摘要
船舶轨迹相似度计算是用于度量船舶航行轨迹间相似程度的方法。通常，在船舶轨迹分析中，船舶轨迹相似度计算是一个重要的基础问题。良好的船舶轨迹相似性度量方法是轨迹聚类、轨迹预测、异常检测和航线规划等许多后续任务和应用的关键。因此，有必要针对船舶轨迹的相似度计算方法开展研究。 随着航运经济的快速发展和船载移动设备的普及，能够被采集和利用的船舶自动识别系统（AutomaticIdentificationSystem，AIS）数据进入了快速增长的阶段。如何利用海量的AIS数据，服务于智能航运与航运监管，成为亟需解决的关键问题。在以往，基于传统距离度量及其多种改进算法的AIS轨迹相似度计算方法表现出了较好的性能。然而，随着当前水运区域船舶密度持续增大、电磁环境愈加复杂，现有经典AIS轨迹相似度计算方法在性能、鲁棒性和计算效率等多方面已难以满足要求。近年来，一些研究尝试将基于深度表示学习的先进技术引入交通轨迹相似度计算，但并未出现针对AIS轨迹的基于图等方法的空间依赖特征显式建模方法，导致AIS轨迹表征的性能和鲁棒性以及相似度计算效率等方面还存在不足，限制了AIS轨迹相似度计算研究的发展。 在上述背景下，本文开展了基于图神经网络的AIS轨迹相似度计算方法及其应用研究，将船舶AIS轨迹构造为轨迹图来显式建模轨迹的空间依赖关系，并通过引入研究提出的轨迹图计算框架及改进的图神经网络模型学习准确且鲁棒的轨迹表征，以解决上述问题。本文的主要创新点及研究内容包括： 针对经典轨迹相似度计算效率受限的问题，提出了一种基于多尺度空间特征的轨迹相似度近似模型学习框架AISim，学习不同层次的AIS轨迹空间特征以提高模型的轨迹表示能力，再结合度量学习方法得到相似度计算近似模型，大幅提高经典方法的计算效率，并缓解传统轨迹网格化方法难以同时融合轨迹和网格特征的问题。该框架包含三部分创新。首先，提出一种改进的水域空间预训练方法，通过历史轨迹数据库构建水域结构图，进行预训练；接着，提出一种多尺度轨迹图构建方法，同时建模真实轨迹及构造网格的不同层次特征；再者，提出一种改进的异质图神经网络编码器，通过特征聚合学习上述轨迹图的多尺度表征。最后，以传统相似性度量方法所得结果为监督信号，在度量学习框架下进行训练，建立起能够学习多种经典相似性度量的通用学习模型。实验结果显示所提出的方法提高了经典计算方法的计算速度，且相较于先进的Transformer等序列学习模型提高了5%以上的命中率，促进了AIS轨迹的近似计算方法研究。 针对现有AIS轨迹相似度计算方法表征能力与鲁棒性不足导致的性能下降问题，提出了一种基于对比学习的AIS轨迹相似度计算框架CLAIS，通过提取轨迹图表示向量间的欧氏距离得到轨迹相似度。该框架进行了三部分创新，首先，结合网格筛选对上节中提出的AISim中水域空间构建预训练方法进行了改进；进一步，提出了一种参数化组合轨迹增强方案，以提升模型面对噪声和数据丢失等问题时的鲁棒性；再次，提出了一种改进的图神经网络表征学习模块，以加强模型对轨迹图空间结构的感知能力，并结合对比学习方法，进一步提升了模型的无标签表示学习能力。此外，提出了一种改进的自相似度实验，对提出的CLAIS框架开展更全面充分的评估。实验显示了模型应对问题轨迹时的鲁棒性，促进了无监督AIS轨迹表示学习研究。 针对现有异常检测方法聚类模型中相似性度量性能不足问题，提出了一种基于相似度计算的AIS轨迹异常检测框架。该框架首先对CLAIS框架进行了改进，学习包含经纬度、航向和航速特征的船舶轨迹表征，训练模型使其获得多种AIS轨迹特征的建模能力，增强了模型表示船舶轨迹表示的能力；其次，将无标签AIS轨迹数据输入训练所得的模型，得到轨迹表示向量，并计算轨迹表示向量间的距离，结合HBDSCAN聚类方法，根据量化聚类指标选取参数选择最佳簇类，来实现良好的轨迹聚类，并通过可视化方法呈现；最后，根据聚类获得的正常模型训练循环神经网络轨迹预测器，通过比较输入轨迹与预测器结果发现轨迹异常行为。实验验证了提出模型对无监督轨迹聚类的促进作用以及对于AIS轨迹异常检测的有效性。 总之，本文提出了一种基于多尺度空间特征的轨迹图度量学习框架AISim进行轨迹相似度学习，提高经典相似度计算方法的计算效率，同时促进了轨迹图表示学习；提出了一种基于对比学习的轨迹相似度计算框架CLAIS，包含增强表示学习鲁棒性的参数化组合轨迹增强方案，提升了无监督AIS轨迹表示学习准确性和鲁棒性；提出了一种改进CLAIS使其同时建模航向航速，结合HDBSCAN构建正常轨迹模式以检测船舶异常行为的框架，体现了本文提出的轨迹相似度计算方法的应用价值。
NETL