摘要：船舶运输在当今工业运输中的应用范围十分广泛，海洋运输船舶轨迹分析的作用就十分地明显。目前可通过传统概率假设法、贝叶斯网络统计法、神经网络统计法 3 种常见方法，分析船舶轨迹。调查现有分析工作的研究数据，发现环境因素与人为因素，影响工作进度。为降低上述因素带来的影响，研究工作通过实时监控船舶位置，精准控制船舶轨迹，利用虚拟现实技术提取航行信息，有效控制航行风险，实现对海洋运输船舶轨迹分析工作的优化，帮助船舶运输及海洋运输业快速发展。

关键词：虚拟现实；海洋运输；船舶；轨迹分析

 引言 

轨迹是指一个对象在移动过程中经过地点和经过时间的记录序列，船舶在水上运动，制动性弱，可操控性低。而轨迹分析是指通过一定手段，根据现有数据结合数学算法对移动对象的移动位置进行分析。20 世纪技术受到限制，船舶运动轨迹的记录只能依赖于小样本的主动观测，如观测船或雷达定时拍照，以此来绘制船舶的运动轨迹。近年来随着智能技术的发展，船舶轨迹不再只依靠人工绘制，而是通过各类算法提前设定其运动轨迹，在位置监控以及预防风险等方面也有了新的定义。通过引用人工技术，计算非线性控制参量的具体数值结果，达到精准控制船舶轨迹的目的。通过基本导航系数结合惯性转角动量理论，通过多设备结构对网络信息主体实施连接处理，从而解决船舶航行轨迹中位置不明确的问题。以卡尔曼滤波理论为基础，建立多项式卡尔曼滤波器，预测实际船舶航行轨迹，利用虚拟现实技术控制船舶航行的风险性。基于以上背景，通过探究海洋运输船舶轨迹分析研究进展，可以更好地了解目前海洋运输船舶轨迹方面的科技进步及发展前景，给未来技术延伸和新领域开发提供了无限可能。

1 船舶轨迹分析方法

数据采集、数据清洗、数据储存、操作算法、轨迹分析选择、结果输出是船舶轨迹分析过程中不可缺少的6个步骤。数据采集一般情况下是使用人工、雷达观测等进行船舶轨迹的采集；数据清洗是指清除采集到的数据中的杂音及重复或非重点的部分；数据储存的意思是把清洗后的数据纳入数据库，既可以保存数据又可方便日后提取；轨迹分析选择是从轨迹分析策略有相似性度量和探索性的角度进行选择分析方法；结果输出是指把最终确定的结果通过数据或图片的形式进行输出。目前常见的船舶轨迹方法有传统概率假设方法、贝叶斯网络统计方法和神经网络统计方法。概率假设方法是一种传统统计方法，即通过船舶航行规律来假设轨迹。而贝叶斯网络是一种模型，用节点表示对象，可以连接各个对象之间的关系，以图形的方式让人们对船舶轨迹有更好的理解。神经网络是一种机器学习方法，它通过人工智能引导机器进行学习，类似于一种程序代码，在非线性轨迹研究中具有良好的应用。 

在贸易需求逐步加大的大环境下，海洋运输需求日益增加，海洋交通的压力与负担也随之增加，多样的环境也成为严峻的考验。在船舶航行中，轨迹异常的成因有很多，可能是硬件出现故障，也有可能是天气条件较差，甚至出现一些意外因素，例如突发的恐怖事件等。因此，加强船舶航行轨迹管理，保障船舶运输安全，提高海上交通管理效率，是海洋运输的迫切需要。在船舶运输过程中，精准控制航行轨迹、实时监控船舶位置、有效控制航行风险对实现智能海上交通管理具有重要意义。船舶轨迹分析在没有人工智能技术之前存在着很多不足：1）提取数据困难，由于只能单纯地依靠主动观测所以提取数据的过程费时费力。2）算法单一，轨迹控制不精准。由于理论算法的有限性，在轨迹控制方面无法做到精准，有时甚至会出现较大偏差。3）由于监测技术的不到位，航行轨迹容易出现频繁丢失，导致船舶航行的不确定性，使船舶航行的风险增加。

2 船舶轨迹分析研究进展

2.1  实时监控位置

传统 OpenGL 在确定船舶航行过程中的转角时会采用逆解算法，难以精确船舶航行转角，会出现实际转角超过预定转角范围的情况，针对船舶在航行过程中出现轨迹丢失的情况，根据船舶轨迹分析提出了具有可行性的方法。导入船舶轨迹，根据轨迹记录仪观察现有数据，通过计算公式确认航行大致走向趋势，部署数据节点位置，查看航行导入轨迹是否完整，最终导入航行轨迹，进行虚拟化处理，可以精确确定船舶航行的转角度数，如图1所示。

图1.航行轨迹导入示意图

从而实现精准实时监控船舶在航行轨迹中所处位置的初衷，避免出现航行过程中轨迹丢失的问题。 

2.2  精准控制轨迹

随着航行时间增加，船舶主机对于航行轨迹的控制能力会逐步下降，船舶航行规划能力会快速降低，针对船舶这特点，在船舶轨迹分析中提出在人工智能技术的作用下，调节船舶航迹的伪逆系数，通过控制调节器，以 TLC 设计思想为基础，控制船舶轨迹对象从而得到航迹控制指令。随着最终指令的变化，船舶的航行路线也会发生变化，达到精准控制船舶航行轨迹的目的。按照微分代数的理论，通过人工智能的支持，非线性来控制参数，建立完整的航向控制器，并且在人工智能的作用下实现各个主机之间的关联，利用数字媒体技术打造虚拟芯片，虚拟芯片具有较强的控制领导能力，相当于人类的大脑，可以对其他元件发出指令并控制其他元件。这种模式大幅度提升船舶轨迹控制的精准度。

3 虚拟现实技术提取航行信息控制风险

由于船舶受到一些不可抗力因素的影响，例如风速大小、海浪大小等，这会导致船舶实际航行轨迹和预计有所偏差，加之海上交通密度逐渐增加，船舶轨迹负担也随之增加，为了避免海上交通事故，船舶轨迹分析提出了利用虚拟现实技术，根据船舶在海上的经纬度信息以及船舶航行轨迹点在海上航线出现的机率来提取船舶航行轨迹的特征，通过度量船舶航行轨迹结构相似性来消除海上环境对于船舶航行的影响，从而降低船舶在海上航行的风险性。同时也利用船舶 AIS数据事先提取到了航线的大概信息，此数据为船舶轨迹的模拟提供大量的资料，加以结合船舶航行轨迹特征，可以更轻松地开展船舶轨迹分析工作。实验表明，无论是在低风险环境下还是高风险环境下，通过虚拟现实技术都比传统船舶轨迹模拟发生的碰撞概率小。但就目前来说，所具有的风险源信息与数据材料往往为平面以及文字化特征，在具体工作当中，管理人员无法对风险源的位置、外观以及可能导致发生的事故等信息形成直观的了解。通过虚拟现实技术的应用，则能够在以往遇到的基础上对环境风险源评价管理系统进行制作，以此为基础实现风险源的有效评价，进而掌握具有直观、准确特征的评价结果。在政府工作当中，则能够以此对风险源所具有的数量、类型、外观、位置以及后果等进行全面的掌握，为后续相关工作的开展打下良好的基础。

4 结语

通过对现阶段船舶轨迹分析研究，探究了船舶轨迹分析的重要性以及在这个领域几个主要方面的发展状况及趋势，为日后船舶轨迹分析研究的领域方向及技术创新提供支持。本文在船舶轨迹分析全面性上稍有不足，仅从几个主要方面阐述了目前研究的进展，略有片面。通过现阶段船舶轨迹分析现状，船舶轨迹分析已经在精准度、完整性、稳定性方面有了较为完善的体系，在今后的船舶轨迹分析研究上，可完善目前技术上的缺失，开发新的领域。

参考文献： 

[1] 崔彤彤 , 王桂玲 , 高晶 . 基于 1DCNN-LSTM 的船舶轨迹分类方法 [J].

计算机科学 ,2020,47(09):175-184.

[2] 王维刚 , 初秀民 , 蒋仲廉 , 等 . 基于加权朴素贝叶斯的船舶轨迹分类

算法 [J]. 中国航海 ,2020,43(04):20-26.

[3] 李淑娟 . 数字媒体技术在船舶航行轨迹虚拟中的应用研究 [J]. 舰船

科学技术 ,2020,42(06):43-45.

[4] 郭乃琨 , 马壮壮 , 岳明桥 . 船舶轨迹挖掘与可视化技术分析研究 [J].

电子元器件与信息技术 ,2020,4(03):137-138.