多元线性回归方法分别估计船长与各参数之间的数量关系，从而补全缺失数据。对于第二类船舶，则用研究水域内所有船的船长均值代替。
　　2.3 冲突数据提取
　　本文的船舶冲突定义为两个船舶领域的重叠，如图1所示。取船舶领域半径为船长的3倍，即当两艘船之间的距离逐渐减小且小于等于两船船长之和的3倍时，船舶冲突发生。
　　 船舶AIS设备在向沿岸基站发送数据时并不是持续不断的，AIS数据的传输存在时间间隙，这个时间间隙也不是确定的。一般地，同一艘船的连续2条AIS数据之间的时间间隔不超过1 min。由于数据传输时间上的不确定性，无法在同一时刻得到所有船舶的状态信息。例如，船A的某段AIS数据的时间戳为08：00：00、08：01：00、08：01：50，而船B的某段AIS数据的时间戳为08：00：20、08：01：10、08：01：50，则在以船A为目标搜索其时空附近的船舶时将无法搜索到船B。因此，在对AIS数据进行船舶冲突数据挖掘时，这种情况最终会导致冲突频率的锐减。
　　为减少由时间戳差异带来的计算误差，本文利用插值技术对AIS数据库进行补充，使得在每一个时间戳下都有数据存在，以减少无法搜索到周围船舶的情况发生。基于AIS数据的船舶冲突数据提取流程见图2。
　　本文使用非关系型数据库MongoDB对AIS数据进行管理。根据AIS数据特征，建立两个数据集合：船舶动态航行数据集合和船舶静态数据集合。数据库逻辑结构见图3。
　　 整个数据库的建立大致可以分为3步：创建集合、插入数据和创建地理索引。
　　图4为静态数据集合中的具体数据内容，包括船舶MMSI号、船长、船宽和船舶类型。图5为动态航行数据集合中键值对的具体信息。将数据导入数据库后对数据进行更新、补全和插值，并根据第2.3节提出的冲突数据识别和提取算法进行编程。
　　3.3 船舶冲突空间分布特征
　　本文主要研究商船之间的冲突时空特征，因此在去除了渔船等干扰船舶后，研究水域内的船舶可分为5类：货船、油船、客船、其他船舶以及没有提供船舶类型数据的未知船舶。经统计，货船是该水域的主要航行船舶（55.26%），其中有76.74%的货船在航行时会与其他船舶产生冲突，是最容易出现冲突的船舶类型。
　　货船与货船之间的冲突最为频繁，占总冲突次数的59.57%，并且货船与货船之间发生交叉冲突和对遇冲突的次数较多，分别为702次和574次，而追越冲突较少，只有176次。
　　图6是船舶冲突的空间分布图。冲突主要分布在双屿门、佛渡水道和洋小猫岛附近。该部分水域为习惯航路，船舶数量较多，船舶航行较为自由，因此船舶冲突发生频率较高。另外，在虾峙门航道外的锚地内航行的船舶与锚泊船舶之间也存在较多的冲突，但本文以航行船舶之间的冲突为研究主体，该水域内的锚泊船舶不在研究范围内。
　　 根据式（1）可以得到研究水域所有冲突数据的莫兰指数为0.411 67，假设性检验的Z值为32.911，说明水域内的冲突在空间上是呈聚集状态的，即呈现正的空间自相关，这与图6所显示的状态是吻合的。
　　表1是不同空间阶的权重矩阵下水域内冲突数据的莫兰指数和Z值，其中Z值在5%的置信水平下均大于1.96，即研究水域內的冲突数据在不同的空间阶下均存在空间相关性是可信的。然而，这种空间相关性随着空间阶的增加而减少，在空间阶到达4阶时，空间相关性已经非常小了。这说明在本文研究的空间尺度下，当空间区域之间的间隔高于2阶时，冲突之间的空间相关性就几乎消失了，即冲突的空间相关性会随着空间阶的增加而消散。
　　 根据式（3）可以计算局部莫兰指数，用来描述研究水域内冲突频率的具体聚集模式，并能得到冲突的局部空间聚集图，如图7所示。图7内的冲突局部热点均经过显著性检验。图7中用“”标记的网格即为冲突热点（高-高），表示冲突频率在该网格及其邻接网格内均较高，冲突在该网格及其周围区域聚集，局部区域存在显著的空间自相关性。图7中的用“”标记的网格为冲突冷点（低-高），表示冲突频率在该网格内较低，但其邻接网格内有较高的冲突频率，冲突频率在该网格水域及其周围水域内变化较大。因此，这些呈高-高聚集模式的热点区域应受到监管部门的重点监管。
　　3.4 船舶冲突时间变化特征
　　将冲突数据按小时进行划分，分别统计和计算各小时内的冲突次数和冲突的空间自相关指数，结果见图8。在一天时间内，在0点至1点和22点至23点这两个时间段内Z值小于1.96，即这两个时间段内不存在空间相关性。
　　 从图8可以发现，在一定程度内莫兰指数会随着单位时间内冲突次数的变化而变化，当水域内单位时间内冲突次数较高时莫兰指数更大。经计算，两组数据之间的相关系数为0.577，即两者之间存在较强的正相关关系。
　　4 结束语
　　（1）在以往的研究中，大多数研究者通常将船舶冲突数据应用于水域船舶碰撞频率的计算，或对船舶冲突进行简单的时空统计分析。本文通过对空间自相关模型在时间维度上的拓展，实现了对船舶冲突的时空特征分析，较以往的分析模型能更进一步地分析和挖掘隐藏在船舶冲突数据下的特征。
　　（2）实验结果表明，研究水域（宁波舟山港的虾峙门航道附近水域）内的船舶冲突在空间上具有较强的空间自相关性，且会随着空间阶的提升而消散。冲突主要集中在双屿门、佛渡水道和洋小猫岛附近，模型识别出的冲突热点也在该范围内。从冲突类型看，水域内交叉冲突和对遇冲突多发，且货船与货船之间冲突的发生最为频繁，占冲突总数的59.57%。因此，应该对航行在此水域的货船进行重点监管。
　　（3）虽然利用空间自相关理论在冲突的时空特征分析中取得了一定的效果，但在分析相邻时间段内船舶冲突间的相关性及其他特征等方面还有待进一步研究。 　　参考文献：
　　[1] 柴田， 熊德琪， 张杏谷， 等. 开阔水域船舶碰撞频率建模及应用[J]. 仪器仪表学报， 2017， 38（9）： 251-258.
　　[2] WU Xing， MEHTA A L， ZALOOM V A， et al. Analysis of waterway transportation in Southeast Texas waterway based on AIS data[J]. Ocean Engineering， 2016， 121： 196-209. DOI： 10.1016/j.oceanerg.2016.05.012.
　　[3] WENG Jinxian， XUE Shan. Ship collision frequency estimation in port fairways： a case study[J]. The Journal of Navigation， 2015， 68（3）： 602-618. DOI： 10.1017/S0373463311000885.
　　[4] WENG Jinxian， MENG Qiang， QU Xiaobo. Vessel collision frequency estimation in the Singapore Strait[J]. The Journal of Navigation， 2012， 65（1）： 207-221. DOI： 10.1017/S0373463311000683.
　　[5] WEN Yuanqiao， HUANG Yamin， ZHOU Chunhui， et al. Modelling of marine traffic flow complexity[J]. Ocean Engineering， 2015， 104： 500-510. DOI： 10.1016/j.oceanerg.2015.04.051.
　　[6] 李恒志. 交通沖突技术在珠江口水域水上交通安全评价中的应用研究[D]. 武汉： 武汉理工大学， 2010.
　　[7] ORD J K， GETIS A. Testing for local spatial autocorrelation in the presence of global autocorrelation[J]. Journal of Regional Science， 2001， 41（3）： 411-432. DOI： 10.1111/0022-4146.00224.
　　[8] WARTENBERG D. Multivariate spatial correlation： a method for exploratory geographical analysis[J]. Geographical Analysis， 1985， 17（4）： 263-283. DOI： 10.1111/j.1538-4632.1985.tb00849.x.
　　[9] CHENG Tao， HAWORTH J， WANG Jiaqiu. Spatio-temporal autocorrelation of road network data[J]. Journal of Geographical Systems， 2012， 14（4）： 389-413. DOI： 10.1007/s10109-011-0149-5.
　　[10] 陈绍宽， 韦伟， 毛保华， 等. 基于改进时空Moran’s I 指数的道路交通状态特征分析[J]. 物理学报， 2013， 62（14）： 148901.
　　[11] 温惠英， 邢康， 沈芬. 基于Moran模型的道路交通事故空间自相关特征分析[J]. 交通与计算机， 2008（3）： 31-37.
　　（编辑 赵勉）
转载注明来源:https://www.xzbu.com/4/view-15151538.htm