基于AIS实时数据的航道交通拥堵快速判定方法

基于AIS实时数据的航道交通拥堵快速判定方法

何正伟;刘力荣;杨帆;王开森

【摘 要】针对目前人工判定和事后判定时效性差的问题,研究具有实时性和自动化

的判定方法.借鉴国内外道路交通拥堵判定方法,运用交通流参数、标准船舶艘次和

船舶领域模型,建立航道交通拥堵快速判定模型,构建船舶自动识别系统(Automatic

Identification System,AIS)Spark实时数据处理平台,运用多个实例对该模型进行

在线试验验证.试验结果表明,该模型能在线快速、准确地判定航道交通状态,可为水

上交通监管部门实时获取航道交通信息、及时管控和疏导航道交通拥堵提供有效的

方法.

【期刊名称】《中国航海》

【年(卷),期】2018(041)002

【总页数】7页(P113-118,129)

【关键词】航道交通拥堵;实时数据处理;AIS数据;船舶领域;实时判定

【作 者】何正伟;刘力荣;杨帆;王开森

【作者单位】武汉理工大学航运学院,武汉430063;国家水运安全工程技术研究中

心,武汉430063;内河航运技术湖北省重点实验室,武汉430063;武汉理工大学航运

学院,武汉430063;内河航运技术湖北省重点实验室,武汉430063;武汉理工大学航

运学院,武汉430063;内河航运技术湖北省重点实验室,武汉430063;武汉理工大学

航运学院,武汉430063

【正文语种】中 文

【中图分类】U697

随着大型船舶不断增多，航道交通拥堵问题时有发生，不仅会延误船舶航行和进出

港，还会增加船舶交通事故发生的可能性。如何快速、准确地判定航道交通状态成

为目前亟待解决的问题。

已有许多学者对航道和公路交通拥堵问题进行研究。刘予笑[1]分析船舶定位数据，

建立航道拥堵分级指标模型，提出基于模糊综合评价的航道拥堵识别方法；刘赛龙

等[2]提出航道服务水平指标和等级，将其与船舶交通流理论相结合，建立内河航

道通过能力计算模型；刘明俊等[3]分析航道通过能力的影响因素，选取修正系数，

建立基于船舶流的航道通过能力计算模型；祝付玲[4]借鉴国外的公路通行能力手

册(Highway Capacity Manual，HCM)，建立城市道路交通拥堵评价指标体系；

KNORR等[5]基于三相交通理论，提出通信检测和控制拥堵技术，使公路交通拥

堵可观、可控；LAKAS等[6]基于Geocast协议，制造车对车通信系统，可有效判

定公路交通状况。

当前，公路交通拥堵判定方法已较为成熟，拥有科学的判定指标体系,而航道交通

拥堵判定大多基于航道通过能力来确定拥堵分级原则，属于人工判定和事后判定，

缺乏实时性，海事部门难以及时处理航道交通拥堵问题。为解决该问题，本文借鉴

国内外道路交通拥堵判定方法，结合交通流参数和船舶领域模型等，实时计算船舶

自动识别系统(Automatic Identification System,AIS)数据，建立航道交通拥堵快

速判定模型。

1 航道交通拥堵判定原则和流程

1.1 判定原则

将航道交通状态分为严重拥堵、一般拥堵和畅通等3种。严重拥堵是指航道中船

舶很多，船舶时动时停或完全停滞；一般拥堵是指航道中的船舶虽然较多，但船舶

尚能低速航行；畅通是指航道中的船舶不多，船舶能按正常速度航行。

国外相关研究[4]通过HCM确立V/C(交通量与通行能力的比值)、服务水平(公路

运行服务质量)等公路交通拥堵评价指标。在研究航道交通拥堵时，可借鉴这些指

标，并参照美国公路服务水平(见表1)和服务水平与速度的关系(见表2)。

表1 美国公路服务水平的分类服务水平V/C交通状况A<0.4车流畅通,基本无延

误B0.4～<0.6车流稳定,有少量延误C0.6～<0.75车流稳定,有一定延误,但可接受

D0.75～<0.9车流接近不稳定,有较大延误,但能忍受E0.9～1.0车流不稳定,延误很

大,交通拥堵,无法接受F>1.0强制车流,严重交通拥堵,车辆时开时停

本文借鉴E等和F等服务水平。当服务水平为E等时，公路开始出现交通拥堵，

车辆行驶速度比自由流速度下降约70%；当服务水平为F等时，公路严重拥堵，

C/V>1。同理，航道服务水平和交通状态也遵循该规律。

1.2 判定流程

1) Spark实时数据处理平台实时接收AIS在线数据，对数据进行解析、预处理、

匹配和传送等，然后自动统计数据个数m1。

2) 将经纬度为负值或大大偏离航道的数据清除掉，剩下m2个数据。

表2 服务水平与速度的关系 %服务水平行驶速度比自由流速度下降的百分比服务

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

70C30～45F>70

3) 船舶数据集中分布的区域才是有效的，反映航道的走向。选取合适的经纬度范

围作为有效区域，有效区域内有m3个数据。

4) 多数航道是弯曲的，对整段航道进行精确计算不容易，可在其中选取某个经纬

度范围内的小段航道作为研究区域，该区域内有m4个数据。

5) 对m4个数据进行分类，将MMSI相同的数据归为一类，共分成m5类，即有

m5艘船。

6) 用Polynomial(多项式)函数将研究区域内的数据拟合成曲线1，清除偏离主航

道的数据，剩下m6个数据，再用Polynomial将其拟合成曲线2，曲线2可视为

该段航道的主航道。

7) 在曲线2上取(x1,y1)和(x2,y2)这2点作为该段航道的主航道起止点，用经纬度

坐标计算两点间的距离，求出其长度s0。

8) 从步骤“5)”中已分类的数据中找出各船船长，结合s0和标准船舶艘次求出航

道实际密度ρ1。

9) 将各船船长和标准船舶艘次结合起来，借助船舶领域模型求出航道阻塞密度ρ0。

10) 从步骤“5)”中已分类的数据中找出单船所有速度vij，求出平均速度vi，重

复上述计算，求出所有vi的平均值即为所有船舶实际平均速度

11) 确定航道自由流速度u0。

12) 在Spark实时数据处理平台上用Spark Streaming和Spark Engine处理AIS

Stream数据片段，将ρ1、ρ0和导入到判定模型中，判定航道交通状态。判定流

程见图1。

1.3 Spark实时数据处理平台

由于普通数据处理软件难以快速处理大量AIS数据，故采用Spark实时数据处理

平台。Spark是一种可处理大数据集合的低延迟集群分布式计算系统。[7-8]

首先运用Spark实时接收并解析AIS在线数据，对数据进行格式转换、数据清洗、

数据集成和剔除无效数据等预处理。随后对数据进行匹配，通过HDFS文件存储

系统和Hba数据库进行存储，使数据能传送到Spark实时数据处理平台上。

图1 判定流程

在该平台上，先将AIS数据转换成Stream数据，用Spark Streaming将其按6

min/段分割成若干片段，用batch批量处理这些数据，再采用Spark Engine高

层算法处理，转变成一批批结果流。

2 构建航道交通拥堵判定模型

2.1 模型参数确定

1) 平均速度。船舶交通流平均速度是指单位时间内船舶平均对地速度，计算式为

(1)

式(1)中：u为船舶交通流平均速度；∑vi为船舶对地速度之和；n为船舶数量。

2) 区域密度。船舶交通流区域密度[9]是指单位矩形区域内存在的船舶数量，计算

式为

(2)

式(2)中：k为船舶交通流区域密度；n为船舶数量；s为区域面积。

3) 临界密度。航道临界密度[2]分为转折密度和阻塞密度。转折密度指当船舶可安

全畅行时，航道能允许的最大交通流密度；阻塞密度指船舶密集到难以移动时的交

通流密度。本文根据阻塞密度提出一种新的航道交通拥堵判定方法。

4) 线密度。航道线密度实际上是区域密度的一种特殊形式，指航道单位长度上某

个时间段内的船舶数量，计算式为

(3)

式(3)中：k为航道线密度；n为船舶数量；l为航道长度。

2.2 标准船舶艘次计算

船舶的大小会影响航道拥堵程度，故不能只考虑船舶艘次。将各船船长换算成标准

船长，设置相应系数，将船舶艘次转换成标准船舶艘次[10](见表3)。标准船舶艘

次的计算式为

S=Ciμi

(4)

式(4)中：S为标准船舶艘次；Ci为同类船舶艘次；μi为每类船舶的转换系数。

表3 船舶按船长分类后的转换系数船长范围L/m船舶艘次Ci转换系数

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

2.3 航道交通拥堵判定模型

根据藤井船舶领域模型[11]，在按船长分类之后，单船的船舶领域长轴计算式为

li=k0Li

(5)

式(5)中：li为单船的船舶领域长轴；Li为单船的船长；i的取值范围为1～n2；n2

为船舶数量；k0为船舶领域长轴系数。

若要判断航道是否严重拥堵，须用到临界密度中的阻塞密度。阻塞密度等于临界船

舶数量除以航道长度，是一种线密度。临界船舶数量是指船舶可安全畅行时航道内

的最大标准船舶艘次。单船对应的航道阻塞密度分量的计算式为

(6)

式(6)中：ρ0i为单船对应的航道阻塞密度分量；n0i为单船对应的临界船舶数量分

量；s0为航道长度。

临界船舶数量等于航道长度除以船舶领域长轴，n0i的计算式为

(7)

将式(7)代入式(6)可得

(8)

在计算各船的平均阻塞密度时，要考虑标准船舶艘次的影响，计算式为

(9)

式(9)中:Ci为单船对应的船舶艘次，均等于1;ρ0为航道阻塞密度;k0为船舶领域长

轴系数，一般取1.5。[2]

判断航道是否严重拥堵，实际上是用航道实际密度与阻塞密度相比较。航道实际密

度等于标准船舶艘次之和除以航道长度，计算式为

(10)

式(10)中:ρ1为航道实际密度;n1为标准船舶艘次之和。

借鉴公路交通拥堵判定方法，由表1可知，当V/C>1时，交通拥堵很严重。同理，

若航道水域的总面积大于航道中所有船舶的领域之和，则航道处于严重拥堵状态，

结合式(3)，可对ρ1和ρ0定义一个标准：若ρ1≥ρ0，则航道处于严重拥堵状态。

单船的平均速度为vi，所有船舶的实际平均速度等于所有vi的平均值，计算式为

(11)

vi对应q个AIS点，计算式为

(12)

式(12)中:vij为vi在q个点中对应的第j个点；j的取值范围为1～q。

自由流速度u0是指畅通状态下的航道最高限速值，该值可定为8 kn。[12]

借鉴公路交通拥堵判定方法，由表1和表2可知，当行驶速度下降到自由流速度

的30%时，交通开始出现拥堵。同理，可对与u0定义一个标准：若则航道处于

一般拥堵状态；若则航道处于畅通状态。

综上所述，判定航道交通状态的标准为

(13)

3 实例验证

3.1 长江南通段航道数据试验

该试验的数据来源于长江南通段，该航段见图2。试验于2017年2月6日

10:00—10:05进行，初始数据个数m1=2 822。

选取东经120.5°～121.25°、北纬31.5°～32.5°的范围作为有效区域(见图3)。

选取东经120.85°～120.9°、北纬31.9°～31.95°范围内的小段航道作为研究区域，

其数据个数m4=240，分类后有24艘船。将数据拟合成曲线1(见图4)。

a)地图

b)船舶流量统计图图2 南通航段地理位置

图3 在有效区域内的船舶数据分布

图4 在研究区域内的船舶数据分布

在图4中，清除偏离主航道的数据，将剩余数据拟合成曲线2(见图5)。

图5 在研究区域内的主航道上的船舶数据分布

取曲线2上的(120.860，31.952)和(120.882，31.903)2点作为该段航道的主航

道的起止点，用式(14)求出其长度s0=5.829 8 km。

(14)

式(14)中:R为地球半径,约6 370 km;(x1,y1)和(x2,y2)为地球上任意2点。

试验结果见表4第1行。将10:00—10:59分成10段，重复进行试验，结果见表

4。

表4 各时间间隔内的试验结果序号时间间隔船舶数量m5/艘航道实际密度ρ1/(艘

/km)航道阻塞密度ρ0/(艘/km)实际平均速度u/(km/h)自由流速度u0/(km/h)拥

堵状态判定结果实际拥堵状态判定耗时/s110:00—10:05246.398 26.906 25.349

514.816畅通畅通1.57210:06—10:11235.574 87.468 75.084 614.816畅通畅

通1.54310:12—10:17225.677 77.124 15.107 714.816畅通畅通1.52410:18—

10:23185.043 16.518 24.769 914.816畅通畅通1.48510:24—10:29205.454

76.804 14.279 414.816一般拥堵畅通1.50610:30—10:35215.969 37.060

44.630 114.816畅通畅通1.51710:36—10:41174.837 27.000 44.401 214.816

一般拥堵畅通1.46810:42—10:47163.928 17.927 14.846 014.816畅通畅通

1.44910:48—10:53195.420 46.537 84.911 014.816畅通畅通1.491010:54—

10:59165.214 65.877 34.728 814.816畅通畅通1.45︙︙︙︙︙︙︙︙︙︙

将表4的拥堵状态判定结果与实际拥堵状态用折线图表示，结果见图6。

图6 拥堵状态判定结果与实际拥堵状态

由表4和图6可知:在10:00—10:59时段，ρ1均<ρ0，该段航道并未严重拥堵；

除第5行和第7行外，均>0.3u0，判定结果均为畅通。该模型的判定准确率为

80%，多次重复试验可使判定准确率提高至91.7%。判定耗时趋于1.50 s。因此,

该判定模型的准确性和实时性较高。

3.2 湘江湘阴段航道数据试验

该试验的数据来源于湘江湘阴段，该航段见图7。试验于2017年2月18日

17:00—17:05进行，初始数据个数m1=301。

选取东经112.5°～113°、北纬28°～29°的范围作为有效区域(见图8)。

选取东经112.805°～112.815°、北纬28.57°～28.59°范围内的航道作为研究区域，

其数据个数m4=77，分类后有10艘船。将数据拟合成曲线1(见图9)。

a)地图

b)船舶流量统计图图7 湘阴航段

图8 在有效区域内的船舶数据分布

由于没有偏离主航道的数据，可取曲线1上的(112.805 2，28.571 0)和(112.811

8，28.590 0)作为该段航道的主航道的起止点，用式(14)求出其长度s0=2.208 5

km。

试验结果见表5第1行。将17:00—17:47分成8段，重复进行试验，结果见表5。

图9 在研究区域内的船舶数据分布

将表5的拥堵状态判定结果与实际拥堵状态用折线图表示,结果见图10。

由表5和图10可知:在17:00—17:47时段，均<0.3u0，该航道并未畅通；除第7

行外，ρ1均>ρ0，判定结果均为严重拥堵。该模型的判定准确率为87.5%，多次

重复试验可使判定准确率提高至92.4%。判定耗时趋于1.50 s。因此,该判定模型

的准确性和实时性较高。

表5 各时间间隔内的试验结果序号时间间隔船舶数量m5/艘航道实际密度ρ1/(艘

/km)航道阻塞密度ρ0/(艘/km)实际平均速度u/(km/h)自由流速度u0/(km/h)拥

堵状态判定结果实际拥堵状态判定耗时/s117:00—17:05107.425 96.221 50.694

314.816严重拥堵严重拥堵1.53217:06—17:11107.425 96.221 50.490 114.816

严重拥堵严重拥堵1.51317:12—17:17107.425 96.336 50.440 114.816严重拥

堵严重拥堵1.50417:18—17:2396.973 15.983 10.360 414.816严重拥堵严重拥

堵1.47517:24—17:2996.973 15.919 70.386 014.816严重拥堵严重拥堵

1.46617:30—17:3596.973 16.042 10.411 214.816严重拥堵严重拥堵

1.47717:36—17:4186.022 26.162 60.344 914.816一般拥堵严重拥堵

1.45817:42—17:47107.923 95.846 40.353 714.816严重拥堵严重拥堵

1.55︙︙︙︙︙︙︙︙︙︙

图10 拥堵状态判定结果与实际拥堵状态

4 结束语

本文借鉴国内外道路交通拥堵判定方法，将航道交通状态划分为严重拥堵、一般拥

堵和畅通等3种，运用交通流参数、标准船舶艘次和船舶领域模型，根据参数计

算公式，构建航道交通拥堵快速判定模型。在Spark实时数据处理平台上实时处

理AIS数据，运用该模型分别对长江南通段航道和湘江湘阴段航道进行多组在线

试验。

试验结果表明:2段航道数据试验的判定准确率均达到80%以上，准确率较高；判

定耗时均为1.50 s左右，判定速度较快；多次重复试验可使判定准确率达到90%

以上。

本文提出的航道交通拥堵判定方法是一种全新的方法，考虑的参量与已有方法的参

量有很大不同，思路也不一致，因此难以直接对比。本文的创新点和优势可概括为:

1) 实时性高，利用详细的AIS实时数据，实时运用判定模型，快速判定航道交通

状态。

2) 利用计算机平台进行自动化判定，大大降低了人为因素的影响。

3) 判定准确率高，判定速度快，具有可重复性、可验证性，明确了航道交通状态

的定量划分，克服了以往人工判定和事后判定的缺陷，可为海事部门实时掌握航道

交通状态提供有效的技术支持。

参考文献

【相关文献】

[1] 刘予笑. 基于模糊综合评价的航道拥堵状态识别研究[D]. 杭州:浙江工商大学, 2015.

[2] 刘赛龙, 蒋璘晖. 内河航道服务水平及通过能力研究[J]. 水运工程, 2014(3):134-139.

[3] 刘明俊, 万长征. 航道通过能力影响因素的分析[J]. 船海工程, 2008,37(5): 116-118.

[4] 祝付玲. 城市道路交通拥堵评价指标体系研究[D]. 南京:东南大学, 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] 李文栋. 基于Spark的大数据挖掘技术的研究与实现[D]. 济南:山东大学, 2015.

[8] 李天喜. 基于Spark Streaming的试验数据处理系统的研究与实现[D]. 西安：西安电子科技大

学, 2015.

[9] 冯宏祥, 孔凡邨, 肖英杰,等. 基于AIS的元胞自动机模型的船舶交通流特征参数分析[J]. 武汉理工

大学学报(交通科学与工程版), 2014(2):324-328.

[10] 邓顺江, 刘明俊. 船舶领域模型的对比研究[J]. 中国水运, 2009, 9(6):7-9.

[11] 丁法. 基于AIS数据的开阔水域船舶领域分析研究[D]. 大连:大连海事大学, 2016.

[12] 徐春, 郑中义, 吴兆麟. 受限航道中船舶的限速[J].大连海事大学学报, 2002, 28(2):6-9.