《Journal of Marine Science and Engineering》:MSRA-Net: A Novel Multi-Ship Risk Attribution Network for Collision-Risk Prediction
编辑推荐:
随着内河航道船舶交通日益密集,对多船碰撞风险进行准确预测与解释对航行安全和智能海事监管具有重要意义。然而,现有方法主要关注成对风险评估或场景级预测,对哪些船舶及其交互贡献于所预测未来风险所提供的洞见有限。为解决这些局限,本研究提出一种多船风险归因网络(Mult
随着内河航道船舶交通日益密集,对多船碰撞风险进行准确预测与解释对航行安全和智能海事监管具有重要意义。然而,现有方法主要关注成对风险评估或场景级预测,对哪些船舶及其交互贡献于所预测未来风险所提供的洞见有限。为解决这些局限,本研究提出一种多船风险归因网络(Multi-Ship Risk Attribution Network, MSRA-Net),用于从历史自动识别系统(Automatic Identification System, AIS)数据开展可解释的短期碰撞风险预测。所提框架集成三个关键部分:动态多船交互图(Dynamic Multi-Ship Interaction Graph, DMIG)用于表示时变船舶状态和会遇关系,时空风险预测网络(Spatio-Temporal Risk Prediction Network, STRP-Net)用于捕获船舶时间动态和船间交互,多船风险归因(Multi-Ship Risk Attribution, MSRA)模块用于量化船舶级和交互级对预测风险的贡献。MSRA-Net的性能使用从中国武汉长江代表河段采集的6,433,925条AIS观测进行评估。实验结果表明,MSRA-Net在1、3和5 min预测时域上的平均绝对误差(Mean Absolute Error, MAE)最低,为0.0493;在5 min时域获得MAE为0.0632、均方根误差(Root Mean Square Error, RMSE)为0.0740、决定系数(coefficient of determination, R2)为0.862。渐进式船舶删除实验进一步证明归因保真性:高到低删除的DelAUC(删除曲线下面积指标,原文缩写)为0.1730,随机删除为0.3016,低到高删除为0.4384。受控AIS扰动实验还表明,所学归因模式在船舶状态小变化下保持相对稳定。总体而言,MSRA-Net为动态多船交互建模、未来碰撞风险预测和模型级风险归因提供了统一框架,为海上交通安全分析提供了一种可解释方法。
研究背景方面,内河航道船舶交通密度上升使多船会遇更频繁、更复杂,单船可能同时与多艘周边船舶交互,碰撞风险动态变化。准确的碰撞风险评估与短期风险预测对海事交通监测、航行安全管理和智能海事监管具有重要意义。自动识别系统(Automatic Identification System, AIS)提供连续的位置、速度、航向、身份等信息,为多船碰撞风险分析提供数据基础。传统方法多依赖距离至最近会遇点(Distance to Closest Point of Approach, DCPA)、最近会遇时间(Time to Closest Point of Approach, TCPA)、相对距离、相对方位、相对速度和船舶领域等几何与运动学指标,主要量化成对风险;复杂网络和图表示将会遇关系系统化,Zhen等、Chen等、Cheng等、Huang等将成对指标拓展至区域、动态或多船风险,Sui等、Zhu等、Yu等、Chen等用复杂网络和时变图刻画会遇结构与时空关系,Gao等、Zeng等、Wang等进一步用图学习建模交互并预测短期风险。但现有图基海事研究多聚焦会遇表示、交通复杂度、避碰行为、轨迹预测或场景级风险预测,对单船及交互对预测未来风险的贡献研究不足;现有船舶贡献方法多解释解析式、合作博弈或多准则风险值,而非学习型图预测器输出;且归因分数本身不能保证保真与稳定。为此,研究人员提出MSRA-Net,将动态交互表示、未来碰撞风险预测和预测风险归因纳入统一框架。
方法上,研究人员构建DMIG(Dynamic Multi-Ship Interaction Graph,动态多船交互图)表示时变船舶状态与有向会遇关系,采用STRP-Net(Spatio-Temporal Risk Prediction Network,时空风险预测网络)以门控循环单元(Gated Recurrent Unit, GRU)、空间/时间注意力和注意力池化预测短期风险,并设计MSRA(Multi-Ship Risk Attribution,多船风险归因)模块通过掩蔽和随机采样Shapley近似量化船舶级与交互级贡献。样本队列来自中国武汉长江代表河段,共6,433,925条AIS观测;采用节点删除和受控AIS扰动评估归因保真性与稳定性。
5.1 总体风险预测性能:在相同训练测试设置下,与长短期记忆网络(Long Short-Term Memory, LSTM)、GRU、Transformer、时空图卷积网络(Spatio-Temporal Graph Convolutional Network, STGCN)、图注意力网络(Graph Attention Network, GAT)比较,MSRA-Net在1、3、5 min三个时域的平均MAE最低,为0.0493;1 min时GAT的MAE、RMSE和决定系数(coefficient of determination, R
2)分别为0.0341、0.0410和0.958,MSRA-Net为0.0364、0.0430和0.954,短期性能相近;3 min时MSRA-Net的RMSE为0.0560、R
2为0.921,优于GAT;5 min时MSRA-Net取得MAE 0.0632、RMSE 0.0740、R
2 0.862,并在长时域优势更明显。代表性5 min会遇序列中,MSRA-Net能更平滑跟踪整体升降趋势,但低估峰值且并非每个时刻最接近目标。
5.2 多船风险归因性能:通过交互级归因可视化和渐进船舶删除评估。交互级归因矩阵呈非均匀且有方向性,最强贡献集中于指向目标船的少数有向交互(约0.09),多数影响力较小船舶间交互值明显更低;非对称分数区分相反方向交互贡献。原文指出,独立的海事专家评估将进一步检验其与航行判断的一致性。归因保真性由船舶删除实验定量评估。
5.3 归因保真性分析:比较高到低、低到高和随机删除。高到低删除在三个删除比例下风险降幅最大:删除25%船舶时风险下降57.7%,随机24.5%,低到高6.1%;50%时分别为73.0%、46.9%、18.6%;75%时分别为80.8%、67.2%、35.7%。DelAUC(删除曲线下面积指标,原文缩写)高到低为0.1730,随机0.3016,低到高0.4384,表明高归因船舶及其关联交互对预测影响更大。按会遇类型,迎头相遇初始风险降幅最大(原文该数值未显示),追越61.2%、交叉55.8%、汇入/混合45.3%;汇入/混合DelAUC最高0.2046,追越最低0.1494,迎头0.1668,交叉0.1713,说明初始降幅最大不必对应全过程曲线下面积最小,删除响应随会遇类型变化。
5.4 归因稳定性分析:在位置、SOG、COG受控扰动下,船舶级余弦相似度均高于0.99;位置扰动余弦0.993、Spearman 0.880、交互差异0.148;SOG扰动0.998、0.946、0.079;COG扰动0.992、0.847、0.186,显示COG相对更敏感。扰动幅度增至指定标准差两倍时,余弦相似度仍约为SOG 0.99、位置0.98、COG 0.97,说明归因在测试范围内保持较高相似性,但随输入变化增大而更敏感。
讨论与结论:研究结论部分可概括并翻译为:本研究针对复杂多船会遇情形下的未来碰撞风险预测与可解释风险归因问题,提出MSRA-Net,将动态船舶交互建模、时空风险演化和风险贡献纳入统一框架。实验表明,MSRA-Net短期预测具有竞争力,在较长预测时域表现更优,5 min时MAE为0.0632、RMSE为0.0740、R
2为0.862;渐进船舶删除实验支持所学归因的保真性,受控AIS扰动表明船舶状态小变化下归因模式保持相对稳定。结果表明,联合建模动态多船交互、未来风险演化和模型级风险归因,在内河复杂航道可解释碰撞风险预测中具有潜力。未来工作将在其他水道和船舶群体中评估该框架,并纳入环境信息以改善不同交通条件下的性能。