船舶航行安全大數據資料庫 應用與分析

109-007-7B54

MOTC-IOT-108-H2DB001g

船舶航行安全大數據資料庫 應用與分析

交 通 部 運 輸 研 究 所

中華民國 109 年 2 月

109-007-7B54

MOTC-IOT-108-H2DB001g

船舶航行安全大數據資料庫 應用與分析

著作：謝明志、蘇青和、黃茂信、翁健二、潘郁仁

交 通 部 運 輸 研 究 所

中華民國 109 年 2 月

109 船舶航行安全大數據資料庫應用與分析

交通部運輸研究所

GPN: 1010900118 定價:200元

國家圖書館出版品預行編目(CIP)資料

船舶航行安全大數據資料庫應用與分析 / 謝明 志等著. -- 初版. -- 臺北市 : 交通部運研所, 民109.02

面 ; 公分

ISBN 978-986-531-082-0(平裝) 1.航海 2.航海安全設備 3.自動化

444.9029 108023147

GPN：1010900118 ISBN：978-986-531-082-0 (平裝) 著作財產權人：中華民國(代表機關：交通部運輸研究所)

本著作保留所有權利，欲利用本著作全部或部份內容者，須徵求交通部 運輸研究所書面授權。

船 舶 航 行 安 全 大 數 據 資 料 庫 應 用 與 分 析 著 者：謝明志、蘇青和、黃茂信、翁健二、潘郁仁 出版機關：交通部運輸研究所

地 址：臺北市敦化北路240號

網 址：www.ihmt.gov.tw (中文版＞中心出版品) 電 話：(04)26587120

出版年月：中華民國109年2月 印 刷 者：

版(刷)次冊數：初版一刷70冊

本書同時登載於交通部運輸研究所港灣技術研究中心網站 定 價：200 元

展 售 處：

交通部運輸研究所運輸資訊組•電話：(02)23496880

國家書店松江門市：10485臺北市中山區松江路209號F1•電話：(02) 25180207 五南文化廣場：40042臺中市中山路6號•電話：(04)22260330

I

交通部運輸研究所合作研究計畫出版品摘要表

出版品名稱：船舶航行安全大數據資料庫應用與分析 國際標準書號(或叢刊號)

ISBN 978-986-531-082-0(平裝)

政府出版品統一編號 1010900118

運輸研究所出版品編號 109-007-7B54

計畫編號 108-H2DB001g 主辦單位：港研中心

主管：蔡立宏

計畫主持人：蘇青和 研究人員：黃茂信 聯絡電話：04-26587120 傳真號碼：04-26560661

合作研究單位：國立高雄科技大學(楠梓校區) 計畫主持人：翁健二

協同計畫主持人：潘郁仁

研究人員：楊烈、鄒旻珊、向淳暐 地址：高雄市楠梓區海專路142號 聯絡電話：07-3617141 #23329

研究期間 自108年03月 至108年11月

關鍵詞：航行監測、自動識別系統、資料庫、人工智慧、大數據、深度學習、碰撞告警、偏航 告警

本次研究重點主要著重在結合人工智慧與大數據分析技術建置一AI智慧化船舶航行安全 監測與預測系統。透過資料探勘技術挖掘AIS資料庫的船舶資訊，藉以研析我國海域範圍內船 舶航行資訊以及我國海域船舶航行特性，並將這些分析完的基礎數據，經過資料錯誤整理與動 態壓縮處理後取得具有特徵價值的訓練資料，再藉由所建置之預測模型針對海上AIS船舶進行 航行經緯度座標的預測。接著則進一步針對船舶航行行為進行安全評估，其船舶航行安全評估 系統能夠分別饋入即時AIS資料與預測系統之預測結果數據進行海上AIS船舶航行異常行為的 監測與預測應用。

此次整體研究開發成果包括：船舶航行安全預測系統建置、船舶航行安全評估系統建置、

船舶航行位置預測、船艏異常監測功能開發、偏離航道監測功能開發及船舶碰撞預測功能開發

。藉由系統功能的開發建置，得以有效協助找出船舶航海時的異常行為並評估其潛在的威脅，

使船舶違規航行、海上事故、需水上救援等異常情況事件發生前，岸台監控的當值人員能有足 夠預警時間反饋給有關單位處理，提升船舶航行安全。其研究成果將可供我國海洋委員會、交 通部航港局、海巡署等單位做為一海上航安監測之輔助系統，從而提升我國海洋事務安全管理 之效益。

出版日期 頁數 定價 本出版品取得方式

109年2月 180 200

凡屬機密性出版品均不對外公開。普通性出版品，公營、

公益機關團體及學校可函洽本所免費贈閱；私人及私營 機關團體可按定價價購。

機密等級：

□密□機密 □極機密 □絕對機密

(解密條件：□ 年 月 日解密，□公布後解密，□附件抽存後解密，

□工作完成或會議終了時解密，□另行檢討後辦理解密)

■普通

備註：本研究之結論與建議不代表交通部之意見。

II

PUBLICATION ABSTRACTS OF RESEARCH PROJECTS INSTITUTE OF TRANSPORTATION

MINISTRY OF TRANSPORTATION AND COMMUNICATIONS

TITLE: An analysis of ship navigation safety big data database.

ISBN(OR ISSN) 978-986-531-082-0(pbk)

GOVERNMENT PUBLICATIONS NUMBER 1010900118

IOT SERIAL NUMBER 109-007-7B54

PROJECT NUMBER 108-H2DB001g

DIVISION: Harbor & Marine Technology Center DIVISION DIRECTOR: Tsai, Li-Hung

PRINCIPAL INVESTIGATOR: Su, Ching-Ho PROJECT STAFF: Huang, Mao-Hsing PHONE: (04)26587120

FAX: (04)26560661

PROJECT PERIOD

FROM Mar./2019 TO Nov./2019

RESEARCH AGENCY: National Kaohsiung University of Science and Technology PRINCIPAL INVESTIGATOR: Weng, Chien-Erh

PROJECT STAFF:Pan, Yu-Jen

PROJECT STAFF: Yang, Lie, Tsou, Min-Shan,

ADDRESS:No.142, Haijhuan Rd, Nanzih Dist, Kaohsiung City 81157, Taiwan (R.O.C.) PHONE: (07) 361-7141 # 23329

KEY WORDS: Navigation monitoring, automatic identification system, database, artificial intelligence, Big data, machine learning, collision warning, yaw warning

This project is focus on the analysis of ship navigation safety big data database. The content of this project is to extend the research results of the previous year. We use the data mining technology to mine the ship information in the AIS database to study the ship navigation information. After analyzing these basic data, we use the prediction model to predict the latitude and longitude coordinates of the maritime AIS ship. The next step is to further evaluate the safety of the ship's navigation behavior. The ship's navigation safety evaluation system can feed the real-time AIS data and the prediction result data of the prediction system.

The results of the overall research and development include: the construction of a ship navigation safety prediction system, the construction of a ship navigation safety evaluation system, the prediction of the ship's navigation position, the development of a ship's abnormality monitoring function, the development of a departure channel monitoring function, and the development of a ship collision prediction function. Relevant technological developments such as aviation security monitoring have become one of the issues. The evaluation of the results of this research will effectively assist Taiwan relevant offices in the efficiency of ship navigation safety management.

DATE OF PUBLICATION February,2020

NUMBER OF PAGES 180

PRICE 200

CLASSIFICATION

□SECRET

□CONFIDENTIAL

■UNCLASSIFIED

The views expressed in this publication are not necessarily those of the Ministry of Transportation and Communications.

III

目 錄

中文摘要……… I 英文摘要………...…..II 目 錄………...……….. III 圖目錄………...V 表目錄………. IX 第一章 緒 論………..…………1-1 1.1 研究目的、緣起、重要性………..……...1-1 1.2 國內、外相關研究………...1-6 1.3 研究範圍與對象………. 1-15 1.4 研究內容及工作項目………. 1-16 第二章 船舶航行安全大數據資料庫建置……… 2-1 2.1 錯誤數據整理………...2-2 2.2 資料壓縮………. 2-10 第三章 船舶航行安全監測與預測系統……… 3-1 3.1 特徵與標籤分類………... 3-2 3.2 系統模型建置………... 3-5 3.3 船舶行為預測………. 3-11 3.4 系統預測精度優化………..….………... 3-15 第四章 船舶航行安全大數據資料庫資料應用……… 4-1

IV

4.1 船舶航行異常………... 4-1 4.2 船舶碰撞危險度分級………... 4-9 第五章 結論與建議………...5-1 5.1 結 論………... 5-1 5.2 建 議………... 5-2 5.3 成果效益與應用情形………...5-3 參考文獻………... 參-1 附錄一 期中報告簡報資料………..…………...附1-1 附錄二 期末報告簡報資料………..…………...附2-1 附錄三 期中報告審查意見處理情形表..…………...附3-1 附錄四 期末報告審查意見處理情形表..…………...附4-1

V

圖目錄

圖1. 1 人工智慧世代演進 ... 1-2 圖1. 2 大數據預測分析之市場成長趨勢 ... 1-2 圖1. 3 中國21世紀海上絲綢之路 ... 1-5 圖1. 4 模糊系統之基本架構 ... 1-9 圖1. 5 會遇船舶路權指標計算之模糊區 ... 1-9 圖1. 6 HDFS架構 ... 1-10 圖1. 7 分散式儲存資料庫結構 ... 1-11 圖1. 8 VRNN架構... 1-12 圖1. 9 多船碰撞風險評估系統架構 ... 1-13 圖1. 10 系統圖形化顯示介面 ... 1-13 圖1. 11 資料壓縮模擬結果 ... 1-14 圖1. 12 AIS訊號全解碼顯示介面 ... 1-18 圖1. 13 AIS訊號多工解碼處理實際畫面 ... 1-18 圖1. 14 整體研究銜接性 ... 1-19 圖1. 15 系統研究流程 ... 1-20 圖2. 1 AIS錯誤數據整理流程 ... 2-3 圖2. 2 MMSI不足9碼 ... 2-4 圖2. 3 MMSI不足9碼且資料重複 ... 2-5 圖2. 4 AIS資料重複性問題 ... 2-5 圖2. 5 船舶航速異常 (a) ... 2-6

VI

圖2. 6 船舶航速異常 (b) ... 2-6 圖2. 7 船舶航向異常 (a) ... 2-7 圖2. 8 船舶航向異常 (b) ... 2-7 圖2. 9 船舶經緯度座標短時間變化過大 (a) ... 2-8 圖2. 10 船舶經緯度座標短時間變化過大 (b) ... 2-8 圖2. 11 船舶經緯度座標短時間變化過大 (c) ... 2-9 圖2. 12 船舶經緯度座標與航向矛盾 ... 2-9 圖2. 13 AIS資料壓縮處理流程 ... 2-10 圖2. 14 AIS資料壓縮處理 ... 2-11 圖2. 15 資料壓縮處理前之原始資料量 ... 2-11 圖2. 16 資料壓縮後之資料量 ... 2-12 圖2. 17 視覺化圖例之資料壓縮處理 ... 2-13 圖3. 1 系統架構 ... 3-1 圖3. 2 AIS資料特徵與標籤固定取樣方式 ... 3-3 圖3. 3 AIS資料特徵與標籤隨機取樣方式 ... 3-4 圖3. 4 Elman network架構 ... 3-5 圖3. 5 tanh函數 ... 3-6 圖3. 6 長短期記憶網路架構 ... 3-7 圖3. 7 sigmoid函數 ... 3-7 圖3. 8 Forget Gate ... 3-8 圖3. 9 Input Gate ... 3-9

VII

圖3. 10 Output Gate ... 3-10 圖3. 11 雙向循環神經網路架構 ... 3-11 圖3. 12 系統預測模型架構 ... 3-12 圖3. 13 AIS資料隨機取樣間隔預測結果 ... 3-13 圖3. 14 AIS資料固定取樣間隔預測結果 ... 3-14 圖3. 15 系統區域性範圍預測結果 (a) ... 3-15 圖3. 16 系統區域性範圍預測結果 (b) ... 3-15 圖3. 17 優化後之船舶航行安全預測模型 ... 3-16 圖3. 18 優化系統預測模型之預測結果 ... 3-17 圖3. 19 優化之系統預測模型區域性範圍預測結果 (a) ... 3-18 圖3. 20 優化之系統預測模型區域性範圍預測結果 (b) ... 3-18 圖4. 1 船舶航行安全評估系統 ... 4-1 圖4. 2 船艏異常示意 ... 4-2 圖4. 3 偏離航道示意 ... 4-2 圖4. 4 船舶航行異常判斷流程 ... 4-3 圖4. 5 射線式奇偶演算法判別示意 ... 4-4 圖4. 6 射線式奇偶演算法流程 ... 4-5 圖4. 7 船艏異常功能開啟 ... 4-6 圖4. 8 船艏異常船舶資訊 ... 4-7 圖4. 9 航道預警功能開啟 ... 4-8 圖4. 10 偏離航道船舶資訊 ... 4-8

VIII

圖4. 11 系統預測船舶偏離航道資訊 ... 4-9 圖4. 12 DCPA與TCPA示意 ... 4-10 圖4. 13 VCD示意 ... 4-10 圖4. 14 船舶碰撞危險度分級流程 ... 4-11 圖4. 15 碰撞預警功能開啟 ... 4-13 圖4. 16 可能發生碰撞之兩船資訊 ... 4-14 圖4. 17 個別船舶之資訊 ... 4-14 圖4. 18 模型預測可能發生碰撞之兩船資訊 ... 4-15 圖4. 19 預測個別船舶之資訊 ... 4-15

IX

表目錄

表1-1 近五年我國海域重大海上事故 ... 1-3 表1-2 國內、外相關研究列表 ... 1-6 表2-1 AIS資料內容 ... 2-1 表2-2 AIS資料錯誤數據類型統計 ... 2-4 表3-1 AIS資料隨機取樣間隔分析 ... 3-13 表3-2 AIS資料固定取樣間隔分析 ... 3-14 表3-3 優化系統預測模型之AIS資料隨機取樣間隔分析 ... 3-17 表4-1 碰撞分級標準 ... 4-12

1-1

第一章 緒 論

在第一章節緒論部分，研究將針對此次應用全解碼資料庫的船舶 資訊結合人工智慧與大數據分析技術之計畫執行目的、重要性，以及目 前國、內外人工智慧與大數據分析技術相關研究發展進行說明。

1.1 研究目的、緣起、重要性

近幾年電子資、通訊技術快速發展，其中最被為矚目的當屬物聯網 (Internet of Things, IoT)技術及大數據(Big Data)，主因是隨設備、機器 和系統的連接，致使全球數據量產生爆炸式的增長，且資料儲存成本及 資料取得成本大幅下降，造就了大數據時代的興起。然大數據並非是一 個全新概念。舉例來說：人們在網際網路瀏覽器輸入關鍵字後，所出現 的大量搜尋結果就是一個很典型的大數據應用，只不過以往具有如此 龐大數據量的商業應用極為少數，並無一明確概念來定義這項技術。隨 著各領域產業發現這項技術能產生新的商業機會並提高企業效率，才 逐步形成大數據這個概念。大數據並不是著重在於數據量有多大，而是 提出一個資料經濟的思維，美國資訊科技研究暨顧問公司The 451 Group經過大量的研究調查後，將大數據定義為過去因為科技所限而忽 略的資料，這個說法受到許多資通訊產業的贊同。主要是因為提起大數 據多半在於討論這些過去未被挖掘、分析的資料樣本，只有將這些資料 經過適當的加工處理和萃取分析後，才能展現出商業價值，而這亦是整 體大數據技術的核心理念。

大數據的蓬勃發展也促使人工智慧(Artificial Intelligence, AI)科學 能夠在眾多領域向前邁進。對許多人來說，人工智慧是一種較為抽象的 概念存在於腦海中的想像，Google DeepMind團隊運用大量的棋譜數據 訓練所開發的人工智慧圍棋軟體AlphaGo，於公開比賽中擊敗世界圍棋 冠軍後 ， 大數據的潛在發展性開始被正視，各產業都開始積極投入發 展AI 大數據應用。

1-2

圖1. 1 人工智慧世代演進

圖1. 2 大數據預測分析之市場成長趨勢

資料來源：statista

1-3

根據市場研究機構Forrester Research在2018年針對亞太地區企業 導入 AI 大數據技術與應用程度的調查報告^[1]指出，亞洲市場中印尼企 業佈局AI大數據應用的程度已達65%，受訪者表示其公司已完成導入 AI大數據，或是正在朝AI大數據方向發展以加速企業轉型。而我國企 業則有近3成受訪者表示公司預計在1年內佈局AI大數據的相關應用，

由上述報告可以得知，多數企業都已將AI大數據視為未來發展的重要 方向。在商業的應用上，則包括能夠透過大數據分析得知消費者個人及 族群的消費習慣、喜好，做為市場走向、服務應用等參考依據。

在海洋產業方面，亦蘊藏著許多潛在價值的數據能藉由AI大數據 進行相關的分析、管理應用，諸如海氣象、船舶交通流、港埠物流及航 安管理等方面。我國地理位置居於東北亞和東南亞交會處，往上航運路 線通往韓國、日本等東北亞各國，往下航運路線通往菲律賓、印尼、泰 國、新加坡及馬來西亞等東南亞各國，可說是東北亞與東南亞海上來往 航運的樞紐，根據英國勞氏驗船協會 (Lloyd’s Register of Ships, LRS)之

「海難回顧」資料^[2]顯示，以發生海難事件頻率當作海上風險環境之主 要評估準則，並且加入天候能見度、海象潮汐變化、航行船舶密度、交 通流量複雜度等因素進行全球海域之評估，我國海域被列為中度海上 風險環境(Moderate Risk Environment)，其統計資料是以海難事件之發 生頻率做為評估依據。近五年來我國周遭海域重大海上事故如表1-1所 示：

表1- 1 近五年我國海域重大海上事故 案件日期 事 由

2019/10

兩艘中國籍運砂船「東泓」、「嘉良」，因惡劣海象造成船隻翻 覆，於台灣海峽中線發出求救訊號，我國海巡署接獲通報後 立即前往搜救，其中13名船員由附近漁船協助救起，目前仍 有12名船員失蹤。

2019/08 我國農委會漁業署獲報臺灣籍漁船「全億財1號」原預計4日 回港，但至6日仍未進港，漁業署洽請國家搜救指揮中心等單

1-4

位協助搜尋，經海巡署通報比對船位資料發現，「全億財1號」

在3日凌晨於宜蘭頭城外海18.5浬處海域，其船位光點從雷達 介面消失，同時有一賽普勒斯籍貨輪航經該海域範圍，初步 研判漁船可能遭受貨輪撞擊，目前仍有6名船員失蹤。

2019/08

海巡署金門第9海巡隊接獲通報，中國籍運砂船於金門復國墩 漁港東方2浬海域擱淺，由於海況惡劣導致船身傾斜進水沉沒 9名船員跳海求生並順利被救起。

2019/08

臺灣籍鮪釣漁船「進隆泰6號」於今年(108)8月18日在太平洋 公海失聯，經國家搜救指揮中心與外交部等單位協助洽請附 近國家協助救援，並聯繫案發海域附近臺灣籍友船趕往支援 搜索行動，發現疑似該船舶殘骸與漂浮物，初步研判遭遇碰 撞，造成9名船員失蹤。

2019/01

香港籍貨輪「銀安」與中國籍漁船「閩晉漁05568」在福建平 潭外海域發生碰撞，導致該漁船沉沒，船上14名船員全部落 水，其中8名船員失蹤。

2017/08

臺灣籍漁船「新凌波16號」、「立發1號」於花瓶嶼海域作業時

，疑似未注意雙方距離發生碰撞，造成「立發1號」漁船翻覆

，5名船員被救起，1名船員失蹤。

2017/02 中國籍漁船「閩霞漁運08783」於馬祖海域因不知名原因發生 爆炸，造成8名船員輕重傷及1名船員失蹤。

2016/08

中 國 籍 漁 船 「 閩 晉 漁 05891 」 與 希 臘 籍 貨 輪 「 ANANGEL COURAGE」，於釣魚台附近海域發生相撞，造成6名船員輕重 傷及8名船員失蹤。

2015/09

臺灣籍漁船「世暉31號」於桃園竹圍外海6浬處海域遭「亞泥 2號」貨輪撞擊導致船身翻覆，造成4名船員死亡及5名船員失 蹤。

2015/03 中國籍貨櫃船「振和168」於西犬島海域發生翻覆，造成4名船 員死亡及9名船員失蹤。

1-5

在貿易政策自由化及海洋產業興起等因素促使海事活動日趨熱絡

，且我國地理位置之優越條件下，促使航經我國海域之船舶數量多不 勝數，從表1-1我國重大海上事故案例中，方可得知船舶事故發生的相 關因素包含人為、船舶及環境等因素。基此，建立一個健全的海洋事務 管理體系，以維持船舶航行秩序進而提升航運安全與航行效率確有其 相當之必要性，也一直是被我國列為發展智慧化海洋科技之指標方向。

若以經濟層面角度檢視智慧化海洋運輸發展重要性，根據世界經濟合 作暨發展組織(Organization for Economic Co-operation and Development, OECD)的統計報告顯示，目前全球貿易量統計85%的貨物仍是採用海 上運輸，全球海運貿易價值約佔貿易總價值的50%^[3]，可見全球貿易物 流的主要方式仍以海洋運輸為大宗。因此如何發展智慧型海洋監測系 統有效整合我國周遭海域船舶資訊，提升海洋船舶航行安全，予以因應 我國周遭海域的船舶航行安全顯得格外重要。

圖1. 3 中國21世紀海上絲綢之路

資料來源：The Daily Star^[4]

形成智慧化海洋運輸系統最基本要素即是將電子資通訊技術、系 統、網路有效整合並應用於船舶、港埠、以及船岸之間支援系統，使用 者藉由系統整合的相關資訊進行彼此間的溝通管理。本次研究目標主

1-6

要是為進一步提升船舶於海上航行的安全，針對前期所建置的船舶自 動識別系統(Automatic Identification System, AIS)解碼資料庫進行相關 資訊的大數據分析研究，進而建置船舶航行安全大數據資料庫，目的係 利用大數據分析方式透過資料探勘技術挖掘AIS資料庫的船舶資訊，以 取得船舶相關資訊，並過濾掉重複或是數據不正確的資料，進而獲得有 效且正確之我國海域船舶航行資訊，再將分析後的基礎資料依據特徵 及類別進行分類，完成分類後則運用深度學習演算法建置船舶航行行 為預測模型使其能對船舶航行行為異常、偏航、碰撞做出預測判斷。

1.2 國內、外相關研究

表1-2為研究綜整目前有關海上船舶進行避碰監測、預測之國內外 技術相關研究發展：

表1- 2 國內、外相關研究列表 編

號 文獻資訊 研究重點

1

S. L. Kao, K. T. Lee, K. Y. Chang and M. D. Ko, “A Fuzzy Logic Method for Collision Avoidance in Vessel Traffic Service,” The Journal of Navigation, vol. 60(1) pp. 17-31, Jan. 2007.

採用AIS所提供的資訊，透過海洋地 理 資 訊 系 統 (Marine Geographic Information System, MGIS)及模糊區 分法，針對VTS所監視之海域內船舶

，建立船舶防撞警報系統模型。

2

C. H. Wen, P. Y. Hsu, C. Y. Wang and T. L. Wu, “Identifying Smuggling Vessels with Artificial Neural Network and Logistics Regression in Criminal Intelligence Using Vessels Smuggling Case Data,” Asian Conference on Intelligent Information and Database Systems (ACIIDS 2012), pp. 539-548, 2012.

使用海岸巡防署系統資料庫數據進 行類神經網路與迴歸分析，做為船舶 行為預測模型的建置資訊，藉以幫助 相關單位透過資料庫數據及系統預 測模型提高查獲走私犯罪的可能性。

3 W. M. Wijaya and Y. Nakamura, 應用Apache HBase的分散式儲存資

1-7

“Predicting Ship Behavior Navigating Through Heavily Trafficked Fairways by Analyzing AIS Data on Apache HBase,” 2013 First International Symposium on Computing and Networking, Dec. 2013.

料庫進行船舶大量AIS資料的儲存與 分析，並依據AIS資料類別，如船舶 類型、航速、航向、目的地等類別進 行分類形成能夠有效檢索統計的量 化資料，最後根據資料類別、屬性與 運動特徵以演算法預測目標船舶行 為。

4

S. Mao, E. Tu, G. Zhang, L.

Rachmawati, E. Rajabally, and G. B.

Huang, “An Automatic Identification System (AIS) Database for Maritime Trajectory Prediction and Data Mining,” Extreme Learning Machines 2016 (ELM-2016), pp. 241-257, July.

2016.

該研究重點在於針對AIS資料類別與 屬性，建置一即用型(Ready-to-Use) 的標準化AIS資料庫，使其可以用來 比較不同方法、演算法效能的相對應 關係，並從中判斷各系統模型在進行 海上船舶航行軌跡預測的差異性，用 以供船舶航行路徑學習、預測及資料 探勘所用。

5

D. Nguyen, R. Vadaine, G. Hajduch, R.

Garello and R. Fablet, “A Multi-task Deep Learning Architecture for Maritime Surveillance using AIS Data Streams,” The 5^TH IEEE International Conference on Data Science and Advanced Analytics (IEEE DSAA 2018), Oct. 2018.

結合遞迴神經網路(Recurrent Neural Networks, RNNs) 與 潛 在 變 數 模 式 (Latent Variable Modeling)將AIS資料 嵌入新的代表空間，藉以解決AIS資 料串流需處理之關鍵問題，如大量的 AIS資料串流、不完整的數據及不同 時間點採樣的數據等，並以此方式進 行船舶航跡重建、異常檢測(Anomaly Detection)與船舶類型識別的模擬研 究。

6

A. C. Bukhari, I. Tusseyeva, B. G. Lee, and Y. G. Kim, “An intelligent real- time multi-vessel collision risk assessment system from VTS view point based on fuzzy inference system”, Expert Systems with Applications, vol. 40(4) pp. 1220-1230, Mar. 2013.

主 要 是 將 船 舶 間 的 最 接 近 點 距 離 (Distance to Closest Point of Approach, DCPA) 、 最 接 近 點 時 間 (Time to Closest Point of Approach, TCPA)與羅盤方向變化(Variation of a Compass Direction, VCD)等參數，

結合模糊演算法規則進行船舶交通 管 理 系 統 (Vessel Traffic Service,

1-8

VTS)中所有船舶之碰撞風險程度的 計算。

7

M. Gao, G. Y. Shi, and W. F. Li,

“Online compression algorithm of AIS trajectory data based on improved sliding window,” Journal of Traffic and Transportation Engineering, vol. 18(3) pp. 218-227. June. 2018.

該研究透過分析船舶AIS數據中的時 間序列特徵與船舶操縱特性，提出一 種 改 良 式 的 滑 動 視 窗 (Sliding Window)在線壓縮演算法，並計算 277艘船舶的航行座標點，確認合適 的壓縮閥值。使數據在持續更新的狀 態下，進行數據分析處理的過程能夠 保持良好的資料壓縮處理效率，提升 系統運算效能。

國立臺灣海洋大學的高聖龍博士等人提出一種在船舶交通服務 (VTS)以模糊邏輯方法進行船舶避碰的研究^[5]，該研究是採用AIS所提 供的資訊，透過海洋地理資訊系統(MGIS)及模糊區分法，針對VTS所監 視之海域內船舶，建立船舶防撞警報系統模型。模型中分為三階段共七 個模糊區塊的建置，第一階段：船舶操縱能力評估-迴轉能力、衝止距

；環境影響力評估-海面風流因素、當前海況。第二階段：船舶運轉能 力-船舶操縱能力、環境影響力評估。第三階段：船舶航路權指標-船舶 運轉能力、船舶狀態、危險指數。透過得出的船舶航路權指標值，提供 船長與VTS管制人員，使管制人員有更充足之時間進行通訊調度。其中

，船舶防撞警報系統模型的建置方法則是基於危險指數(Danger Index) 與模糊警戒圈(Fuzzy Guarding Ring)組成，而警戒圈的大小則由模糊邏 輯方法與危險指數決定，再透過MGIS演算法進行船舶碰撞預測。從該 研究中，我們可以得知模糊系統的架構大抵可分為四部分，分別是模糊 化機構(Fuzzifier)：負責將明確的輸入數值對應至特定字集中的模糊集 合。模糊規則庫(Fuzzy Rule Base)：包含設立條件與結論的各項規則。

模糊推論引擎(Fuzzy Inference Engine)：做為整個模糊決策之核心，負 責進行模糊蘊涵及合成的動作，並輸出一推論模糊集合結果。解模糊機 構(Ddfuzzifier)：負責將模糊集合對應成為明確輸出值的過程。

1-9

圖1. 4 模糊系統之基本架構

其中，在模糊區所用到的資料又分為歷史參數與即時參數兩部分，

可以從圖1.5看出該研究以歷史參數做為建立模糊系統的字集與子集，

而即時參數則是計算會遇船舶的路權指標藉以做為船舶防撞警報系統 模型。

圖1. 5 會遇船舶路權指標計算之模糊區

國立中央大學的溫志皓博士等人則提出一種在刑事情報中應用類 神 經 網 路 (Artificial Neural Network, ANN) 與 羅 吉 斯 迴 歸 (Logistics Regression, LR)分析方法識別走私船舶之研究^[6]，該研究指出我國225個 漁港皆有設立海岸巡防的檢查哨站，所有漁船在進出漁港時，都須經由 海巡人員進行登記做為漁船進出漁港的數據記錄，若該漁船在資料上 被登記具有走私犯罪紀錄，海巡人員則會登船進行檢查，而其它船舶則 由海巡人員根據專業判斷做抽驗檢查。這些檢查程序與記錄資料則會 儲存於海岸巡防署的系統資料庫中，此研究即是使用該資料庫的數據 進行類神經網路與迴歸分析做為船舶行為預測模型的建置資訊，藉以 幫助相關單位透過資料庫數據及系統預測模型提高查獲走私犯罪的可

1-10

能性。

日本防衛大學的Dr. Wayan Mahardhika Wijaya等人則是提出一種分 析Apache HBase之AIS資料進行重度交通流量航道導航的船舶行為預 測研究^[7]，Apache HBase是一種分散式儲存的資料庫，資通訊技術發展 迅速，使資料量不僅愈加龐大，資料廣泛的增長亦會導致屬性複雜度的 增加，而分散式檔案系統(Hadoop Distributed File System, HDFS)則能將 以往僅使用單一伺服器資料庫進行資料儲存的方式擴增到數以千計的 伺服器資料庫進行資料存取，以欉集系統(Cluster System)框架達到大量 資料的有效管理。

圖1. 6 HDFS架構

資料來源：DeZyre

該研究主要是透過應用Apache HBase的分散式儲存資料庫進行船 舶大量AIS資料的儲存與分析，並依據AIS資料類別，如船舶類型、航 速、航向、目的地等類別進行分類形成能夠有效檢索統計的量化資料，

最後根據資料類別、屬性與運動特徵以演算法預測目標船舶的行為。從 文獻中可以知道，該研究演算法設計的構思是針對目標船舶的屬性、特 徵進行資料庫比對相似屬性與特徵的歷史航跡資訊做為船舶航行行為 的預判。也因此，演算法邏輯較為簡化，僅需比對資料庫中與目標船舶 屬性與特徵相近的船舶，並假設目標船舶亦會依循相似船舶的航跡從 而做出預測。

1-11

圖1. 7 分散式儲存資料庫結構

資料來源：[7]

新加坡南洋理工大學的Dr. Shangbo Mao等人，針對海上船舶航行 安全議題提出一種自動識別系統資料庫於海上軌跡預測及資料探勘之 研究^[8]，該研究指出目前國際在海洋科技研究領域上，並沒有一個標準 化規範的AIS資料庫，海洋科技研究領域人員或相關從業人員進行研究 數據蒐集時將會耗費大量時間與精力在AIS資料庫找尋可用資料。此外

，從智慧化海洋運輸領域的研究發展趨勢來看，亦可得知有越來越多 技術研究需要透過AIS資料庫進行船舶航行軌跡預測研究或其它相關 應用。也因此具備一個可以用來比較不同方法、演算法效能的標準AIS 資料庫尤為重要，該研究針對AIS資料類別與屬性，並比較這些資料相 對應關係，以及是否會在進行海上船舶航行軌跡預測導致差異性，從而 建置一即用型的標準化AIS資料庫，以供船舶航行路徑學習、預測及資 料探勘所用。

法國IMT Atlantique工程學院的Dr. Duong Nguyen等人則提出一種 使用AIS資料串流進行海上監測的多工深度學習(Deep Learning)框架研 究^[9]，該研究主要是結合遞迴神經網路 (Recurrent Neural Networks, RNNs)與潛在變數模式(Latent Variable Modeling)將AIS資料嵌入至新的

1-12

代表空間，藉以解決AIS資料串流需處理之關鍵問題，如大量的AIS資 料串流、不完整的數據及不同時間點採樣的數據等，並以此方式進行船 舶航跡重建、異常檢測(Anomaly Detection)與船舶類型識別的模擬研究

。圖1.8為研究應用於分析 AIS資料串流的多工變分遞迴神經網路 (Variational Recurrent Neural Network, VRNN)之架構，該研究系統模型 的關鍵則是在於嵌入區塊，主要是將不完整或是不同時間點採樣的數 據轉換為一致且定期的採樣機制，而子模型則是依據不同的時間週期 負責處理船舶異常行為檢測、船舶類型的識別及船舶位置預測等。

圖1. 8 VRNN架構

資料來源：[9]

韓國慶尚大學的Dr. Ahmad C. Bukhari等人提出一種基於模糊推論 系統之智慧型即時多船碰撞風險評估系統^[10]。該研究利用船舶交通管 理系統VTS)取得的船舶資訊，進行船舶間最接近點距離(DCPA)、最接 近點時間(TCPA)、羅盤方向變化(VCD)的參數計算，並將其結合模糊演 算法規則，推估海上船舶的碰撞風險程度。該研究之系統可分為三個功 能層，如圖1.9所示。第一層為輸入層，主要是取得計算碰撞風險所需 的輸入參數，第二層為模糊推論層亦是系統的核心層，藉由模糊演算法 與規則生成決策。所生成的決策結果則進一步發送至第三層並將決策 結果經由格式轉換後，呈現於該研究團隊所開發之圖形化顯示介面，如 圖1.10所示。

1-13

圖1. 9 多船碰撞風險評估系統架構

資料來源：[10]

圖1. 10 系統圖形化顯示介面

資料來源：[10]

大連海事大學的高邈博士等人，透過分析船舶AIS數據中的時間序 列特徵與船舶操縱特性，提出一種改良式的滑動視窗(Sliding Window) 在線壓縮演算法^[11]，該研究計算277艘船舶的航行座標點，確認合適的 壓縮閥值，並分析船舶距離閥值、船舶角度閥值對於演算法壓縮率的影

1-14

響程度及壓縮後之數據品質。該研究之資料壓縮模擬結果如圖1.11所示

：

圖1. 11 資料壓縮模擬結果

資料來源：[11]

1-15

壓縮閥值與參數的設定，會影響資料壓縮率的大小，進而決定數據 經過壓縮後所保留的訊息。因此，在使用演算法進行資料壓縮時，最需 考量的是如何保留船舶航行的關鍵特徵點，令完成資料壓縮後的訊息 仍可有效的替代原始船舶航行軌跡。在該研究中，資料壓縮最主要目的 是希望能夠提供一種當數據在持續更新狀態下，進行數據分析處理過 程亦能保持良好的資料壓縮處理效率，並且能夠剔除較為冗餘的數據，

從而保留具備可靠數據品質的關鍵特徵，進而提升系統運算的效能。

1.3 研究範圍與對象

本研究主要是以船舶動態資料及AIS全解碼資料庫為樣本資料來 源，做為建置船舶航行安全大數據資料庫的基礎，並以所建置之資料庫 研析船舶航行安全所需之樣本資料的蒐集與分類，從而達到智慧化航 安監測與船舶航行行為預測之目標。其研究範圍與相關限制說明如下 所示：

1. 以具備AIS系統收發設備並超過300噸以上之大型客、貨輪及油 輪為研究探討對象。

2. 以AIS系統可接收範圍內之資料，包括：船舶識別所用之海上 通訊識別碼、航行速度、航向、船舶噸位、船舶長寬、狀態及 目的地等資訊為主。

3. 由於目前船舶所回傳之AIS資料雖可取得船舶載重噸數據，但 在前期研究過程中發現大部分船舶並未即時更新此項資訊，所 回傳之船舶載重噸資料多為未知，故研究進行資料蒐集、分類 與演算法編譯過程將不主動納入該參數。

4. 資料庫所需之相關船舶的AIS參數或資料，將以現階段AIS系 統資料庫所能取得之資訊為主。

1-16

海難事件發生往往可能造成莫大的人命安全、財物損失，而應用大 數據分析技術協助進行海上船舶的監測與行為預測分析，即是能夠藉 助系統資訊協助降低人為操作因素所產生的疏失，提前避免憾事發生 的解決之道。研究將以目前國際上針對海上船舶航行安全監測與航跡 預測之相關技術研究為參酌。評估透過此次研究開發，將可協助我國交 通部及相關權責單位對於我國海洋事務與海上船舶航行安全的規劃上

，提供一發展方向與策略制定的輔助。目前海上航行船舶的動態資訊 較為完整的莫過於AIS系統，所提供的資訊包括船舶身份識別碼、船舶 位置、航速、船向、船舶類型、船舶長度、寬度等，其船舶航行安全大 數據資料庫建置，除彙整AIS解碼資料庫的船舶資料外，亦能整合電子 海圖地理資料庫使我國周遭海域之AIS船舶資訊更添完整性，並替代或 輔助人工對海上船舶行為進行監控做出預測判斷。而完整且詳細的船 舶資訊與數據亦能提供給其它單位或團隊做為相關研究之參酌，予以 擴大研究執行的效益。除此之外，研究成果亦可因應我國政府之國家長 期發展策略對於海洋政策管理與施政方針所需，建立廣泛的船舶航行 安全監控，提升船舶於海上航行的安全。

1.4 研究內容及工作項目

在研究內容部分，將依據研究工作項目分為四階段，分別為「船舶 航行安全大數據資料庫建置研究」、「AI智慧化船舶航行安全監測與預 測系統建置」、「船舶航行安全大數據資料庫資料應用」及「系統預測精 度及預測功能優化評估」。

由於此次研究是銜接106年度及107年度研究成果進行船舶航行安 全大數據資料庫建置，在106年度「行動中繼傳輸技術應用於AIS系統之 研發」的研究成果中，主要是透過運用天線特性之設計改善與行動中繼 傳輸技術來達成AIS資訊覆蓋範圍的擴展。該年度(106)以行動中繼傳輸 技術的方式延伸AIS系統資訊覆蓋的區域，初步構想是針對海洋巡防署 海上巡邏艇或其它航行海上之船舶佈署AIS系統行動中繼站，並開發 AIS行動中繼站之AIS訊號擷取及解碼方式，再以中繼通訊方式將AIS中

1-17

繼訊號轉傳至中繼岸台基站，使AIS中繼站具備接收與轉發AIS資訊功 能，從而有效向外延伸我國海域內船舶位置資訊的監測距離，予以建立 更廣泛的AIS系統資訊覆蓋區域。在AIS系統資訊覆蓋區域有效提升後

，107年度「AIS系統訊號干擾研究與訊號全解碼資料庫建置」的研究則 是進一步針對所接收的AIS資訊進行全解碼處理與資料庫的建置，AIS 全解碼資料庫對於船舶航行安全大數據資料庫建置相當重要，主要是 因為船舶航行安全大數據資料庫的樣本資料源需透過解碼資料庫大量 的AIS船舶數據中挖掘出設計船舶航行安全預測模型所需數據與參數。

基此，下列將概略說明107年度研究之AIS全解碼資料庫之相關成果，

再進行此次研究內容與研究成果之說明。

該年度(107)研究重點在於考量國內現有之AIS訊號解碼系統及設 備，僅針對船舶海上航行資訊相關欄位訊息進行部分訊息的解碼，在解 碼資訊內容的呈現與蒐集仍有可改善空間。透過AIS全解碼資料庫的建 置，即可收集船舶AIS完整解碼資訊，進而提供較完整的AIS全解碼資 訊。於AIS訊號全解碼技術部分，主要是以LabVIEW軟體開發全解碼演 算法，進行資料格式的轉換，格式轉換的目的是因AIS的資料封包在輸 出、輸入的過程中，基於傳輸協定及資料格式定義之差異需要進行不同 的資料格式轉換，且AIS資料封包內的封裝訊息是由大小寫英文字母、

阿 拉 伯 數 字 及 部 分 標 點 符 號 組 成 ， 因 此 須 依 循 國 際 電 工 委 員 會 (International Electrotechnical Commission, IEC) IEC/PAS 61162-100中定 義的6 Bit ASCII表規定，將封裝訊息轉為6 bits的2進制碼，再將6位元 2bits的二進制碼依照27種訊息類別格式需求擷取特定長度的二進制碼 再轉換為十進制碼，最後則依照解碼需求轉換成數值、代碼或字串完成 解碼。接著則依據AIS資料欄位順序進行編排、完成解碼訊息顯示介面 以及生成AIS解碼資料表單的功能。其中，在AIS全解碼顯示介面的部 分，所提供之資訊包括：系統當前時間、系統執行時間、系統資料庫解 碼資訊更新指示燈、資料表單指示燈、解碼檔案位址及AIS解碼資訊。

當解碼資料庫之AIS資料進行更新時指示燈即亮起，表示資料庫已匯入 新的解碼資料，並將儲存舊有解碼資料的資料表單進行檔案清空之動

1-18

作，從而防止資料庫在匯入解碼資訊時出現重複訊息的狀況發生。

圖1. 12 AIS訊號全解碼顯示介面

圖1. 13 AIS訊號多工解碼處理實際畫面

1-19

圖1. 14 整體研究銜接性

本次研究，首先我們以目前國內、外相關研究發展案例為借鏡，針 對目前應用AIS系統資料進行船舶航行安全監測或行為預測之相關研 究進行探討與研析，並以各研究文獻中所建立的系統模型為參考依據，

分析各研究文獻系統模型建置與演算法之優劣處。接著則以AIS全解碼 資料庫為基礎做為建置機器學習架構建置的樣本資料庫，並以資料探 勘方式依據資料類型進行初步的特徵(Features)及標籤(Label)分類。而 後再透過機器學習演算法進行船舶航行安全大數據資料的分析與探勘

，對樣本資料庫分類完成的特徵(Features)及標籤(Label)資料源進行特 徵萃取(Feature Extraction)與資料訓練(Training)，從資料庫裡大量、不 完全、模糊或重複性質的數據中挖掘出船舶航行行為預測所需的資料 參數，如船舶種類、航向、航速及航行軌跡等資料。接著，則進一步透 過深度學習方式依據船舶碰撞危險度分級、船艏異常及偏離航道等參 數進行相對應關係的演算法撰寫產生船舶航行安全評估系統模型，其 模型即是判斷船舶軌跡是否異常、是否與其它船舶會遇距離持續接近 的依據。AIS資料經過長時間的累積已形成巨量資料的等級，所以分析 這些AIS資料必須仰賴巨量資料分析從其中獲得關連性，而取得具備運 算價值或預測所需的資料參數經演算法與模型的計算後，即可識別船

1-20

舶在海上行駛的行為模式，進一步提供適當的操作建議。整體研究流程 如圖1.15所示：

圖1. 15 系統研究流程

1-21

本次研究開發主軸共包括四個階段，其各階段工作項目區分如下：

1. 船舶航行安全大數據資料庫建置研究：以AIS全解碼資料庫為 資料來源，獲取建置船舶航行安全大數據資料庫所需相關數據

。並依據所建置資料庫研析船舶航行安全所需之樣本數據的 收集與分類，再針對獲取之大量AIS資料進行預處理，包括錯 誤數據整理與資料壓縮，從而剃除不完整或重複性質高的次要 數據，挖掘出設計船舶航行安全預測模型所需數據與參數。

2. AI智慧化船舶航行安全監測與預測系統建置：AIS系統的使用 累積了大量的船舶航行資訊，這對船舶異常行為進行檢測提供 重要的基礎數據。其船舶航安監測與預測系統的建置，主要是 透過前述船舶航行安全大數據資料庫完成收集與分類的數據 參數做為進行智慧化船舶航行安全監測與預測系統模型建置 的資料源。包括應用學習演算法對完成特徵與類別分類的船舶 航行安全大數據資料，如船舶動態資訊時間序列、最接近點距 離、最接近點時間、航速、航向、船種及區域船舶密度等資料 進行相對應關係的演算法撰寫及預測模型的計算，並以此做為 後續海上船舶航行行為、碰撞告警、偏航告警預測功能開發的 依據。

3. 船舶航行安全大數據資料庫資料應用：在前述船舶航行安全大 數據資料庫與預測系統的建置，得以獲取海上船舶航行行為的 預測結果，在此階段，研究將進一步應用船舶航行安全大數據 資料庫開發船舶碰撞告警、偏航告警預測功能，協助找出船舶 航海時的異常行為並評估其潛在的威脅，使船舶違規航行、海 上事故、需水上救援等異常情況事件發生前，岸台監控的當值 人員能有足夠預警時間反饋給有關單位處理，提升船舶航行安 全。

4. 系統預測精度及預測功能優化評估：在完成船舶航行安全大數 據資料庫與海上船舶航行行為監測、碰撞告警、偏航告警預測

1-22

的建置及功能開發後，為判斷系統預測精確度是否可靠以及精 確度提高可行性，研究進一步應用深度學習方法增加預測模型 的層次架構，使不同參數間相互作用關係計算能更加準確，再 以遞迴神經網路架構將模型的預測結果回饋進行修正逐步收 斂預測結果。最後則針對後續系統優化之目標進行評估，並彙 整相關研究成果，建立資料庫與系統操作技術手冊。

2-1

第二章 船舶航行安全大數據資料庫建置

AIS是一種輔助船舶航行的系統與設備，其主要功能包括：識別船 隻、簡化資訊交換、協助追蹤目標及提供其它輔助資訊，透過這些功能 可以有效監測海上船舶動態，並提升船舶航行安全。因此國際海事組織 已在國際海上人命安全公約(International Convention for the Safety of Life at Sea, SOLAS)中要求航行於國際水域總噸位達300以上之船舶及 所有客船，均需安裝AIS。根據ITU–R M.1371–5建議書^[12]，已定義的AIS 資料類型有27種，分別適用於Class A和Class B數據傳輸使用，而每種 資料類型所定義的欄位格式和存放內容又有所差異，分為靜態訊息、動 態訊息及航程訊息等三大類如表2-1。於此，本研究將應用107年度建置 AIS全解碼資料庫的成果，擷取 AIS資料中的水上行動業務識別碼 (MMSI)、船長與船寬、船舶類型、經緯度座標、世界協調時間、對地 航向(CourseOver the Ground, COG)、對地航速(Speed Over the Ground, SOG)，做為後續輸入船舶航行安全監測與預測系統的樣本數據。樣本 數據品質對於系統預測模型的影響性相當大，樣本源若有太多錯誤數 據，將會嚴重影響訓練資料階段的數據品質，進而造成後續系統預測模 型失去其預測精度。基此，在船舶航行安全大數據資料庫的建置階段，

則需要先進行AIS資料的預處理。

表2- 1 AIS資料內容

靜態訊息 動態訊息 航程訊息

水上行動業務識別碼 經緯度 船舶吃水深度

IMO編號 世界協調時間 危險貨物

呼號與船名 對地航向 目的港口

船長與船寬 對地航速 預計抵達時間

船舶類型 船艏向

船舶定位天線位置 航行狀態

2-2

2.1 錯誤數據整理

AIS資料預處理分兩步驟，第一步驟是錯誤數據整理。研究在AIS 資料預處理過程中，發現於部分欄位上仍有誤差值產生，究其原因可能 在於岸台基站的訊號接收效能不佳導致資料接收完整度受影響。然對 於系統的學習模型來說輸入數據十分重要，數據的品質及特徵的選取 往往決定了系統學習模型的上限。因此，研究需要對AIS資料源進行錯 誤數據整理，其錯誤數據整理流程如圖2.1所示。

首先，將MMSI長度不足9碼、座標位置未處於東經117至123之間

，以及北緯20至27之間的範圍、航速大於30節等異常數據進行剃除。依 據國際電信聯盟規範，全球船舶之MMSI識別碼為固定9碼，因此未符 合9碼長度MMSI的AIS數據即被視為異常數據。而東經117至123之間，

以及北緯20至27之間的範圍則是我國鄰近海域範圍，未處於該範圍內 之船舶則未被系統納入進行預測分析。由於本次研究主要預測船舶種 類為大型客、貨、郵輪等船舶，依據資料顯示其航速大多落於20節以下

，航速大於30節之狀況極為罕見。在初步篩選後研究將AIS資料依 MMSI分類，取同一MMSI的連續兩筆AIS資料𝑃₁𝑃₂，其目的是藉由𝑃₁的 航向判斷𝑃₂的經緯度變化是否正常，若𝑃₂經緯度未依照𝑃₁的航向所變 動，則判定資料異常，需刪除𝑃₂，反之則繼續進行除錯。接著，則是計 算𝑃₁𝑃₂間的大圓距離𝐷_𝑎、接收時間差𝑇_𝑛，以及航速較大值𝑆_𝑖，當(𝑆_𝑖 ∗ 𝑇_𝑛∗ 0.5144 + 1) ∗ 1.1 > 𝐷_𝑎 > (𝑆_𝑖 ∗ 𝑇_𝑛∗ 0.5144 + 1) ∗ 0.9時，代表資料的經 緯度無異常保留𝑃₂，反之則刪除𝑃₂達到數據整理效果，並持續循環此過 程直到𝑃₂為此MMSI的最後一筆資料。其中，大圓距離的計算是採用半 正矢公式(2.1)，令球面上兩點的經度和緯度分別為𝜆_𝑠, 𝜙_𝑠；𝜆_𝑓, 𝜙_𝑓，∆𝜙與

∆𝜆為兩者差的絕對值，𝑑為兩點間的大圓距離單位為公里，𝑟為地球平 均半徑6,371公里。

𝑑 = 2𝑟 𝑎𝑟𝑐𝑠𝑖𝑛 (√𝑠𝑖𝑛²(^∆𝜙

2 ) + 𝑐𝑜𝑠 𝜙_𝑠𝑐𝑜𝑠 𝜙_𝑓𝑠𝑖𝑛²(^∆𝜆

2) )………….…(2.1)

2-3 AIS錯誤數據整理

AIS資料

MMSI長度 = 9

是，

123 > 經度 > 117

是，

27 > 緯度 > 20

是，

30 > 航速

刪除數據 否

否

否

否

將資料以 MMSI分類

取同一MMSI連續 兩筆AIS資料P1、P2

計算P1P2間的大圓距 離Da(公尺)

計算P1P2間的 時間差Tn

取P1P2中航速 較大的值Si

( Si * Tn *0.5144+1)*1.1

>Da >

( Si * Tn *0.5144+1)*0.9

刪除P2 否 是 保留P2

P2為AIS資料 的最後一筆

P2為AIS資料 的最後一筆

P1=P1

P2=P3

P1=P2

P2=P3

否 否

是 是

整理結束 P2經緯度依P1航向變化

否 是

刪除重複資料 是

圖2. 1 AIS錯誤數據整理流程

2-4

後續將說明錯誤數據整理步驟中，系統所篩選及剔除錯誤數據之 相關狀況。如表2-2所示，該表為各項錯誤數據類型統計，其中在AIS資 料重複性問題是較為嚴重的狀況，另一狀況則是船舶經緯度異常問題，

包括航向與經緯度變化出現矛盾、連續兩筆AIS船舶資料出現大幅的經 緯度座標距離變化等。此外在錯誤數據類型還包括船舶航向異常、船舶 航速異常等問題。研究統計數據除了AIS資料重複性問題，其它錯誤數 據類型皆已剔除重複性AIS資料才進行統計。

表2- 2 AIS資料錯誤數據類型統計 AIS資料重

複性問題

MMSI不足 9碼

航向異常 航速異常 經緯度座標 異常 57.4% 0.05% 2.6% 0.08% 4.7%

1. MMSI欄位不足9碼：

海上船舶所回傳之AIS資料中，須具備水上行動業務識別碼 (MMSI)，做為船舶識別與資料來源的判斷依據，在進行錯誤數據整 理階段，發現部分AIS資料出現MMSI不足9碼之狀況。且從圖2.2的 資料接收時間可以發現，AIS資料回傳頻率並不穩定，35分鐘的時 間區段僅回傳10筆資料，時間間隔亦較不固定。

圖2. 2 MMSI不足9碼

2-5

部分AIS資料除出現MMSI不足9碼的錯誤狀況外，亦存在AIS 資料重複性問題。

圖2. 3 MMSI不足9碼且資料重複 2. AIS資料重複性問題：

除前述在相同接收時間(Record_Time)出現AIS資料重複性問題 外，亦存在不同接收時間的AIS資料欄位數據相同的狀況。此狀況 將導致同一接收時間下，該船舶具有兩筆不同AIS資料的問題。

圖2. 4 AIS資料重複性問題

2-6

3. 船舶航速(SOG)異常：

本次研究進行船舶航行行為預測之船舶種類係以大型客、貨、

油輪為主，平均航速多低於20節以下，70節航行速度以超出多數大 型船舶能力範圍。其中若AIS船舶未提供航速(SOG)數據，原始預設 值則為102.3節。

圖2. 5 船舶航速異常 (a)

圖2. 6 船舶航速異常 (b)

2-7

4. 船舶航向(COG)異常

船舶正常航向區間範圍為0至359.9度，其中若AIS船舶未提供航向 (COG)數據，原始預設值則為360.0度。從圖2.8的數據可以得知，該 船舶在2秒間，船舶航行方向變動範圍達到150至180度。

圖2. 7 船舶航向異常 (a)

圖2. 8 船舶航向異常 (b)

2-8

5. 船舶經緯度座標短時間變化過大：

以圖2.9為例，在錯誤數據整理的資料比對過程中發現該船舶的經 緯度變化並不符合常理，以框線內AIS資料為例，該船舶在28秒間 的經緯度變化量高達276公里，欲達到如此大的位移量其船速需高 達19,177節。圖2.11則是在航向與航速固定狀況下，船舶經緯度座 標距離相差一倍。

圖2. 9 船舶經緯度座標短時間變化過大 (a)

圖2. 10 船舶經緯度座標短時間變化過大 (b)

2-9

圖2. 11 船舶經緯度座標短時間變化過大 (c) 6. 船舶經緯度座標與航向矛盾：.

以圖2.12為例，在錯誤數據整理的資料比對過程中發現該船舶的經 緯度變化與航向數據互相矛盾，從框線內兩筆AIS資料可以發現該 船舶的航向顯示船舶往東偏北方前進，但若由船舶的經緯度來看，

其經緯度座標數值下降，表示船舶往西偏南方移動。

圖2. 12 船舶經緯度座標與航向矛盾

2-10

2.2 資料壓縮

AIS資料進行壓縮主要目的是為了刪除僅具備較低船舶行為特徵 的資料，使系統負擔能夠有效降低並提升數據品質。研究參考前述1.2 節國內外相關研究文獻中，GAO Miao等人所提出之資料壓縮演算法^[11]

，進行本研究AIS資料壓縮之處理。考量到同一船舶連續三筆AIS資料 間的距離與航向差，若兩者皆未高於閥值，則刪除三筆資料中的第二筆 資料，AIS資料壓縮流程如圖2.13所示。

圖2. 13 AIS資料壓縮處理流程

2-11

首先設初始狀態為連續三筆AIS資料(𝑃₁、𝑃₂、𝑃₃)，計算𝑃₂到𝑃₁𝑃₃間 的大圓距離(𝐷₁、𝐷₃)，若𝐷₁或𝐷₃小於距離閥值𝐷_𝑡，則繼續計算𝑃₂與𝑃₁間 的航向差𝐶_𝑠是否小於角度閥值𝐶_𝑡，如果兩項條件都滿足，則刪除𝑃₂達到 壓縮效果，並持續循環此流程直到𝑃₃為AIS資料的最後一筆，其中𝐷_𝑡與 𝐶_𝑡的值可依照需求作更改，𝐷_𝑡與𝐶_𝑡設的越大壓縮率就越大，目前設𝐷_𝑡為 84公尺、𝐶_𝑡為9度，其設定標準參考^[11]的中等壓縮率數值。圖2.14為本 研究使用AIS資料庫進行原始資料與壓縮後資料之比較，以茲證明此 AIS資料壓縮演算法可行性。原始AIS資料樣本為35,683,789筆，經演算 法壓縮後之資料量降至14,433,211筆，壓縮率為60%。

圖2. 14 AIS資料壓縮處理

圖2. 15 資料壓縮處理前之原始資料量

2-12

圖2. 16 資料壓縮後之資料量

上述圖例為資料壓縮處理結果，圖2.15為進行資料壓縮處理前之原 始資料量，圖2.16則為經演算法壓縮後之資料量，以兩圖實線與虛線框 之間的AIS資料為例，從圖中可以發現兩框線區間之AIS資料的欄位數 據相似，並未高於演算法所設定的參數閥值，亦即表示該AIS資料可能 為重複性質高的次要數據，經壓縮處理後AIS資料量由6筆資料降至1筆 資料。

為進一步清楚呈現資料壓縮成效，研究已將資料轉為視覺化圖例，

如圖2.17進行相關說明。在圖2.17中，藍色圈點符號為原始未進行壓縮 之船舶航跡位置、橘色叉符號則是經壓縮處理後保留之船舶航跡位置。

從圖例中可以發現橘色叉符號在緯度26.114至26.115區間、26.119至 26.121區間，因船舶處於轉向航行動態，而這些數據對於航行行為預測 來說具有較高相關性的船舶行為特徵，在資料壓縮上保留了較高的AIS 資料量使資料壓縮量變小。而在緯度26.122至26.134區間，由於船舶處 於直線航行動態，壓縮演算法判斷航向差小於角度閥值且船舶移動距 離較少，因而有較大的資料壓縮量。

2-13

圖2. 17 視覺化圖例之資料壓縮處理

3-1

第三章 船舶航行安全監測與預測系統

2012 年多倫多大學Hinton教授與其學生在圖像識別競賽中使用圖 形 處 理 器 (Graphics Processing Unit, GPU) 加 上 卷 積 神 經 網 路 (Convolutional Neural Network, CNN)^[13]，以16%的錯誤率一舉拿下競賽 冠軍後，掀起了人工智慧的熱潮，更吸引大眾與媒體注意人工智慧發展 的目光。深度學習則是人工智慧發展中成長最快速的領域，深度學習是 一種模擬人類神經網路運作方式的大數據分析技術，主要是透過大量 的資料源結合演算法進行訓練建立一預測模型，並導入新資料利用預 測模型進行相關目標的預測分析。為有效提升船舶海上航行安全與周 遭海域船舶活動監測，本研究延續前期研究成果以全解碼的AIS解碼資 料為樣本，收集完整的AIS船舶動、靜態資訊，並完成對AIS樣本資料 進行初步的錯誤數據整理及資料壓縮。接著在此章節，研究將以人工智 慧深度學習演算法為基礎利用完成預處理的AIS資料建立海上船舶航 行安全預測模型，系統架構如圖3.1所示

圖3. 1 系統架構

3-2

3.1 特徵與標籤分類

根據ITU–R M.1371–5建議書^[12]，已定義的AIS訊息資料類型有27種

，分別適用於Class A和Class B資料傳輸使用，而每種資料類型所定義 的欄位格式和存放資訊內容又有所差異，以訊息1至訊息3來舉例，該資 料類型為Class A進行船舶位置訊息回報所適用，而訊息5則用來回報 Class A靜態或航行相關數據。因每一種資料類型所含的資訊有所不同

，AIS標準中針對每一種資料類型的訊息內容亦分別規劃了不同的訊息 格式。因此在完成AIS數據整理與壓縮後，研究需要再依據這些資料類 型進行初步的訊息內容分類(特徵萃取)。由於模型的目標為學習船舶的 航行行為，因此需要將完成預處理的AIS資料部分欄位做為資料特徵，

在這裡資料特徵可以視作影響預測結果的相關參數，包括船舶經緯度、

航向、航速及時間，而標籤則是系統模型之預測結果，亦即代表所預測 的船舶經緯度座標。

在完成特徵萃取取得資料特徵與標籤後，則開始進行資料訓練。於 此，研究分別以固定取樣間隔及隨機取樣間隔兩種方式進行資料訓練 處理。固定取樣間隔方式是以5筆資料為一固定取樣間隔，而隨機取樣 間隔方式則是在1至3筆資料間採用隨機取樣間隔的方式，利用兩種不 同取樣方式進行資料訓練，主要是希望藉以在後續系統預測分析時，能 有效評估不同資料訓練方式，其預測分析精度之影響性。其固定取樣與 隨機取樣方式之結果如圖3.2與圖3.3所示，訓練資料由3筆特徵(𝑓₁、𝑓₂、 𝑓₃)及1筆標籤(𝐿)組成，其中特徵的時間欄位(𝑡₁、𝑡₂、𝑡₃)為3筆特徵與標 籤的接收時間差。

3-3

以固定4筆間隔方式進行AIS資料特徵與標籤之取樣：

圖3. 2 AIS資料特徵與標籤固定取樣方式

3-4

以隨機1至3筆間隔方式進行AIS資料特徵與標籤之取樣：

圖3. 3 AIS資料特徵與標籤隨機取樣方式

3-5

3.2 系統模型建置

在完成不同AIS資料特徵與標籤取樣組合方式後，還需經學習演算 法訓練產生一預測模型。由於船舶的AIS資料與時間成對應關係，且該 對應關係只與前一個時間狀態有關聯。在神經網路模型中，循環神經網 路(Recurrent Neural Network, RNN)架構特殊的隱藏層結構，使其非常 適合處理時間序列。循環神經網路是一種具有短期記憶的神經網路，其 原理是將神經元的輸出或隱藏層再接回神經元的輸入，使輸出值不僅 僅受當下的輸入訊號影響，也受到過去本身的輸出或隱藏層所影響，由 於這樣的特性，循環神經網路與其它神經網路相比更適合處理序列數 據，因此循環神經網路已經被廣泛運用於語音辨識、語意分析及語言翻 譯等領域。循環神經網路有兩種架構，第一種為Elman network、第二 種為Jordan network，Elman network使用上一個時間戳記(Timestamp)的 隱藏層做為其中一個輸入訊號，在架構上較符合AIS的資料特性，其架 構如圖3.4所示：

圖3. 4 Elman network架構

從圖3.4可以得知。循環神經網路在不同時間戳記的輸入訊號為 (𝑋_𝑡−1、𝑋_𝑡、𝑋_𝑡+1)、隱藏層為(𝑆_𝑡−1、𝑆_𝑡、𝑆_𝑡+1)、輸出為(𝑂_𝑡−1、𝑂_𝑡、𝑂_𝑡+1)

、激活函數為(𝑡𝑎𝑛ℎ、𝑓)且權重為(𝑈、𝑉、𝑊)分別對應不同來源。在輸 入訊號為𝑋_𝑡時的隱藏層為(3.1)式、輸出為(3.2)式，其中輸出層的激活函

3-6

數則可依網路需求做修改，隱藏層的激活函數固定為tanh函數，如圖3.5 所示。

𝑆_𝑡 = 𝑡𝑎𝑛ℎ(𝑈𝑋_𝑡 + 𝑊𝑆_𝑡−1)………..(3.1) 𝑂_𝑡 = 𝑓(𝑉𝑆_𝑡)………(3.2)

圖3. 5 tanh函數

長短期記憶網路是循環神經網路的一個變形，主要是為了解決循 環神經網路中的長期依賴問題，循環神經網路在處理較長序列數據時，

由於隱藏層會持續與權重相乘並透過tanh函數轉換，使距離目前時間戳 記較遠的訊息影響力相當小，導致網路難以學習到其訊息。而長短期記 憶網路則可透過三個控制閥(Gate)與單元狀態(Cell state)來決定訊息的 儲存與丟棄進而解決該問題。長短期記憶網路中三個控制閥分別為 Forget Gate、Input Gate及Output Gate，Forget Gate功能為透過當下的輸 入與上一個時間戳記的輸出，決定要從單元狀態中刪除多少訊息。Input Gate功能為透過當下的輸入與上一個時間戳記的輸出，決定要將那些 訊息加進單元狀態。Output Gate功能為透過當下的輸入與上一個時間 戳記的輸出，決定要取單元狀態中的那些部分做為輸出。長短期記憶網

3-7

路架構如圖3.6所示。其中每個黃色方格代表一個人工神經元、上一個 時間戳記的輸出為ℎ_𝑡−1、上一個時間戳記的單元狀態為𝐶_𝑡−1、當下的輸 入為𝑋_𝑡、sigmoid函數為σ，如圖3.7所示。

圖3. 6 長短期記憶網路架構

圖3. 7 sigmoid函數