试述基于多传感信息融合的内河水运统计应用研究

2017-01-28何建春

中国水运 2017年10期

关键词：航次水运航迹

何建春

（嘉兴市港航管理局，浙江嘉兴 314000）

试述基于多传感信息融合的内河水运统计应用研究

何建春

（嘉兴市港航管理局，浙江嘉兴 314000）

目前我国水运统计的主要手段是抽样统计，嘉兴港航局定期在船舶样本库中抽取样本船，通过人工调查，根据样本船调查结果推算出全区的统计数据。抽样统计方法在实际应用过程中难免会存在数据不准、分析不到位等问题。基于多传感信息融合的内河水运统计方法，运用科技手段可对全样本船舶流量流向、船舶航行里程、航道船舶密度的即时化、准确化、精细化统计分析与展现，实现对水路运输船舶科技化、动态化和智慧化管理。

多传感信息融合；内河水运统计；MMSI（Maritime Mobile Service Identity）；船舶航次全样本数据

嘉兴港航局的内河水运统计模式以浙江省港航管理局统一制定的抽样调查制度为依据，定期在船舶样本库中抽取样本船，由于人工样本数据的取得过程中会形成很多误差，导致抽样总体与实际有误差，样本调查数据存在不准确性等问题与不足影响统计推算结果准确性。为此，如何结合现有船舶RFID、GPS/AIS等技术的应用、港航管理新模式和水运统计信息化进行多传感技术融合研究显得非常必要。

1 多传感信息融合技术

多传感信息融合技术将各种传感器进行多层次、多空间的信息互补和优化组合处理，最终产生对观测环境的一致性解释。根据信息表征的层次，多传感信息融合划分为像素级融合、特征级融合和决策级融合。

（1）像素级融合是最低层次的信息融合。在这种方法中，匹配的传感器数据直接融合，而后对融合的数据进行特征提取和特征说明。传感器的信息融合之后，没有单个处理的信息损失，识别的处理等价于对单个传感器的处理。

（2）特征级融合是中间层次的信息融合。在这种方法中，每个传感器观测目标，并对各传感器的观测进行特征提取（如提取形状、边沿、方位信息等），产生特征矢量，而后融合这些特征矢量，并做出基于联合特征矢量的属性说明。

（3）决策级融合是最高层次的信息融合。在这种方法中，每个传感器观测目标，对各传感器的观测进行特征提取，产生特征矢量；而后对特征矢量进行模式识别处理，完成各传感器关于目标的说明；再将各传感器关于目标的说明数据按同一目标进行分级；最后利用融合算法将某一目标各传感器的数据进行合成，得到该目标的一致性解释与描述。

2 内河水运统计概况

嘉兴港航局的统计模式以浙江省局统一制定的抽样调查制度为依据，定期在船舶样本库中抽取样本船，抽出的样本船根据船舶注册地、船籍港，通过局、处、站三级网络分派到基层进行人工调查，由市局运管科统一对本港船进行每半年一次性抽6个月所要使用的所有样本，这些样本船舶主要靠手动录入。

然后将每个月的样本船舶分配到各个站点，由站点工作人员主要采用电话调查方式了解信息（包括船舶航次、货物名称、货物重量、运输公里、油耗、运输成本、利润等等）。调查完成后，工作人员手动填写《浙江省水路运输分月抽样调查单船登记表》，然后上报到各个处，由各处的工作人员统一录入抽样调查系统。利用统计学中的抽样调查法，根据样本从而推算出嘉兴所有本港船的年载货量与总运距。

抽样调查统计方法在原理上正确可行，但在实际应用过程中难免会存在一些问题与不足：

（1）船舶样本总体与实际存在差异性。船舶样本总体每个月进行调整，船舶总体运力随经济形势的变化相对敏感，导致抽样总体与实际有误差，另外，由于总体库相对固定，抽出的样本船存在已变卖或注销的可能性，这会影响结果的正确性。

（2）样本调查数据存在不准确性。由于样本船舶需要人工调查，样本数据的取得过程中会存在船户经常不接电话，不配合；船户上报的数据存在相当大的主观性；各站抽样统计的基础数据也依赖于基层工作人员的经验，甚至也有拍着脑袋出数据等问题而形成很多误差。

针对以上问题，结合港航已有的信息化能力，需要研究应用船舶AIS动态、GIS、RFID、视频监控等多传感器信息融合的全样本水运统计模型与方法，提高水上运输统计的准确性。

3 基于多传感信息融合的内河水运统计方法

3.1 基于船舶航次记录的全样本统计数据模型

内河水运全样本统计数据模型涉及船舶电子报告、码头作业报告、船舶AIS动态、RFID、激光流量、视频监控等多感知信息以及航道/码头等基础数据以及这些信息在业务上、逻辑上、时空上的相互关系。理清内河水运生产活动中可能产生的数据，做到一数一源、多元采集、共享校核、及时应用，可以实现基于统计总体的全样本数据统计。

根据基于船舶航次记录建立的全样本统计数据模型，对于内河水运统计的全样本数据库中的每条船舶都有一张船舶航次记录信息表及船舶流向、货物流量流向、港口吞吐量、营运船舶状况、途经过点轨迹等多个派生表。通过AIS、RFID、视频监控、激光流量等多传感信息融合并辅于电子报告、码头作业等信息，可以以时间为主线来完善船舶航次记录信息表，从时空上把握船舶的航行记录，重现每条船舶的生产活动过程，从而为基于船舶航次记录的全样本水运统计打下坚实的数据基础。

3.2 基于船舶航次全样本水运统计方法

3.2.1 水运统计主要指标的计算思路

在基于船舶航次全样本水运统计计算中，通过AIS/GPS、RFID电子船名牌等智能感知手段获取船名，再通过船名获取该船舶的船名、船舶经营人、净载重量、功率、船舶类型等基本信息。对于航次、航次起讫地点、货物名称、货物重量、运输里程等动态信息的采集，需要基于船舶航次记录建立的全样本统计数据模型进行计算或者获取。对航次起讫地点、运输里程、航行时间、货运量这四个主要指标数据计算的基本方法是：

航次起讫地点（装货港-卸货港）：基于船舶航次记录建立的全样本数据模型，利用航道卡口点及AIS/GPS/RFID/激光流量等感知手段，通过定位还原航行轨迹，在电子航道图中调出起点、终点数据。再通过电子报告获取的数据，结合码头作业报告对数据进行核实。

运输里程：通过AIS/GPS获取船舶航行路线轨迹，利用RFID电子船名牌卡口监测数据，以及激光船体识别记录进行核实，结合电子航道图各航道航段里程数据计算出运输里程。需要注意的是，在AIS/GPS开机率不高的情况下，RFID数据和激光船体识别记录成为推算船舶航行路线轨迹的主要数据库源。

航行时间：在航次起讫地点已知的情况下，利用AIS/GPS获取船舶行驶记录，通过码头作业报告获取载货、卸货数据，结合电子报告，计算出空载、重载时间，两者相加得到合计时间。

货运量：在航次起讫地点已知的情况下，可通过码头作业报告获取载货、卸货数据得到船舶每一个航次的货运量。在目前的智能感知手段中，激光流量系统能够大致估计船舶装载货物的重量，但用于实际的水运统计还不成熟。

3.2.2 基于船舶航行轨迹的计算方法

以上三种统计数据信息的采集主要采用在电子航道矢量图上绘制航行轨迹的方法实现。具体实现方法如下：

AIS感知平台收集了丰富的船舶位置信息，且信息中包含了船舶唯一标识MMSI（Maritime Mobile Service Identity），这就为每艘船舶的航迹绘制提供了可行性。AIS数据库包括了船舶动态和静态信息表、船舶资料表及各AIS点位置信息表等。其中，各AIS点位置信息表AIS_NAME记录了AIS点的名称、安装位置及最大覆盖范围；动态信息表记录MMSI、船舶位置、记录数据时间等信息。

利用船舶动态表的经纬度信息、记录数据时间和AIS点名称可以完成航迹分布图的绘制。

（1）生成绘制航迹分布所需的全部且无重复记录的MMSI表。根据输入的港口名称、时间段，绘制区域的矩形，搜索完成航迹分布所需的全部动态表，再对这些动态表按MMSI分组查询，把分组的MMSI放入到一个表，由于这些MMSI来自不同的动态表，故有些MMSI记录会重复，对这些表继续按MMSI分组查询，就可以得到绘制航迹分布全部且无重复记录的船舶MMSI。

（2）对MMSI表的每个MMSI，按时间先后顺序搜索有关动态表的位置信息，接着设置经度、纬度、时间的最大差值（阀值）λlat、λlong、λtime，然后比较相邻的两个位置信息，当时间差≤λtime，经度差≤λlong，纬度差≤λlat，同时满足这三个条件时，才可以画线，否则，就不能画线。这样遍历所有的位置信息，就可以得到属于此MMSI的航迹。然后对下一个MMSI重复上述步骤，直至遍历MMSI表中的所有MMSI。这样就得到了此港口水域或矩形区域的航迹分布图。在这里，设置经度、纬度、时间阀值的原因在于有些船舶在较短的时间内出现了较大的位置变化，或者是间隔相当长的时间才有记录，或者是进入了AIS设备盲区，设置了阀值就可以避免航迹分布出现杂乱线的可能。时间阀值主要根据船舶最大报告频率设置；经纬度阀值主要根据船舶航行最大速度及时间阀值设置。

根据算法设计的思路可归纳出基本的算法步骤，它表示一个AIS点在输入起止日期、绘制矩形经纬度后，绘制航迹分布的流程。若要绘制多AIS点航迹分布图，循环此算法即可。

由AIS/GPS采集的船舶航行轨迹数据是船舶连续变化的行驶状态（位置,速度,方向等）的离散化,目前在应用领域普遍采用线性参考系统和航道分段技术建立航行轨迹数据的坐标参考系（Rm,ln,Di,ti）。其中，Rm,ln,Di分别表示该轨迹采样点在航网中的航段编号、航道编号、该采样点与航道中线的垂足点与航段起始点的沿航道中线的距离。

根据上述算法在矢量图上绘制出船舶航行轨迹，航次起讫地点即为每段航行轨迹的起点和终点。

其中Li表示编号为i的航段长度，Ti表示经过该航段的次数。航行时间通过AIS/GPS读取时间信息计算可得。